AI药物重定位系统能否在真实医疗中改善患者预后？

关于AI药物重利用改善真实世界疗效，证据显示了什么？

最有力的证据来自利用真实患者数据模拟临床试验的大规模分析。2021年的一项研究开发了一种深度学习框架，在数百万患者的冠状动脉疾病队列中模拟随机试验，成功识别出原本未获批用于该疾病、却能改善预后的药物及药物组合[5]。该方法通过分析患者的实际疗效，直接回应了老药新用在真实世界中是否有效的问题。另一项2023年发表于《自然·通讯》的重大研究，利用超过1.7亿患者的临床记录模拟了数千种药物的试验，以寻找阿尔茨海默病的新用途，并重点列出了五种具有潜在益处的药物——泮托拉唑、加巴喷丁、阿托伐他汀、氟替卡松和奥美拉唑[8]。这些研究表明，人工智能不仅能生成假设，还能系统性地用真实世界数据检验大量药物。

具体到阿尔茨海默病，2024年一项研究利用ChatGPT提出药物重定位候选方案，并在两个大型临床数据集（范德比尔特大学医学中心和“全民健康研究计划”）中对排名前十的药物进行了测试。荟萃分析显示，二甲双胍、辛伐他汀和氯沙坦与较低的阿尔茨海默病风险相关[1]。这是一个清晰的案例，展示了人工智能驱动的药物重定位如何在真实世界人群中带来可衡量的结果——即疾病风险的降低。针对克罗恩病，2024年另一项研究利用丹麦电子健康记录和机器学习，在9179名随访长达24年的患者中，识别出十种与降低肠道纤维化（一种严重并发症）手术风险相关的药物[2]。这些发现直接将人工智能筛选出的候选药物与真实临床环境中的改善结局（避免手术）联系起来。

这些人工智能系统究竟如何改善患者护理？

AI系统通过高效挖掘电子健康记录和已发表的临床病例报告这两类未被充分利用的证据来源，改善了患者的治疗效果。一项2026年的研究引入了TheraMind——一个多大型语言模型系统，该系统筛选了PubMed上超过1万份关于非小细胞肺癌的病例报告。通过集成三个AI模型，它在检测临床相关报告时实现了92%的召回率和99.7%的特异性——这意味着它几乎找出了所有有用的病例，同时几乎从未误判无关信息[3][7]。这使得医生能够从那些原本会淹没在浩瀚医学文献中的罕见患者经历中汲取经验。另一种方法在2022年的一篇综述中有所描述，它采用了两级过滤策略：首先根据药物与疾病靶点的预测结合亲和力进行排序，然后将排名靠前的药物与可能安全有效的具体现实场景相匹配，从而生成可在试验中验证的假设[11]。

一篇2025年关于胶质母细胞瘤的综述指出，人工智能能够整合多组学数据（基因组、蛋白质组、转录组）与临床记录，从而识别生物标志物，并重新利用抗精神病药、抗抑郁药和他汀类药物等发挥抗肿瘤作用[10]。这并非空谈——该综述提到，在验证实验中，AI辅助的组织病理学图像分析将诊断差异降低了30%–40%，这意味着对可能受益于药物重用的肿瘤亚型，识别将更加一致和准确[4]。关键在于，AI系统并非取代医生，而是充当强大的过滤器，从海量数据中筛选出最有前景的药物-疾病匹配，并减少人工发现难以克服的干扰信息。

有哪些局限和注意事项？

尽管初步结果令人鼓舞，但相关证据仍存在重要局限性。多数研究基于现有数据的回顾性分析，而非前瞻性随机对照试验——后者是验证药物疗效的黄金标准。2025年一篇关于抗病毒药物重定位的综述指出，尽管人工智能增强了识别新型药物-病毒相互作用的能力，但耐药性、剂量优化及安全性等临床挑战依然存在，且许多计算预测尚未在II-IV期试验中得到验证[6]。同样，2022年一篇关于癌症药物重定位的综述也指出，重定位药物常表现出单药抗癌效果不足，而制药企业不愿投资于昂贵的联合用药研究来证明其价值[11]。

数据质量是另一个主要问题。一篇2025年关于优化真实世界证据研究的文章强调，电子健康记录在质量、编码标准和完整性方面差异巨大，使用此类数据的研究容易受到选择偏倚和混杂因素等偏差的影响[9]。作者指出，若缺乏标准化数据和稳健的方法，人工智能得出的结论可能具有误导性。一项2024年关于利用ChatGPT进行阿尔茨海默病药物重定位的研究承认，尽管人工智能提出了有前景的候选药物，但这些发现仍需在前瞻性临床试验中验证[1]。简而言之，人工智能药物重定位系统是生成假说和识别信号的有力工具，但从真实世界数据中的信号到最终改善患者预后的经证实的疗法，仍需经过严格的临床检验。

关于这些来源

该答案基于11篇经同行评审的研究构建而成——发表于2021年至2026年间，其中8篇为2024年及以后发表，6篇发表于Q1期刊，累计被引用234次——这些研究是从15篇通过质量筛选的文献中选出的最具相关性的成果，而该15篇文献又源自一个涵盖超过5亿篇论文的数据库中所检索到的63篇论文。

本文引用的文献

相关研究问题