在大型制药企业为实现更公平的健康结果所采取的策略中，人工智能正扮演越来越重要的角色。对阿斯利康而言，一系列基于AI的合作与筛查项目，正为其收集并利用被忽视邮编地区癌症患者的数据奠定基础。

阿斯利康高级副总裁兼美国肿瘤学负责人Mohit Manrao表示，当前创新速度已超过健康公平的推进，导致肿瘤诊疗领域中有机会获得新药的患者与无法获得新药的患者之间的差距不断扩大。

美国国家癌症研究所（隶属NIH）指出，在许多癌症类型中，非裔美国人的死亡率高于任何其他种族群体。此外，无法获得医疗服务的人更可能在病程后期才被确诊，从而面临更高的死亡风险。

“科学进展如此之快，但工作并未就此结束，”Manrao说，“我们在地方层面面临的挑战是，差距正在扩大，越来越多的人被遗漏。系统中的每个人都有良好意愿，但重要的是，作为行业，我们要抓住机遇，携手解决这一问题。”

Manrao认为，AI是改善健康公平最有前景的机遇之一。通过与诊断设备制造商和AI公司合作，阿斯利康希望利用数据揭示诊疗中的差距，并解决加剧这些差距的筛查和可及性问题。Manrao表示，阿斯利康的使命不仅限于开发像Enhertu这样的重磅肿瘤药物——该药最初于2019年获批用于乳腺癌，近期又获得了新的扩展适应症——AI可以帮助找到需要这些药物的患者。

“我们的秘诀——其实并非真正的秘密——在于外部合作。对我们以及任何希望为患者带来改变的人来说，关键在于我们不能各自为政。”

——Mohit Manrao，阿斯利康美国肿瘤学负责人

“没有理由让纽约的黑人乳腺癌患者与加州或亚特兰大的白人女性拥有不同的治疗结果——‘邮编彩票’如今依然存在，”Manrao说。

在此，Manrao讨论了数据驱动的AI在理解和缓解癌症诊疗差距方面的影响、阿斯利康为引入AI而寻求的合作，以及反馈循环如何有助于未来推动更公平的研发成果。

本次访谈经过编辑，以求简洁明了。

PHARMAVOICE：您如何评价AI对患者的影响，特别是从健康公平的角度？

Mohit Manrao：数据的可用性已在多方面成倍增长，包括患者层面的基因组数据、多组学数据以及客户互动数据。同样，科学、技术和数据正在迅速融合，这让我们相信，我们可以在各个层面对患者产生影响。从健康公平的角度来看，除了我们在生物制药创新方面的核心业务外，我们希望开始审视整个患者路径并提出新的问题：患者是否接受了筛查？风险因素是什么？他们是否前往筛查中心？他们是否在系统中以适当的间隔得到及时随访，以便早期发现？

由于健康的社会经济决定因素，我们需要针对特定患者的具体障碍，采取个体化干预措施。

由于AI是基于过往案例训练的，偏见常常会渗入算法。您如何推进AI，使其真正带来进步而非维持现状？

这是一个非常重要的问题。意识到可能进入系统的偏见，并围绕其建立制衡机制，有助于我们审视健康公平。在整个制药价值链中，这始于包容性的研发。我们开发的药物基于生物样本，我们正在努力创建能够代表我们所服务人群的多样化生物样本。当然，我们无法独自完成这项工作。因此，在地方基层和社区层面开展工作，将这些多样化的生物样本纳入药物开发，有助于确保患者招募达到这些目标。

例如，在新泽西州一个非裔人口占18%的社区进行的临床试验中，我们与他们合作，确保不仅从该社区招募18%的受试者，而且我们还能帮助深入挖掘和收集数据。所有这些都有助于AI在没有偏见的情况下进行预测。

您的AI战略高度依赖合作伙伴。在AI热潮中，潜在合作伙伴如何脱颖而出？

当ChatGPT出现时，它以可见的方式震撼了世界，但我们已经将AI应用于价值链的不同部分。我们有超过700名数据科学家，他们是AI专家，分布在从早期药物发现到开发、商业组织和运营的各个部门。我们让他们以寻找合作伙伴的思维方式工作——我们无法独自前进。因此，寻找在能力、价值观和愿景方面与我们在癌症诊疗转型上契合的合作伙伴至关重要。例如，在早期检测领域存在众多挑战。如果我们发现组织检测存在困难，我们会与血液检测公司合作，探讨如何改进他们的检测方法。这促使我们与Grail在该领域展开合作。

像Qure.ai这样的公司可以利用技术发现X光片上肉眼无法看到的肺结节，而像Clinithink这样的公司则拥有自然语言处理技术，可以读取电子病历。这些都是重要的步骤。

同时，以肺癌为例——美国自2013年起就批准了肺癌筛查，但十年后，筛查率仍低至5%至6%。社会经济因素是肺癌筛查的障碍，我们与癌症护理中心协会合作，了解并与当地社区合作，利用这些丰富的数据来找出问题集中的区域，例如肯塔基州农村阿巴拉契亚地区的肺癌筛查项目。

同样，我们刚刚宣布与马里兰大学系统在该州各县开展合作，以识别高风险人群。这些学术和社区机构在数据收集过程中发挥着重要作用。

随着您收集数据，这些数据如何反馈到药物发现和开发过程中？

将患者置于药物发现和开发的核心至关重要。所有这些数据在许多方面都为我们揭示了患者真正的未满足需求，而更大的图景是我们希望消除癌症作为死因。通过理解这些数据集中疾病进展的原因，并通过更早识别患者来指导研发。例如，与Grail的合作不仅帮助我们识别患者，还帮助我们查看数据，确定该群体中哪些患者属于高风险，以及他们需要何种干预。因此，这已整合到内部价值链中。

我们的秘诀——其实并非真正的秘密——在于外部合作。我们不回避与合适的伙伴合作。对我们以及任何希望为患者带来改变的人来说，关键在于我们不能各自为政。