环球医讯AI与医疗健康

2026年上半年临床试验领域呈现三大主导趋势：中国影响力持续扩大，临床试验发起比例从2015年的4%升至2025年的30%，且I期试验周期仅需7个月，成本比美国低32%-52%；美国早期生物科技融资环境严峻，NIH资金缩减导致风险投资更倾向后期低风险资产；人工智能技术正从实验阶段融入临床试验全流程，在方案开发、患者招募、风险监测等方面发挥重要作用，但人类监督仍不可或缺。同时，适应性试验设计和去中心化试验模式正推动研究更加以患者为中心。

本研究系统综述了人工智能过度依赖与人类认知衰退之间的关联，整合了教育、专业工作和医疗保健等多领域的实证证据与理论观点。研究提出了P2BEAM分类法，全面分析了AI过度依赖的心理机制、特定人群影响、广泛社会风险及认知衰退证据，并总结了各领域应对策略。该研究不仅区分了已有证据与假设观点，还为研究人员、教育工作者、政策制定者和系统设计者提供了跨领域的实用建议与优先研究议程，对平衡AI应用与人类认知能力发展具有重要指导意义。研究强调了过度依赖AI可能引发的学习能力下降、决策能力弱化及专业技能退化等风险，呼吁建立科学的AI使用规范以保护人类认知健康发展。

本文介绍了两项最新发表在《自然》杂志上的AI系统研究成果，这些系统通过多代理协作模式能够快速生成科学假设、设计实验方案并分析研究数据，在药物再利用研究中展现出显著优势，可在数小时内提出合理治疗方案，为科研人员提供"超能力"支持，但其在实际应用中的稳定性和可靠性仍需通过广泛的实际应用验证，目前识别出的候选药物还需经过更严格的临床评估流程。

百时美施贵宝宣布与Anthropic达成全面协议，将在其全球业务中部署AI工具Claude作为"共享智能平台"，使3万多名员工能够使用Claude的高级推理和代理型AI能力。这一合作标志着制药行业AI应用从简单聊天机器人向深入整合到研发、制造和商业运营日常工作的重大演进，旨在加速药物研发流程，提高临床开发效率，并改善制造质量和合规性，体现了大型制药公司与硅谷AI企业合作的日益激烈竞争态势，展示了AI技术在生物医药领域应用的广阔前景和巨大潜力。

Asembia在拉斯维加斯举办的AXS26峰会汇聚了来自1500多家机构的10000名行业专家，展示了专科药房领域的最新发展趋势。峰会强调了四大关键战略方向：人文要素对医药研发的重要推动作用、专科药房并非医疗通胀主因而应转向基于价值的医疗护理模式、利用人工智能扩大患者参与度以提高治疗依从性，以及简化复杂医疗流程以增强患者信任。随着技术和治疗方法的快速发展，行业需要在高风险研发、AI驱动参与和基于价值的结果之间取得平衡，为2027年AXS27峰会设定明确方向。

百时美施贵宝宣布与人工智能公司Anthropic达成战略合作，将部署Claude人工智能平台贯穿其全球运营。此次合作标志着这家制药巨头在人工智能应用方面迈入"进化"阶段，旨在利用Claude加速软件和AI开发、支持研发、制造及医疗专业人员互动等多领域工作。随着默克、诺和诺德、武田制药和礼来等公司纷纷加码AI投资，制药行业正经历一场由人工智能驱动的变革，尽管仍面临数据局限性和"幻觉"等技术挑战。

谷歌在2026年Google I/O大会上宣布，正围绕自主系统和人工通用智能(AGI)重新规划企业AI战略，DeepMind CEO哈萨比斯称行业已站在"技术奇点的山脚下"。公司正推动从辅助型AI向自主代理型AI转变，强调能够自主协调工作流程、生成代码的长期运行AI系统。谷歌推出CodeMender网络安全工具、Gemini for Science科学发现平台及药物研发公司Isomorphic Labs，展示其将AI作为企业运营基础平台而非单一工具的战略愿景，引发关于技术架构与供应商锁定的讨论。

美国医学协会(AMA)发布了一份信息图表，提供了五个关键提示语和使用注意事项，指导患者如何安全有效地利用AI聊天机器人管理个人健康，同时强调AI应作为医生建议的补充而非替代。该指南提醒患者在紧急情况下不应使用AI工具，也不应依赖AI进行诊断和治疗决策，而是要保护个人隐私，仅将AI作为获取健康信息、理解医学术语和准备就诊问题的辅助工具，确保AI成为医患沟通的有益补充而非替代医学专业判断，从而帮助患者做出更明智的健康决策。

美国医学会(AMA)近日发布了一套指导患者安全有效使用AI聊天机器人的信息图，包含五项推荐提示和具体注意事项，旨在帮助患者在管理健康时明智使用人工智能技术。AMA强调，AI应作为医生建议的补充而非替代，患者应避免在紧急情况或诊断决策中依赖AI工具，同时注意保护个人隐私。这些提示涵盖探索症状可能性、简化医学术语、添加个人背景、了解治疗选择以及准备就医等多个方面，确保AI在医疗健康领域的应用安全且有益。

典范健康研究所发布《人工智能医疗设备的泛化不确定性：更安全的前进道路》研究报告，提出数字相似性分析框架，旨在解决AI医疗设备在真实环境中表现不确定性的关键问题。该方案可在使用前评估患者信息与训练数据的相似性，为医生提供决策支持，既保障患者安全又避免过度监管阻碍创新，同时保护制造商训练数据机密性，并将算法偏差讨论从人口统计类别扩展到个体患者特征，有望提升各人群的安全性。