尽管现代医学取得了进步，全球仍有超过3亿人患有无法治愈的疾病。许多癌症仍然是死刑判决。阿尔茨海默病和帕金森病肆虐着数百万人。而超过3000万美国人仍在忍受着没有有效治疗方法的罕见病。
缺乏治疗并非研究人员不努力。开发一种药物——从最初的实验室测试到证明安全性和有效性所需的临床试验——需要耗费大量的时间和金钱。美国国立卫生研究院估计，开发一种新药的成本在1.73亿至26亿美元之间，平均需要12年。只有12%的潜在药物最终获得美国食品药品监督管理局（FDA）的批准。
但是，如果有一种方法可以加快速度，缩短新疗法和新型医疗设备的开发时间，并扩大已上市药物的治疗用途，同时不危及最终服用它们的患者，那会怎样？
这或许可行，而加州大学伯克利分校公共卫生学院的研究人员正站在国际努力的前沿，致力于将其变为现实。伯克利分校这一开创性项目的所在地是目标机器学习与因果推断中心。
加快药物开发
这项研究使命可以追溯到2016年12月，当时美国国会通过了《21世纪治愈法案》。该法案旨在加快药物疗法和其他医疗产品的开发，使其更快地惠及患者。
该法案促使FDA建立了一个框架，以评估所谓的“真实世界证据”的潜在用途——这些临床数据来自电子健康记录、医疗索赔以及数字健康技术或疾病登记处的信息。
真实世界证据的支持者希望它能用于支持已获批药物的新用途，或帮助满足FDA对上市后研究的要求。但批评者认为依赖真实世界证据风险太大——用其取代临床试验（长期以来药物批准的黄金标准）将是一个错误，会导致不安全的药物和器械。他们认为，很难决定哪种真实世界证据可以接受作为监管决策的基础；FDA也不知道如何权衡此类数据。
这正是CTML发挥作用的地方。该中心在因果推断方面的专长——一种使用形式化数学框架从研究统计关联转向研究因果关系的科学探究类型——特别适合解决这个棘手的问题。目标学习是统计学的一个子领域，它结合了因果推断、机器学习和统计理论，以统计置信度回答具有科学影响的问题。
该中心的使命是利用最前沿的因果推断和目标学习，实现稳健的发现和明智的决策，以改善公共卫生。
“临床试验，特别是大型2期和3期试验，是导致新药上市需要十多年时间和超过十亿美元的主要原因之一。CTML正在与FDA和制药合作伙伴合作，帮助改变这一现状，”加州大学伯克利分校公共卫生学院院长Michael C. Lu博士说。“通过将机器学习的力量与现代生物统计学的严谨性相结合，我们的研究人员正在开发新的方法论——例如使用真实世界健康数据模拟安慰剂试验——这可以使临床试验更快、更高效、更经济，同时保持最高标准的科学严谨性。”
“这正是公立研究型大学重要的原因，”Lu补充道。“CTML展示了伯克利的知识力量如何帮助解决世界上一些最紧迫的问题。”
CTML由生物统计学和流行病学教授、加州大学旧金山分校-伯克利分校计算精准健康联合项目联合主任Maya L. Petersen博士；生物统计学和统计学教授Mark van der Laan博士；以及生物统计学教授Alan Hubbard博士共同领导。
范德兰是目标学习领域发展的主导力量，自2010年起便与FDA合作，当时FDA请他及其博士生Susan Gruber博士开展一个示范项目，探讨使用目标学习将真实世界证据应用于药物安全性研究。多年来，范德兰和Petersen都为FDA人员举办了研讨会，解释该机构如何改变方法以加快药物研究和批准。
2020年，凭借诺和诺德提供的320万美元研究捐赠，该中心启动了因果推断联合倡议（JICI）。该倡议现已发展壮大，包括与哥本哈根大学、牛津大学、哈佛大学和伦敦大学学院等机构的合作研究。JICI开发了通过目标学习框架，利用机器学习的最新进展，从观察性和临床试验数据集中最优且稳健地得出因果结论的方法。
JICI的研究人员创建了统计技术，以替代药物试验的随机化，并通过降低所需随机临床试验的成本、将临床试验数据与观察性数据相结合以及对随机试验进行有效分析，使因果结论能够支持药物开发项目。他们还在开发技术，让研究人员能够加快候选药物的筛选速度。
JICI倡议的成功促成了UCBPH与吉利德科学公司的新合作，开展一个类似的项目，研究真实世界证据的最佳用途。吉利德为这项始于2024年的工作提供了150万美元，为期三年。
欲了解更多信息，加州大学伯克利分校公共卫生学院采访了Petersen（同时也是加州大学旧金山分校-伯克利分校计算精准健康联合项目的联合主任）和范德兰，了解他们的工作。
【全文结束】