人工智能在罕见疾病的诊断、治疗和管理中的应用:拉丁美洲视角下的机遇与挑战
《Archives of Medical Research》:Artificial Intelligence in the Diagnosis, Treatment, and Management of Rare Diseases: Opportunities and Challenges from a Latin American Perspective
【字体:
大
中
小
】
时间:2026年10月11日
来源:Archives of Medical Research 3.6
编辑推荐:
罕见疾病总体上影响了全球3.5%到5.9%的人口。然而,患者在获得对其病情的准确诊断之前,通常需要等待五到七年的时间。大约80%的这类疾病具有遗传起源,而近95%的疾病缺乏能够改变疾病进程的获批疗法。这种状况给医疗系统和受影响家庭带来了巨大的压力。在过去的十年中,人工智能(AI)
罕见疾病总体上影响了全球3.5%到5.9%的人口。然而,患者在获得对其病情的准确诊断之前,通常需要等待五到七年的时间。大约80%的这类疾病具有遗传起源,而近95%的疾病缺乏能够改变疾病进程的获批疗法。这种状况给医疗系统和受影响家庭带来了巨大的压力。在过去的十年中,人工智能(AI),特别是机器学习、深度学习和自然语言处理,成为应对这些挑战的有效手段。本文综述了AI在四个相互关联领域的最新进展:鉴别诊断和模式识别;预后和风险分层;治疗发现和药物再定位;以及罕见疾病护理的运作组织。现有证据表明,基于AI的方法可以缩短诊断时间,减少不必要的检查,并为孤儿病增加治疗选择。尽管取得了这些全球性的进步,但AI的应用仍然存在显著的不均衡。本文特别关注拉丁美洲的视角,与其他综述不同。该地区一方面拥有丰富的基因多样性并不断发展合作网络,另一方面又面临基础设施瓶颈和基因组数据库中的代表性不足问题。AI在罕见疾病护理中的整合将依赖于联邦数据基础设施、透明且可解释的模型、统一的监管框架以及对员工培训的持续投资。患者组织是重要的合作伙伴,尤其是在发展中国家。
引言
罕见疾病包括5,000到8,000种已知的疾病,尽管每种疾病的发病率较低,但总体上影响了全球相当大的一部分人口。虽然不同机构的定义有所不同(例如欧盟的规定是每10,000人中不超过5例),但世界卫生组织估计全球有超过4亿人患有这些疾病。保守的流行病学模型估计,罕见疾病的总体负担占人口的3.5%到5.9%。最近的一篇未经过同行评审的预印本估计,每16人中就有1人患有一种或多种罕见疾病,这使它们成为重大的公共卫生问题。这些疾病的低发病率使得临床研究和管理变得困难。值得注意的是,这些疾病的识别率较低,误诊率较高。
解决这些问题的临床紧迫性由两个关键指标驱动:大约80%的罕见疾病具有遗传起源,通常在儿童时期显现;目前约95%的疾病缺乏获批的疗法。这种状况凸显了对创新诊断方法和先进技术的迫切需求,以减轻严重的残疾和过早死亡。由于每种疾病的患者数量较少,加之病因和表型的复杂性,数据收集变得困难,从而严重阻碍了临床研究。这种情况导致许多患者从出现症状到获得准确诊断需要等待五到七年的时间。在此期间,他们通常需要咨询多位专家并接受多次检测。这种长期的延迟加剧了疾病的进展,给患者及其家庭带来了巨大的情感和经济负担,并给医疗系统带来了高昂的费用。鉴于治疗选择和诊断效率方面的巨大差距,充分利用现有技术加强罕见疾病的研究和管理至关重要。计算机科学,特别是机器学习和人工智能(AI),在应对这些问题方面发挥了重要作用,确保患者能够及时获得准确的诊断和适当的治疗。
三个结构性问题解释了为什么这些疾病特别难以通过传统的临床方法解决。这些问题值得明确提及,因为它们影响了后续的所有讨论。首先是诊断延迟,在遗传性代谢疾病中,诊断延迟可能长达十年以上,使患者承受不必要的程序和不可逆的器官损伤。其次是表型异质性:相同的分子病变在不同年龄组、种族和治疗方案中可能表现出明显的不同临床表现;而在临床上看似无法区分的疾病往往具有完全不同的遗传原因。第三是数据稀缺,这是该领域固有的问题——每个疾病的样本量小、注册系统分散以及本体论不一致,使得AI方法(如用于肿瘤学或心脏病学的模型)无法使用有效的数据集。这三个问题相互叠加,任何忽视这些问题的技术解决方案在现实世界中可能效果不佳。一些最近的综述和文献计量分析详细描述了AI在罕见疾病中的应用情况,但这些综述主要反映了高收入国家的基础设施和基因组现实。本文的独特之处在于它关注全球技术和新兴地区现实的交叉点。通过采用拉丁美洲的视角,本文旨在综合AI在临床应用方面的成就和局限性,而不仅仅是算法的新颖性。讨论围绕四个临床领域展开:诊断和早期检测、预后和风险分层、治疗发现以及护理组织。在此之后,我们分析了拉丁美洲背景对这些领域的影响,并提出了将这些工具转化为安全和公平实践的实际议程。
尽管这是一篇叙事性综述,但仍采用了结构化的搜索策略,以确保证据的全面性和代表性。我们查阅了2015年至2026年间发表在PubMed、Scopus和Web of Science上的文献,以捕捉AI和深度学习的最新应用。搜索词包括AI、机器学习或深度学习与罕见疾病、孤儿药、基因组变异和拉丁美洲的结合。文章的选择基于其临床相关性和对实际应用的关注,而非纯理论计算模型。优先考虑那些有助于理解结构性挑战(如数据稀缺和种族偏见)的研究。临床应用部分引用的性能数据来自选定的基准研究、回顾性评估和系统评价。由于本文的叙事性特点,没有进行正式的偏见风险评估或系统证据分级。
医学中的人工智能发展迅速,这得益于机器学习和深度学习架构的进步。现代机器学习模型不再依赖于显式编程或早期基于规则的专家系统,而是将复杂的输入映射到临床输出,将相似的患者特征分组,并通过环境反馈优化决策过程。深度学习架构使用多层神经网络从高维原始数据(如基因组序列或医学图像)中自动提取特征。当前的范式主要由这些数据驱动的模型主导,这些模型能够处理现代临床实践中典型的异构数据集。在最近的发展中,基于Transformer的语言模型值得特别关注,因为它们对罕见疾病研究非常重要。许多关于罕见疾病的临床有用信息并不存在于结构化表格中,而是散布在叙述性文档(如出院总结和病例报告)中。BioBERT和ClinicalBERT等模型能够从这些文本中大规模提取表型描述符,并将其与控制词汇(如人类表型本体)关联起来,同时生成单一机构无法独立生成的统一数据集,从而直接缓解了数据稀缺问题。
在讨论罕见疾病应用之前,有两个方法论问题需要特别关注。首先是可解释的人工智能(XAI)。在罕见疾病护理中,个别决策往往具有不可逆的治疗后果。这些决策基于小型参考人群,而这正是不可理解的建议造成最高代价的情况。目前有两种互补策略被常规使用:事后模型不可知方法(如SHAP和LIME),用于估计每个输入变量对单次预测的贡献;以及本质上可解释的架构(如 attention-weighted 网络、单调梯度提升树和基于原型的模型),这些架构从设计之初就体现了透明度。除了技术方面,监管环境也在朝这个方向发展。欧盟的AI法案和美国FDA的软件作为医疗器械框架越来越要求提供模型的详细理由、性能变化和亚组行为,这实际上更倾向于可解释的方法。第二个问题是大型基因组队列的作用。英国生物银行(UK Biobank)、gnomAD、All of Us Research Program、100,000 Genomes Project和Matchmaker Exchange等资源共同改变了变异解释、表型-基因型映射以及超罕见疾病的识别。多组学平台添加了转录组学、蛋白质组学和代谢组学层面,使得单一模态方法无法发现的发现成为可能。然而,一个不容忽视的问题是,大多数参考人群主要由欧洲血统的人组成,这意味着多基因风险评分和致病性分类器在混合血统的拉丁美洲、非洲和东亚人群中可能表现不佳。联邦学习架构结合隐私保护技术(如差分隐私和安全多方计算)越来越被用于实现跨境合作而不传输敏感数据,这对于本质上可识别的超罕见表型尤为重要。
在最近的发展中,基于Transformer的语言模型特别值得关注,因为它们对罕见疾病研究具有重要意义。许多关于罕见疾病的临床有用信息存在于叙述性文档中,而非结构化表格中。例如,出院总结、手写放射报告和不同质量的期刊中的散列病例报告以及多语言的患者注册系统。BioBERT和ClinicalBERT等模型能够从这些文本中大规模提取表型描述符,并将其与人类表型本体等控制词汇关联起来,生成单一机构无法独立生成的统一数据集。这不仅具有技术意义,也是解决数据稀缺问题的一种途径。AI在多个临床医学领域取得了可衡量的进展,包括基于图像的诊断、个性化治疗选择、药物发现和大型临床数据库的管理。这些进步展示了机器学习、深度学习和自然语言处理如何整合异构数据源,支持临床决策,自动化常规任务,并加速转化研究。然而,其应用仍受到数据质量和可访问性、算法偏见和透明度以及适应自适应系统的监管框架的需求的限制。在这方面,AI越来越多地被视为对医疗专业人员的临床判断的补充,而非替代。
以下各节描述了在四个临床问题上的进展:AI如何帮助做出诊断、如何辅助预后、如何加快治疗开发以及如何支持日常护理组织。本文的目的不是提供详尽的目录,而是让读者了解证据的成熟程度、仍处于初步阶段的方面以及存在的差距。表1提供了当前这些工具的证据和监管概况。随着技术的进步,AI在健康领域中的应用日益普遍。AI算法的发展源于对改善罕见疾病临床诊断的需求。各种具有初步结果的新兴解决方案证明了这一点。然而,评估这些工具的证据标准需要仔细考虑研究设计,因为性能指标在模拟环境和现实环境中往往有所不同。例如,一项针对93名患者的回顾性、单中心评估显示,一种名为Ada DX的原型平均将诊断时间缩短了50%(95%置信区间:未报告),并在33.3%的案例中首次就诊时正确诊断了患者(28)。同样,最近的一篇预印本(尚未经过同行评审)详细介绍了对NeoGx的回顾性评估,NeoGx是一种用于新生儿基因检测的研究性机器学习模型,估计其可以将其平均诊断时间从10天缩短到1天。复杂病例在14天内得到解决,时间缩短了1.8倍(29)。另一项关于诊断决策支持系统的回顾性建模研究估计,通过减少不必要的检测,平均成本可降低11.9%(95%置信区间:3.7-19.5%)(30)。然而,前瞻性的、设备级别的评估表明,现实世界的应用通常会引入工作流程上的摩擦,这些摩擦会削弱这些回顾性数据的效果(31)。此外,计算预测模型的性能在很大程度上取决于数据集和分析的具体基因。这表明必须对模型进行跨不同人群的校准,而不仅仅依赖于区分度指标(32)。应用严格的报告框架,如TRIPOD-AI和STARD-AI,可以确保这些新兴工具在临床应用前符合一致的证据标准。
AI通过处理复杂的数据源(如电子医疗记录和基因组序列)提供了实际优势。这使得AI能够识别出人类医生可能忽略的模式,从而进一步提高诊断准确性并加速对这些疾病的干预(1)。在应对罕见疾病时,还需要考虑到数据有限和遗传信息不足的问题,以及这些疾病对医生和患者带来的挑战。基于AI的工具通过支持定量、自动化的分析过程来帮助决策(1,33)。像BERT、GPT-3和T5这样的语言处理模型的出现显著增强了AI的能力,使其能够执行高级自然语言处理任务,如文本合成、情感分析和问答。这些功能对于从与罕见疾病相关的非结构化临床笔记和科学文献中提取信息至关重要(17)。在研究中,文本数据构成了识别诊断、治疗和患者护理所需信息的重要部分(23)。这些系统的价值部分取决于临床医生的培训方式。大多数医学课程侧重于常见病理学,这是可以理解的。这导致在日常实践中忽视了罕见疾病,即使是在专家中也是如此。任何临床医生每次就诊都必须处理的大量信息进一步加剧了这种认知偏差(34, 35, 36)。虽然决策支持系统不能消除这种偏差,但它们通过扩展诊断范围来弥补这一不足,而这些范围很难通过手动方式实现,尤其是在临床表现不典型或相关信息分散在多年获得的实验室结果中的情况下(37)。
差异化诊断支持工具结合了概率推理和精心整理的医学知识,根据患者的症状特征对候选疾病进行排序。除了Ada DX之外,近年来还有几个平台在真实病例中得到了验证,包括Isabel、DXplain、Symptoma和FindZebra(38)。最近,基于医学语料库训练的大型语言模型也使用了罕见疾病案例进行评估。虽然通用医学模型在编码临床知识方面表现出较强的能力(23),但在罕见疾病方面的表现仍然明显较弱。它们还非常依赖于提示的表述、案例的框架和祖先背景。最近的基准测试表明,这些模型在罕见疾病知识方面存在显著且不一致的差距(39),而基于临床案例的回顾性评估往往掩盖了现实世界临床应用的复杂性(40)。重要的是要区分回顾性基准和前瞻性临床表现。实际上,诊断准确性更多地受到常见和罕见遗传变异的成功整合、深度表型分析以及具有祖先意识的解读的影响,而不仅仅是一个模型的排名(41)。这种综合方法才是实现精准诊断的切实途径,超越了孤立语言模型的能力。卷积神经网络以及最近的视觉变换器已被用于检测常规模式匹配无法发现的罕见放射学和组织学表型。文献中的具体例子包括自动识别淋巴管肌瘤病中的肺囊肿(42)、识别尼曼-皮克C型的MRI特征(43)以及检测肌肉活检中的线粒体包含物(44)。
迁移学习范式在这种领域特别有效,因为它允许研究人员利用已经标注了常见疾病的数百万张图像来进行微调,而无需重新收集这些图像。联合学习将这一逻辑扩展到多个机构,当没有单个医院拥有足够的病例来训练模型时,这种策略变得越来越必要(45)。Face2Gene及其底层引擎DeepGestalt可能是计算机视觉在罕见疾病护理中最常被引用的例子。该系统分析二维面部照片,并按排序顺序提出综合征假设,在数百种疾病中的敏感性可与专家畸形学家媲美(46)。更新的流程,如PhenoScore(47),通过将面部特征与HPO编码的表型和基因组变异整合在一起,提供了更基于临床的方法。这些工具在专门遗传学家资源有限的地区尤其有价值。然而,它们的性能仍然受到训练图像中的祖先分布的影响,这重新引发了关于公平性的讨论。在拉丁美洲,获得专门临床遗传学家的帮助往往受到地理限制。在这种情况下,如果这些视觉分诊工具经过严格的区域面部数据集校准,它们将具有很大的价值。
AI大大提高了全外显子和全基因组测序中致病变异的优先级排序。在这个领域,生成的变异数量与解读它们所需的时间之间的差距仍在扩大。像Exomiser、AMELIE、MOON和LIRICAL这样的工具结合了HPO衍生的表型、人群频率数据和预测的变异有害性,以可用的顺序识别可能的致病等位基因(48, 49)。最近,在非同行评审的预印本中评估的研究性基础模型,如ESM-2和AlphaMissense,展示了对不确定意义变异的潜在评估能力(50)。在罕见疾病诊断中,这种能力至关重要,因为每位患者可能携带多个以前未报告的变异。在计算评估中,特别是在新兴经济体中,临床实验室往往没有预算对每个变异进行广泛随访,因此这种能力尤为宝贵。在这些情况下,可靠的工具对于评估不确定意义的变异至关重要。
然而,完全以编码为中心的方法忽略了诊断收益的一个重要方面:罕见的非编码变异。当全外显子测序结果为阴性时,预测调控效应的深度学习模型可以显著改善全基因组的解读(51)。现在也有可重复的、基于注释的框架,可以系统地评估这些非编码区域(52),整合了特定细胞类型的调控数据。为了确保这些计算进步能够转化为临床实践,基于AI的优先级排序正越来越多地与标准的变异分类框架相结合。研究人员目前正在校准计算证据,以明确符合ACMG/AMP标准(53)。这种临床整合在复杂的遗传背景下特别有价值,例如双等位基因变异的解释,AI工具可以支持诊断过程并帮助解决罕见疾病(54)。此外,如果不评估RNA水平的机制,变异优先级排序过程就不完整。许多通过外显子分析错过的诊断可以由剪接改变的变异解释。因此,深度学习剪接预测模型已成为诊断罕见疾病的最重要的临床工具之一,能够准确识别传统算法无法检测到的致病剪接事件(55)。
关于表型异质性的讨论必须超越传统的单基因范式。虽然十年前就认识到寡基因遗传和罕见变异的联合贡献在神经发育障碍中的作用(56),但大规模研究这些现象历来具有挑战性。最近的多祖先分析表明,现在可以系统地检测共存的罕见变异,并将其直接与症状严重程度联系起来。基于网络和图的机器学习模型提供了一种计算可行的方法来解释这些遗传相互作用和修饰效应(57)。承认这一寡基因层面对于全面理解疾病表达至关重要。它还自然地将诊断变异的优先级排序与越来越多用于治疗靶点发现的网络方法联系起来。罕见疾病中的预测建模面临着特殊的统计挑战:小样本队列、数据被审查的随访情况以及不同中心之间广泛不同的治疗方案(58, 59)。尽管存在这些困难,正则化生存模型、梯度提升集成和深度循环网络已被用于预测这些疾病的进展(60)。多模态数据的无监督聚类结合了临床尺度、生物标志物和影像学数据,进一步识别出具有不同进展轨迹的潜在患者亚群(61)。这种方法越来越多地用于充实临床试验人群并个性化随访间隔。在孤儿病环境中,这两种任务对传统统计方法尤其不利(62)。大多数已发表的预后模型在校准、外部验证和决策曲线分析方面存在不足;改进这些方面比进一步提高区分度更为紧迫。AI正在通过三个互补的方面重塑孤儿药研究。然而,这些计算方法必须牢牢基于临床现实才有用(63)。首先,目标识别和药物重新定位(鉴于从头开始开发所需的时间和成本,这一点尤其有吸引力)现在超越了一般的网络分析。可重复的流程结合了精心整理的变异-药物注释、文献来源的证据、基于知识图的优先级排序和临床试验元数据,以供专家审核。这些系统明确设计用于解决标准数据库对罕见和低频变异覆盖不足的问题(64)。优先级排序的逻辑主要在分子肿瘤学中发展起来,其中AI支持的治疗决策目前最为先进(65)。然而,该框架已适应于孤儿药的重新定位,通过将已批准的化合物与新表征的分子靶点相匹配。此外,应用于患者模型的深度学习筛选已经为特定罕见疾病识别了可行的候选药物(66)。
第三,生成化学模型,包括变分自编码器、扩散模型和强化学习代理,提出了同时针对结合能力、ADMET特性和合成可用性进行优化的新型小分子(67, 68, 69)。与此同时,在计算机模拟临床试验和数字孪生体中,这些工具被用来模拟孤儿药在合成队列中的效果,这些合成队列补充了实际的、通常样本量不足的患者群体。这种策略引发了关于监管机构愿意接受多少合成证据的合法方法论和监管问题(70, 71)。最后,为了保持平衡的临床视角,必须认识到AI驱动的发现只是当前治疗管理的一个组成部分。最近的孤儿病批准主要依赖非AI方法,特别是先进的基因疗法(72)。虽然AI在靶点发现和化合物筛选方面起到了强大的催化作用,但最终的临床应用仍然严重依赖现有的基因工程平台。最后,罕见疾病的治疗领域已经扩展到包括RNA水平的机制。现在认识到,失调的RNA结合蛋白和异常的剪接替代是几种神经发育和罕见表型的主要驱动因素。在这种背景下,计算剪接变异的解释直接指导了为超罕见表现设计的个性化剪接切换寡核苷酸疗法的设计。这种方法展示了算法预测如何指导针对患者的靶向治疗设计(74)。除了诊断和治疗之外,AI还支持罕见疾病护理的运营方面,尽管这些方面经常被低估,但它们实际上占了患者和家庭负担的重要部分(75)。不断发展的互补工具生态系统正在逐渐填补这一空白。AI增强的远程医疗平台将专家的覆盖范围扩展到地理上分散的人群。资源分配模型有助于将稀缺的孤儿疗法和基因检测能力集中在最有可能受益的患者身上。由自然语言处理(NLP)驱动的流程使罕见疾病登记册的维护成为可能,否则这将需要不可持续的手动工作。面向患者的应用程序,如聊天机器人和症状跟踪系统,生成了可用于临床和研究工作流程的纵向现实世界数据(76, 77, 78, 79, 80)。然而,它们作为医疗器械的正式评估在不同司法管辖区之间存在差异,这限制了报销决策和大规模应用(81, 82)。
前一节描述了AI已经取得的成果。尽管如此,如果不诚实地描述仍然限制广泛应用的障碍,这一图景将是不完整的。以下讨论的五个问题是根据我们对最新文献的回顾以及临床医生的日常经验,最常出现的问题。罕见疾病的定义性流行病学特征是每种疾病的患者数量较少,这导致了用于AI训练和验证的数据长期短缺(83)。现有的信息分散在各个医院、登记系统和国家系统中,这些系统的编码标准不兼容。这使得许多疾病没有单一机构拥有足够的病例来支持强大的建模(84)。联邦学习、通过生成模型生成合成数据以及国际联盟(如欧洲参考网络和IRDiRC框架)提供了可行的解决方案。在不同人群中的具体分析已经证明了联邦架构的可行性(85),证明了多中心合作可以成功地缓解局部数据不足的问题。然而,采纳情况并不均衡,方法学上的注意事项,特别是产生非代表性合成样本的风险,仍在积极研究中(86、87、88、89)。罕见疾病中的算法偏见在多个层面上表现出来,尽管其对所有计算工具的影响并不相同。主要从欧洲和北美人群中获取的训练数据未能充分代表拉丁美洲、非洲和亚洲的混合人群(90、91、92)。然而,区分不同类型的基因组变异非常重要。最近的证据表明,许多疾病的有害编码变异在不同种族中是高度共享的(93)。因此,可移植性问题以及算法性能的下降在常见变异评分、多基因解释和等位基因频率过滤器方面最为明显,而不是所有AI工具的普遍缺陷。尽管存在这种基因组差异,面部表型识别工具和复杂的预测模型在应用于未被充分代表的群体时仍然系统性地表现不佳。选择偏见也在算法之前发生,因为到达三级转诊中心的患者(大多数AI数据集都是在那里生成的)在疾病严重程度、合并症和访问模式方面与在初级保健机构管理的患者不同(92)。如果没有明确的公平性审计和亚组性能报告,AI工具可能会加剧现有的不平等,而不是缓解它们,这与该领域声称的目标相反。罕见疾病数据具有独特的可识别性。即使是简单的表型描述符、年龄和地理来源的组合也能重新识别患者(94、95),这使得标准的去识别框架的应用变得复杂。这在GDPR、HIPAA和拉丁美洲的数据保护法规(包括墨西哥的LFPDPPP和巴西的LGPD)等规定下引发了特定的担忧(96、97)。动态同意模型、患者控制的数据信任和透明的治理框架已被提出作为平衡研究效用与个人自主权的方式(98、99)。公平性的考虑不仅限于数据:孤儿药研发管道、AI基础设施和临床基因组学专家在高收入国家中的地理集中继续加剧而不是缩小全球健康差距(100、101、102)。在拉丁美洲等地区,专有算法的高许可成本和本地部署所需的巨大硬件要求形成了二元化的诊断系统(103)。三级私立医院可能会采用这些先进技术,而照顾绝大多数罕见疾病患者的公共卫生系统却常常被抛在后面。在拉丁美洲,这种公平性挑战体现在三个维度:算法公平性(将欧洲训练的模型应用于混合本地基因组时性能下降的风险)(20、104、105);基础设施公平性(高昂的许可和硬件成本在私立医院和公立医院之间形成了二元化的诊断系统)(103、106);以及地理公平性(这些技术集中在城市中心,边缘化了农村人口)(102)。针对AI作为医疗设备的监管框架在不同司法管辖区发展迅速但不均衡。美国FDA关于软件作为医疗设备的框架,包括其针对自适应算法的预定变更控制计划,以及EMA对AI衍生生物标志物的资格意见,在高收入国家提供了结构化的路径(107、108)。欧盟的AI法案为高风险医疗AI引入了额外的基于风险的义务(109)。拉丁美洲的监管机构,包括墨西哥的COFEPRIS、巴西的ANVISA、阿根廷的ANMAT和哥伦比亚的INVIMA,处于协调的早期阶段,通常依赖对现有医疗设备法规的个案调整(110)。这种不对称性延迟了技术的采纳,并使得跨国评估孤儿AI产品变得复杂,每当一个在某一人群中经过验证的工具需要部署到另一个人群中时都会出现问题(111)。即使经过验证,AI工具也面临与硬件、与医院信息系统的集成、持续模型监控和员工培训相关的大量实施成本(112、113)。对于罕见疾病来说,这些成本的患者分摊本质上是不利的,这促使了联合采购模式、公私合作伙伴关系以及结合AI部署与前瞻性数据收集的嵌入式研究方法的出现。长期可持续性还取决于机构监控模型漂移的能力,以及淘汰或更新不再反映当前临床实践的工具的能力。这种纪律在少数学术医疗中心之外仍不常见。基础设施和协作网络。拉丁美洲在生物医学AI基础设施方面呈现出异质性。巴西、墨西哥、阿根廷、智利和哥伦比亚拥有先进的基因组学中心、高性能计算设施和不断增长的生物信息学专业知识网络。该地区的其他国家严重依赖国际合作和商业平台,当地自主开发的能力有限(114、115、116)。连通性、云计算成本和缺乏受过训练的临床信息学人员仍然是实际瓶颈,特别是在主要大都市区之外。国家健康信息系统的成熟程度各不相同,这直接限制了具有区域代表性的训练数据集的开发。几项倡议已经开始巩固该地区的基因组学和罕见疾病能力,包括拉丁美洲人类遗传学网络(117)、伊比利亚美洲罕见疾病联盟(118)以及特定国家的框架,如墨西哥的生物银行(119)和巴西的国家罕见疾病政策(120)。泛美卫生组织发布了关于公共卫生中AI的指导,各国卫生部正在逐步采纳这些指导(121)。展望未来,这些网络为联邦数据倡议和共享表型本体论提供了必要的框架,为未来发展完全集成、符合GA4GH标准的区域基础设施奠定了基础。巴西几个州的当前新生儿筛查项目(122)以及墨西哥为庞贝病和法布里病建立的商业队列(123)提供了丰富且本地相关的数据集。然而,要充分发挥其诊断潜力,将AI整合到这些现有框架中至关重要(122)。一个强大的区域数据基础设施将使研究人员能够使用机器学习进行早期疾病识别,并在拉丁美洲的面部数据集上训练畸形分类器,从而主动减少种族偏见(46、124)。这些未来的前景强调了一个更广泛的观点:在其他地方开发的AI工具在未经特定情境验证的情况下不应在拉丁美洲的卫生系统中部署(125)。除了数据集之外,具体的实际应用也在出现。例如,自然语言处理模型正在被用于挖掘罕见疾病的非结构化电子健康记录(EHR)(126)。值得注意的例子包括巴西的PROADI-SUS临床项目(127)和智利国家卫生信息系统领导的西班牙NLP倡议(128)。欧洲通过欧洲参考网络(129)、Orphanet(130)和欧洲罕见疾病联合计划(131)在协调罕见疾病政策方面处于领先地位,这些一起为AI研究和转化创造了集成环境。美国结合了大规模的联邦倡议,包括未诊断疾病网络(132)、All of Us(133)和NIH支持的AI/ML项目(134),以及一个活跃的专注于AI驱动诊断的私营部门。东亚国家,特别是日本、韩国、中国和新加坡,在国家基因组平台(135、136、137)、AI医疗设备审批途径和罕见疾病登记方面进行了大量投资(36、139、140)。与这些地区相比,拉丁美洲仍处于转型的早期阶段。尽管如此,该地区至少有一个独特的科学优势:其混合人群的遗传多样性对变异解释具有很高的信息价值,其强大的公共部门主导的医疗保健传统在获得适当资源的情况下有助于公平部署。该地区在国际数据集中的代表性不足不仅是一个需要解决的问题,也是一个尚未充分利用的机会。要利用这一机会,必须将这些工具的整合从理论讨论转移到明确的方法学期望上。该地区的监管和临床机构必须在部署任何诊断AI之前要求按种族分层进行验证。此外,强制性亚组性能报告应成为公共卫生系统采购的标准要求。最重要的是,必须持续向公共和私人部门提供资金,用于生成本地培训和参考数据。通过采用这些具体标准,拉丁美洲的基因组学社区可以从仅仅描述算法偏见转向积极建立更高、更公平的临床实施标准。将AI嵌入实际工作流程。在罕见疾病护理中有效整合AI需要临床、技术和政策领域的协调行动(101)。应优先考虑以下策略:将AI工具嵌入现有的临床工作流程中,而不是作为独立系统;在部署前要求在目标人群中进行前瞻性外部验证;按照TRIPOD-AI(141)、CONSORT-AI(142)和STARD-AI(143)等框架要求进行透明报告,并采用平衡创新与患者安全的适应性监管路径。鉴于数据集变化和随时间逐渐失准的风险已被充分记录,持续的市场后模型监控至关重要;此外,这是工具部署后最常被忽视的生命周期阶段(144)。由于孤儿病患者的数量较少,验证稳健的AI模型仍然是一个挑战(39)。联邦学习架构允许模型直接访问数据而不是集中敏感记录,当与差分隐私等保护隐私的技术结合时,提供了一条可行的路径。然而,实现这种多中心整合的基本基础是严格执行FAIR(可发现、可访问、可互操作和可重用)数据基础设施原则。在联邦网络能够有效运作之前,必须以结构化的方式协调分散的区域数据集。采用FAIR原则确保不同拉丁美洲机构之间的临床数据通过标准化的本体论(如HPO用于表型或Mondo用于疾病)能够“交流”。只有在这个高度互操作的基础上,联邦算法和标准化的数据访问委员会才能大规模运作,加速跨机构合作而不侵犯患者隐私(21、145)。成功将AI转化为罕见疾病实践取决于一支既精通临床又精通计算推理的团队。课程改革应将生物医学信息学、基本的AI素养和对算法证据的关键评估整合到医学、护理和相关健康培训项目中(92、101)。针对管理罕见疾病的专家的持续医学教育,以及临床AI的跨学科进修项目,在拉丁美洲尤为重要,因为那里的人才培养渠道仍在发展中。同样重要的是,尽管有时被忽视,也需要提高数据科学家和工程师在临床背景、监管框架和生物伦理方面的技能。最近医学AI产品的失败更多地反映了临床、监管或伦理整合方面的差距,而不是方法论上的不足。历史上,患者组织在罕见疾病进展中发挥了重要作用(146、147),他们在AI时代的作用同样至关重要。患者和护理人员通过登记系统、可穿戴设备和患者报告的结果工具提供了不可替代的纵向数据。他们还提供了设计可用且有意义工具所需的实际经验视角。从项目一开始,就应该嵌入共同设计框架、患者贡献数据的透明治理和公平的利益共享机制(包括返回临床可操作的发现),而不仅仅是在最后才进行完善。患者咨询委员会融入AI开发团队可以显著提高工具的相关性、伦理性和采纳度,其包含应被视为标准实践而非可选内容。总体而言,这四个领域勾勒出了一个连贯的议程,而不仅仅是一系列独立的优先事项。它们的共同实施有潜力缩短诊断间隔、扩大治疗选择、减少可避免的医疗成本,并改善全球数百万罕见疾病患者的生活质量。然而,除非其他方面同步进展,否则在任何单一领域的进展都将不够充分。AI在这一领域的决定性影响最终将不是通过算法性能来衡量,而是通过为等待最久的人们提供切实的好处来衡量。在前几节中整理的证据表明取得了切实的进展,包括缩短了诊断时间、提高了表型识别能力以及加速了药物的再利用。然而,同时也暴露出一些持续存在的挑战,如数据短缺、算法偏见以及监管方面的不对称性。拉丁美洲的情况就很好地体现了这种双重现实:一方面拥有丰富的人力资源,另一方面在数据获取和监管政策上仍存在诸多不足。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号