哪些证据缺口阻碍了AI药物重定位系统的发展？

为何低质量数据会阻碍AI药物重定位？

AI模型的表现完全取决于其训练数据的质量，而当前的药物重定位系统正面临数据不完整、存在偏差或标准化程度不足的问题。2024年的一项综述指出，数据质量问题——例如临床记录缺失、电子健康档案（EHR）编码不一致以及基因组信息稀疏——直接限制了AI预测的可靠性[3]。举例来说，一项基于12,253名MGUS患者电子健康档案数据的研究，不得不排除近4,500名患者，因为其用药数据不可用；即便如此，该模型得出的药物效应风险比也仅基于自举法推导，而非直接来自临床试验[4]。这意味着许多AI筛选出的候选药物可能只是数据缺失造成的假象，而非真正的治疗信号。

现有数据集的局限性进一步加剧了这一问题。2021年的一项专家评审指出，大多数抗癌药物重定位方法严重依赖基于基因组学的信息，这忽略了只有通过在实际患者细胞上测试药物才能捕获的功能性药物反应[5]。临床患者数据的匮乏意味着AI模型往往从间接关联而非直接疗效证据中学习，导致假阳性率居高不下。综合本文所涉的多篇论文，共识十分明确：若缺乏更高质量、更全面的训练数据——包括功能性测试结果和完整的电子健康记录——AI系统将持续产出统计上看似有前景、但临床实际中不可靠的预测结果[3][5][6]。

忽视性别差异如何削弱AI预测的准确性？

一个重大但常被忽视的证据缺口，在于未能考虑药物反应中的性别差异，这可能导致人工智能预测对半数人口不准确。2022年的一项综述指出，性别差异——包括激素、免疫和代谢方面的差异——使得许多药物在男性和女性体内作用不同，然而大多数药物重定位方法都是“性别盲视”的[2]。例如，同一种药物可能对某一性别更有效，或对另一性别引发性别偏向的不良事件（SBAEs），但当前的人工智能模型很少纳入这一信息，因为训练数据集往往不平衡，男性或女性样本比例失调[2]。这种不平衡导致模型对代表性不足的性别表现更差。

该综述进一步指出，尽管针对临床、基因组和转录组数据已存在性别感知方法，但这些方法尚未扩展到其他数据类型（如DNA变异），而后者在非性别感知的药物重定位中已被证明具有实用价值[2]。这一空白意味着人工智能系统可能遗漏性别特异性的重定位机会，更糟糕的是，可能推荐对某一性别有害的药物。作者认为，分子关联的低维表征与网络方法有望成为未来性别感知方法的发展方向，但缺乏大规模、均衡的数据集仍是关键障碍[2]。本组其他论文均未涉及性别差异问题，这使得该空白既独特又亟待填补。

为何AI预测仍需现实世界验证？

即便是最先进的AI药物重定位模型，也缺乏可靠的临床验证——这意味着它们的预测只是假设，而非经过验证的疗法。2024年一项研究推出了TxGNN，这是一种图基础模型，在零样本条件下，对药物适应症的预测准确率提升了49.2%，对禁忌症的预测准确率提升了35.1%——这意味着它能够预测尚无现有疗法的疾病的药物用途[1]。尽管成果令人瞩目，但作者指出，其中许多预测与临床医生已做出的超说明书用药方案相吻合，这表明该模型更多是在重新发现已知用途，而非可靠地识别新用途[1]。该模型的“解释器”模块在人类评估中表现良好，但这些评估针对的是可解释性，而非临床疗效。

纵观现有文献，临床验证的必要性已成共识。2024年的一项综述强调，人工智能驱动的药物重定位面临监管障碍，需要跨学科合作才能将预测转化为临床试验[6]。同样，2023年一项利用机器学习分析电子健康记录数据研究MGUS进展的研究明确指出，其发现“可为后续前瞻性研究提供参考”——这意味着结果尚属初步，需在对照试验中加以验证[4]。2021年关于癌症药物重定位的综述补充道，对暴露于药物的患者细胞进行功能性测试是关键的验证步骤，而当前AI模型恰恰绕过了这一环节[5]。简言之，若无前瞻性临床试验或至少严谨的真实世界证据，AI预测仍只是有依据的推测；该领域最先进的模型在监管审批或临床采纳所需的证据层面，依然存在明显不足[1][4][6]。

关于这些来源

该答案基于6篇经同行评审的研究构建而成——发表于2021年至2025年间，其中3篇为2024年及以后发表，4篇发表于Q1期刊，累计被引用408次——这些研究是从9篇通过质量筛选的文献中选出的最具相关性的成果，而9篇文献又源自从超过5亿条记录的数据库中检索到的48篇论文。

本文引用的文献

相关研究问题