一项由新加坡国立大学医学院（NUS Medicine）和德国罗斯托克大学医学中心（Rostock University Medical Center）的研究人员进行的研究，探讨了如何利用人工智能（特别是大型语言模型，即LLM），更准确高效地分析与衰老相关的干预措施。他们确定了可靠AI评估的八个关键要求，表明结构化提示可以改善AI建议，从而可能带来更安全有效的健康干预。
研究人员开发了基于AI的评估标准，以增强与衰老相关的干预措施，旨在通过个性化、可靠的建议来改善健康结果和延长寿命。
新加坡国立大学医学院（NUS Medicine）和德国罗斯托克大学医学中心生物统计学与医学及老龄化研究信息学研究所的研究人员进行了这项关于使用先进AI工具（如大型语言模型，即LLM）的研究，以增强对与衰老相关干预措施的评估并提供个性化建议。他们的研究成果发表在《老年研究评论》（Ageing Research Reviews）杂志上。
随着衰老研究产生大量数据，评估新药物、饮食调整或运动方案等干预措施的安全性和有效性变得非常具有挑战性。该研究探讨了AI如何更高效准确地简化数据分析。研究人员提出了一套标准化框架，以确保AI系统能够通过有效处理复杂生物数据生成精确、可靠且易于理解的评估结果。
基于AI评估的关键要求
研究人员确定了有效基于AI评估的八个关键要求：
- 评估结果的正确性。将评估数据质量的准确性。
- 有用性和全面性。
- 评估结果的可解释性和解释的清晰性。结果及其解释的清晰性和简洁性。
- 对受干预影响的因果机制的具体考虑。
- 在整体背景下考虑数据：
- 效果和毒性，以及存在较大治疗窗口的证据；
- 在“跨学科”环境中进行分析。
- 实现评估的可重复性、标准化和协调性（以及报告的标准化）。
- 强调多样化的纵向大规模数据。
- 强调与已知衰老机制相关的结果。
将这些要求告知大型语言模型（LLM）作为提示的一部分，提高了其建议的质量。
AI在衰老研究中的实际应用
新加坡国立大学医学院生化与生理学系及健康长寿转化研究中心的布莱恩·肯尼迪教授（Brian Kennedy），该研究的共同负责人表示：“我们使用真实世界中的例子（如药物和膳食补充剂）测试了AI方法。我们发现，遵循特定指南，AI可以提供更准确详细的见解。例如，在分析雷帕霉素（一种常用于促进健康衰老研究的药物）时，AI不仅评估了其效果，还提供了具体背景解释和注意事项，如可能的副作用。”
“该研究的发现可能具有深远的影响”，该研究的共同负责人、罗斯托克大学医学中心生物统计学与医学及老龄化研究信息学研究所主任乔治·富伦教授（Georg Fuellen）补充道，“对于医疗保健来说，告诉AI良好响应的关键要求，可以使它找到更有效的治疗方法并使其更安全地使用。通常情况下，AI工具可以设计更好的临床试验，并帮助根据每个人的情况量身定制健康建议。这项研究是朝着使用AI改善每个人的健康结果迈出的重要一步，尤其是在他们变老的过程中。”
展望未来，研究团队现在正专注于大规模研究，以确定如何最佳地提示AI模型，为与长寿相关的干预建议提供评估，验证其准确性和可靠性，涵盖一系列精心设计的基准，即策划的高质量数据。验证此类AI系统的准确性尤为重要，因为这些长寿干预措施可能会被大量健康人群采用。前瞻性研究需要证明基于AI的评估可以在人体试验中准确预测成功的结果，为更安全有效的健康干预铺平道路。
研究团队希望利用其发现使健康和长寿干预更加精确和普及，最终改善生活质量和寿命。研究人员、临床医生和政策制定者之间的合作将是建立稳健监管框架的关键，以确保基于AI评估的安全有效使用。
(全文结束)
