理论医护的疑问使用大规模医疗数据进行
原标题：TheQuestionofCare:Theabilitytousevastamountsofmedicaldataforclinicaldecisionmakingisreshapingpatientcare
作者：安德里亚·沃尔佩（AndreaVolpe）
译者：邓金
编辑：小宇
“如果你考虑一个医生的工作，即使为一个病人做决定都是一个巨大的数据挑战”，医学博士齐亚德?奥伯迈尔（ZiadObermeyer）说。他解释道，医生必须处理大量的信息流，首先是“病人和她之前的护理以及与此相关的所有数据，同时也合并了每天都在增长的研究文献”。
▲年，医学博士G.OctoBarnett医院（MassachusettsGeneralHospital）建立了计算机科学实验室。该实验室的目标之一是开发一种适用于医学的编程语言，由此诞生了一种帮助引进电子病历和临床系统的编程语言：“医院公用事业多重编程系统（MassachusettsGeneralHospitalUtilityMulti-programmingSystem，MUMPS）”。
▲加州大学伯克利分校公共卫生学院的代理副教授齐亚德?奥伯迈尔（ZiadObermeyer）
几个世纪以来，临床对话是医患关系形成的核心，也是内科医生的首个数据来源。我们把它看做是倾听的艺术。谈话中的信息被记录在病历中，构成医学推理和临床决策的基础。
随着生物医学实验室和电子健康记录中数据的激增，做出明智的临床决策正变得越来越具有挑战性。
▲临床决策的图片
“让人类发挥自身优势的一种方法，就是让计算机帮助我们处理一些信息，并将其转化为更精确的概率预测”，加州大学伯克利分校公共卫生学院的代理副教授奥伯迈尔（Obermeyer）说，他的研究领域是卫生政策和管理（译者注：他是一位在机器学习与健康交叉领域工作的医师和研究员），目前，他也是医院急诊科（DepartmentofEmergencyMedicineatBrighamandWomen’sHospital）的一名研究员（注：医院是哈佛医医院，也是马萨诸塞州波士顿朗医院。它集病人关怀、医学教育和研究为一体，一直被美国新闻网和世医院名单中的一员）。他补充说，“医生的工作是接收和处理大量信息，并将其转化为对疾病可能性或对潜在疗效的概率判断。我们在日常医疗中做的很多事情都是解决计算机真正擅长解决的问题”。
▲版权所有?-medXchange?AG，苏黎世·印象/印记
这就是机器学习发挥作用的地方。机器学习是一个集算法和统计技术于一体的工具包，利用21世纪的电脑计算能力，可以对护理病人时产生的大量数据进行分析。这些计算工具有可能改变医生使用数据为患者做出临床决策的形式，并日益增强精确医疗和个性化护理的能力。机器学习以及它所需要的大数据集，正在转变医生处理病人护理、临床和转化研究的方式。
一、机器之灵
“让人类发挥优势的一种方法是让计算机帮助我们处理其中一些信息，并将其转化为更精确的概率预测”。
英国数学家、逻辑学家艾伦·图灵（AlanTuring）在年发表的一篇著名论文中问道：“机器能思考吗”？他的问题为人工智能埋下了一颗种子。20世纪40年代和50年代，人工神经网络算法得到了发展，这些算法以大脑神经元对刺激的迭代反应方式为模型，是当今深度学习、人工智能应用和专家系统的起源。
▲计算机科学和人工智能之父：艾伦·图灵（AlanTuring）
当谈到医疗保健中的人工智能应用时，约翰·哈拉姆卡（JohnHalamka）说，奥巴马政府点燃了“星星之火”。约翰·哈拉姆卡（JohnHalamka）是哈佛医学院急诊医学（Emergencymedicine）的国际医疗创新教授（theInternationalHealthcareInnovationProfessorofEmergencyMedicineatHMS），也是贝斯以色列女执事医疗中心（BethIsraelDeaconessMedicalCenter）的首席信息官。他说，在《年美国复苏与再投资法案》（AmericanRecoveryandReinvestmentAct）中，奥巴马政府鼓励采用电子健康记录（注：急诊医学是一门新兴的、综合性、临床学科；是一个以多种医学专业知识为基础、具有自身鲜明专业特点的医疗体系。贝斯以色列女执事医疗中心是一个位于美国麻萨诸塞州波士顿的国际知名的医疗中心，是哈佛医院。医院中，贝斯以色列女执事医疗中心从国家卫生研究院所接受的生物医学研究资金名列第三位，每年接近1.5亿美元）。
▲哈佛医学院急诊医学的国际医疗创新教授约翰·哈拉姆卡（JohnHalamka）
最早的临床决策支持工具包括纸质流程图和清单；这些功能现在被内置于“电子健康记录”（ElectronicHealthRecord,EHR）中，帮助智能过滤信息。实时电子警报和提醒有助于确保癌症筛查等预防性护理和糖尿病等慢性疾病的管理。它们还可以为医生提供药物选择、剂量决定、药物相互作用的视频，也可以指导医生开出特定疾病的医嘱，开展最佳医疗实践。机器学习也可以改善医疗服务。例如，贝斯以色列女执事医疗中心（BethIsraelDeaconess）使用机器学习来预测每位患者所需的手术室时间，并标记不太可能出现在预约中的患者。
▲“电子健康记录”（ElectronicHealthRecord,EHR）
一个阻碍“电子健康记录”（EHRs）发挥潜力的障碍是它们的专有格式。不过，多亏快速医疗互操作性[1]资源（FastHealthcareInteroperabilityResources），情况已发生改观，它帮助开发人员更容易地从“电子健康记录”数据中创建应用程序apps和某些工具。移动性也很重要：在线智能应用程序库软件（SMARTAppGallery）包括面向患者和临床医生的应用程序，允许患者之间共享数据，并为临床医生提供基于应用程序的诊断工具。
▲在线智能应用程序库软件（SMARTAppGallery）的网络截图
二、矿产资源
挖掘基于“电子健康记录”（EHR）的大数据在临床研究中的潜力取决于机器学习。机器学习是一种算法和统计工具，擅长识别模式，并将学习到的模式应用到新数据中，以便做出预测。因为这些算法是为解决这类问题而设计的，也被奥伯迈尔（Obermeyer）称作医生的“好思维伙伴”。
在20世纪80年代中期，艾萨克·科哈内（IsaacKohane）中断医学院学习，转而攻读计算机科学和医学博士学位，他目前是MarionV.Nelson哈佛医学院生物医学信息学（BiomedicalInformatics）教授和哈佛医学院布拉瓦特尼克研究所（BlavatnikInstituteatHarvardMedicalSchool）生物医学信息学系主任。他说，“我那时彻底被信息学征服，它将事实转换为知识的过程是如此富有挑战性”。尽管人工智能工具承诺了一种向病人学习的方法，但首先需要有一个数据基础设施。科哈内（Kohane）和他的同事们想知道，来自“电子健康记录”（EHR）中的去识别的[2]（de-identified）和隐私保护的临床数据（privacy-protectedclinicaldata）是否可以与基因组数据（genomicdata）结合，从而形成一个单一的数据库，为遗传病研究提供大量的数据集。
▲MarionV.Nelson哈佛医学院生物医学信息学教授艾萨克·科哈内（IsaacKohane）
这一需求促使信息学将生物学与床边测试（Bedside,i2b2）结合起来。i2b2（InformaticsforIntegratingBiologytheBedside）是一个挖掘“电子健康记录”（EHR）数据的研究平台，于年首次由国家卫生研究院（NationalInstitutesofHealth）资助，科哈内（Kohane）是该项目的主要研究者。i2b2背后的软件于年发布，允许临床记录系统中保存的信息与基因组数据结合在一个安全的符合HIPAA法案[3]的数据库中。该平台免费，可扩展和共享，现在广泛应用于美国卫生研究院（NationalIntstitutesofHealth,NIH）的临床和转化科学奖网站中（NIH’sClinicalandTranslationalScienceAwardsites）。
▲i2b2的网站截图
i2b2平台也是一种很有前途的精密医疗工具。以药物遗传学为例（pharmacogenetics），该领域研究患者对药物反应的遗传基础。一直以来，从癌症到糖尿病的许多药物方案都是一刀切。然而，科哈内（Kohane）说，通过获取大量的基因组数据以及患者对药物治疗反应的数据，临床医生可以“合理地为病人选择合适的药物”。该工具还将使研究人员能够根据患者的遗传学和其疾病的基因变体，开发药物方案的临床试验。反过来，这将导致使用遗传信息（geneticallyinformed）和试验测试的个性化药物治疗。
▲i2b2的网站截图
今天，由“电子健康记录”（EHR）驱动的基因组研究（EHR-drivengenomicresearch）自成体系。但是它也使用新的工具以便从“电子健康记录”（EHR）中提取种类多样的信息。这就是自然语言处理发挥作用的地方。自然语言处理是机器学习的子集，它使用算法将文本转化为数据。研究人员正使用这种算法来更准确地识别他们希望研究的表型患者（patientswiththephenotypes），以便用更好的数据推动新的发现。
三、建立更好的医护
谈到研究，凯瑟琳?廖（KatherineLiao）说，“我总是从病人开始。我的问题来自于临床护理中经常出现的未解问题”。廖是哈佛医学院的生物医学信息学（biomedicalinformatics）助理教授和医院（BrighamandWomen’sHospital）的医学助理教授。她开始思考“可以由‘电子健康记录（EHR）’数据引发的各种问题。此前，这些问题都无从涉足”。
▲哈佛医学院生物医学信息学助理教授凯瑟琳·廖
廖的临床实践和研究重点是类风湿关节炎（rheumatoidarthritis）。这是一种自身免疫性疾病：免疫系统攻击关节内膜，导致炎症和周围软骨和骨骼受损。最近，研究发现，其他组织和身体器官也会受到炎症的影响。当医生诊断疾病时，他们使用病人的病史、体格检查和诊断测试。
廖的研究问题集中在疾病的遗传风险因素，这些因素可以使早期诊断、更好的疾病管理和更好的治疗决策成为可能。虽然类风湿关节炎是最常见的炎症性自身免疫性关节疾病，但它在统计上相对少见，仅影响全球人口的1%。如此小的患者群体意味着很难找到足够多的人来进行稳健的研究。
作为i2b2项目的一部分，廖和她的团队想要利用“电子健康记录（EHR）”数据，但首先需要设计出一种方法，能够准确识别类风湿性关节炎患者。她和同事发现，机器学习可以帮助他们设计一种高度精确的分类算法，该算法使用来自“电子健康记录（EHR）”的编码数据，并使用自然语言处理从叙述性临床记录中提取的数据。在运行该算法之后，他们在18个月内就得到了一个包含名患者的数据集，而在以前，像这样的招募通常需要几十年的时间。该算法在其他机构的“电子健康记录（EHR）”上也同样准确。
机器学习，加上更全面地挖掘“电子健康记录（EHR）”数据的能力，已经改变了研究人员进行研究的方式。前瞻性队列研究传统旨在调查特定的结果和测试特定的假设；研究人员需要提前决定他们想要收集什么数据。例如，自年以来，弗雷明汉心脏研究（FraminghamHeartStudy）就被用来阐明心脏病的原因（译者注：弗雷明汉心脏研究是波士顿大学与美国国家心脏，肺与血液研究所的项目）。多年来，研究人员一直对患者进行定期访谈，收集有关行为及其如何影响心脏病的信息。廖说，在这样的研究中，“由于无法获得适当的数据进行分析，一开始没有考虑到的问题或主题领域可能很难展开研究”。
▲生物医学信息学
相比之下，在由“电子健康记录（EHR）”数据和机器学习驱动的研究中，算法可以分析健康和基因组数据，并识别之前不为研究人员和临床医生所知的有意义的模式。廖说：“现在我们能够让数据中的模式帮助我们研究基因和许多疾病之间的关系，而不仅仅是预先指定的疾病”。
研究“电子健康记录（EHR）”数据为廖的临床实践提供了信息，包括她如何以及何时筛查患者的血脂、治疗选择，以及如何处理患者的遗传风险问题。这些天，廖和她的团队正在研究是否能开发出一种算法，“能够实时告诉我们，出现或发展某种条件的概率，或者不希望出现某种结果的概率”。这种实时分析将改变预防和早期诊断工作，包括告知医生如何在临床环境中处理类风湿关节炎等疾病。
四、万物皆老：“我更看重病人在这些小对话中告诉我的东西”
数据驱动医学的未来将专注于预测和个性化。哈拉姆卡（Halamka）说，“机器学习不是取代临床医生；它是使临床医生能够在他们的领域尖端开展实践，在正确的环境中提供正确的护理”。临床护理也变得更具参与性和以病人为中心，减少了医患信息的流动。
哈拉姆卡（Halamka）说，随着医疗保健越来越具有移动性、交互性和参与性，“电子健康记录（EHR）”已经变得越来越智能化。贝斯以色列女执事医疗中心（BethIsraelDeaconessMedicalCenter）的病人正在使用BIDMC
home，这是一个移动应用程序，允许他们发送健康数据到他们的“电子健康记录（EHR）”，使他们更积极地提供数据，医生可以使用这些数据来改善他们的护理，特别是慢性病。在医院的健康技术探索中心(HealthTechnologyExplorationCenter)正在进行的几个项目中，我们可以了解到临床护理的前景：将医疗功能纳入普通家用电器，帮助管理焦虑和抑郁的应用程序，以及在全球提供专业护理的远程医疗应用程序。共享数据和分析数据的工具一样重要。科哈内（Kohane）目前的几个项目依赖于数据共享来帮助解决棘手的问题。未诊断疾病网络（TheUndiagnosedDiseasesNetwork）[4]将数据分布在12个中心，以帮助诊断和治疗罕见的、未诊断的遗传疾病。科哈内（Kohane）领导的“神秘异常反应者网络研究（NetworkofEnigmaticExceptionalRespondersStudy）”调查了遗传学和免疫学背后的原因，包括为什么一些病人对药物治疗的反应比平均水平好得多。科哈内（Kohane）正与生物医学信息学助理教授保罗?阿维拉奇（PaulAvillach）一起开发一个以病人为中心的数据共享系统，允许病人选择如何共享他们的健康数据。
▲未诊断疾病网络（TheUndiagnosedDiseasesNetwork）
对于奥伯迈尔（Obermeyer）来说，机器学习的力量在于它能够使卫生政策更明智，并就如何管理高危病人的护理做出决定。他说，“如果我们看看我们的医疗体系，很明显，我们没有做出明智的决定。算法可以提供帮助”。
矛盾的是，新的计算工具和它们所使用的数据驱动的基础设施，正把医生们带回到科哈内（Kohane）所说的“小数据”，即倾听病人的艺术。
他说：“我更看重病人在这些小对话中告诉我的东西”。
随着越来越多的工具把医患对话转化为数据，医生最古老的两种临床工具，即倾听和记录，正在成为医学发现的最新工具。
尾注：
[1]互操作性（Interoperability）是实现医疗信息共享的前提。
[2]该中心最近取得了对25万余个外显子组测序的里程碑成果，并评估了18万份“去别”(de-identified，剥离任何个人身份信息)的电子健康记录。
[3]HIPAA全称为：HealthInsurancePortabilityandAccountabilityAct/，PublicLaw-，尚没有确切的正式中文名称，国内文献一般直接称为HIPAA法案，有的称为健康保险携带和责任法案，也有取其意为医疗电子交换法案；台湾有文献翻译为义务型可携带式健康保险法案。来源自百度百科：
转载请注明：http://www.aliggmm.com/sszy/7051.html
