肥胖是一种复杂且慢性的疾病，影响着全球超过10亿人——预计到2035年，这一数字将几乎翻倍。
认识到对创新解决方案的迫切需求，诺和诺德（Novo Nordisk）成立了转型预防部门（Transformational Prevention Unit, TPU），旨在开发基于科学且可商业化扩展的解决方案，用以预测和预防肥胖及其相关并发症。
Lykke Pedersen博士是TPU的一名临床数据科学专家兼产品开发者。通过整合真实世界的数据与先进的组学和基因组学技术，TPU试图识别高风险个体，并提供包括生活方式调整和行为改变在内的个性化干预措施。这种精准医疗方法旨在增加无肥胖健康生活年限，并减少诸如2型糖尿病和心血管疾病等与肥胖相关的疾病发病率。
Rhianna-lily Smith（RLS）：如何利用人工智能（AI）来预测和预先阻止肥胖风险？
Lykke Pedersen博士（LP）：
人工智能可以用来确定谁有高风险患上肥胖症及其后果。
重要的是，我们不仅关注肥胖本身，还关注伴随而来的风险。众所周知，如果一个人患上了肥胖症，那么他也有患上与肥胖相关的并发症的风险。因此，我们在同时考虑这两方面。在TPU，我们使用人工智能分析真实世界的数据——日常生活中的可测量因素——以及生物数据，例如组学和基因组学，这些数据可以为个体提供更深入的见解。
RLS：通过这项工作，你们希望实现哪些具体成果？
LP：
在TPU，我们的主要目标是增加人们能够享受的无肥胖健康生活年限。我们旨在防止个人患上肥胖症，并尽可能延迟与肥胖相关的疾病的发作。
通过利用人工智能及早识别出最高风险的人群，我们希望能够实施有针对性的干预措施，促进更健康的生活方式，并减轻与肥胖相关的长期健康负担。
RLS：诺和诺德使用的精准医疗方法如何根据个体需求定制干预措施，尤其是在处理肥胖及相关健康问题时？
LP：
我们希望预测患上肥胖症及其并发症的风险，但我们也希望能够在预测之后提供针对您的干预措施，这些措施需要根据您量身定制——这正是基于人工智能。
例如，如果人工智能模型确定增加日常身体活动对您的健康影响最大，那么您的建议可能是每天多走几步。对于其他人，重点可能在于优化营养、改善睡眠质量、管理压力或解决其他生活方式因素。由于我们的模型会不断整合新数据——例如，您的健康指标或生活习惯的变化——您的个性化风险档案和建议也会随之演变。
RLS：您能描述一下在工作中使用了哪些类型的数据，以及如何分析它们以预测肥胖吗？
LP：
在我们的工作中，我们使用各种各样的数据类型来构建全面的肥胖风险档案。这包括真实世界的数据——您可以轻松测量或跟踪的内容。我们还融入了多样化的生物数据集，通常被称为“组学”，包括基因组学、蛋白质组学、代谢组学等，具体取决于个人可用的数据。
重要的是，我们的方法灵活且不限于任何单一类型的数据。我们认识到并非每个人都能或愿意提供血液样本、唾液测试或活检。因此，我们也使用更简单、非侵入性的输入数据——例如针对生活方式、健康史和习惯的目标问卷调查的答案——来评估风险。
通过结合这些多层次的信息并应用先进的人工智能算法，我们可以分析复杂的模式和相互作用，从而预测肥胖风险。
RLS：在开发可扩展的商业解决方案以预防肥胖的过程中，您面临的主要挑战是什么？您是如何克服这些挑战的？
LP：
其中一个最大的挑战是确保我们开发的技术真正具有可扩展性——即它们可以在不同人群和环境中广泛应用，而不会失去准确性或有效性。可扩展性需要强大的数据基础设施和能够高效处理大规模多样化数据集的模型。
另一个关键挑战在于数据集成和一致性。从不同研究和队列中收集了许多有价值的数据集，但这些数据往往包含不同类型的数据——例如，一个队列可能有详细的组学信息，而另一个队列只有生活方式或临床数据。弥合这些差距并创建能够利用不同队列纵向数据的可转化模型，对于建立可靠的预测和干预措施至关重要。
目前，我们经常使用简单的体重和身高测量来计算BMI，这是一个有用但有限的指标。然而，我们的目标是超越静态快照，预测一个人在未来数年甚至整个生命过程中患上肥胖症的风险。这就需要连贯的高质量数据，捕捉健康和行为随时间动态变化的情况。
我们还面临着全球数据缺口的问题。我们所依赖的许多数据来自特定地区或人群，因此有必要纳入来自世界不同地区的多样化数据，以确保我们的解决方案适用于所有人。
(全文结束)