“大數(shù)據(jù)”、“人工智能”和“物聯(lián)網(wǎng)”是醫(yī)療行業(yè)使用越來越頻繁的術(shù)語。“人工智能（AI）”一詞誕生于1956年，但近年來，由于數(shù)據(jù)量的顯著增加、先進算法使機器能夠像人類一樣“思考、工作和反應(yīng)”，以及計算能力和存儲能力的提高，“人工智能”一詞的受歡迎程度急劇上升。

      大數(shù)據(jù)的概念出現(xiàn)在20世紀(jì)90年代，它描述的數(shù)據(jù)集太大或太復(fù)雜，即使是在低延遲的情況下，傳統(tǒng)數(shù)據(jù)庫或數(shù)據(jù)處理應(yīng)用軟件也無法在合理的時間內(nèi)捕獲、管理和處理數(shù)據(jù)。

      促成大數(shù)據(jù)積累的是物聯(lián)網(wǎng)（IoT），這個術(shù)語自1999年首次被用作“物聯(lián)網(wǎng)”（Internet for Things）以來一直在演變，當(dāng)時射頻識別（RFID）是物聯(lián)網(wǎng)的概念核心。

      如今，物聯(lián)網(wǎng)涵蓋了與互聯(lián)網(wǎng)相連的一切，包括傳感器、智能手機、醫(yī)療設(shè)備、可穿戴設(shè)備等，所有這些都是實時采集和上傳的，健康相關(guān)大數(shù)據(jù)也在快速積累。

      近日，創(chuàng)新咨詢與基金管理服務(wù)公司Healthbox發(fā)布了《利用大數(shù)據(jù)》（Harnessing Big Data）報告，報告旨在研究醫(yī)療行業(yè)與大數(shù)據(jù)的關(guān)系。主要內(nèi)容有：

背景：大數(shù)據(jù)是什么？

前景：如何利用大數(shù)據(jù)？

分析：利用大數(shù)據(jù)需要注意什么？

應(yīng)用程序：大數(shù)據(jù)的現(xiàn)實應(yīng)用

以下是動脈網(wǎng)為您編譯的該報告的主體內(nèi)容：

背景：大數(shù)據(jù)是什么？

大數(shù)據(jù)簡史

      隨著時間的推移，“大數(shù)據(jù)”、“物聯(lián)網(wǎng)”和“人工智能”這三個詞被分別創(chuàng)造出來。今天，它們在快速發(fā)展的技術(shù)世界中形成了獨特的聚合，影響著我們收集、感知和分析健康相關(guān)數(shù)據(jù)的方式。

      1956年：“人工智能”（AI）一詞由計算機科學(xué)家John McCarthy首創(chuàng)，他曾就此問題舉行過學(xué)術(shù)會議。

      1990-1999年：大數(shù)據(jù)作為一個術(shù)語出現(xiàn)，用來描述對于傳統(tǒng)數(shù)據(jù)庫來說太大或太復(fù)雜而無法處理的數(shù)據(jù)集。

      1999 - 2008年：物聯(lián)網(wǎng)的概念在這一時期發(fā)展起來，最初是指通過射頻識別技術(shù)獲取數(shù)據(jù)。

      今天，人類在人工智能方面的能力正在迅速擴張，人工智能是收集和分析每秒通過物聯(lián)網(wǎng)創(chuàng)建的大量數(shù)據(jù)的關(guān)鍵組成部分，包括所有連接到互聯(lián)網(wǎng)的數(shù)據(jù)。

      醫(yī)療領(lǐng)域的大數(shù)據(jù)機遇看似無窮無盡，但也存在許多值得思考的問題：

我們收集哪些類型的數(shù)據(jù)？

這個數(shù)據(jù)的來源是什么？

我們已經(jīng)擁有的數(shù)據(jù)中存在哪些空白，我們?nèi)绾翁钛a這些空白？

目前這些數(shù)據(jù)如何被使用，潛在的其他應(yīng)用程序是什么？

我們?nèi)绾伪Ｗo這些數(shù)據(jù)以防止網(wǎng)絡(luò)入侵、數(shù)據(jù)安全損失和其他形式的網(wǎng)絡(luò)安全風(fēng)險？

      大數(shù)據(jù)的四個“V”

      醫(yī)療大數(shù)據(jù)的四個“v”包括容量（volume）、速度（velocity）、多樣性（variety）和有效性（validity）。由于電子病歷（EMR）的廣泛采用、精準(zhǔn)醫(yī)學(xué)決定因素的加速發(fā)現(xiàn)，以及可穿戴生物傳感器的迅速發(fā)展，個人數(shù)據(jù)來源的增長，導(dǎo)致了健康數(shù)據(jù)的絕對數(shù)量激增。

      收集和利用大數(shù)據(jù)

      傳感器、智能手機、醫(yī)療設(shè)備、可穿戴設(shè)備等實時采集和上傳信息的進化，導(dǎo)致了大數(shù)據(jù)的積累。正在收集的數(shù)據(jù)具有數(shù)量大、速度快和多樣性的特點，為利用和確保其有效性，使其造福于人類，大數(shù)據(jù)向基于證據(jù)的精準(zhǔn)醫(yī)學(xué)提出了挑戰(zhàn)。

      除了傳統(tǒng)的生物健康測量方法，還有大量的社會人口學(xué)、地理位置學(xué)和非醫(yī)學(xué)元數(shù)據(jù)，這些元數(shù)據(jù)都有意義地相互作用，以確定個人或多人的健康狀況。

      在傳統(tǒng)數(shù)據(jù)系統(tǒng)之間創(chuàng)建互操作性的挑戰(zhàn)多種多樣。

      如今，我們需要跨不同的筒倉數(shù)據(jù)源集成更廣泛的數(shù)據(jù)。如果要讓大數(shù)據(jù)有意義地塑造護理決策，關(guān)鍵是要確定所有這些不同測量方法的有效性和準(zhǔn)確性、它們的派生推論以及我們從這些數(shù)據(jù)中推斷出的可操作結(jié)論。

      前景：如何利用大數(shù)據(jù)？

      在向基于價值的醫(yī)療服務(wù)轉(zhuǎn)型過程中利用大數(shù)據(jù)

      盡管這可能看起來令人生畏，但這四個“v”實際上很好地契合了醫(yī)療服務(wù)轉(zhuǎn)型的需求，即從按服務(wù)收費的行業(yè)向以信息為基礎(chǔ)，以及價值驅(qū)動的醫(yī)療服務(wù)提供模式轉(zhuǎn)變。獲取用于描述人群特征的全面數(shù)據(jù)，以及用于根據(jù)個人需求定制決策的精確數(shù)據(jù)，將至關(guān)重要地為醫(yī)療策略提供信息并確定優(yōu)先級，指導(dǎo)針對特定個人的精確醫(yī)療決策。

      對預(yù)防干預(yù)的日益重視，對不斷演變的患者病情的治療的不斷個性化，以及在整個患者過程中護理的協(xié)調(diào)，使得獲取、解釋和持續(xù)分析患者病情變得十分必要。它還需要對大量數(shù)據(jù)進行及時的處理。

      健康的社會決定因素是健康結(jié)果的重要潛在驅(qū)動力，因此需要綜合各種各樣的數(shù)據(jù)輸入以做出可采取行動的決定，這種數(shù)據(jù)輸入正在迅速擴大。但是，如何從這些數(shù)據(jù)中形成可執(zhí)行的決策？

      從海量數(shù)據(jù)中提取信號

      人類無法衡量現(xiàn)有的海量數(shù)據(jù)，也無法獨自得出有意義的結(jié)論。谷歌腦人工智能研究小組（Google Brain AI Research Group）產(chǎn)品經(jīng)理、醫(yī)學(xué)博士Lily Peng指出，雖然人類智能最適合整合少量非常“大影響”的因素，但人工智能尤其擅長梳理和識別大量非常“小影響”或模糊因素的模式。這是機器學(xué)習(xí)和人工智能作為人類智能不可或缺的合作伙伴可以發(fā)揮的補充作用，它們可以幫助醫(yī)療保健提供者應(yīng)對來自各個方向的海量、快速和多樣的數(shù)據(jù)。

      從這些海量的數(shù)據(jù)中得出有效的結(jié)論，需要重新設(shè)計現(xiàn)有的決策過程，將機器學(xué)習(xí)與人類直覺和領(lǐng)域?qū)I(yè)知識結(jié)合起來，做出有效的臨床決策，提高護理價值。如果適當(dāng)考慮到將其納入護理提供和決策的不斷發(fā)展的模式中，大數(shù)據(jù)和人工智能可以成為有益變革的有效推動者和催化劑，而不僅僅是給執(zhí)業(yè)臨床醫(yī)生工作流程增加不必要的復(fù)雜性。

      病人的私人臨床醫(yī)生作為真理的單一來源的日子一去不復(fù)返了。無論是談?wù)撔呐K病發(fā)作、中風(fēng)、創(chuàng)傷、癌癥，還是復(fù)雜的急性后護理，決策都是在一組人的共同考慮下做出的，更不用說患者自己的選擇和對其病情的研究了。

      當(dāng)我們從應(yīng)用廣泛的人群規(guī)范和通用的護理標(biāo)準(zhǔn)，轉(zhuǎn)向根據(jù)特定個體的定制需求定制護理時，將需要人工智能分析支持的廣泛經(jīng)驗數(shù)據(jù)來定義與給定患者相關(guān)的個體規(guī)范。雖然在確定的人群中，進行隨機對照臨床試驗的目的是控制混雜因素，并在實驗環(huán)境中隔離測試干預(yù)的影響，但實際的測試對象很少能準(zhǔn)確地反映現(xiàn)實世界中遇到的個體的廣泛和多樣性。

      從實用主義的角度來看，我們不可能根據(jù)現(xiàn)實世界中所有細(xì)微差別和個性化的遭遇，來設(shè)計直接提供護理的試驗。因此，人工智能對大數(shù)據(jù)的解析和分析將在指導(dǎo)個性化現(xiàn)實決策方面發(fā)揮重要作用。

      利用大數(shù)據(jù)進行臨床決策

      如果大數(shù)據(jù)和人工智能要有效地支持臨床決策，就需要克服四個潛在的挑戰(zhàn)：

1. 消除數(shù)據(jù)收集中的偏差；

2. 承認(rèn)匿名性和特殊性之間的內(nèi)在沖突；

3.對收集到的數(shù)據(jù)進行有意義的驗證；

4. 理解潛在的因果關(guān)系。

      分析：利用大數(shù)據(jù)需要注意什么？

      1、克服數(shù)據(jù)收集中的偏見

      醫(yī)療數(shù)據(jù)雜亂無章。在最基本的層面上，盡管我們努力規(guī)范醫(yī)學(xué)術(shù)語、診斷編碼等，但在個體提供者如何描述、概念化和闡明他們對患者的觀察方面存在很大差異。通常，對所有數(shù)據(jù)進行的探索、發(fā)現(xiàn)和分析，其有效性和價值僅與底層數(shù)據(jù)集的清晰性和有效性相同。這些問題只與收集的數(shù)據(jù)的數(shù)量和速度有關(guān)，必須對這些數(shù)據(jù)進行解釋。

      標(biāo)準(zhǔn)化、語義分類和公認(rèn)的概念本體是“數(shù)據(jù)清理”中的一些必要步驟，在大數(shù)據(jù)集準(zhǔn)備好接受人工智能技術(shù)的有用分析之前，這些步驟是為大數(shù)據(jù)集制定標(biāo)準(zhǔn)所必需的。

      除了這些考慮之外，每個研究者對大數(shù)據(jù)的不同也產(chǎn)生了固有的偏見。偏差可以包括評估的數(shù)據(jù)類別以及如何收集這些數(shù)據(jù)（例如，對哪些人群進行了抽樣，以及使用了哪些抽樣工具，可以有選擇地包括或排除數(shù)據(jù)集中的顯示）。

      假設(shè)高維數(shù)據(jù)的威力存在于數(shù)據(jù)中未公開的混雜因素下。不幸的是，這一假設(shè)遠(yuǎn)未成為人們放棄的結(jié)論，并對人工智能技術(shù)從大數(shù)據(jù)中得出的結(jié)論的有效性構(gòu)成了威脅。例如，如果人們不考慮度量一個變量，而該變量是期望結(jié)果的重要驅(qū)動因素，那么將明顯的結(jié)論應(yīng)用于與混淆者的協(xié)變量關(guān)系發(fā)生變化的情況，則可能是不正確和具有誤導(dǎo)性的。

      這觸及了人類領(lǐng)域經(jīng)驗與人工智能交叉的根源，以及人類大腦處理的“大影響”，而機器正在檢測的小影響因素可能會忽略這些“大影響”。

      2、匿名性與特異性不一致

      從理論上講，利用大數(shù)據(jù)力量的過程中，應(yīng)該允許通過匿名化個人數(shù)據(jù)點來源，來保護個人身份和健康信息的安全。現(xiàn)實世界中的大數(shù)據(jù)的價值在于，它可以被分析，從而為指導(dǎo)個體患者的個性化精準(zhǔn)醫(yī)療決策提供洞見。大數(shù)據(jù)的廣度包含了元數(shù)據(jù)元素，這些元數(shù)據(jù)元素有潛力實現(xiàn)個人身份的去匿名化。

      最終，在開放共享大數(shù)據(jù)所產(chǎn)生的價值與重新識別數(shù)據(jù)源的有限風(fēng)險（可能侵犯患者隱私）之間，存在一種平衡。人們必須采取適當(dāng)?shù)念A(yù)防措施進行結(jié)構(gòu)分析，以避免對患者身份進行反向工程（Reverse Engineering或Back Engineering）。

      然而，值得注意的是，共享開放數(shù)據(jù)的好處超過了對個人不利因素的重新識別。社會將不得不在共享和開放獲取數(shù)據(jù)的好處，以及通過對分割的數(shù)據(jù)進行反向工程來重新識別個人的有限但真實的可能性之間，進行道德權(quán)衡。解決這些問題需要的是人類的智慧，而不是人工智能。

      3、創(chuàng)建可證明性

我們有理由假設(shè)，對患者及其病情進行更有力的高維描述，將有助于更好地理解驅(qū)動特定疾病過程的環(huán)境。然而，以這些數(shù)據(jù)和分析為指導(dǎo)的有效干預(yù)措施能否降低成本、提高滿意度并改善消費者體驗，還有待證明。

      因此，我們必須將數(shù)據(jù)、人工智能獲取的知識和知情的臨床決策集成到臨床流程和工作流中，并將其緊密地交織在一起，以推動患者護理的潛在效益。我們還需要進行適當(dāng)?shù)慕Y(jié)構(gòu)化臨床試驗，以證明數(shù)據(jù)驅(qū)動的護理過程帶來的增量效益足以證明這些決策所產(chǎn)生的任何成本都是合理的。

      4、相關(guān)性并不意味著因果關(guān)系

      定義因果關(guān)系對于開始將數(shù)據(jù)中觀察到的模式轉(zhuǎn)換為知情干預(yù)至關(guān)重要，在知情干預(yù)中，假定的因果變量可以被改變，以實現(xiàn)擬議的結(jié)果。在這個過程中，最重要的是確保被分析的數(shù)據(jù)不會遺漏可能與測量結(jié)果有因果關(guān)系的混雜因素。領(lǐng)域?qū)＜液腿祟愔庇X總是需要與人工智能協(xié)同工作，以確認(rèn)沒有隱藏的混雜因素。

      另一方面，高維數(shù)據(jù)提供了識別盲點的機會，而這些盲點是人類大腦沒有考慮到的，它們可能與人類領(lǐng)域?qū)I(yè)知識中固有的偏見，以及啟發(fā)式假設(shè)導(dǎo)致的結(jié)果有因果關(guān)系。機器的使用可以幫助人類揭示這些未發(fā)現(xiàn)或未預(yù)料到的變量。

      在智能軟件能夠處理大數(shù)據(jù)集并被編程成像人類一樣思考之前，構(gòu)造良好的隨機對照試驗，在過去和現(xiàn)在都被當(dāng)做用來避免隱藏混雜因素的重要方法。然而，現(xiàn)實世界中的大數(shù)據(jù)并不總是被劃分為干預(yù)組和對照組，而且往往存在巨大的差距。隨機對照試驗或隊列研究并不總能解決謎題中缺失的那一塊。

      人工智能和機器學(xué)習(xí)現(xiàn)在可以提供統(tǒng)計工具來確定測量值，以填補數(shù)據(jù)空白，并綜合構(gòu)建“控件”，以便與真實世界的經(jīng)驗進行比較。這些工具提供了一條前進的道路，以便在沒有干預(yù)的情況下，將來自給定干預(yù)的觀察結(jié)果與預(yù)期結(jié)果進行比較，這樣我們就可以模擬允許關(guān)于確定性和因果關(guān)系的假設(shè)的測試范式。

      應(yīng)用程序：大數(shù)據(jù)的現(xiàn)實應(yīng)用

      人工智能在研究中的潛在應(yīng)用

      GNS Healthcare的董事長、首席執(zhí)行官兼聯(lián)合創(chuàng)始人Colin Hill設(shè)想了一個因果機器學(xué)習(xí)過程，該過程首先通過檢查高維數(shù)據(jù)中的關(guān)系，推斷出潛在的因果機制。使用這些信息，“反向工程”就可以在模擬場景環(huán)境中測試可能的因果關(guān)系。這被稱為“正向模擬”，它能使研究人員檢驗因果假設(shè)的有效性，而這些假設(shè)在現(xiàn)實世界中是不容易檢驗的。

      在藥物發(fā)現(xiàn)方面， Relay Therapeutics的首席科學(xué)官兼聯(lián)合創(chuàng)始人Mark Murcko博士提出了一種理論，即如何利用藥物到靶點相互作用的正向模擬來進行潛在藥物的內(nèi)硅篩選，以獲得針對生物驗證靶點的有效性。該模擬基于數(shù)據(jù)驅(qū)動的對藥物使用時蛋白質(zhì)運動和功能變化的理解。

      這些理解因果關(guān)系的方法結(jié)合了人類領(lǐng)域的專業(yè)知識和應(yīng)用于大量數(shù)據(jù)集的人工智能，以預(yù)測篩選的化合物與疾病過程的生物靶點之間的治療相互作用。

      大數(shù)據(jù)的現(xiàn)實應(yīng)用

      雖然將大數(shù)據(jù)應(yīng)用于研究的理論機會很多，但人工智能和機器學(xué)習(xí)已經(jīng)在醫(yī)療服務(wù)領(lǐng)域掀起了波瀾。以下重點介紹利用大數(shù)據(jù)進行患者分流、診斷成像和預(yù)測實踐變化、不良結(jié)果和治療影響的驅(qū)動因素的公司。

      例如，Twiage正在處理急診醫(yī)學(xué)，幫助醫(yī)院跟蹤指標(biāo)、分配資源和改善反應(yīng)時間，以顯著影響中風(fēng)、心臟病發(fā)作、敗血癥和創(chuàng)傷患者的預(yù)后。Buoy Health利用大數(shù)據(jù)和人工智能直接針對患者進行疾病分類，并將他們引導(dǎo)到合適的護理環(huán)境。患者可以使用在線應(yīng)用程序與機器人聊天，描述他們的癥狀，并通過一系列類似于他們在物理護理環(huán)境中體驗的問題進行指導(dǎo)。

      隨著醫(yī)學(xué)成像技術(shù)的進步和需求的增加，Zebra medical Vision旨在幫助放射科醫(yī)生更快地識別成像結(jié)果中的異常情況。該公司的人工智能算法可以識別醫(yī)療狀況，充當(dāng)?shù)谝唤M“眼睛”，提高放射科醫(yī)生的工作速度。

      GNS Healthcare將上述反向工程和正向模擬理論付諸實踐，利用大數(shù)據(jù)和人工智能在臨床試驗中運行，了解藥物在現(xiàn)實世界中如何發(fā)揮作用，并幫助確定針對個體患者的干預(yù)方式和干預(yù)時機。

      Agathos為衛(wèi)生系統(tǒng)提供了一個分析平臺，可以收集見解并向提供者提供反饋，使他們能夠看到患者數(shù)據(jù)中的個性化和聚合趨勢，幫助告知人員配置、舍入前處理和指導(dǎo)需求，以及其他改進臨床工作流程和患者結(jié)果的需求。

      PhysIQ和Pascal Metrics是針對患者的實時監(jiān)控解決方案，它們使用機器學(xué)習(xí)來檢測患者病情的細(xì)微變化，無論是急性發(fā)作后還是住院期間，并提醒其護理團隊采取必要行動。

      結(jié)論

      那么，我們?nèi)绾卫么髷?shù)據(jù)與人工智能的關(guān)系來推動醫(yī)療創(chuàng)新呢？

      大數(shù)據(jù)新應(yīng)用的增長速度和數(shù)據(jù)本身一樣快。隨著我們不斷開發(fā)將大數(shù)據(jù)融入人工智能的新方法，人們意識到以下需求至關(guān)重要：

1、“清除”所有收集到的可能存在偏見的數(shù)據(jù)；

2、標(biāo)準(zhǔn)化收集或統(tǒng)一數(shù)據(jù)的方法；

3、同意正確使用匿名信息；

4、避免落入相關(guān)性與因果關(guān)系的陷阱。

      為了充分利用人工智能的力量，我們必須接受與計算機協(xié)同工作。通過這種方式，我們既能從計算機的處理能力中獲益，也能從人類智能中獲益，從而充分利用大數(shù)據(jù)進行變革。

      這些觀點得到了英偉達CEO、總裁兼聯(lián)合創(chuàng)始人黃延森的贊同，他也強調(diào)了“數(shù)據(jù)培訓(xùn)”的重要性，即從數(shù)字體驗中學(xué)習(xí)的過程。與此同時，機器學(xué)習(xí)算法的能力正在迅速提高，人類必須學(xué)會更聰明地工作，并適應(yīng)“新常態(tài)”，讓機器自動化商品化的任務(wù)，并解放提供者，讓他們能夠執(zhí)行人道關(guān)懷的人工任務(wù)。

      通過這種方式，人類和人工智能可以協(xié)同工作，在數(shù)據(jù)分析、臨床決策和醫(yī)療創(chuàng)新方面達到新的高度。

點擊下圖，預(yù)登記觀展