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）(4)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，最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”，也是最具影响力的一个——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（见图1-5）。

图1-5　深度医疗模型的三大主要组成部分

资料来源：（左图）改编自E.Topol,“Individualized Medicine from Prewomb to Tomb,” Cell (2014): 157, 241-253。

第一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。3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，最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，但仍处于最初阶段。

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。4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，提醒医生最可能的诊断方案，并给出最合理、最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。

第三部分是最重要的部分，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（见表1-2）。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最大的产业。目前在美国，这一领域拥有的雇员最多，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5 000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！

表1-2　美国医疗行业在过去40多年中的部分指标变化

现今医疗领域中最大的问题，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。最终，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。