ChatGPT 與癌症：一位科技創辦人如何改寫自己的治療計畫（第 3/4 段） ☕ Buy me a coffee

🧑‍🏫 這段講科技創業家 Sid 罹患罕見骨肉瘤後，團隊怎麼用 AI 和醫學專家合作做出客製 mRNA 疫苗、同時使用多種療法，後來還開公司把這套方法變成別人也能用的服務。值得看的是它示範了一般人怎麼靠 AI 聽懂專家、跟醫師討論，替自己爭取更多治療選項。

• 24:14 deep research 讓專業知識民主化：不會讓人變成專家，但能讓人有足夠能力和專家對話、推動計畫，同時掌握「讓 Sid 活下去」的目標
  ↳ deep research 是 ChatGPT 會自己查大量資料、整理成報告的功能。它不會讓你變專家，但能讓你聽懂專家、問得出好問題，自己推動計畫，而且不忘目標是讓 Sid 活下來。
• 24:14 去年夏天評估 mRNA 疫苗的製作方式，選項從大型專業的委託開發製造廠（講者說可能也做 COVID 疫苗），到請學術團隊在實驗室製作
  ↳ mRNA 疫苗是把一段遺傳指令送進身體，讓免疫系統學會認出目標。他們評估過兩條路：交給專門接案開發、生產藥物的大型代工廠（CDMO），或請大學實驗室來做。
• 24:44 從第一原理思考需要哪些品管指標，確認打進 Sid 體內的東西有效、符合預期、乾淨、不會造成 sepsis；這些工作都靠 AI 完成
  ↳ 第一原理（first principles）是不照前例，從根本問「到底要確認什麼」。他們靠 AI 推出品管清單：有效、成分對、乾淨、不會引發敗血症（sepsis，全身性的嚴重感染反應）。
• 25:15 結識最後製作疫苗的學術團隊時，事前準備帶來兩個好處：一是能問合理的問題、聽懂對方計畫；二是成為好夥伴，建立互信
  ↳ 事前做足功課有兩個回報：開會時問得出像樣的問題，也聽得懂對方打算怎麼做；對方感覺到你是認真的夥伴，彼此的信任才建立得起來。
• 25:15 雙方一起克服許多困難完成疫苗，合作建立在彼此理解、能討論細節的基礎上
  ↳ 疫苗不是一次就做成，中間卡關很多次。能撐過去，是因為雙方都聽得懂彼此在說什麼，可以直接討論細節，不是一方只能乾等消息。
• 25:46 PENXIN3 是研究很少的標靶：在先前的圖上它遠離對角線，明顯是 Sid 最好的標靶，但對幾乎其他所有人都不是
  ↳ 標靶（target）是藥物瞄準的分子。PENXIN3 在 Sid 身上特別突出，在別人身上卻不明顯，所以幾乎沒人研究。對他最有用的標靶，偏偏是資料最少的。
• 26:16 針對 PENXIN3 進行 binder discovery campaign：發明新 reagent、構思新 assay、分析資料判斷是好的 binder，還是偽陽性或偽陰性
  ↳ binder 是能緊緊抓住標靶的分子。沒人研究就沒有現成工具，得自己發明試劑（reagent）、設計檢測方法（assay），再判斷結果是真的好，還是偽陽性或偽陰性。
• 26:16 講者形容 AI 像 Iron Man suit，讓非專家也能評估各種專業、艱深細微的問題
  ↳ AI 就像鋼鐵人的戰衣：人本身沒有變成專家，但穿上之後，有能力去評估那些很專業、很細微的問題。
• 26:46 談並行治療：病人要知道醫師與病人的誘因非常不同，醫師想把 liability（嚴重副作用甚至死亡）降到最低
  ↳ 並行治療是同時用多種療法。病人要先明白醫師在意的是 liability，也就是開的治療害病人出現嚴重副作用、甚至死亡，所以醫師天生傾向保守。
• 27:16 病人要的是最大化存活率；Sid 說自己的癌症很凶險、醫療手段很落後，他寧可死於治療，也不要死於癌症
  ↳ 病人要的是存活機會最大。Sid 的癌症很凶險，現有療法又落後，所以對他來說，冒險治療的代價比讓癌症繼續發展來得小。
• 27:46 多數病人用的藥太少，藥無效後來不及嘗試其他方法，轉移後就過世了
  ↳ 常見的情況是一次只試少數幾種藥，等確定沒效，癌症已經轉移，來不及換方法。對這類病人來說，時間本身就是最大的成本。
• 27:46 AI 很擅長建議可以和腫瘤科醫師討論的藥物組合
  ↳ AI 可以列出哪些藥能搭配使用、理由是什麼，讓你帶著具體方案去和腫瘤科醫師討論，而不是只能問「還有別的辦法嗎」。
• 28:16 醫師常見的反對理由是「沒做過隨機對照試驗」；但一個試驗要一億美元，不可能每種組合都這樣測，而且也不需要
  ↳ 隨機對照試驗（RCT）是把病人隨機分組、比較療效的研究，是醫學最看重的證據。但一個要一億美元，藥物組合那麼多，不可能每種都做，也沒必要。
• 28:16 從第一原理判斷：看各藥副作用是否相同、是否會疊加，逐一器官檢查
  ↳ 沒有試驗數據，還是可以推理：把每種藥的副作用攤開，一個器官一個器官檢查，看兩種藥會不會傷到同一個地方，讓傷害加倍。
• 28:46 例：一種藥傷腎，另一種就該作用在肝，不要同時吃兩種傷腎的藥
  ↳ 舉例來說，A 藥傷腎，搭配的 B 藥最好是作用在肝，讓負擔分散開來；兩種都傷腎的藥，就不要一起吃。
• 28:46 AI 能幫病人帶著充足資訊和醫師對話，推動醫師朝最大存活率努力，因為那不是醫師的預設模式
  ↳ 追求最大存活率不是醫師的預設做法，得靠病人自己推。AI 讓你掌握足夠資訊，能和醫師有來有往地討論，而不是只能點頭。
• 28:46 Sid 合併使用的治療與各種治療方式都列在 osteosarc.com/timeline
  ↳ Sid 用過哪些治療、哪些是合併使用的，都整理公開在 osteosarc.com/timeline，想參考的人可以直接上去看。
• 29:17 有些做法很貴、有些不貴：bulk RNA sequencing 現在 50 美元，whole genome sequencing 500 美元起，AI 花 20 美元就有很強的工具
  ↳ 不是每樣都貴：bulk RNA sequencing（測一塊組織裡哪些基因在活躍）約 50 美元，whole genome sequencing（讀完整份 DNA）500 美元起，AI 花 20 美元就很好用。
• 29:17 並行治療會用更多藥，但如果是 generics，價格非常平價；只要能說服醫師開藥，一般人也能取得
  ↳ 同時用很多藥聽起來很燒錢，但如果是學名藥（generics，專利過期後別家做的同成分藥）就很便宜。真正的關卡不是錢，而是能不能說服醫師開藥。
• 29:49 為了讓更冒險的做法能擴展到其他人，他們成立一系列公司，把這套做法「放上軌道」，替後來的人鋪路
  ↳ Sid 的做法很冒險，又很客製，一般人很難自己複製。所以他們開了幾家公司，把流程整理成可以重複的服務，讓後面的病人不必從零開始摸索。
• 30:20 比喻：Sid 等人像 Roadster Model 001，目標是做出現成可買的 Roadster，再一路走到 Model S、Model 3
  ↳ 特斯拉最早的 Roadster 是少量生產的昂貴車款，後來才有量產的 Model S、Model 3。Sid 就像那台最早的原型車，目標是讓這套做法變成大家買得到的東西。
• 30:20 AI 深植於這些公司中，因為它是 deflationary technology，能壓低成本曲線、讓事情規模化
  ↳ deflationary technology 是能讓東西越來越便宜的技術。AI 把原本要花大量專家時間的分析變便宜，這套做法才有可能擴展到很多人身上。
• 30:51 Valis：從基因表現角度做最完整的診斷，執行 single cell sequencing、分析 bulk RNA sequencing 原始資料，不論原發組織都能找出合適標靶
  ↳ Valis 從「哪些基因在活躍」來做診斷。它用 single cell sequencing（一顆一顆細胞分開測），再分析定序的原始資料，不管癌症原本長在哪個組織，都能找出合適的標靶。
• 31:21 找到標靶後（例：DLL3），用 AI 蒐集該標靶的相關資訊：進行中的臨床試驗、生物資料、可合作的藥廠等
  ↳ 找到標靶之後（例如 DLL3 這個蛋白），就用 AI 蒐集相關資訊：有哪些臨床試驗正在進行、有哪些生物學資料、有哪些藥廠可以合作。
• 31:21 Arden：以類似方式處理複雜且未解的免疫疾病，對血液做最完整的分析，進入「治療、測量、分析、重複」循環
  ↳ Arden 處理的是複雜、至今沒解法的免疫疾病，做法類似：把血液做最完整的分析，然後治療、測量、分析、再重來，一輪一輪逼近答案。
• 31:21 Arden 搭配 targeted immunomodulators 的組合，依每個人血液的實際數據量身調整
  ↳ immunomodulators 是調節免疫系統的藥。Arden 挑選針對特定目標的調節藥來組合，並依照每個人血液實際測到的數據調整，不是一套配方用到底。
• 31:53 Arden 的 CEO 常收到龐大的 Google Drive 資料夾，甚至一份 9,000 頁的病歷；他用 AI 打造 AI 工具來解析病史、擬定後續計畫
  ↳ 難治的病人常帶著超大的雲端資料夾，甚至 9,000 頁的病歷上門，靠人工根本讀不完。Arden 的 CEO 就用 AI 做出專門的工具，來整理病史、規劃下一步。
• 31:53 Sid 在接受放射性治療與手術後，目前 no evidence of disease
  ↳ Sid 做完放射性治療和手術後，目前是 no evidence of disease，也就是檢查找不到癌症的跡象。這不等於保證痊癒，但已經是很好的狀態。
• 32:25 幾週前做了多項實驗性掃描，把 protein binder（例如 B7H3、FAP）結合到掃描中；可用於掃描的蛋白越來越多
  ↳ 幾週前他做了幾項實驗性掃描，把能黏住特定蛋白的分子（protein binder，例如針對 B7H3、FAP）放進顯影，看這些蛋白在身體哪裡出現。能這樣掃描的蛋白越來越多。
• 32:55 願景：用藥前先掃描，確認藥物結合的蛋白在自己的癌症中有表現，也知道它在哪些部位有表現，以留意副作用；每個人都不同
  ↳ 願景是用藥前先掃描：確認藥要抓的蛋白真的出現在你的癌症上，也看它還出現在哪些部位，事先留意副作用。每個人的結果都不一樣。
• 32:55 有些可以早上掃描、下午治療（把放射性物質接在上面）；講者認為這個領域即將快速起飛
  ↳ 有些分子能同時拿來掃描和治療：早上先掃描確認位置，下午把放射性物質接上去，直接攻擊癌細胞。講者認為這個領域很快就會起飛。
• 33:26 靠著搜遍全世界，Sid 的 therapeutic ladder 從 0 種治療增加到 30 種；他寧可不用，但有選項很好
  ↳ therapeutic ladder 指預先備好的治療選項清單。搜遍全世界之後，Sid 的選項從 0 個變成 30 個。他希望都用不到，但有後路很重要。
• 33:57 Q&A：主持人認為學習速度是關鍵；Sid 說他們向其他病人、很優秀的 concierge medicine 團隊學習，也大量依靠 AI 與第一原理
  ↳ 主持人說關鍵在學得夠快。Sid 的學習來源有其他病人、優秀的 concierge medicine 團隊（付費、一對一的私人醫療服務），再加上大量使用 AI 和第一原理。
• 33:57 Sid 認為醫學有點迷失，只依賴隨機對照試驗，但很多情況下第一原理思考會很有幫助
  ↳ Sid 覺得醫學太過只認 RCT，好像沒做過試驗就什麼都不能做。他認為在很多情況下，從根本推理就能做出合理的判斷。
• 34:29 主持人提出：治癒癌症可能是一次治好一位病人，也就是沒有單一解藥的個人化醫療
  ↳ 癌症可能不會有一顆通用的解藥。每個人的癌症都不一樣，得一個一個量身處理，也就是一次治好一位病人。
• 35:00 Sid 認為今天展示的一些做法會成為 30 年後的標準照護，他們想把它帶到現在
  ↳ standard of care 是醫界公認應該照做的標準治療。Sid 認為今天展示的一些做法，30 年後會變成標準，而他們想讓現在的病人就用得到。
• 35:31 主持人歸納：有平價的方式蒐集資料，也有平價工具分析資料，幫助病人爭取更好的治療與結果
  ↳ 蒐集資料變便宜了（定序只要幾十到幾百美元），分析工具也變便宜了（AI），病人因此有條件替自己爭取更好的治療和結果。
• 35:31 Sid 強調罹患罕見癌症時做好自我倡議特別重要；他們遇過很多倖存者說，加強倡議確實有回報
  ↳ advocate 是替自己發聲、主動爭取。罕見癌症沒有現成的治療路線，更要靠自己推動；他們遇到很多倖存者都說，積極爭取確實有差。
• 36:02 社群提問（Jason DeLuca）：是否曾感到絕望？科技的突破時刻是什麼？Sid 回答那不是科技的事，他曾絕望了 15 分鐘（本段字幕在此截斷）
  ↳ 網友 Jason DeLuca 問：有沒有絕望過？科技的轉折點是什麼？Sid 說那跟科技無關，他曾經絕望了 15 分鐘。這段字幕到這裡就中斷了。

講者用什麼理由說明「不可能用隨機對照試驗測試每一種藥物組合」？