作者 | 徐奕

責(zé)編 | 老姜

自20世紀(jì)邁入信息大爆炸時代以來, 各行各業(yè)都在主動或被動地改變其產(chǎn)業(yè)模式, 伴隨而來的問題也越來越多，我們需要這么多信息嗎? 準(zhǔn)確性如何? 我們不再擔(dān)心信息匱乏, 卻需要更多地培養(yǎng)自身理解信息和分析問題的能力。

一、醫(yī)學(xué)信息學(xué)概要

醫(yī)學(xué)信息學(xué)包括醫(yī)學(xué)與計算機科學(xué)、臨床信息學(xué), 圖形信息學(xué)和生物藥物信息學(xué)等學(xué)科，是通過研究醫(yī)療資源、實驗設(shè)計和方法, 高效獲取醫(yī)學(xué)信息, 并進行管理和合理利用信息的。

1965年由美國國家醫(yī)學(xué)圖書館開發(fā)使用的Medline是世界上第一個面向公眾，信息全面的線上醫(yī)學(xué)數(shù)據(jù)檢索平臺，且被一直沿用至今。90年代國際上大量先進地區(qū)醫(yī)療機構(gòu)都已經(jīng)開始應(yīng)用電子病歷系統(tǒng)(ePR)， 包括北美、香港等。 21世紀(jì)以來, 隨著電子信息技術(shù)的高速發(fā)展, 醫(yī)學(xué)信息學(xué)已不再僅僅用于信息管理層面， 更多的是輔助醫(yī)生進行日常診療工作, 比如遠程醫(yī)療技術(shù), 手術(shù)機器人等。

二、循證醫(yī)學(xué)研究方法

循證醫(yī)學(xué)理論 (Evidence-Based Medicine，EBM)是以現(xiàn)實醫(yī)學(xué)證據(jù)為基礎(chǔ)的, 促進推動醫(yī)療行為決策的研究理論。在該理論模型下, 傳統(tǒng)醫(yī)學(xué)知識的循規(guī)蹈矩已不如真實醫(yī)學(xué)證據(jù)所提供的價值高。該理論對各種真實醫(yī)學(xué)證據(jù)做出了證據(jù)質(zhì)量分級，其中Meta 分析、系統(tǒng)綜述和隨機臨床研究(RCT)屬于較高質(zhì)量類型。

圖1 證據(jù)等級金字塔

EBM研究共包括5個步驟:（1）將不確定性轉(zhuǎn)化為可以回答的問題，其中要包含批判性，實驗設(shè)計和證據(jù)等級；（2）系統(tǒng)化地檢索可找到的最好證據(jù)；（3）批判性地評估證據(jù)的有效性和正確性；（4）將發(fā)現(xiàn)的結(jié)果應(yīng)用到實踐中；（5）應(yīng)用中效果的分析評價。

簡言之，EBM 研究是 “定義問題—搜尋證據(jù)—價值評估—實踐應(yīng)用—效果分析”的流程閉環(huán)，其中最主要的環(huán)節(jié)是定義問題和搜尋證據(jù)。在準(zhǔn)備階段，研究者必須對問題的理解和思路保證絕對的清晰，才可以正確且高效地完成后續(xù)步驟。在素材搜集階段，只有保證了高質(zhì)量的證據(jù)，才可能獲得有價值的結(jié)論，否再如何優(yōu)化實驗過程和結(jié)果分析，也是徒勞。

三、PICOS是什么?

為了將問題分解得更加清晰明確， 也為了更精準(zhǔn)地找到合適可用的證據(jù)，研究者們總結(jié)出了很多種的思維模型， 而其中最具代表性和實用性的就是 PICO(s)，其中 P指Participants (研究對象)，I 指 Intervention (干預(yù)手段)，C 指 Comparator/Control (對比對照)， O 指 Outcome (研究結(jié)果,終點)，S 指 Study design (研究設(shè)計)。通過 PICO(s)的問題刻畫和要素分解, 往往復(fù)雜且晦澀的臨床研究問題都可以迎刃而解。

例如, 作為腫瘤二線療法的單抗類藥物是比較熱門的研究領(lǐng)域, 如果我們想知道德瓦魯單抗(Durvalumab, 阿斯利康)在接受過放化療的非小細胞肺癌患者(NSCLC)中的療效, 如何分解問題呢?

首先對于研究對象（P） 需要梳理出兩個特征, 其一是NSCLC, 其二是已經(jīng)接收過放化療且需要后續(xù)治療的患者;對于干預(yù)手段（I）I, 我們可以明確這個問題中的主要研究藥物為Durvalumab; 對于 對照對比（C）, 我們可以定義其為其他二線治療手段, 或沒有接受二線治療的患者; 對于研究終點（O）, 一般會用生存率指標(biāo)和疾病緩解指標(biāo)來定義腫瘤領(lǐng)域的藥物療效。

通過問題的結(jié)構(gòu)化梳理后, 我們提煉出了精準(zhǔn)的問題框架, 后面的文獻檢索過程就會變得清晰簡單。在操作層面, 我們需要做的就是結(jié)合特定文獻檢索工具的邏輯連接詞(例如MeSH), 將 PICO(s) 轉(zhuǎn)化成檢索策略, 完成證據(jù)收集。

四、大數(shù)據(jù)和人工智能技術(shù)助力創(chuàng)新科研

對于現(xiàn)今的醫(yī)療從業(yè)者來說，除了臨床實踐以外，不斷學(xué)習(xí)和創(chuàng)新科研也是必需的工作內(nèi)容，否則很容易被新知識新技術(shù)所淘汰，而且這方面能力也是醫(yī)生職稱評級的重要標(biāo)準(zhǔn)。

據(jù)Medscape公布，2015年美國?？漆t(yī)生平均收入為 28.4 萬美元，據(jù)統(tǒng)計，中國醫(yī)生2015年均收入為 7.7 萬元。中國醫(yī)生工資待遇比較低，但工作壓力較大，在美國醫(yī)生眼里，中國醫(yī)生一天看100多個病人的方式是不可思議的，2 min內(nèi)看一個人是非常不負責(zé)任的，不過這種情況是由國情所決定，且壓縮了中國醫(yī)生可用于學(xué)習(xí)與科研的時間精力。在這樣的背景下，如何幫助醫(yī)生更快地、有效地去學(xué)習(xí)和科研也是人工智能技術(shù)在醫(yī)學(xué)領(lǐng)域的一個探索方向。

1.科學(xué)文獻存在多語言性、內(nèi)容專業(yè)、有效閱讀存在難度等技術(shù)壁壘。

先不論文獻的多語言性對知識獲取的難度提升，即使是母語系的臨床文獻，也比其他種類的文字產(chǎn)物更加晦澀難懂，而且信息量更大。但科學(xué)文獻的優(yōu)勢也很明顯，主要有結(jié)構(gòu)相對固定、基本要素全面完整。利用文獻特性，如果讀者可以快速定位并且直接提取自己所感興趣的信息，那么這樣讀取信息的效率是很高的，所以我們需要PICO(s)來成為讀者獲取信息的指南針。

2.應(yīng)用人工智能技術(shù)可加快選題、檢索、數(shù)據(jù)獲取與整合的速度。

一般讀懂 1 篇 3000 字文章至少需要20~30 min，而有目的性的數(shù)據(jù)讀取只需要3~5 min就可以完成。如果我們將規(guī)則轉(zhuǎn)化成計算機語言，那么這部分工作完全可以由機器代工，整體速度將近一步提升，3~5 min足夠人工智能去篩選并提取上百篇上述類型文獻的信息和數(shù)據(jù)。

相對的，在做科研和寫文獻的過程中，PICO(s)可以作為大綱來指導(dǎo)作者的構(gòu)思和選題，幫助其高效獲取并有效整理素材。例如，通過傳統(tǒng)的人工方式，好的回歸性數(shù)據(jù)分析需要4～6個月的時間周期去完成，其中選題需要約1個月，數(shù)據(jù)獲取需要約2個月，數(shù)據(jù)分析和論文撰寫還需要約2個月。利用PICO(s)的思維去優(yōu)化這個過程可以提高效率，減少因選題不準(zhǔn)和數(shù)據(jù)不足引發(fā)的返工率，在此基礎(chǔ)上，結(jié)合人工智能的PICO(s)體系將可以進一步加快選題，檢索，數(shù)據(jù)獲取與整合的速度。

3.醫(yī)學(xué)信息領(lǐng)域中應(yīng)用人工智能技術(shù)的手段仍然不夠完善，實際應(yīng)用中存在一定的限制。

即便是被譽為業(yè)界老大哥的IBM Watson也在今年早期傳出與安德森癌癥研究中心停止合作的消息，并且其營收也停止了增長。IBM Watson曾取得過很多的成功：

2011年，Watson(沃森)就在智力競賽節(jié)目Jeopardy 中獲勝，此后IBM 就在一直積極宣傳沃森。在與巴羅神經(jīng)學(xué)研究所合作的過程中，Watson通過閱讀2500萬篇文獻摘要，100萬篇完整論文和400萬專利文獻，建立了模型去預(yù)測RBPs與ALS的相關(guān)性。

有研究者為了測試其模型的預(yù)測能力，首先將IBM Watson的知識庫限制在2013年之前的學(xué)術(shù)出版物上，并要求Watson使用這些可用的信息來預(yù)測與ALS相關(guān)的其他RBPs。

在2013—2017年期間，Watson在對4個導(dǎo)致突變的RBPs給出了高度評價，證明了模型的有效性。而后，Watson對基因組中所有的RBPs進行篩選，并成功鑒定在ALS中改變的5種新型RBPs。而這僅僅是Watson在藥物發(fā)現(xiàn)方面的嘗試之一，除此之外還有與多家研究/政府機構(gòu)在衛(wèi)生保健方面的業(yè)務(wù)合作和拓展。

IBM Watson之后出現(xiàn)低谷的原因，主要是應(yīng)用人工智能學(xué)習(xí)人類經(jīng)驗，分析問題、預(yù)測過程中是有諸多限制因素：

（1）AI的能力高低取決于數(shù)據(jù)量級大?。簲?shù)據(jù)越多，模型越準(zhǔn)確。（2）AI的分析能力基于過往數(shù)據(jù)——人類無法理解或者未出現(xiàn)過的事件，AI也無從知曉。（3）AI學(xué)習(xí)的內(nèi)容是由人來灌輸?shù)?mdash;—AI可以成為“最聰明的人”，卻無法超越“人”的范疇。

因此，我們應(yīng)該將AI看作人類的工具，使用它去提升工作效率，而不是成為獨立個體去自由工作。IBM Watson恰恰是因為將自己定位成“醫(yī)生”，而非“醫(yī)生助手”，卻始終無法達到這樣的高度，從而跌入低谷。

4. 人工智能與循證醫(yī)學(xué)的結(jié)合更加自然與合理

循證醫(yī)學(xué)本身就是溯源回歸性的總結(jié)分析，歷史上沉淀的大量數(shù)據(jù)沒有被整合或挖掘過，利用機器的運作方式高效地處理這些信息或可得到新的智慧，摸索出一定的規(guī)律，進而更好的幫助醫(yī)生去攻克醫(yī)學(xué)難題。

基于 PICO(s) 的框架模式，通過建設(shè)智能化醫(yī)學(xué)信息服務(wù)平臺，整合數(shù)據(jù)源，將研究問題具體化，提供智能文獻檢索和管理，輸出圖表和分析報告。見圖2～4。

圖2 發(fā)文趨勢的可視化圖表樣例

圖3 熱點變化的可視化圖表樣例

圖4 廠商分布可視化圖表樣例

五、小結(jié)

綜上所述，普通純?nèi)斯ICO(s)模式下的EBM研究周期耗時較長，工作效率很低。談到智能化醫(yī)學(xué)， 很多人想到的都是輔助診療，其實若能將AI技術(shù)應(yīng)用到PICO(s) 領(lǐng)域，醫(yī)學(xué)信息研究者可以大大提高工作質(zhì)量和效率。

另外，完整的PICO(s)是由多個標(biāo)簽組成的, 這些標(biāo)簽可以被 AI 利用形成學(xué)習(xí)邏輯，并通過大量文獻的灌輸， AI可以高速精確地提取我們需要的信息，將人工繁瑣的檢索和閱讀時間大大降低。

目前智能化醫(yī)學(xué)信息服務(wù)平臺是基于 PICO(s) 的框架模式，整合多數(shù)據(jù)源，將研究問題具體化，提供智能的文獻檢索和管理，最終可輸出可視化圖表和分析報告。