包邮深度医疗

深度医疗的三大组成部分 一直以来，医学界在接受新技术方面都显得很被动。我在《颠覆医疗》（Creative Destruction of Medicine）一书中，描绘了传感器、测序、图像、远程医疗以及许多其他技术机遇，如何帮助实现人类数字化和医学数字化转型。在《未来医疗》（The Patient Will See You Now）一书中，我描述了医学如何消除“家长式作风”，从而实现医学的民主化——消费者不单是生产数据，更应该拥有自己的数据，并且获得更多的医疗数据，*终对自己的健康负责。 而本书将描述下一阶段，即数字化（Digitizing）和民主化（Democratizing）之后的第三个“D”，也是*具影响力的一个——深度学习（Deep Learning）。不管我对新技术的兴趣给大家留下了何种印象，一直以来，我都梦想着激发医学实践中必不可少的人文因素。通过深度学习，我们将形成医学根基培养的一个基本框架：人与人之间的纽带。虽然我们至今未能在医学领域实现数字化或民主化，但它们已经处于缓慢发展中。我坚信，我们不仅会实现它们，还会将人工智能技术运用于医学的核心。我将这一过程的巅峰称为“深度医疗”，它有三大“深度”组成部分。 **部分是深度表型分析，即运用一切相关数据深度识别个体的能力。它也可叫作数字化人类的本质，包括所有人的医疗数据、社交数据、行为习惯、家族史，以及人的生物学数据：解剖学数据、生理学数据及人体环境数据等。我们的生物组学包括许多组成部分：基因组学、RNA组学、蛋白质组学、代谢组学、免疫组学、微生物组学、表观基因组学等。生物医学研究领域经常使用的术语是“深度表型分析”，前面提到的癫痫持续发作的新生儿的治疗，就是用了这一分析方法。深度表型分析既有深度又有广度，它覆盖了我们能想到的多种类型的数据，而且时间跨度很广，能尽可能多地覆盖我们的生命长度，因为许多指标都是动态的，会随着时间的推移不断变化。几年前，我写了一篇评论，里面提到，我们需要“从胚胎到死亡”（from prewomb to tomb）的完整的医疗数据。而有位前辈则对我说，应该把这叫作“从性欲萌生到入土成灰”（from lust to dust）。总之，其核心理念都是我们需要拥有集深度、长度和广度为一体的数据。 第二部分是深度学习，它将在未来医疗中扮演重要角色。在医生诊断时，深度学习不仅会用到模式识别和机器学习，还将有更广泛的应用，如引导消费者更好地管理自身健康和医疗状况的虚拟医疗助手。深度学习还能提高医院的效率，如利用机器视觉来提高患者的安全和照护质量，*终利用便利的远程家庭监控设备减少对医院病房的需求。尽管深度学习在医学方面的产出具有相当大的潜力，并且在过去几年中一直在加速发展，但仍处于*初阶段。 50多年前，威廉·施瓦茨（William Schwartz）在《新英格兰医学杂志》上发表了一篇名为《医学和计算机》（Medicine and the Computer）的文章。他推测，计算机和医生在未来将“经常进行对话，计算机将不断记录病史、体检结果、实验室数据等，提醒医生*可能的诊断方案，并给出*合理、*安全的治疗方案建议”。今天，我们对50多年前的这一预测有哪些交代呢？令人感到沮丧的是，并没有太多。虽然我们已经听闻一些关于利用搜索功能解锁疑难杂症的奇闻，但通过检索简单症状来诊断疾病的方法，从未被证实是准确可靠的，相反，这些检索正是引发诸多焦虑和网络疑病症的根本原因。 可以想象，人工智能在未来将解决医学中的各种困境，如诊断不准确、工作（如开账单或编码等基础性工作）流程效率低下等，但这些目前都尚未实现。对于与临床医生、计算机科学家和其他学科（如行为科学、生物伦理学等）的研究人员有合作的企业来说，这是一个非常好的机会，可以帮助人们将人工智能与医疗健康进行恰当地融合。 第三部分是*重要的部分，即医患之间的深度共情和深度联结。40多年前我还在医学院时就已经发现，医生对患者就诊整个过程的参与度越来越低。随着时间的推移，医疗已成为一个巨大的产业，到2017年甚至已成长为美国*大的产业。目前在美国，这一领域拥有的雇员*多，已超过零售业。从任何一个指标都可以发现，人们的医疗支出在飞速增长。可无论是诊所还是医院，即使算上各科室所有医护人员，算上人均所有的医药费，医患沟通的时间仍然在逐步减少——医生们太忙了。有时，高达近5000美元一天的住院费可能只包含几分钟的查房时间（其他服务需另外付费）。当医疗领域正在发生技术革新时，如电子健康档案、管理式医疗模式、健康维护机构，以及相对价值单位（relative value unit）等，医生们却变得越发消极和被动。如今，医护人员出现过劳和抑郁的比例创历史新高，因为他们难以为患者提供切实的照护，而这原本才是他们职业的根本！ 现今医疗领域中*大的问题，就是忽视了照护。医生通常不能为患者提供足够的照护，患者也觉得他们未能获得应有的照护。人工智能带来的巨大机遇并不是避免犯错、减少工作量或者治愈癌症，而是重建医患之间长久且有人情味的宝贵联结与信任。医生不仅要花更多的时间陪伴患者，与患者深度沟通、感同身受，还要对录取和培养医生的模式进行改革。几十年来，我们总会嘉奖那些“厉害的医生”，然而机器的普及正在不断提高医生的诊断能力，丰富他们的医学知识。*终，医生会接受人工智能及算法成为自己的工作伙伴。医学评价体系也终将建立新的标准：录取并教育情商更高的医学生。亚伯拉罕·维基斯是我的同事兼朋友，在我心里，他是一个具有伟大人文主义思想的人。他在写给本书的推荐序里强调了这些重点，希望读者朋友们能仔细阅读，这也是深度医疗所要探讨的内容。 为了建立“深度医疗”的概念框架体系，我将从以下问题来切入：目前医学是如何开展实践的，为什么我们亟须找到新方案来解决误诊、出错、低产出、成本流失等问题。从某种程度上来讲，这些问题也是基于当今医学是如何做出诊断而形成的。为了解人工智能的优势和风险，本书将从游戏和自动驾驶汽车中探索人工智能的成功先例。也许更重要的是对人工智能局限性的演绎，比如对人类的偏见、扩大现有的不公平、潜在的暗箱操作，以及隐私安全问题等。剑桥分析公司（Cambridge Analytica）曾将数千万人的数据从Facebook上转移到人工智能设备中，并对这些数据进行系统分析，这一过程也预示了医疗健康领域可能会面临的一大关键问题。 深度医疗是医疗的未来 我们即将步入以人工智能为工具的医疗时代。可以预见，机器模式的引入将对放射科医生、病理科医生、皮肤科医生等基于数据分析的医生产生巨大的影响；同时，人工智能也会“打通”所有的医学学科，影响那些不以数据分析为主的临床医生和外科医生。心理健康领域是另一个特别迫切需要新方法、新突破的领域，训练有素的专业人员太少，抑郁症等心理疾病却越来越多，并且在其治疗和预防方面已出现了巨大的缺口。因此，人工智能在未来的心理健康领域也同样可能发挥重要作用。 不过，人工智能，尤其是深度学习，并不仅仅会影响医疗实践，它还会改变生物医学：促进新药的研发；分析复杂数据集并提供解析，如解析数百万的全基因组序列、复杂的人类大脑；实时分析多个生物传感器中输出的复杂数据流。虽然这些都属于医疗服务上游领域的尝试，但随着基础科学的不断进步和新药的开发，它们终将对临床医学产生重大影响。 人工智能还将颠覆与医疗相关的方方面面。饮食，就是其中一大方面。迄今为止，机器学习的一个意外成果，也是很实用的成果之一，就是为定制饮食提供了科学基础。这是一项令人兴奋的进步——机器知道哪些人*适合吃哪些食物。现在，我们可以在未患有糖尿病的健康人群中预测出哪些特定食物会刺激血糖飙升。这一进步带来的好处远大于笼统的传统饮食理论，如经典的食物金字塔，或流行的阿特金斯减肥法和南海滩减肥法，这些方法至今都没有可靠的证据。而通过人工智能，我们可以收集大量有关身体的数据，并且预测需要特定营养成分的部位。 许多先进的居家设备也将会成为虚拟医疗助手，它们多半可以通过语音进行控制，如Siri、Alexa和谷歌家庭（Google Home），只是可能不会再在屏幕上显示柱状音频或波形音频了。我猜它们可能会以虚拟人或全息图的形式出现，如果有人偏爱其他形式，它们还可能以简洁的短信或电子邮件的形式出现。虚拟医疗助手会不间断地收集所有数据，不断更新并深度学习，结合已知的医学知识来提供反馈和指导。此类系统*初将在特定疾病中试行，如糖尿病或高血压，但它终将覆盖整个医疗平台，以帮助预防并更好地管理疾病。 然而，数据滥用将会导致这一蓝图付诸东流。这不仅包括网络盗窃、敲诈勒索（向医院勒索数据赎金）和黑客行为等众所周知的诸多罪行，还包括大规模恶意销售和使用数据。此外还有一个令人担忧且难以接受的新问题，那就是保险公司或雇主在掌握了某个人的所有数据之后，对这些数据进行深度学习，然后基于数据学习结果对个人的保额、保险费、工作等做出判定。为了避免这些可怕的情况发生，我们还有很长的路要走。 本书旨在探索患者、医生、机器之间的平衡。如果我们能够发掘机器的潜能，并找到一个更好的互助模式，就能够解决至今依然困扰医疗界的诸多难题。 通过本书，我希望大家能够认识到，深度医疗是可行且深得人心的。结合人类和人工智能的智慧，利用人类和机器的力量，医疗将到达一个新的高度。当然，这条路并不好走，终点遥遥无期，且有很多艰难险阻。但只要方向正确，我们终将抵达。效率的提高、流程的简化，不仅可以解放不少医疗工作者，还可以造福患者，用未来的技术带回过去的美好。 造福患者还需要更多的人文关怀，尤其是来自临床医生的关怀。医疗工作人员需要做好准备，与强大的既得利益者做斗争，不要像过去很多人一样，错过以照护患者为首要前提的机会。机器的兴起应该伴随着更高的人性化，让医生有更多的时间陪伴患者、感同身受，这才是真正地实现优质医疗。当下，我们首先要重新确立的就是照护患者的重要性，并不断向前推进。