环球医讯AI与医疗健康

剑桥大学研究人员首次成功完成了AI设计疫苗的人体临床试验。该疫苗利用机器学习分析基因序列数据，创造出一种"超级抗原"，能够针对萨贝科病毒家族（包括COVID-19和SARS）提供广泛保护，即使病毒发生变异。这种创新方法突破了传统疫苗保护范围有限的局限，有望摆脱不断追逐病毒变种的循环。初期试验涉及39名健康志愿者，未发现显著副作用，下一步将进行更大规模的II期试验。同时，礼来、阿斯利康和诺华等制药巨头已投入数十亿美元与AI药物发现公司合作，显示这一领域正获得业界高度重视。

剑桥大学研究人员首次在人体临床试验中验证了AI设计的疫苗有效性，该技术利用机器学习分析萨贝科病毒属的基因序列数据，创造出包含该病毒家族共性特征的"超级抗原"，可为包括SARS和新冠在内的冠状病毒提供广谱防护，试验中39名健康志愿者未出现显著副作用，突破了传统疫苗仅针对特定病毒株的局限性，有望终结"不断追赶病毒变异"的循环，为未来应对病毒疫情提供革命性解决方案。

剑桥大学与DIOSynVax合作开发的AI设计通用沙贝科病毒疫苗首次在人体临床试验中取得成功，该疫苗使用AI设计的"超级抗原"，理论上可为包括新冠和SARS在内的沙贝科病毒提供持久保护，且39名健康志愿者参与的试验中未发现明显副作用。研究人员通过机器学习分析基因序列数据，创建了包含整个沙贝科病毒群共同特征的超级抗原，突破了传统疫苗保护范围有限的局限，多家制药巨头已投入数十亿美元布局AI驱动的药物发现领域，这标志着人工智能在医疗健康领域的应用取得重大突破。

科罗拉多大学安舒茨医学院研究人员开展了一项研究，探讨人工智能如何翻译针对西班牙语患者的急诊室出院指示及当前评估方法能否可靠确定这些翻译的安全性。研究发现自动化评估指标与临床医生人工审查结果存在显著差异，特别是在准确性、术语使用和语言流畅性等关键领域。该研究强调在高风险临床环境中仅依靠自动化评分不足以确保AI翻译安全有效，需要采用分层评估方法来保证医疗翻译质量，避免可能危及患者安全的翻译错误，如将"随餐服用"错误翻译为"不要随餐服用"等可能改变患者行为的严重问题。

本文综述了三篇关于AI在心理健康领域应用的研究，指出AI聊天机器人在提供情感支持时可能导致用户产生情感依赖，当AI模型更新时用户可能经历悲伤情绪，同时AI在精神科治疗建议中存在种族偏见，特别是在针对非裔美国人的案例中表现出不同的治疗建议，研究者呼吁建立多层次风险框架来规范AI在心理健康领域的应用，强调AI工具应有明确的数据收集透明度、隐私保护措施和应急转诊机制，以避免对用户造成潜在伤害并确保心理健康服务的质量和公平性。

弗林德斯大学专家在《科学》杂志发表评论警告，尽管最新一代医疗AI在受控环境中已展现出媲美甚至超越人类医生的诊断能力，但其实际应用速度已远远超出安全监管框架的发展。研究表明，某些AI模型在临床病理案例中诊断准确率高达88.6%，急诊分诊准确率达67.1%，但研究人员强调，仅凭准确率无法确保患者安全，体格检查、社会背景等关键环节仍是AI无法替代的。专家呼吁必须建立严格的评估标准，将现实世界患者结果而非实验室表现作为衡量标准，避免出现类似ChatGPT Health分诊不足50%紧急情况的风险，确保AI技术真正改善全球医疗系统的安全性和公平性。

神经科学家Vivienne Ming警告称，人工智能虽不会直接导致痴呆症，但人们使用AI的方式可能削弱大脑对抗认知衰退的核心防御机制。她指出，长期将思考工作外包给AI，特别是对年轻人而言，可能导致认知参与度降低，阻碍认知储备的建立——这是大脑面对损伤或衰老时保持韧性的关键能力。Ming将GPT比作"新的GPS"，强调"用进废退"原则，认为过度依赖AI进行思考可能削弱海马体和前额叶网络功能，而这些正是与认知老化密切相关的大脑系统。研究表明，高认知储备可使老年人患痴呆风险降低35%，但目前尚缺乏AI使用与痴呆病理的长期生物标志物研究，她呼吁在行为习惯形成前及时开展相关研究。

美国肯尼索州立大学计算机科学助理教授迪伦·盖恩斯成功研发新型脑机接口系统，该技术通过非侵入式头戴设备捕捉大脑皮层电信号，结合自然语言预测模型，将严重运动功能障碍患者的交流速度从传统系统的每分钟1-3个词显著提升至接近正常语速水平，特别适用于肌萎缩侧索硬化症、脑外伤或中风患者，有望帮助丧失肢体活动能力但认知功能完好的人群实现自主沟通，目前正推进原型机测试与资金拓展工作。

韩国大邱庆北科学技术院与光州科学技术院的研究团队成功开发出全球首个基于人工智能的客观疼痛评估系统。该系统通过分析热刺激触发的脑电图信号，利用双AI模型对比预测结果并筛选高可靠性数据，有效减少了个体间疼痛表达的差异性偏差。在41名参与者的测试中，该模型性能显著优于传统方法，发现左右前颞叶δ波活动与疼痛强度密切相关，为开发基于大脑的数字生物标志物奠定了神经生理学基础。该技术有望应用于手术前后疼痛监测、慢性疼痛追踪及重症监护室客观疼痛评估，未来可能发展为基于脑机接口的实时监测系统。

埃默里大学研究人员发现，许多使用强化学习方法指导败血症治疗的AI模型存在时间错位缺陷，这一问题导致AI有时会使用未来事件来预测过去，如果部署到临床环境可能导致近半数患者被推荐过度治疗或治疗不足；研究团队开发了简单解决方案，消除这一缺陷可使患者死亡率降低8-10%，该研究已在《npj数字医学》期刊发表，警示AI在医疗领域应用需谨慎推进，避免因数据预处理错误而影响临床决策准确性。