美國的資訊技術和創新基金會（ITIF, Information Technology and Innovation Foundation）所設的資料創新中心（Center for Data Innovation）於2019年9月提出一份資料驅動藥物開發的前景（The Promise of Data-Driven Drug Development）報告，報告中先明確的指出資料使用及如AI等新技術在藥物開發週期的各個階段中能帶來的好處，如開發新藥及新療法、改善患者癒後能力、大幅降低管理成本等，尤其對美國而言，發展資料驅動藥物開發可以加速獲得患者較能負擔得起的治療方法，並且指出隨著其他國家（尤其是中國）追求資料驅動性創新，尤其是涉及AI的創新，可能會影響國際間生技企業的競爭力；報告中也提出目前美國政府要實現以資料驅動藥物開發可能需要克服的各種障礙，並提倡政策決策者應創建國家健康研究資料交換中心（National Health Research Data Exchange），加強各機構的資料可近用性來幫助解決健康資料的整合問題。
以下摘譯該份報告：

一、簡介

從化合物篩選到最佳化臨床實驗再到改善藥品上市後監測，各種資料量的增加以及人工智慧（AI）等更好的分析工具都具有改變藥物開發、創新療法、改善患者癒後的潛力，並能有效降低醫療及管理成本。美國聯邦政府應積極克服障礙及發展該技術的理由有二。首先，以資料為導向的藥物開發將加速獲得更具效用與患者能負擔的治療方法；其次，只要存在這些障礙，美國生物製藥業的競爭力就會受到威脅，隨著其他國家（尤其是中國）追求資料驅動性創新，特別是在AI的應用上，外國生物科技公司可能會在藥物開發方面變得更具競爭力。
 

政策制定者應意識到以資料為導向的藥物開發潛在性對於美國人的福祉以及美國的競爭力至關重要，並應制定政策以加快這種轉變。為此，決策者應優先考慮以資料為導向的藥物開發。總體而言，政策制定者的首要任務應該是大幅增加用於藥物開發資料的可取用性，而最有效的方法是支持創建國家健康研究資料交換中心，以優先收集和共享患者醫療資料用於研究目的。
 

決策者也應採取其他步驟，包括：

• 實施患者識別號碼以改善整個醫療保健系統資料的完整性。
• 勤於懲罰違規行為，從而加強臨床實驗結果資料的公開。
• 制定在藥物開發生命週期中使用新型資料的指引。
• 建立機制以保護敏感利益相關者的專有資料，同時仍可將其提供給研究人員，從而促進生物製藥利益相關者共享資料。
• 要求並獲得FDA的資助，以提高美國境外藥物開發資料的可靠性。
• 制定醫療資料收集的最佳做法以確保公平的結果，例如增加代表性不足人群涵蓋率的策略。
• 為美國國家衛生研究院（NIH）提供全額資金，以加快全美研究計劃（All of Us Research Program）的發展。
• 增加具有AI技術和電腦科學教育的勞工（包括接受過高教育的外籍勞工）的數量。

二、資料在藥物開發週期中的角色

資料對藥物開發週期的各個階段皆能帶來好處，該開發週期可以分為四個獨立的階段：發現階段、臨床研究、FDA審查、FDA藥品上市後監管。更多更好的資料以及如AI等能善用資料來運行的新科技，不僅能幫助開發更新更有效的藥物，也使得開發成本比起以往大幅度降低。
 

1.發現階段

過去藥物開發領域主要依靠對現有藥物的分析及偶然發現，加入了大量資料和計算技術的進步後，已經發展成為使用分子的大量資料庫及其化學性質來實現基於靶標藥物發現的方法，研究人員根據已知與疾病過程和觀察有關的分子的高通量篩選（HTS）來設計藥物。由於藥理學早已是一個資料驅動的領域，大量資料和更強大的分析技術，尤其是透過AI得以實現的技術重要性更是顯而易見的，其是對現有技術的改進和完善，而不是對藥物發現方式的根本轉變。
 

但是，即使整合了AI，藥物開發仍然是漫長、昂貴、困難且低效的過程，目前開發一種新藥的成本約為25億美元。涉及機器人、感測器和分析軟體的AI在HTS中特別有價值，因為需要進行大量分析才能識別潛在的候選藥物。AI在HTS的另一種節省成本和時間的方法是減少識別候選藥物所需的篩查量，在篩選過程中各個階段應用AI，可以使研究人員對要篩選的分子做出好的假設，以較少的篩選次數產生更多有用的結果；例如，Collaborations Pharmaceuticals的研究人員使用機器學習來搜索超過200,000個分子的文庫，以鑑定具有所需特徵的化合物來治療結核病，透過生物活性和細胞毒性的資料，僅篩選110個分子即可鑑定出2種候選化合物。典型的HTS過程命中率低於0.05％，而使用電腦進行預篩選化合物的HTS命中率通常在10％至15％之間。
 

將來，自動化和AI可以透過使部分藥物發現過程自動化來進一步減少藥物篩選的資源需求。2018年6月，英國政府宣布了一項自動化藥物探索過程設備計劃，透過開發可以一次篩選成千上萬個候選分子的自動化系統，期望將藥物發現的生產率提高5到10倍。
 

此外，根據藥物研發公司Pharmaron的數據、組裝和篩選包含100萬種化合物資料庫的成本在4億至20億美元之間，每種化合物約1,100美元，而DEL 透過AI系統將8億種化合物的組裝成本降為15萬美元。
 

先進的計算技術還為分析候選化合物的效果提供了全新的方法。位於劍橋市的Relay Therapeutics公司開發的AI技術，可以分析這種蛋白質運動並篩選可以將蛋白質穩定化為正常形狀的分子，從而可以產生更具選擇性和更多選擇性的藥物效用。
 

2.臨床研究階段

單個臨床實驗的平均費用為1900萬美元，2014年衛生與公共服務部（HHS）的研究顯示，一項藥物臨床I、II、III和IV期的總費用在4400萬美元至1.153億美元之間，改進資料和分析的使用可以顯著降低臨床實驗的成本。
 

AI在降低臨床成本上的應用之一是改善患者招募和參與度。Trials.ai和Vitrana等公司開發了一個AI系統，可以透過分析歷史地點效能資料與研究需求等因素來指引選址決策；Deep 6 AI也使用AI系統分析結構化和非結構化的臨床資料，以更好地識別符合實驗標準的患者使實驗組織者可以進行更精準的招募；倫敦的Antidote公司將機器學習用於類似目的，該公司聲稱其機器學習系統在兩個月內為8,000名患者進行了與阿茲海默症相關的臨床實驗，患者接受招募過程的可能性與以往相比高出七倍。即使有了足夠的實驗者，要想成功實驗者也必須參加完整的實驗。不正確的吸引參與者，可能導致他們退出或不遵守實驗規則，造成成本浪費。帕洛阿爾托（Palo Alto）初創公司Brite Health開發了一款智慧型手機應用程式，該應用程式使用機器學習向用戶提供通知，並推動他們執行所需的任務和到場進行實驗，並利用聊天機器人使患者更容易獲得實驗資訊，並且可以為實驗組織者識別並標記患者脫離接觸的指標。治療的副作用也是患者可能會終止參與實驗的原因，利用AI系統透過模擬治療過程，在不降低藥效的情況下減少藥量，確定保持藥效的最小劑量，最大程度地減少副作用的風險。
 

每位患者到醫院進行實驗的管理成本約在3,000至7,000美元之間，並且一項研究可能涉及數十次訪問和數百名患者，那麼遠距資料收集的潛力可以顯著降低進行臨床實驗的成本，AI技術還使得分散和虛擬臨床實驗成為可能，不但使得廣泛領域招募患者變得更加容易，又可以大幅降低管理成本。2017年10月，生命科學公司AOBiome Therapeutics完成了一項為期12週的痤瘡藥物臨床實驗，與傳統的臨床實驗不同，參與者可以在家中完成該實驗。AOBiome向參與者郵寄了藥物或安慰劑，以及預先裝有應用程式的iPhone，供參與者拍攝並定期分享痤瘡的自拍照，並在整個實驗過程中與研究組織者進行交流，這種無需進行現場篩查或現場拜訪的方法大幅降低了成本和參與障礙。製藥公司也一直在積極探索資料技術替代或擴大傳統的現場實驗的潛力，例如法國製藥公司賽諾菲（Sanofi）進行了一項實驗，透過為感測器和無線技術來收集有關參與者體重、血壓和血糖的資料；葛蘭素史克（GlaxoSmithKline）也贊助了一項研究，使用智慧手機和應用程式記錄類風濕性關節炎患者的資料，以及使用手機的加速度計記錄手腕運動的資料，該資料可能比與醫生親自進行的運動評估練習更加準確；諾華公司與蘋果公司合作使用了蘋果公司的ResearchKit，利用智慧設備上的生物識別感測器資料和用戶輸入的資訊，幫助研究人員開發應用程式來收集和共享醫學上相關的資料，以改善臨床實驗招募和行政管理。
 

除此之外，如物聯網（IoT）等新技術提供了在傳統醫療保健環境之外收集大量資料的機會，這些資料被稱為真實世界資料（RWD），2018年12月，FDA公布了真實世界證據計劃（Real-World Evidence Program）的架構，該架構為如何將RWD納入臨床實驗提供了指引。
 

3.FDA審查

FDA審查過程會評估來自臨床研究的資料，以確定藥物的安全性和有效性。這些資料可能是廣泛的，包括所有研究的報告以及來自臨床和臨床前研究的分析，如藥物研究人員正在使用資料來改善藥物開發和發現一樣，FDA正在利用資料來幫助將藥物更快地推向市場。例如FDA的即時腫瘤學評估（Real-Time Oncology Review , RTOR）試點計劃，其目標是將癌症藥物推向市場，並更快地批准現有藥物用於新用途，如2018年9月，該計劃批准了乳癌藥物Kisqali的使用。
 

4.FDA 上市後監管

儘管在藥物生命週期的前兩個階段進行了嚴格的測試和評估，但在批准時仍無法完全了解藥物的安全性與有效性，因此FDA在2007年啟動了藥物安全主動監控計畫（Sentinel Initiative），幫助監控藥物進入市場後的安全性。該計劃分析了來自電子健康記錄（EHR）、保險索賠和合作夥伴的大量資料，以創建上市後風險識別系統，並促成了2016年推出了涵蓋數億患者的Sentinel系統。一般認為Sentinel Initiative的目標一直是將不安全的藥物拒之門外，但是在FDA的《 Sentinel系統2019-2023五年戰略》中FDA表示，Sentinel系統未來的目標之一是「探索實際資料作為支持藥物開發和評估醫療產品的工具的實用性」。特別是，FDA打算讓Sentinel系統幫助該機構定義、測試和塑造藥物開發過程中的監管資料、方法和分析標準，期望借助資料幫助更有效的開發更安全的藥物。
（編譯者：黃則普）