医学实践在过去50年间经历了令人难以置信但尚未完成的转型，逐渐从主要依赖专家意见和个人临床经验的领域转变为正式的科学学科。
作者简介
- Aaron J. Masino，克莱姆森大学计算学副教授
循证医学的出现意味着医生根据对最新研究的质量评估来确定最有效的治疗方案。如今，精准医学使提供者能够利用患者的个体基因、环境和临床信息进一步个性化其护理。
精准医学的潜在好处也带来了新的挑战。重要的是，每个患者可用的数据量和复杂性正在迅速增加。临床医生将如何确定哪些数据对特定患者有用？如何最有效地解释这些数据以选择最佳治疗方案？
这正是像我这样的计算机科学家正在努力解决的问题。我们与遗传学、医学和环境科学专家合作，开发基于计算机的系统，通常使用人工智能，帮助临床医生整合广泛的复杂患者数据，做出最佳护理决策。
循证医学的兴起
直到20世纪70年代，临床决策主要基于专家意见、个人经验和未经实证研究支持的疾病机制理论。大约在这个时候，一些先驱研究人员主张临床决策应基于最佳可用证据。到20世纪90年代，“循证医学”一词被引入，用于描述在制定患者护理决策时整合研究与临床专业知识的学科。
循证医学的基础是证据质量等级，决定了临床医生在做出治疗决策时应最依赖哪种信息。
某些类型的证据比其他类型更强。虽然经过筛选的信息已经过严格性和质量评估，但未筛选的信息则没有。例如，随机对照试验（RCT）通过将参与者随机分配到接受实验治疗或安慰剂的不同组别，被认为是最佳的单一证据来源，因为它们通过确保各组相似，最大限度减少了偏见，允许研究人员比较治疗效果。
观察性研究（如队列研究和病例对照研究）关注一组参与者的健康结果，而不进行任何干预。尽管这些研究在循证医学中被使用，但由于无法控制潜在的混杂因素和偏见，它们被认为不如临床试验可靠。
总体而言，系统综述通过综合多项研究的结果提供了最高质量的证据。相反，单个病例报告由于可能不适用于更广泛的人群，被认为是较弱的证据。同样，个人证词和专家意见单独存在时并未得到实证数据的支持。
在实践中，临床医生可以使用循证医学框架针对患者的具体情况提出明确的临床问题，这些问题可以通过审查最佳可用研究来回答。例如，医生可能会询问对于一个没有任何其他风险因素的50岁男性，他汀类药物是否比饮食和运动更能有效降低低密度脂蛋白胆固醇。结合证据、患者偏好和自身专业知识，他们可以制定诊断和治疗计划。
正如预期的那样，收集和整理所有证据可能是一个繁琐的过程。因此，临床医生和患者通常依赖由美国医学协会、国家卫生研究院和世界卫生组织等第三方机构开发的临床指南。这些指南基于系统和彻底的研究评估，提供了推荐和护理标准。
精准医学的曙光
当循证医学开始获得牵引力的同时，科学和医疗保健领域的两个变革性发展正在进行中。这些进展最终导致了精准医学的出现，它利用患者特定信息为每个人量身定制医疗决策。
第一个是人类基因组计划，该计划于1990年正式启动并于2003年完成。它的目标是创建一个人类DNA的参考图谱，即细胞用于功能和生存的遗传信息。
这一人类基因组图谱使科学家能够发现与数千种罕见疾病相关的基因，了解为什么人们对同一种药物反应不同，并识别肿瘤中的突变，这些突变可以用特定治疗方法靶向。越来越多的医生分析患者的DNA，以识别影响其护理的遗传变异。
第二个发展是电子病历的出现，用于存储患者的病史。虽然研究人员多年来一直在进行数字记录的试点研究，但电子病历行业标准的开发始于20世纪80年代末。直到2009年《美国复苏与再投资法案》之后，其采用才变得广泛。
电子病历使科学家能够进行大规模研究，关联遗传变异和可观察特征，从而推动精准医学的发展。通过将数据存储在有组织的数字格式中，研究人员还可以使用这些患者记录训练AI模型，供医学实践中使用。
更多数据、更多AI、更精准的医疗
表面上看，使用患者健康信息来个性化护理并不是新概念。例如，始于1948年的弗雷明汉心脏研究得出了一个数学模型，根据个人健康信息估算冠状动脉疾病的风险，而不是平均人群风险。
然而，现在与人类基因组计划和电子病历之前相比，个性化医疗的一个根本区别在于，分析当今每个患者数据的规模和复杂性所需的脑力远超人类大脑的能力。每个人都有数百个基因变异、数百至数千个环境暴露，以及可能包括众多生理测量值、实验室结果和影像检查结果的临床历史。在我团队正在进行的工作中，我们开发的用于检测婴儿败血症的AI模型使用了数十个输入变量，其中许多每小时更新一次。
像我这样的研究人员正在使用AI开发工具，帮助临床医生分析所有这些数据，为每个个体量身定制诊断和治疗计划。例如，某些基因可能会影响某些药物对不同患者的疗效。虽然基因测试可以揭示一些这些特性，但由于成本原因，目前还无法对每位患者进行筛查。相反，AI系统可以根据患者被开具受遗传因素影响药物的可能性，分析其病史，预测基因测试是否有益。
另一个例子是诊断罕见病，即在美国影响少于20万人的疾病。诊断非常困难，因为已知的数千种罕见病中有许多症状重叠，且同一疾病在不同人群中表现各异。AI工具可以通过分析患者的独特基因特征和临床特征，确定哪些特征可能是致病原因。这些AI系统可能包括预测患者特定基因变异是否对蛋白质功能产生负面影响以及患者症状是否类似于特定罕见病的组件。
临床决策的未来
新技术将很快能够常规测量除基因外的其他类型的生物分子数据。可穿戴健康设备可以持续监测心率、血压和其他生理特征，生成AI工具可用于诊断疾病和个性化治疗的数据。
相关研究已经在精准肿瘤学和个性化预防健康方面取得了有希望的结果。例如，研究人员正在开发一种可穿戴超声扫描仪来检测乳腺癌，工程师们正在开发类似皮肤的传感器来检测肿瘤大小的变化。
未来的研究将继续扩展我们对遗传学、环境暴露的健康影响以及AI工作原理的认识。这些发展将在未来50年内显著改变临床医生如何做出决策和提供护理。
Aaron J. Masino 获得了美国国立卫生研究院和疾病控制与预防中心的资金支持。
(全文结束)
