Valo Health：AI 临床与转化医学平台公司

Valo Health 的定位与多数 AI 制药公司不同：它把人类数据——临床试验数据、真实世界数据、长期队列研究——放在平台的核心，而非从分子或细胞开始。这条路线的逻辑值得单独理解。

「从人类数据出发」的逻辑

新药研发失败的主要原因不是分子不够好，而是靶点与疾病的关系判断错了。而验证这个关系最直接的证据来自人：

已有分析表明，有人类遗传学证据支持的靶点，临床成功率约为无支持靶点的两倍（见 250《Open Targets Genetics》）。这是「以人类数据为起点」最有力的实证依据。

真实世界数据（RWD）的价值与陷阱

• 价值：样本量大、覆盖真实临床实践中的多样人群、能观察长期结局、成本远低于前瞻性试验。
• 陷阱一：混杂。这是最根本的问题。接受某种治疗的患者与未接受的患者在很多方面本来就不同（病情严重程度、合并症、经济条件、就医习惯）。观察到的疗效差异可能完全来自这些差异。
• 陷阱二：适应症混杂（confounding by indication）：医生给病情更重的患者用更强的药，导致该药「看起来」预后更差。
• 陷阱三：不朽时间偏倚（immortal time bias）：定义治疗组时若要求「用药满 X 天」，则该组成员必须活过 X 天，人为制造生存优势。
• 陷阱四：数据质量：电子病历为计费和诊疗设计，不是为研究设计。缺失、编码错误、记录不一致普遍存在。
• 陷阱五：缺失非随机：某项检查没做，本身就携带信息（医生认为不必要）。

因果推断的常用方法

# 处理观察性数据混杂的主要工具

# 1. 倾向性评分（Propensity Score）
#    估计每个患者接受治疗的概率，用于匹配、加权或分层
from sklearn.linear_model import LogisticRegression
ps_model = LogisticRegression().fit(X_covariates, treatment)
ps = ps_model.predict_proba(X_covariates)[:, 1]
# IPTW 加权：w = t/ps + (1-t)/(1-ps)

# 2. 目标试验模拟（Target Trial Emulation）
#    先明确定义「如果做一个 RCT，它会是什么样」，
#    再用观察数据尽可能模拟这个设计。
#    这是目前公认最能避免常见偏倚的框架。

# 3. 双重稳健估计（AIPW / TMLE）
#    同时建模处理分配与结局，只要其一正确即可无偏

# 4. 阴性对照（Negative Control）
#    找一个理论上不应受该治疗影响的结局，
#    如果也观察到「效应」，说明存在未测量混杂

# 5. 敏感性分析
#    量化「需要多强的未测量混杂才能推翻结论」（E-value）

阴性对照和敏感性分析是最容易被忽略但最能提升可信度的两步。任何基于观察数据的因果结论，如果没做这两项检验，说服力都很有限。

AI 在这个环节的作用与边界

• 能做的：从非结构化病历中抽取信息、处理高维协变量、发现患者亚群、生成待验证的假设。
• 不能做的：机器学习本身不解决混杂问题。用更复杂的模型拟合观察数据，只会更精确地拟合出有偏的关联。因果推断需要的是设计与假设（哪些变量该调整、是否满足可交换性），而非更强的预测模型。
• 正确的分工：用 ML 处理高维数据与非结构化文本，用因果推断框架处理识别问题。两者缺一不可。

延伸资源

• 遗传学证据：250《Open Targets Genetics》、249《Open Targets Platform》；临床预测：273《InClinico》、247《TDC Trial Group》；
• 临床决策见「决策与监管」模块。