生统爱好者周刊（第 44 期）：AI到底是什么？在临床试验里怎么落地？
这里记录每周值得分享的生统相关内容，周五发布。
本杂志开源（GitHub: openbiostat/biostat-weekly），欢迎提交 issue 投稿或推荐生统相关内容。
封面图
本周话题：AI到底是什么？在临床试验里怎么落地？
封面故事里，插画师们在追问AI临摹的边界在哪里。GenAI 就像是一位手法娴熟的临摹专家，它见得多，模仿得像，但不会对结果负责。在临床医药研发领域，哪些工作能放心交给它打草稿？哪些必须留给人来终裁？这篇文章给出了一套简单好用的判断框架。
生统研究
临床试验里的数据缺失有多种类型，脱落（dropout）和失访（lost to follow-up）是其中最容易混淆的两种，二者的区别可参考这篇科普。当脱落原因本身与受试者健康结局相关时，称为信息性脱落（informative dropout）。该论文以一项抗抑郁症临床试验数据为例：试验方案规定，若受试者在当前治疗阶段持续未达到疗效、或无法耐受不良反应，可以提前终止该阶段、转入下一治疗方案，这类脱落的发生本身就和疾病变化直接挂钩。现有的IIW-GEE（逆强度加权广义估计方程）虽然能够校正随访时间不规律的问题，但是权重估计没有考量脱落与结局之间的这层关联，一旦脱落是信息性的，估计结果便会产生偏倚。本文提出的方法，是将逆强度权重与逆脱落概率权重相乘，构建出扩展后的 IIW×IPW-GEE，并通过模拟研究证实这一方法能显著降低偏倚；应用于该试验数据后发现，若沿用原有方法、不校正信息性脱落，患者的病情改善程度会被系统性高估。
- 论文 DOI：10.1002/sim.70674
双相情感障碍患者会在抑郁、轻躁狂、躁狂等不同情绪状态之间循环，同一种干预（比如运动、社交）对健康结局（比如睡眠）的影响，往往因患者当下所处的疾病状态不同而不同。本文使用一项移动健康研究的数据：受试者的通话与短信记录、GPS 位置、加速度计运动数据、每日情绪与症状问卷等，通过智能手机被动或主动地持续收集，用来连续追踪患者的日常状态。但这类数据里并不包含”患者现在处于哪种疾病状态”这一标签，它是需要被推断出来的潜变量，而非直接测量到的变量。本文提出一种改进的自回归隐马尔可夫模型（ARHMM），把疾病状态当作潜在变量来推断，同时处理数据缺失问题，并在个体层面（N-of-1）估计某项干预对结局的因果效应。模拟研究显示：忽略潜在疾病状态的传统方法会产生明显偏倚、置信区间覆盖率接近 0%；而本文方法基本无偏，覆盖率能达到理想水平。作者进一步将方法应用于一项长达五年的双相/精神分裂症患者智能手机追踪研究，成功从真实数据中识别出患者的抑郁/情绪稳定状态切换轨迹。
- 论文 DOI：10.1093/biomtc/ujag131
博文资讯
2026世界人工智能大会上，机器人问诊、智能分拣送药这些消费端场景赚足了眼球，但这只是AI进医疗的”浅层形态”。真正的深水区，是AI智能体已经悄悄嵌进了诊断、新药研发和健康管理的全流程。
复旦中山医院的”观心大模型”是个例子：从最初只能看心脏病，到现在能整合心电图、超声影像、化验单等多模态数据，自动生成结构化病历。新药研发这边更卷，水木分子把研发链路拆成了好几个专属智能体（挖文献的、生成分子的、跑临床试验的），彼此之间还能”吵架”式地互相修正，形成一条自动化的智能管线。
不过医疗行业的容错率几乎是零，“沙发做歪了能改，人不行”。所以行业的共识很一致：智能体目前的定位是医生助手，不是拍板的人，真正难的不是把模型做大，而是让它在临床上足够准。
今年4月，Anthropic 以四亿美元收购了成立仅八个月的 AI 制药初创 Coefficient Bio，随后挖来 AlphaFold 核心主创、诺贝尔化学奖得主 John Jumper，并于6月30日发布面向科研的新产品 Claude Science，宣布将自主推进临床前阶段的药物管线，聚焦传统药企不愿碰的罕见病靶点，近期又追加了一项罕见遗传病专项征集。这一系列动作让礼来等传统药企感到压力，其首席AI官 Thomas Fuchs 公开表示公司已自研开放权重模型，以掌控自身研发命运。
工具
由多伦多大学Aya Mitani 教授创建的聚类加权广义估计方程R包，用于分析具有信息性聚类大小（informative cluster size, ICS）的聚类纵向数据，即每个聚类内观测数量本身与结局相关、可能导致普通 GEE 估计产生偏倚的场景。包中 ordCWGEE 函数适用于有序结局的聚类纵向数据，mvoCWGEE 函数适用于横断面下多个相关二分类结局的分析，二分类结局的加权版本仍在开发中。该方法最初发表于论文 Marginal analysis of ordinal clustered longitudinal data with informative cluster size（Mitani, Kaye, Nelson, 2019, Biometrics）。
R 包安装：remotes::install_github("AyaMitani/CWGEE")
- 论文 DOI：10.1111/biom.13050
一体化工具包，深度清理，智能卸载程序，磁盘洞察，实时监控 mac。
资源
由 GSK 的 Michael Rimler、Roche 的 Ross Farrugia、Atorus 的 Mike Stackhouse 和 Janssen 的 Sumesh Kalappurakal 于2021年前后共同发起，最初的愿景是打造一套”从 CRF 到电子提交”全流程的开源 R 包工具栈，避免各大药企在标准化临床工作流上重复造轮子。目前已汇聚 admiral（SDTM→ADaM 映射）、sdtm.oak（SDTM 数据集生成）、tidyCDISC、rtables、Tplyr、xportr（XPT 文件生成与合规校验）等数十个包，覆盖数据收集、验证、分析到监管提交的完整链路，并与 Tidyverse 无缝集成。项目隶属于 PHUSE，社区与 FDA、EMA、R Consortium、CDISC 保持合作对接，Slack 频道已有千余名成员。各包相对独立，团队可以按需选用，不必整体采纳。
作者 Rohan Alexander 是多伦多大学统计科学系助理教授，也是 RStudio 官方认证的 Tidyverse Trainer。这是一本用 R 语言（尤其是 tidyverse 生态）贯穿始终的数据科学入门教材，全书分为基础、沟通表达、数据获取、数据准备、建模、应用六大部分，共17章，把数据获取、清洗、可视化、建模到复现性工作流串成一条完整链路来讲，强调”讲故事”而非单纯罗列统计方法。同类教材内容大同小异，这本书的亮点在于大量采用较新的 R 方法，内容更新及时，剑桥大学 David Spiegelhalter 教授评价它”充满了给数据科学初学者的智慧建议”
贡献者（GitHub ID）
「OpenBioStat 生统爱好者周刊」运维小组：
- [
@Leslie-Lu]（陆震） - [
@YihanChen325]（陈奕含） - [
@kirihsia]（夏鑫辛） - [
@GCRPM]（徐林玉） - [
@Jinyu-Luo]（罗瑾瑜）
订阅
本周刊每周五发布，更新在微信公众号「陆震生物统计」（luzhen-biostat）上，微信搜索陆震生物统计或者扫描二维码，即可订阅。
同时，本周刊同步支持 RSS 订阅；本周刊同名中文播客现已正式在苹果播客（Apple Podcasts）和小宇宙平台上线，搜索生统爱好者周刊即可订阅收听。该播客内容基于本周刊公开内容制作，相关学术论文链接及原始资讯请查阅本周刊文字版。
（完）