尽管现代医学取得了进步，但全球仍有超过3亿人受困于无法治愈的疾病。
许多癌症仍然是不治之症。阿尔茨海默病和帕金森病肆虐着数百万人的生活。并且，超过3000万美国人仍在忍受着缺乏有效治疗的罕见病。
治疗方案缺乏并非因为研究人员缺乏努力。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年时间。只有12%的候选药物最终能获得美国食品药品监督管理局的批准。
但是，如果有一种方法可以加快速度，在不危及最终用药患者安全的前提下，缩短新疗法和医疗设备的开发时间，并扩大已上市药物的治疗用途，那会怎样？
这很可能实现，加州大学伯克利分校公共卫生学院的研究人员正处在这场将之变为现实的国际努力的前沿。伯克利分校这项开创性项目的所在地是“目标机器学习与因果推断中心”。
加速药物开发
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》。该法案旨在加速药物疗法和其他医疗产品的开发，使其更快地惠及患者。
该法案促使美国食品药品监督管理局创建了一个框架，以评估使用所谓“真实世界证据”的潜在可能性——这些临床数据来源于电子健康记录、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被用于支持已获批药物新用途的批准，或帮助满足美国食品药品监督管理局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上市。他们认为，很难决定何种真实世界证据可以作为监管决策的可接受基础；而且美国食品药品监督管理局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尤其适合这个棘手的问题。目标学习是统计学的一个子领域，它将因果推断、机器学习与统计理论相结合，帮助以统计置信度回答具有科学影响力的问题。
该中心的使命是利用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，特别是大型的2期和3期试验，是导致一种新药从研发到惠及患者需要花费超过十年时间和数十亿美元的主要原因之一。CTML正在与美国食品药品监督管理局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迈克尔·C·卢博士说。“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——这可以在保持最高科学严谨性标准的同时，使临床试验更快、更高效、更经济。”
“这正是公立研究型大学意义所在，”卢补充道。“CTML体现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由生物统计学与流行病学教授玛雅·L·彼得森博士、生物统计学与统计学教授马克·范德兰博士以及生物统计学教授艾伦·哈伯德博士共同领导。
范德兰是目标学习领域发展的主要推动者，自2010年起就与美国食品药品监督管理局合作，当时该机构请他和他的博士生苏珊·格鲁伯博士开展一个示范项目，研究如何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，范德兰和彼得森都为美国食品药品监督管理局人员举办过研讨会，解释该机构如何改变其方法以加快药物研究和审批。
2020年，凭借诺和诺德公司提供的320万美元研究赠款，该中心启动了“因果推断联合倡议”，简称JICI。该中心的因果推断专长尤其适合这个棘手问题。
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研究合作。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的研究人员创建统计技术，通过整合临床试验数据与观察性数据，以及对随机试验进行有效分析，来替代药物试验的随机化，并允许得出支持药物开发项目的因果结论，从而降低所需随机临床试验的成本。他们还在开发让研究人员能够加速筛选候选药物的技术。
JICI的成功促使加州大学伯克利分校公共卫生学院与吉利德科学公司建立了新的合作伙伴关系，开展一个类似项目，研究真实世界证据的最佳用途。吉利德已为这项始于2024年、为期三年的工作提供了150万美元资金。
为了了解更多关于他们的工作，加州大学伯克利分校公共卫生学院与彼得森和范德兰进行了交谈，彼得森也是加州大学旧金山分校-加州大学伯克利分校计算精准健康联合项目的联合主任。
【全文结束】