深度醫療的三大組成部分

一直以來，醫學界在接受新技術方面都顯得很被動。我在《顛覆醫療》（Creative Destruction of Medicine）一書中，描繪了傳感器、測序、圖像、遠程醫療以及許多其他技術機遇，如何幫助實現人類數字化和醫學數字化轉型。在《未來醫療》（The Patient Will See You Now）(4)一書中，我描述了醫學如何消除“家長式作風”，從而實現醫學的民主化——消費者不單是生產數據，更應該擁有自己的數據，并且獲得更多的醫療數據，最終對自己的健康負責。

而本書將描述下一階段，即數字化（Digitizing）和民主化（Democratizing）之后的第三個“D”，也是最具影響力的一個——深度學習（Deep Learning）。不管我對新技術的興趣給大家留下了何種印象，一直以來，我都夢想著激發醫學實踐中必不可少的人文因素。通過深度學習，我們將形成醫學根基培養的一個基本框架：人與人之間的紐帶。雖然我們至今未能在醫學領域實現數字化或民主化，但它們已經處于緩慢發展中。我堅信，我們不僅會實現它們，還會將人工智能技術運用于醫學的核心。我將這一過程的巔峰稱為“深度醫療”，它有三大“深度”組成部分（見圖1-5）。

圖1-5　深度醫療模型的三大主要組成部分

資料來源：（左圖）改編自E.Topol,“Individualized Medicine from Prewomb to Tomb,” Cell (2014): 157, 241-253。

第一部分是深度表型分析，即運用一切相關數據深度識別個體的能力。它也可叫作數字化人類的本質，包括所有人的醫療數據、社交數據、行為習慣、家族史，以及人的生物學數據：解剖學數據、生理學數據及人體環境數據等。我們的生物組學包括許多組成部分：基因組學、RNA組學、蛋白質組學、代謝組學、免疫組學、微生物組學、表觀基因組學等。生物醫學研究領域經常使用的術語是“深度表型分析”，前面提到的癲癇持續發作的新生兒的治療，就是用了這一分析方法。深度表型分析既有深度又有廣度，它覆蓋了我們能想到的多種類型的數據，而且時間跨度很廣，能盡可能多地覆蓋我們的生命長度，因為許多指標都是動態的，會隨著時間的推移不斷變化。幾年前，我寫了一篇評論，里面提到，我們需要“從胚胎到死亡”（from prewomb to tomb）的完整的醫療數據。3而有位前輩則對我說，應該把這叫作“從性欲萌生到入土成灰”（from lust to dust）。總之，其核心理念都是我們需要擁有集深度、長度和廣度為一體的數據。

第二部分是深度學習，它將在未來醫療中扮演重要角色。在醫生診斷時，深度學習不僅會用到模式識別和機器學習，還將有更廣泛的應用，如引導消費者更好地管理自身健康和醫療狀況的虛擬醫療助手。深度學習還能提高醫院的效率，如利用機器視覺來提高患者的安全和照護質量，最終利用便利的遠程家庭監控設備減少對醫院病房的需求。盡管深度學習在醫學方面的產出具有相當大的潛力，并且在過去幾年中一直在加速發展，但仍處于最初階段。

50多年前，威廉·施瓦茨（William Schwartz）在《新英格蘭醫學雜志》上發表了一篇名為《醫學和計算機》（Medicine and the Computer）的文章。4他推測，計算機和醫生在未來將“經常進行對話，計算機將不斷記錄病史、體檢結果、實驗室數據等，提醒醫生最可能的診斷方案，并給出最合理、最安全的治療方案建議”。今天，我們對50多年前的這一預測有哪些交代呢？令人感到沮喪的是，并沒有太多。雖然我們已經聽聞一些關于利用搜索功能解鎖疑難雜癥的奇聞，但通過檢索簡單癥狀來診斷疾病的方法，從未被證實是準確可靠的，相反，這些檢索正是引發諸多焦慮和網絡疑病癥的根本原因。

可以想象，人工智能在未來將解決醫學中的各種困境，如診斷不準確、工作（如開賬單或編碼等基礎性工作）流程效率低下等，但這些目前都尚未實現。對于與臨床醫生、計算機科學家和其他學科（如行為科學、生物倫理學等）的研究人員有合作的企業來說，這是一個非常好的機會，可以幫助人們將人工智能與醫療健康進行恰當地融合。

第三部分是最重要的部分，即醫患之間的深度共情和深度聯結。40多年前我還在醫學院時就已經發現，醫生對患者就診整個過程的參與度越來越低（見表1-2）。隨著時間的推移，醫療已成為一個巨大的產業，到2017年甚至已成長為美國最大的產業。目前在美國，這一領域擁有的雇員最多，已超過零售業。從任何一個指標都可以發現，人們的醫療支出在飛速增長。可無論是診所還是醫院，即使算上各科室所有醫護人員，算上人均所有的醫藥費，醫患溝通的時間仍然在逐步減少——醫生們太忙了。有時，高達近5 000美元一天的住院費可能只包含幾分鐘的查房時間（其他服務需另外付費）。當醫療領域正在發生技術革新時，如電子健康檔案、管理式醫療模式、健康維護機構，以及相對價值單位（relative value unit）等，醫生們卻變得越發消極和被動。如今，醫護人員出現過勞和抑郁的比例創歷史新高，因為他們難以為患者提供切實的照護，而這原本才是他們職業的根本！

表1-2　美國醫療行業在過去40多年中的部分指標變化

現今醫療領域中最大的問題，就是忽視了照護。醫生通常不能為患者提供足夠的照護，患者也覺得他們未能獲得應有的照護。人工智能帶來的巨大機遇并不是避免犯錯、減少工作量或者治愈癌癥，而是重建醫患之間長久且有人情味的寶貴聯結與信任。醫生不僅要花更多的時間陪伴患者，與患者深度溝通、感同身受，還要對錄取和培養醫生的模式進行改革。幾十年來，我們總會嘉獎那些“厲害的醫生”，然而機器的普及正在不斷提高醫生的診斷能力，豐富他們的醫學知識。最終，醫生會接受人工智能及算法成為自己的工作伙伴。醫學評價體系也終將建立新的標準：錄取并教育情商更高的醫學生。亞伯拉罕·維基斯是我的同事兼朋友，在我心里，他是一個具有偉大人文主義思想的人。他在寫給本書的推薦序里強調了這些重點，希望讀者朋友們能仔細閱讀，這也是深度醫療所要探討的內容。

為了建立“深度醫療”的概念框架體系，我將從以下問題來切入：目前醫學是如何開展實踐的，為什么我們亟須找到新方案來解決誤診、出錯、低產出、成本流失等問題。從某種程度上來講，這些問題也是基于當今醫學是如何做出診斷而形成的。為了解人工智能的優勢和風險，本書將從游戲和自動駕駛汽車中探索人工智能的成功先例。也許更重要的是對人工智能局限性的演繹，比如對人類的偏見、擴大現有的不公平、潛在的暗箱操作，以及隱私安全問題等。劍橋分析公司（Cambridge Analytica）曾將數千萬人的數據從Facebook上轉移到人工智能設備中，并對這些數據進行系統分析，這一過程也預示了醫療健康領域可能會面臨的一大關鍵問題。