精准医疗 未来医疗新趋势

本书论述了精准医疗的起源、发展现状及主要应用领域，探讨了精准医疗领域的核心技术及所面临的困难和挑战，并对其未来的发展趋势做出了大胆的预测。

精准医疗的发展需要结合三个维度：临床医学，包括已被证明有着巨大价值的循证医学和在临床上大力推广的多学科诊疗模式；现代生命科学技术；尤其是新兴的细胞和分子生物学技术；此外还有计算机与信息化技术。

贯穿精准医疗之中的是大量的生物医学数据以及如何洞察有价值信息的问题。精准医疗不是凭空出现的，是医疗行业不断向前发展过程中的一种自然进化。

作为时代转折点的见证者，我们需要改变思维模式，顺应市场需求和趋势，积极拥抱医学—生命科学—计算机科学等多学科交叉碰撞带来的新机会，推动人类健康水平再上一个新的台阶。

丛书序

我国的大健康产业正迎来前所未有的发展机遇，这不仅得益于党中央、国务院以及各级政府管理部门的坚定支持，也受益于广大人民对健康和美好生活的强烈向往和需求。作为专注于医药医疗大健康领域的展览和会议组织者，国药励展公司在过去17年的发展历程中，随着时代的节拍，通过不断完善自身的平台建设，发展范围从原有的医药医疗领域延伸至食品、体育、化妆品等大健康领域。

我们有幸亲历了我国大健康产业波澜壮阔的发展历程，同时也见证了贯穿大健康产业链的创新力量，立足于产业前沿，持续引领推动产业科技的进步与高质量发展。我们也欣喜地看到，越来越多的机构和有识之士投身到我国的大健康事业建设中来，作为“世界媒体500强”之一的机械工业出版社，与我们一起合作打造开放式产业研究平台，通过整合产业专家的智库资源，进行系统的选题研究和图书出版，使产业专家们能“观”能“执”的智慧分享进一步突破时空的限制，为人类健康的共同事业、为以“健康梦”托起“中国梦”的实现积极献力。

“国药励展·大健康系列新知丛书”是我们与机械工业出版社共同打造的第一套专业丛书，汇聚了双方共同组建的“大健康产业专家委员会”中众多专家学者的真知灼见，相信能为国内大健康产业的企业经营者、创业者、市场及产业研究者、投资者给予启迪和参考。

“国药励展·大健康系列新知丛书”首辑将在第80届中国国际医疗器械博览会（CMEF）上推出，共计五本，分别是《精准医疗》《重构大健康》《医疗投资》《医疗 保险》《AI 医疗健康》。这套丛书首辑的出版仅仅是双方合作计划的开始，未来我们每年还将依据产业发展的热点与变革，持续出版该系列丛书的后续分册，从前沿新知到实践探索，出版更多优秀的图书，助推医疗产业的技术发展与科技创新。

择善固执，莫忘初衷。在此，谨以此丛书的出版，为赋能健康产业的高质高效发展、也为助力“健康中国”的实现略致绵薄之力。

国药励展董事总经理

胡昆坪

随着各国精准医疗计划的推进与深入，越来越多的患者和健康人群的临床和生物医学数据产生出来，特别是基于第二代测序技术的基因组大数据，结合已有的大量医学影像、电子病历等数据，这对当前医疗机构的信息管理能力和相关政府部门的监管都带来了巨大的挑战。

美国在医疗信息化方面是领先世界的，很多大的医疗机构都拥有自己的信息科学团队，例如闻名遐迩的梅奥诊所（Mayo Clinic,多次全美排名第一的医院）就配备有上千人的信息技术研发团队，而几个著名的癌症研究中心也都有自己庞大的信息部门。对于那些负担不起或者不愿意自建大规模信息团队的医疗机构，美国也有诸如Cerner和Epic system（美国规模最大的两家医疗保健信息技术解决方案提供商）等专注于医疗信息开发与集成的商业公司可供选择。但即使这样，患者的基因组测序数据与已有医疗信息系统的整合仍然存在很多问题。同时，因为美国有相对严格的病人隐私法律监管，例如1996年实施的健康保险流通与责任法案(Health Insurance
Portability and Accountability Act, HIPAA)、2008年实施的遗传信息非歧视法案(Genetic Information Nondiscrimination Act, GINA，该法案禁止所有健康保险承保和就业决定等过程中的遗传歧视)等的限制，这使得即使在同一医疗机构内部，数据共享都变得非常困难。

随着医院信息化程度提高和生物医学基础研究、转化医学研究的深入，临床信息和组学数据日益增长却缺乏融合贯通，已成为制约临床诊疗和精准医学研究发展的瓶颈。同时，我们也缺乏生物本体与医学本体融合的技术规范（注：本体即Ontology，是在一个具体的学科领域中，由该学科的专业术语与术语间的关系构成的一个复杂知识网络），缺少精准医学大数据的标准化体系及其安全规范和技术架构。为了有效解决临床数据和组学数据难以融合融通带来的挑战，我们亟须构建高质量的精准医学大数据平台，并设计相应的大数据标准化体系、安全规范和技术架构。

在国内一个不容忽视的事实是，我们的医疗机构一般在医疗信息管理上的投入不多，团队力量薄弱，这使得在数据管理与整合上困难重重，概括起来主要体现在以下两方面：

第一，医疗机构之间，信息不互通而导致出现“数据孤岛”。

在国内，通常每家医院的信息化工作都会涉及到几十个厂家，每个厂家的数据标准、采集方式、存储方式都不一样。因此即便是在一家医院内部，都会出现很多“数据孤岛”，而放大到整个医疗行业的话，信息孤岛问题则更严重。各家医院信息系统的标准、接口都不同，这成为医疗数据利用率低、共享难的主要原因之一。不仅如此，医疗数据自身种类的多样化，也给数据标准的制定和应用带来了挑战。

不过可喜的是，国家和地方层面都已经意识到了这个问题，也开始组织示范性的项目来解决“数据孤岛”的问题。以脑卒中（俗称“中风”）为例，我国从 2009年开始启动了卫生部“脑卒中筛查和防控工程”，2011年进一步建立了工程委员会,财政部、卫生部也启动了国家的重大防控项目。通过几年的努力，我国初步建立了全国性的防控网络,一共有1 000余家县级协作医院和2
700余家基层医疗机构共同开展了这个项目。2015年，脑卒中防治工程深入推进以 306家基层医院为骨干的脑卒中防治网络体系建设、启动中国卒中中心建设、全国脑卒中信息化平台建设，以及建立百万人群前瞻性危险因素干预队列。目前防控项目点已经覆盖全国所有省份，筛查和干预580多万人(40岁以上)。项目组对前四年的数据做了整理分析,得到了全国脑卒中的患病率,该数据是以往多年一直尝试获取但始终没有明确的,因为以往只能按小样本的数据进行推算。此次通过大样本数据,发现中国的脑卒中在人群中的患病率基本为约2%，而且特点是男性发病率高于女性,农村发病率高于城市，同时项目组也确认了40岁以上人群中脑卒中高危人群的分布趋势。

第二，医院内部，信息系统之间相互独立导致“数据孤岛”。

在过去我国大多数医院的信息系统建设过程中,医院内部各个科室和部门的业务系统因为引进时间不同、生产厂家不同等问题，大多相互独立运作，彼此的医疗信息无法交互，自然形成了一个个信息孤岛。数据的利用范围也因此被限制在科室之内,各个业务系统各自为政,彼此独立地采集和存储患者医疗信息。因为与医院中短期的业务和工作流程相关性不大，这些数据的共享问题往往被医院科室和管理部门忽略。患者一次完整的就诊过程，经常被医院内部的“异构性”的业务系统强行分割成若干个子过程，信息被反复录入，业务系统彼此没有交流，医疗信息有效、及时的交互共享自然也就无从谈起。

患者不规范的就诊行为，也会造成患者信息散布于不同的系统中。另外，院内信息系统各自数据结构和标识不一致、数据信息记录中患者代码和基本信息不完善、数据记录冗余等，这些都会进一步造成信息孤岛的现状。针对现状，国内一些机构已经开始了有益的尝试，例如浙江大学等机构针对临床医疗数据研发了医疗信息集成平台，并已在近二百家医院推广应用。

据不完全统计，自2015年中国启动自己的“精准医疗计划”以来，迄今已经完成了32项人群队列研究和29项国家级数据获取项目，覆盖恶性肿瘤、心脑血管疾病、呼吸系统疾病、免疫系统疾病、代谢类疾病、遗传类疾病以及其他人类疾病。然而遗憾的是，虽然每项研究都取得了丰硕的成果，但是如何高效整合这些科研成果和数据，从而为临床一线工作提供支持，仍然是个巨大的难题。因此以上海交通大学、上海市儿童医院为主的多个国内研究机构参与的国家应用项目聚焦于精准医学的工程性应用，尝试从根本上设计全新的架构，消除院内、院外信息与数据的孤岛现象。该项目的目标就设定为：搭建一个集数据操作、分析操作、信息操作于一体的整合解决方案体系，从而在医疗或科研等不同应用场景下为精准医学的执行提供框架上的可行性和创新性空间。具体来讲，这个国家级的精准医学项目组计划从以下几个方面着手（图51）：

 建立精准医学数据一体化解决方案的基础平台：通过从分析临床研究和应用的需求出发，着眼于疾病预警、风险评估、个性化诊疗和预后判断等应用场景，开发包含分析模型和报告系统在内的精准医学示范应用，建立从临床需求到应用的全链条技术体系和一体化解决方案。例如，搭建云端和本地化部署的分析工具集成平台，它们支持常用的生物数据分析软件；建立集成组学数据和医疗信息数据的精准医学数据平台，并与临床决策支持系统进行对接；系统融合国内外权威生物医学知识库，并完成汉化工作，形成面向精准医学应用和临床决策支持系统的知识库体系；开发具有疾病风险预警、临床辅助决策和预后效果追踪等功能的精准医学示范应用，并完成科研或医疗机构的部署、测试和应用评估；改进和研发新方法与新工具，解决生物高通量数据分析中现有工具和方法在灵敏度、准确度、重复性和计算效率等方面问题，使其中重要工具实现并行化，并且建立技术服务体系。



 建立多组学数据整合的综合信息模型：针对精准医学中特有的基因组学、表观遗传学、转录组学、蛋白组学、代谢组学等分子组学数据，研究人员可以开发针对各模态数据的高度结构化、分层次、标准化的综合信息模型，将多模态、跨尺度数据进行尺度归一化，进而实现多组学数据各类型之间的有机整合。



建立人工智能发现生物标记物的平台：针对疾病表型和各组学数据之间的关联模式挖掘，研究人员可以开发人工智能和深度学习的方法，鉴定疾病诊断和风险评估的生物标记物，并进一步建立因果关系模型，揭示疾病相关的可能风险因子。



 开发分布式框架下的生物医学计算技术：发展中的精准医学对传统的计算、存储、网络架构都带来了极高的挑战。在大规模分布式存储环境下，研究人员可以开发新的生物组学数据压缩表示模型与压缩编、解码技术，以及分布式存储与访问检索系统，实现大规模分布式存储环境下的高效访问与检索。另一方面，可以开发通信优化的生物医学数据并行化计算技术，提高生物医学数据重要基础分析步骤的计算效能，从而突破PB甚至EB（1EB=1000PB,
1PB=1000TB）量级的生物组学和医学数据的有效压缩存储、高效传输和并行计算等相关关键技术。通过借鉴当前先进的混合高性能计算模式，诸如云计算、边缘计算等，为了降低大量数据的传输压力，还可以建立适用于生物医学大数据应用场景，安全的、弹性可扩展的、可部署在云端的分布式存储计算框架，以及适用于临床应用场景的高通量数据质量控制、计算和效能评估技术框架。

构建医学数据的知识图谱和查询系统：研究人员可以针对临床表型组、医学影像组和生物组学数据的融合技术，借助于自然语言处理（Natural Language Processing, NLP）及语义计算方法，对跨媒体信息进行知识挖掘，构建面向生物医学数据的知识图谱，实现精准的数据可支持的查询，从而优化和改进医院场景下疾病的预防及诊治。

精准医学带来的生物医学数据的大爆发，一方面为人类更好地认知疾病提供了基础，但同时这些海量数据的共享、整合、分析、利用等都将构成巨大的挑战，因此打通医疗机构的数据与信息分享，消除“孤岛”现象，是精准医疗能够有效实施的必要条件。