医学信息学研究的方法学是

北京时间8月4日，发表在《Nature Medicine（自然医学）》上的一项新研究中，来自哥伦比亚大学欧文医学中心Nicholas Tatonetti和Sagi Shapira教授领导的研究团队表明，免疫系统最古老的分支之一——补体系统，或在影响新冠肺炎疾病的严重程度。补体系统在一百多年前就已经被发现，之所以称为补体，是因为人们发现身体中除了抗体以外，还有一些蛋白对免疫系统有补充作用，故被称为补体。在其他将补体与新冠肺炎联系起来的研究中，研究人员发现有年龄相关黄斑变性和凝血障碍病史的人患严重并发症并死于新冠肺炎的风险更高。与补体的联系表明，现有抑制补体系统的药物可以帮助治疗重症患者。研究人员还发现，补体、凝血活性和凝血基因的突变与新冠肺炎的严重程度有关。研究通讯作者、系统生物学系教授Sagi Shapira说：“这些结果都为新冠肺炎的病理生理学提供了重要见解，并描绘了补体和凝血途径在决定新冠病毒感染患者临床结果中的作用。”Sagi Shapira研究结果来自新冠病毒模拟性研究这项研究凝血和补体在新冠肺炎中作用的想法始于对地球上所有病毒（总数超过7000种）的拟态全面调查。Shapira说：“病毒所具有的蛋白质可以模仿某些宿主蛋白质，从而诱骗宿主细胞帮助病毒完成其生命周期。除了我们感兴趣的基本生物学问题外，基于我们以前的工作和其他人的工作，我们怀疑识别出这些模拟物可能会提供有关病毒如何引起疾病的线索。”这项调查发现，冠状病毒是模拟高手，尤其是那些与凝血有关和构成补体的蛋白质。补体蛋白质的工作原理有点像抗体，它通过附着在病毒和细菌上并将其标记以消灭病原体。补体还能增加体内的凝血和炎症。Shapira说：“如果不加以控制，这些系统也会非常有害。新冠病毒通过模拟补体或凝血蛋白，可能导致这两个系统进入过度活跃的状态。”黄斑变性与较高的新冠肺炎死亡率相关如果补体和凝血会影响新冠肺炎的严重程度，那么先前存在补体过度活跃或凝血障碍的人应该更容易感染病毒。为此，该研究团队研究了新冠肺炎患者的黄斑变性情况，这是一种由补体过度活跃引起的眼病，以及常见的凝血障碍，如血栓和出血。研究人员调查了2020年2月1日至4月25日期间在哥伦比亚大学欧文医学中心的11116名疑似新冠肺炎的患者。他们发现，超过25%的年龄相关的黄斑变性患者死亡，而平均死亡率为8.5%，大约20%的患者需要插管。而较高的死亡率和插管率都不能用患者年龄或性别的差异来解释。Shapira说：“补体在肥胖和糖尿病中也更为活跃，这可能有助于解释，至少是部分解释，为什么患有这些疾病的人死于新冠肺炎的风险更大。”有凝血障碍病史的人死于新冠肺炎的风险也会增加。凝血和补体途径被激活随后，研究人员检查了新冠病毒感染者的基因活性有何不同。分析结果揭示了新冠病毒感染者的一个特征，即该病毒参与并诱导机体补体和凝血系统的强力激活。研究共同通讯作者、生物医学信息学系教授Nicholas Tatonetti说：“我们发现，在新冠病毒感染患者中，补体是表达差异最大的途径之一。作为免疫系统的一部分，你可能会看到补体被激活，但这似乎超出了你在其他传染病如流感中所看到的那样。”Nicholas Tatonetti一些凝血和补体基因与住院患者有关研究人员还对英国生物库中651名新冠病毒呈阳性患者以及500名新冠肺炎住院患者，以及包含50万人的医疗记录和遗传数据进行了重复分析，进一步证明了新冠肺炎的严重程度与凝血和补体有关。研究人员发现，影响补体或凝血活性的几个基因的变异与需要住院治疗的新冠肺炎重症患者有关。Shapira说：“这些变异并不一定会决定一个人的结果，但这一发现是另一个证据，说明补体和凝血途径参与了与新冠肺炎相关的发病率和死亡率。”靶向凝血和补体治疗新冠肺炎患者的医生们从大流行开始就注意到了凝血问题，目前正在进行几项临床试验，以确定使用现有抗凝血治疗的最佳方法。补体抑制剂目前用于相对罕见的疾病，但至少有一项临床试验正在对新冠肺炎患者进行试验。Tatonetti说：“我认为我们的研究结果为凝血和补体在COVID中起作用提供了一个更坚实的基础，并希望激励其他学者评估这一假设，以确定它在新冠大流行期间的用武之地。”论文链接：https://www.nature.com/articles/s41591-020-1021-2

和开发研制新药一样，发现老药的新用途也是医药科研人员和制药厂商的工作之一。目前，老药新用的发现途径多为偶然发现或临床试验的方式。但近期，俄亥俄州立大学研究人员开发了一种深度学习的框架，通过定制深度学习框架的方式对大量患者的“真实世界数据（real-world data，RWD）”进行回顾性分析，再结合因果推理来模拟药物的临床试验，为老药新用提供了新的途径。1月4日，该研究以《一个通过在真实世界患者数据上模拟临床试验找到药物新用途的深度学习框架》（A deep learning framework for drug repurposing via emulatingclinical trials on real-world patient data）为题发表在《自然机器智能》上。尽管该项研究是以预防冠心病患者出现心脏衰竭和中风为出发点而提议的老药新用，但张平对 DeepTech 表示，该框架具有高度的灵活性，可以同理应用于大多数疾病研究中。“该框架理论上是可以用于寻找可能的新冠肺炎药物的，但这项研究进行的时候还处于新冠爆发初期，数据不足以支撑”。用深度学习框架分析数据，模拟药物的临床试验目前获得药物新用途通常需要进行偶然性药物测试，但这种随机性的临床试验不仅十分耗时，而且成本昂贵。据 MedicineNet 信息显示，在美国，一款药物从实验室研究到市场应用，需要经过多重复杂严谨的试验，平均来说，这个过程长达 12 年之久。其过程中，随机临床试验是确定药物对疾病有效性的黄金标准。相比其他老药新用的研究方法，全新的深度学习方法可以理解为用监测患者用药以及用药后病情发展、身体各项数据变化的方式来模拟药物的临床试验这一环节。张平表示，基于 RWD 的深度学习框架能够有效克服数据中各种各样的干扰变量，建立老药和新的适用症之间的联系。具体而言，他们是按照临床试验的思路开发了一套高通量的计算框架来筛选既有药物尚未发现的适用症，达到将临床试验这一发现老药新用的过程“搬到”线上。以模拟临床上对药物是否对症以及效果的试验。在近日发表的这篇论文中，以冠状动脉疾病（coronaryartery disease，CAD）为例，张平及其合作者从大量的保险数据中提取患者的病情发展及用药成分清单，同时对每种药物对应的服用者和非服用者进行监控，观察服用不同药物患者的用药以及病情发展情况。图｜发现既有药物新用途的计算框架以近期发表的研究论文为例，张平及其合作者将在已有但未表明可治疗为冠状动脉疾病（coronaryartery disease，CAD）的药物中寻找对 CAD 有效的药为目标，采用上述框架进行了超大规模的计算和分析。已知 CAD 在临床上可能导致心衰、中风等，如患者服用了目前未标明 CAD 这一适用症的药物出现了病情好转，既可初步认为这款“老药”其具有“新用（治疗 CAD ）”的可能。首先，为尽可能保证输出结果的可信度，他们从 2012-2017 年间的 MarketScan 商业理赔的患者数据中获取了约 1.07 亿位患者的身体健康数据作为此次计算分析的整体。数据包括门诊用药、住院治疗和门诊服务等方面，涵盖了患者看诊/复诊时间、用药清单及剂量等。为实现其发现治疗 CAD 新药的目标，张平等人从中筛选出了 117.9 万左右 CAD 患者展开进一步“监控”。他们从这些样本数据中提取 CAD 患者用药清单的记录，对每种候选药物按照临床试验的分析方法而分为：实验组——也就是那些吃了该候选药物的 CAD 病人，对照组——身体基础情况类似但没有吃该候选药物（而是吃了一些随机的其他药物）的病人。图 | 模拟临床试验中实验组和对照组此次研究中，他们选取了 CAD 患者服用的 55 种非治疗 CAD 的药物作为“老药新用”候选药物进行分析。筛选出参与“临床试验”的 CAD 患者后，将患者服用的 55 种药物作为候选药物输入上述计算框架中。接下来开启对服用候选药物的患者和与对照组患者进行病情发展情况的监测，包括所观察患者的初始疾病状况、是否服药、服用了哪些药以及何时开始治疗等数据，用数据来对现实生活中药物的临床试验进行模拟。经过张平等人设计的深度学习框架计算，未出现心衰、中风或症状较轻的患者所服用的药物将作为结果输出，既为老药新用的“种子选手”。文中结果显示，张平及其合作者观察到 55 种候选药物中有 9 种药物对患者的疾病产生了有益的作用。值得注意的是，在目前已知的4种用于治疗的 CAD 药物中，他们筛选出的 9 种药物中含有 3 种。图｜候选药物对CAD效果显示为验证另外 6 种目前尚未指定用于治疗 CAD 的候选药物对 CAD 是否有效，张平及其合作者展开了进一步分析。他们用使用者和非使用者观察结果的加权平均数ATE（average treatment effect）来衡量候选药物对 CAD 效用。根据定义，ATE小于 0 的药物被视为对相应病症有改善效果，即未表现出心衰或中风症状或症状表现轻于未服用药物的患者；大于 0 则为病情恶化。从上图可见，ATE 小于 0 的有 9 个，其中此前未用于治疗该病症的药物标为蓝色，已知药物为红色。这表明了张平小组所设计框架思路的可行性。除此以外，他们还通过分析惊喜地得出，现在正用于治疗糖尿病的药物二甲双胍和治疗抑郁症、焦虑症的药物依地普仑也表现出能够降低 CAD 患者心衰和中风的风险。目前，研究人员正在进一步测试这两种药物对 CAD 的疗效。发现老药新用结果可靠，但也存在弊端深度学习框架方法的可用性在以上研究中得到了印证，相比于传统的老药新用途发现方式存在偶然性以及前期测试成本高等不足，这种全新的途径有着自身的优势，但也并非没有缺陷。尽管，相比于传统的在细胞或动物体的前期测试方式，基于 RWD 的深度学习研究获得的结果是直接从人体环境下完成的，省去了药物适应性的验证过程；深度学习框架下通过嵌入模块、递归神经网络和预测模块方式对所有影响药效的参数进行分析。图｜嘈杂因素净化处理不过，张平也表示，深度学习方法虽然看起来完美，但在现实执行起来也存在一些不可避免的问题。因为现实很有可能并不如数据显示的那样，“比如病人可能会不按照剂量去吃药，甚至拿了药回去根本就没有吃等情况都是有可能的，这是从数据上无法看出来的。”在这一点上，深度学习方式无法和现实临床试验相比，真正的临床试验中精准控制患者的服药时间和剂量，至少在这方面临床上的严格服药把控能够更完全地体现药效。但这种深度学习框架的方式也为老药新用的发现提供了新的途径，张平说，“我们是第一个开发深度学习的方法在 RWD 上做老药新用研究的团队”。用AI仿真临床试验，由计算机学生和药厂的碰撞产生本篇研究论文的通讯作者张平，其本硕博所修专业均为计算机方向，机器学习是他的主修课程，数据挖掘为他的研究方向。谈及对老药新用的接触，其实是有些巧合的。张平接触老药新用是在其读博期间。结束了华中科技大学的本、硕学习后，张平在天普大学开启了他的博士生涯。期间，机缘之下他去到一家制药公司葛兰素史克（GSK）实习。也是在 GSK ，在用机器学习的方法解决问题时，张平接触到了老药新用，他回忆道，“那大概是 10 年前了，那时候深度学习还没有开始流行”。而接触 RWD 则是其在 IBM T.J. 沃森研究中心了，张平在那期间的多个 AI 研究后来也被应用于药物发现和患者安全的项目里。图｜张平但真正开启 RWD 和深度学习在老药新用方面的研究是在他到俄亥俄州立大学之后。“实际上，俄亥俄州立大学同时拥有优秀的医学院和工程学院，这里丰富的数据资源是我以完全不同的视角重新做老药新用研究的机缘。”2019 年初，张平加入俄亥俄州立大学在生物医学信息学系和计算机科学与工程系双聘助理教授。他领导的医学人工智能实验室——AIMed，其实验室的名字也有特殊的含义，“aimed翻译为中文可以是致力、目标的意思，我们组致力于 AI 算法的同时目标是解决医学（medicine）上的各种疑难问题，这里也取其一语双关的意思。”目前，AIMed 实验室主要进行三大方向的研究：一是本文中提到的用以辅助医药研发人员、制药厂老药新用的筛选；二是帮助医生做基于 AI 的医疗诊断；三是用 AI 去辅助放射科医生对医疗影像进行解读。谈及此次研究论文的一作刘若琦，张平对 DeepTech 说，“她完成这个研究的时候才博士一年级，这是个非常不错的成果。”另外他也提到其实“这些学生挺辛苦的，刚入学不久就赶上疫情。我们也不能回学校，沟通都是在线上。”刘若琦本科就读于武汉大学，现在已经是俄亥俄州立大学计算机科学与工程系博士二年级的学生，据其个人介绍显示，她的研究兴趣集中在数据挖掘、因果推论及其在医疗保健中的应用上。图｜刘若琦另外，在本次研究中至关重要的数据统计以及结果分析，由俄亥俄州立大学生物医学信息学系研究助理教授魏莱参与完成。魏莱老师同时也是该校生物统计学中心临床试验主管，负责对多个度量值进行建模，并设计小组顺序试验和自适应试验。其重点研究适应性临床试验设计和样本大小重新估计实验。图｜魏莱对于深度学习方法在老药新用方面的探索，张平表示，“虽然此次发布的文章中只提到了对 CAD 药物的筛选，但这一框架是普适的，能用于对任何一种病症的药物筛选，只要输入相应的症状即可。”他说接下来将把该框架应用于对更多真实世界数据的老药新用以及寻找治疗目前临床需要的药物和对罕见病症、疑难杂症的治疗药物，他希望能够用AI的方法真正帮助攻克医疗难题，为医学研究做贡献，“而不仅仅只是停留在研究层面”。

本报讯 1月13日，由中国医学科学院主办的首届中国医学重大进展发布会在北京举行。中国工程院副院长、中国医学科学院院长、中国医学科学院学术咨询执行委员会主席王辰现场解读并发布了“2019年度中国医学重大进展”。中国医学科学院学术咨询委员会6个学部的负责人付小兵、张志愿、林东昕、李松、徐建国、程京学部委员分别发布了临床医学、口腔医学、基础医学与生物学、药学、卫生健康与环境医学、生物医学工程与信息学六大医学领域的重大进展。中国工程院副院长、中国医学科学院院长、中国医学科学院学术咨询执行委员会主席王辰发布“2019年度中国医学重大进展”中国医学科学院担负着引领中国医学科学事业发展的重要历史使命，此次评选“中国医学重大进展”是推动医学科技创新的重要方式，旨在展示我国卫生健康研究成果，宣传科学精神，引导我国医学科技创新。科技部社会发展科技司副司长田保国表示，发布中国医学重大进展具有重要意义，将为科技创新规划和战略制定提供重要参考，希望中国医学重大进展的发布对于汇聚群众卫生健康关注、开拓科研人员知识体系、推动医学科技创新会发挥积极作用。2019年度中国医学重大进展研究，依托在我国医药卫生领域取得杰出成就、享有卓著声誉的中国医学科学院6个学部、197位学部委员组成的专家咨询委员会，围绕医学领域重大科学发现、重要产品，在以客观数据为基础，以专家研判为依据，遵从定量分析与定性研究相结合、数据挖掘与专家论证相结合的原则，以2019年度为时间节点，以我国学者发表的医学研究论文数据、国家药品监督管理局批准上市的药物和批准上市或进入特别审查程序的国产创新医疗器械、注册的临床试验为基础数据进行遴选。之后，由医科院信息所采用文献计量学与替代计量学结合的方法从基础数据中筛选出“核心数据集”，再由领域专家与情报研究团队共同进行内容研判、对比补充、综合分析，得到备选进展。最后，由医科院6个学部的学部委员对备选进展进行遴选并经专委会终审产生。本次发布的承办者中国医学科学院医学信息研究所作为国家级医学信息研究专业机构，具备情报学、医学信息学等多学科研究团队的优势，长期持续关注医学健康战略需求、持续跟踪国内外医学前沿及技术发展；具有多学科背景研究人员组成的情报研究团队进行评选体系、评选方法研究，为年度医学重大进展评选的系统、客观、科学提供了有力保证。（记者 李端策）

图片来源：CUIMC北京时间8月4日，发表在《Nature Medicine（自然医学）》上的一项新研究中，来自哥伦比亚大学欧文医学中心Nicholas Tatonetti和Sagi Shapira教授领导的研究团队表明，免疫系统最古老的分支之一——补体系统，或在影响新冠肺炎疾病的严重程度。补体系统在一百多年前就已经被发现，之所以称为补体，是因为人们发现身体中除了抗体以外，还有一些蛋白对免疫系统有补充作用，故被称为补体。在其他将补体与新冠肺炎联系起来的研究中，研究人员发现有年龄相关黄斑变性和凝血障碍病史的人患严重并发症并死于新冠肺炎的风险更高。与补体的联系表明，现有抑制补体系统的药物可以帮助治疗重症患者。研究人员还发现，补体、凝血活性和凝血基因的突变与新冠肺炎的严重程度有关。研究通讯作者、系统生物学系教授Sagi Shapira说：“这些结果都为新冠肺炎的病理生理学提供了重要见解，并描绘了补体和凝血途径在决定新冠病毒感染患者临床结果中的作用。”Sagi Shapira研究结果来自新冠病毒模拟性研究这项研究凝血和补体在新冠肺炎中作用的想法始于对地球上所有病毒（总数超过7000种）的拟态全面调查。Shapira说：“病毒所具有的蛋白质可以模仿某些宿主蛋白质，从而诱骗宿主细胞帮助病毒完成其生命周期。除了我们感兴趣的基本生物学问题外，基于我们以前的工作和其他人的工作，我们怀疑识别出这些模拟物可能会提供有关病毒如何引起疾病的线索。”这项调查发现，冠状病毒是模拟高手，尤其是那些与凝血有关和构成补体的蛋白质。补体蛋白质的工作原理有点像抗体，它通过附着在病毒和细菌上并将其标记以消灭病原体。补体还能增加体内的凝血和炎症。Shapira说：“如果不加以控制，这些系统也会非常有害。新冠病毒通过模拟补体或凝血蛋白，可能导致这两个系统进入过度活跃的状态。”黄斑变性与较高的新冠肺炎死亡率相关如果补体和凝血会影响新冠肺炎的严重程度，那么先前存在补体过度活跃或凝血障碍的人应该更容易感染病毒。为此，该研究团队研究了新冠肺炎患者的黄斑变性情况，这是一种由补体过度活跃引起的眼病，以及常见的凝血障碍，如血栓和出血。研究人员调查了2020年2月1日至4月25日期间在哥伦比亚大学欧文医学中心的11116名疑似新冠肺炎的患者。他们发现，超过25%的年龄相关的黄斑变性患者死亡，而平均死亡率为8.5%，大约20%的患者需要插管。而较高的死亡率和插管率都不能用患者年龄或性别的差异来解释。Shapira说：“补体在肥胖和糖尿病中也更为活跃，这可能有助于解释，至少是部分解释，为什么患有这些疾病的人死于新冠肺炎的风险更大。”有凝血障碍病史的人死于新冠肺炎的风险也会增加。凝血和补体途径被激活随后，研究人员检查了新冠病毒感染者的基因活性有何不同。分析结果揭示了新冠病毒感染者的一个特征，即该病毒参与并诱导机体补体和凝血系统的强力激活。研究共同通讯作者、生物医学信息学系教授Nicholas Tatonetti说：“我们发现，在新冠病毒感染患者中，补体是表达差异最大的途径之一。作为免疫系统的一部分，你可能会看到补体被激活，但这似乎超出了你在其他传染病如流感中所看到的那样。”Nicholas Tatonetti一些凝血和补体基因与住院患者有关研究人员还对英国生物库中651名新冠病毒呈阳性患者以及500名新冠肺炎住院患者，以及包含50万人的医疗记录和遗传数据进行了重复分析，进一步证明了新冠肺炎的严重程度与凝血和补体有关。研究人员发现，影响补体或凝血活性的几个基因的变异与需要住院治疗的新冠肺炎重症患者有关。Shapira说：“这些变异并不一定会决定一个人的结果，但这一发现是另一个证据，说明补体和凝血途径参与了与新冠肺炎相关的发病率和死亡率。”靶向凝血和补体治疗新冠肺炎患者的医生们从大流行开始就注意到了凝血问题，目前正在进行几项临床试验，以确定使用现有抗凝血治疗的最佳方法。补体抑制剂目前用于相对罕见的疾病，但至少有一项临床试验正在对新冠肺炎患者进行试验。Tatonetti说：“我认为我们的研究结果为凝血和补体在COVID中起作用提供了一个更坚实的基础，并希望激励其他学者评估这一假设，以确定它在新冠大流行期间的用武之地。”论文链接：https://www.nature.com/articles/s41591-020-1021-2

生命科学的研究是一个漫长的过程，科学家的心血凝聚在一个个的实验中，科学家的成就体现在一篇篇的论文中，每一个激动人心的科学发现都是“站在巨人的肩膀上”。可是，实验室之间的信息并不是共享、透明的。与互联互通的互联网相比，科研界是一个比较封闭的圈子。这种信息不透明，使科研工作者要花费大量时间去重复摸索别人已经探索过的实验。实验结果的重现率低是生命科学研究领域，特别是在临床前研究中始终存在的问题。2015年，《自然》期刊报道，美国因医学研究成果的可重复性低，每年造成资金浪费高达280亿美元。当然，生命科学研究内在的复杂性是导致科研成果尤其是临床前研究结果难重现、难转化的一个主要因素。但不少调查研究还表明，另一个重要因素在于科学家发表的论文中，实验方案描述过于简单，关键实验试材来源不明确，内容准确与否缺乏评审。生物领域的“GitHub”基于此背景，「Bio-protocol」于2011年在美国硅谷诞生，将互联网开放共享的思维引入生命科学研究领域，搭建起一个可供科研工作者免费在线分享、评审、发布、讨论和更新高质量生命科学实验方案的开放平台，可被视为生物领域的“GitHub”，帮助实验信息流通，提升生命科学研究效率。生物领域“GitHub”的建立，在提升信息流通效率的同时，也增加了保障信息质量的难度，如何能保障平台上实验方案的质量，Bio-protocol选择了沿用学术期刊的标准，从形式上来看，Bio-protocol不仅是“GitHub”，同时也是一本同行评审的在线学术期刊，通过学术期刊同行评审机制，以保证平台上所发布的实验方案质量，同时也让科学家更有动力投稿。Bio-protocol官方网站截至目前，Bio-protocol吸引了全球上万名优秀生命科研工作者，包括诺贝尔医学及化学奖获得者Randy Schekman, Kurt Wüthrich，目前平台上已经发布了3000多篇实验方案，平均每月发表40-50篇。与国际学术期刊合作，鼓励更多科研人员分享实验方案36氪独家获悉，近日Bio-protocol与美国科学促进会AAAS建立了战略合作，双方会共同推进生命科学研究领域的透明化进程，提升科学研究成果的可重复性水平。2019年7月9日，AAAS与Bio-protocol签约仪式，照片摄于AAAS总部 摄影: 《科学》期刊 A. Lee左：《科学》系列期刊出版人 比尔莫兰（Bill Moran）右：Bio-protocol创始人兼董事长 何芳连 学术期刊中的论文，通常侧重于讲述实验结果及科学发现的重要性，较少会细节展示所采用的实验方案全貌。近年来，学术期刊出版社、杂志社也越来越意识到展示实验方案的重要性，因为需要确保论文中的实验能够被重复。Bio-protocol恰恰能给学术期刊带来一个很好的补充，凭借平台独特的、专业的同行评审机制，自 2016年起，Bio-protocol已与包括eLife，Journal of Cell Biology，Journal of Neuroscience，Journal of Biological Chemistry等在内的8家国际权威科学期刊、出版社建立长期合作关系，鼓励更多科研人员分享实验方案。让36氪好奇的是，Bio-protocol与AAAS的合作，相比Bio-protocol此前与其他科学期刊、出版社的合作有什么不同？AAAS与Bio-protocol宣布合作一方面，双方编辑将共同邀请《科学》系列期刊论文作者在Bio-protocol平台上发表实验方案，读者可通过论文中的链接直接访问Bio-protocol平台上相关方案内容。基于AAAS在学术界的权威性，此次合作将大大提升科研工作者对于实验方案共享重要性的认识，激励更多人加入到实验方案分享的行列中。另一方面，Bio-protocol将和《科学》系列期刊合作为读者提供“方案索取”服务，如果在Bio-protocol上没有相关方法文章，论文中“方案索取” 的链接直接引导读者访问Bio-protocol“方法索取”网页，读者的需求将传递给文章作者，邀请其分享详实的实验方案。相比从前，仅由编辑向作者发出分享方法邀请的模式，与AAAS合作后，Bio-protocol将成为“用户需求驱动”为主导的实验方案共享平台，用户需求将驱动实验方案共享规模迅速提升。未来，每篇研究论文中使用的每一种方法，无论它多么基础或前沿，都将有详细版本发表在Bio-protocol或其他平台上并且直接能够链接，这将让重复一个已发表的实验方案成为一件更容易的事，这也正是Bio-protocol的愿景。Bio-protocol从一个草根出版平台到获得全球顶尖科学家以及国际学术出版社的认可和支持，其背后是创始团队对科学的热情和对项目的坚持。这个项目主要是靠创始人自己的积蓄来支持。Bio-protocol创始人兼董事长何芳连博士表示，“Bio-protocol从一开始就决心要建立一个全球最大、最权威的实验方案分享平台，从根本上提高科研的重复性和高效性。之所以用自己的资金，主要是担心外来资金（例如VC）将无法保证Bio-protocol平台的学术性、专业性，甚至改变初衷和使命。”何芳连博士是宾夕法尼亚大学博士、斯坦福大学博士后，具有超过15年分子生物学科研经验。创始团队成员包括，联合创始人兼CEO刘峥是哥伦比亚大学博士，美国临床病理医师协会注册病理医师，具有超过15年医学及医学信息学研究经验。联合创始人兼AI高级顾问林元庆是宾夕法尼亚大学博士，人工智能整体解决方案企业Aibee创始人兼CEO，曾任百度研究院院长。据介绍，Bio-protocol成立早期，创始团队成员还有地平线创始人兼CEO余凯，为Bio-protocol的成立与成长投入了很多精力与支持。从创始团队结构不难看出，Bio-protocol从诞生起就兼具生命科学研究的严谨态度与互联网开放的共享精神。商业化策略：抓住中国生命科学发展的机遇期，赢利点瞄准试剂耗材市场为了使平台走得更长远，Bio-protocol还需要在兼顾公益性的同时获取收益。 2018年，Bio-protocol获得了来自华创资本的天使轮投资，主要用于其商业化布局。Bio-protocol瞄准的赢利点是试剂耗材市场，其商业化主要策略之一是让实验方案、实验试剂的使用信息在线化、数据化、智能化，帮助科学家轻松获得所需的实验方法和试材，实现信息找人，让科学实验更容易的同时，也为试材厂商、经销商创造巨大商业价值。生物实验试材具有客观的增长空间，据统计，未来五年全球试剂市场的年复合增长率预计将达到10%，预计从2019年的239亿美元，增长到2024年的424亿美元。根据Technavio的数据，到2021年，全球实验室耗材市场预计将超过125亿美元，年复合增长率超过5%。在试剂、耗材市场中，实验室的需求数据是很难获取的，而Bio-protocol正好具备获取实验方案、实验试剂数据的优势。Bio-protocol联合创始人兼CEO刘峥博士表示，“Bio-protocol面向全球市场，近2-3年将聚焦在国内，因为中国经过政府多年来的持续投入，已经形成了一个体量巨大而且稳步增长的基础科研市场。此外中国正在经历医药改革，仿制药利润的急剧下降将直接导致生物制药产业在下一个阶段大幅增加研发投入。因此中国的医药创新正在经历快速增长，我们预期会有很多中小规模的研发型生物医药公司出现，这正是国内生命科学发展的机遇期。Bio-protocol作为一个对接国际学术标准、需求与国内科研机构及企业的桥梁，希望能够助力国内科研机构和企业把握这一难得的机遇。”

利用人工智能技术建设临床科研大数据平台。采用了Openstack作为数据平台私有云的解决方案，应用层使用Docker容器化的方案，数据库使用了开源数据库软件PostgreSQL，平台的应用主要由科研数据中心、临床大数据治理平台、智能科研检索、临床科研采集系统、全院级科研随访系统五部分组成。通过该平台临床研究人员获取数据将更便捷、科研管理更高效、探索新的研究方向更容易。基于临床科研大数据平台，能为医院各专科提供有效的科研服务，实现科研、论文和核心技术等方面的突破提升。随着医疗体制改革的深入，科研水平成为衡量医院发展水平的重要因素。科研大数据平台作为医院科研、教学工作的一个重要组成部分，在提高临床科研水平和培养医学研究人才方面发挥着十分重要的作用。如何为临床科研人员搭建平台，以有限的资源发挥最大效应，实现资源共享，最大限度地发挥科研支撑平台的作用，是目前大型综合性医院亟需解决的课题。研究背景 2017年国务院发布的《新一代人工智能发展规划》中提出要大力推广应用人工智能治疗新模式新手段，建立快速精准的智能医疗体系。随着大数据和人工智能的运用，国内外涌现了一大批借助医学信息学和机器学习技术进行临床研究数据分析挖掘，取得了丰硕成果。通过对医疗电子化数据的建模、分析、挖掘，并且基于数据二次利用所形成的进一步应用，已经成为医疗信息化、精准化、智能化的下一个核心发展方向。我国健康大数据和医疗人工智能行业尚处于起步阶段，基础薄弱。目前国内最有代表性的医疗人工智能产品，在于基于医疗影像的人工智能自动筛查和诊断系统，对胸片、皮肤照片、脑部影像等医学影像进行自动分析，并生成相应的影像诊断报告。但在其他人工智能的技术领域，例如自然语言处理、语音识别，以及通用的机器学习方法，目前在中国形成可落地的产品尚不多见 。基于临床科研大数据平台的架构与应用目前大部分医院已经建立了较为全面的医疗信息化支撑体系，无论是电子处方、医嘱套餐，还是临床路径、电子病历，在提高临床效率服务上下足了功夫，但由于临床数据分散在多个应用系统中（如EMR、LIS、PACS等），且都是非结构化的海量数据。本文通过人工智能技术的应用进行探讨，为有兴趣致力于研究大数据的临床科研工作者提供一点思路。技术架构研究采用了Openstack作为数据平台私有云的解决方案。通过使用Openstack搭建私有云平台，既可以获得类似阿里云等公有云的灵活、弹性、扩展性等云计算的优势，又可以降低安全风险。在应用层使用Docker容器化的方案。通过使用Docker容器化部署，每个服务运行在了一个独立的环境之中，互不干扰，也不会影响宿主机的环境，解决了长久以来生产环境与开发测试环境不一致导致的各种问题。同时，通过Docker提供的集群化以及资源分配功能，提供了更高的可用性，并提供了不停机升级的特性。数据库使用了开源数据库软件PostgreSQL。PostgreSQL作为当前最先进的开源关系型数据库管理系统，体现了极高的性能与稳定性，支持python、perl、c、R、Java、Javascript、PL/PgSQL等多种语言编写存储语言及扩展，支持多种特殊索引结构、支持自定义的数据结构、支持机器学习库以及GPU并行计算等。基于临床科研大数据平台的应用基于临床科研大数据平台的应用主要由以下几部分构成：科研数据中心、临床大数据治理平台、智能科研检索、临床科研采集系统、全院级科研随访系统等应用（表1）。在此治理和科研采集的基础之上，未来可支持科研统计分析及临床辅助决策。在人工智能支撑下，通过临床辅助决策应用到电子病历等业务系统中，将治疗评价、风险预测贯穿在诊疗流程，基于医院原有临床数据进行实时决策支持，最终实现临床采集-科研分析-指导临床的闭环。表1 临床科研大数据平台应用全院级专病科研数据中心通过将原有院内临床数据中心CDR，未充分结构化的病历、报告等文本数据，经过人工智能技术处理形成高质量、多维度的结构化数据，以满足科研检索、临床数据收集、统计分析的需要。结合科研采集、随访管理等系统采集的数据，进一步丰富“以患者为中心”的科研数据库。临床大数据治理平台基于自然语言处理、知识图谱、机器学习等AI引擎的大数据治理平台，实现各类临床数据的结构化、标准化和归一化等处理。针对数据驱动的临床研究场景，能够将医院积存的海量临床数据自动结构化、标准化成可被临床研究直接分析、利用的科研数据。治理后的结果为后续的临床应用提供了良好的数据基础。智能科研检索提供多维度、多病种符合专病模型的检索功能，从病历、诊断、用药医嘱、检验、检查报告、体征等结构化及非结构化文本中提取检索点位，个性化定制专病检索模型。支持通过入选和排除等集合运算实现研究人群的精确筛选，实现自动发现满足条件的新病人并自动入组，实时精准从海量病历中定位研究人群。临床科研采集系统在数据治理基础上，满足科研所需的病例报告表（CRF）设计与数据采集、科研项目管理、团队管理与多中心、权限设置与隐私、数据核查与质疑、数据导入导出等常见功能模块。高度结构化、规范化的病历数据，利于病例报告单（CRF）自动填写，科研流程管理支持研究全过程协同。全院级科研随访系统可有效解决院内外数据整合、患者依从性差、失访率居高不下的难题，在全面提升随访专业度、保证科研项目的顺利推进的同时，极大地提升科研人员的工作效率。随访平台从患者管理和科研需求出发，整合随访计划提醒、随访量表填写、智能科普患教、在线病情咨询、患者报告结局（ePRO）信息采集等功能；自动问答功能为患者提供准确的知识问答和健康建议，实现个性化健康宣教和科普。同时为满足临床科研需要，可将患者采集结果便捷地返回给专病科研库，实现对患者离院后健康信息的全量收集。结论与展望智能化的临床科研支持系统不仅能对历史病历数据进行快速检索浏览，而且能便捷地将临床数据应用于具体研究中，成为医院各科室开展临床研究提供高效的工具，加速推进学术研究及成果转化，释放积压的大量医疗数据潜在学术价值。同时在全院级临床科研大数据平台与应用平台上，实现了各业务系统历史数据及实时数据的整合、治理。经过治理后的数据保障临床科研数据质量，在此基础上各科室临床研究人员获取数据将更便捷、科研管理更高效、探索新的研究方向更容易，从而实现科研效率整体提升，不断提升学术研究能力，实现医院临床学术研究质和量提升。【引用本文：朱明宇. 基于临床科研大数据平台研究[J]. 中国数字医学,2020,15(7):17-18,35.】新媒体部： 010-81138718；81138717

本文由机器之心编辑，“机器之心”专注生产人工智能专业性内容，适合开发者和从业者阅读参考。点击右上角即刻关注。数据挖掘领域的顶会 KDD 2017 目前正在火热进行中。昨日，机器之心报道了滴滴被 KDD 2017 接收的论文。今日，KDD 2017 公布包括最佳论文在内的多个奖项。KDD 的英文全称是 Knowledge Discovery and Data Mining（知识发现与数据挖掘），由美国计算机协会 ACM 下的数据挖掘分会举办，是国际数据挖掘领域的顶级会议。据统计，KDD 2017 共收到 1144 篇论文投递，收录 216 篇。今日，KDD 2017 公布了收录论文中的最佳论文等奖项。获奖情况如下：最佳论文与最佳学生论文论文：Accelerating Innovation Through Analogy Mining作者：Tom Hope、Joel Chan、Aniket Kittur 和 Dafna Shahaf地址：https://arxiv.org/abs/1706.05585Runner up paper：论文：Toeplitz Inverse Covariance-Based Clustering of Multivariate Time Series Data作者：David Hallac、Sagar Vare、Stephen Boyd 和 Jure Leskovec地址：https://arxiv.org/abs/1706.03161最佳应用论文奖论文：HinDroid: An Intelligent Android Malware Detection System Based on Structured Heterogeneous Information Network作者：Shifu Hou、Yanfang Ye、Yangqiu Song 和 Melih Ablhayoglu地址：http://www.cse.ust.hk/~yqsong/papers/2017-KDD-HINDROID.pdfRunner up Papers：论文：DeepSD: Generating High Resolution Climate Change Projections through Single Image Super-Resolution作者：Thomas Vandal、Evan Kodra、Sangram Ganguly、Andrew Michaelis、Ramakrishna Nemani 和 Auroop R Ganguly地址：https://arxiv.org/abs/1703.03126博士论文奖论文：Local Modeling of Attributed Graphs: Algorithms and Applications作者：Bryan Perozzi地址：https://search.proquest.com/openview/cc84345c4e647328b7c4ea300b1367fd/1?pq-origsite=gscholar&cbl=18750&diss=yRunner up papers：论文：User Behavior Modeling with Large-Scale Graph Analysis作者：Alex Beutel地址：http://alexbeutel.com/papers/CMU-CS-16-105.pdf论文 ：Mining Large Multi-Aspect Data: Algorithms and Applications作者：Evangelos E. Papalexakis地址：http://www.cs.cmu.e/~epapalex/proposal.pdfHonorable Mention Papers：论文：Computational Lens on Big Social and Information Network作者：Yuxiao Dong地址：https://curate.nd.e/show/qj72p556t40以下是机器之心对获奖论文的摘要介绍。此外，我们还介绍了 SIGKDD 2017 创新奖与服务奖的获得者。最佳论文和最佳学生论文奖：Accelerating Innovation Through Analogy Mining摘要：大型知识资源库（如美国专利数据库）的可用性提高可以显著加速人们发明和探索类似问题的进程。然而，想要在这些巨大、复杂的现实资源库（repositories）中寻找有意义的类推方式对人类和自动方法而言都是一个巨大的挑战。此前，我们使用的方法通常包含手动编写的带有高关联结构的数据集（如谓词演算表征），但这种数据集非常稀疏且昂贵。更简单的机器学习/信息检索相似性度量可以扩展到大型的、基于自然语言的数据集中，但很难应对结构的相似性——而这是类比的核心问题。在本文中，我们探索了学习简单结构表示的可行性和价值，特别是在「问题模式」上，其中规定了产品的目的与达到目的使用的机制。我们的方法整合了众包模式与循环神经网络来提取产品描述中的目的和机制的向量表示。我们证明了，这些学习的向量可以让我们比传统信息检索方式更快、更准确地找到类比。在一个思维实验中，新模型检索的类比显着增加了人们产生新思想的可能性。我们的结果证明了新方法可以让大规模类比的计算适应弱结构表征。最佳应用论文奖：HinDroid: An Intelligent Android Malware Detection System Based on Structured Heterogeneous Information Network 摘要：随着安卓恶意软件的增多、对智能手机用户的危害越来越严重，对安卓恶意软件的检测已经成为网络安全的重中之重。而安卓恶意软件日益增长的复杂性，要求我们创造出新的技术对抗新的威胁且难以入侵。在此论文中，为了检测安卓恶意软件，我们不只是调用 API，而是进一步分析它们之间的不同关系，创造更高级别的语义，从而使得攻击者入侵检测需要花费更大的努力。我们将安卓应用、相关 API、以及它们之间的丰富关系表达为一种结构化的异质信息网络（Heterogeneous Information Network/HIN）。然后我们使用基于元通道（meta-path）的方法表征 app 与 API 之间的语义关系。我们使用每个元通道在安卓 app 上公式化类似的测量方法，并使用多核学习（Multi-kernel learning）收集不同的类似点（similarities）。然后，每个元通道被学习算法自动赋权，从而作出预测。据我们所知，这是首个使用结构化 HIN 网络进行安卓恶意软件检测的工作。我们在 Comodo 云安全中心收集的真实样本上进行了综合实验，旨在对比不同的恶意软件检测方法。有潜力的实验结果表明，我们开发的系统 HinDroid 超越了其他安卓恶意软件检测技术。最佳博士论文奖：Local Modeling of Attributed Graphs: Algorithms and Applications摘要：具有关联节点、原始链接信息的现实世界图正在变得越来越普遍。例如，社交网络既包含亲友关系，也包含人口统计、兴趣等属性；一个蛋白质相互作用的网络（protein-protein interaction network）不仅可以具有相互作用的表示，还可以显示相互作用的级别。这样的信息可以由使用节点表示对象的图来表示，而图的边代表互相之间的关系，节点相关的特征向量代表属性。这种图数据通常被称为属性图（Attributed graph）。本文着重于开发适用于属性图的可扩展算法和模型。在这里，数据可以看作是离散的（一组边），或是连续的（嵌入式节点之间的距离），我从两个角度考虑了这个问题。具体来说，我提出了一种在线学习算法，它利用深度学习中的最新进展来构建多种图嵌入。使用这种新方法编码的多尺度社会关系对于网络中的多标签分类和回归任务都是可用的。我还提出了离散图中异常社区得分的局部算法。这些算法可以发现图属性的子集，最终发现社区（例如社交网络上的共同兴趣）。本论文中所有方法的可扩展性都是通过利用图基元（Graph primitives）的限制集合来保证的，如自我中心网络和截断随机游动，它们可以利用每个顶点周围的局部信息。此外，对于限制图依赖性的范围，我们考虑使用新方法在 MapReuce 和 Spark 上对常见内容进行大数据处理。这项工作在数据挖掘和信息检索等应用领域领域前景广阔，其中包括用户分析/人口统计推理，在线广告和欺诈检测等。2017 SIGKDD Test of time award康奈尔大学 Thorsten Joachims 的《Training Linear SVMs in Linear Time》获得了该奖项。论文地址：https://www.cs.cornell.e/people/tj/publications/joachims_06a.pdf摘要：线性支持向量机（SVM）已经成为了高维稀疏数据空间中最杰出的机器学习技术之一，它通常应用于如文本分类、词义消歧和药物设计等领域。这些应用都涉及到巨量的样本 n 和巨量的特征 N，每一个样本只有 s << N（s 远小于 N）个特征是非零特征。该论文展示了一种训练线性 SVM 的截平面算法（Cutting-Plane Algorithm），该算法经证明分类问题的训练时间只需 O(sn)，有序回归问题的训练时间为 O(sn log(n))。该算法基于一种 SVM 优化问题的替代但等价公式化方法。经验上，截平面算法要比如 SVMLight 那样的分解法在大数据集上快几个数量级。2017 SIGKDD Innovation AwardACM SIGKDD 新一任主席、加拿大西蒙弗雷泽大学计算机学院裴健教授裴健（Jian Pei）是加拿大西蒙弗雷泽大学计算机学院教授、IEEE Fellow，他的研究主要集中在开发针对新型数据密集型应用的高效数据分析技术。裴健教授的研究领域包括数据挖掘、联机分析处理、数据仓库、web 搜索、信息检索、医学信息学、商业智能等领域中的应用。2000 年以来，裴健教授发表了 200 多篇论文，也多次担任国际会议的程序委员会委员和组织委员会委员。裴健教授获得了许多研究奖项，包括 2015 ACM SIGKDD Service Award、2014 IEEE ICDM 研究贡献奖、IBM Faculty Award（2006）和 KDD 最佳应用论文奖（2008）、PAKDD 最佳论文奖（2014）、PAKDD 最具影响力论文奖（2009）和 IEEE 杰出论文奖（2007）等等。裴健教授因为「在数据挖掘及应用领域的基础研究，尤其是模式挖掘与空间数据挖掘方面做出的杰出贡献。还有已经被业界广泛接受和应用的数据挖掘方法」而获得此项荣誉。2017 SIGKDD Service Award香港科技大学杨强教授杨强，第四范式联合创始人、首席科学家。杨强教授在人工智能研究领域深耕三十年，是国际公认的人工智能全球顶级学者，ACM 杰出科学家，两届「KDD Cup」冠军。现任香港科技大学计算机与工程系主任，是首位美国人工智能协会（AAAI）华人院士，AAAI 执行委员会唯一的华人委员，国际顶级学术会议 KDD、IJCAI 等大会主席，IEEE 大数据期刊等国际顶级学术期刊主编。杨强教授在数据挖掘、人工智能、终身机器学习和智能规划等研究领域都有卓越的贡献，是迁移学习领域的奠基人和开拓者，他发表论文 400 余篇，论文被引用超过三万次。杨强是多本国际期刊的编委，是 ACM TIST 的创始主编，是 IEEE 大数据期刊创始主编，还是 IEEE Intelligent Systems，IEEE TKDE (2005-2009)，AI Magazine 等期刊的编委。此外，他也是很多人工智能和数据挖掘相关会议的组织者以及程序联合主席，如 2012 年在北京举办的 ACM 国际数据挖掘大会（KDD) 的会议主席，以及 ACM KDD 2010，ACM RecSys 2013, ACM IUI 2010，ICCBR2001 等会议的主席。他是国际人工智能大会（IJCAI) 的董事会成员和 2015 年在阿根廷举办 IJCAI 会议的程序委员会主席, 同时在 2016 年被选为 AAAI 执行委员会委员。据颁奖现场，杨强教授因为「在研究和发展数据挖掘和人工智能领域所做出的杰出贡献」而获得此项荣誉。

一、院校介绍类别：公立大学创办时间：2000年属性：985工程 （2001年）/211工程（1995年）中南大学湘雅医学院（原湖南医科大学）为久负盛名的老校。创办于1914年，是我国第一所中外合办的医学院。1925年，孙中山曾为湘雅第五届毕业同学题写“学成致用”的勉词。“北协和，南湘雅”这句俗语可知湘雅医学院于国内知名度。学院设有临床医学、预防医学、药学、口腔医学、护理学、医学检验与技术、麻醉医学、精神医学、医学信息学、法医学和生物科学11个本科专业，拥有基础医学院、公共卫生学院、口腔医学院、药学院、生命科学院、护理学院等6所学院。有湘雅医院、湘雅二医院、湘雅三医院、湘雅口腔医院、湘雅五医院5所直属附属医院，及湖南省肿瘤医院、海口市人民医院、株洲市中心医院3所非直属附属医院，建有24个临床教学基地。专业设置二、附属医院中南大学湘雅医院 ：2018 年医院排行榜，湘雅医院综合实力位列第18 名，并稳步上升，属大型综合性三级甲等医院。2017 年度获国家自然科学基金 109 项，跻身全国医院五强，在 2017 年 Nature 最新发布的自然指数中国医院排行榜中跻身全国十强，科研实力有目共睹。推荐专业：神经内科中南大学湘雅二医院：2018 年医院排行榜，湘雅二医院综合实力位列第13 名，华中区排名第4 位。创建早，规模大（260 余亩，这在所有医院中算是非常大的），实力强大，科研水平先进。推荐专业：精神病与精神卫生学、内科学（内分泌方向）、皮肤病与性病学。中南大学湘雅三医院中南大学湘雅口腔医院中南大学湘雅五医院海口市人民医院（湘雅医学院附属海口医院）湖南省肿瘤医院（湘雅医学院附属肿瘤医院）株洲市中心医院（湘雅医学院附属株洲医院）三、学科建设国家特色专业：临床医学（五年制）、精神医学。国家专业综合改革试点专业：临床医学（五年制）、医学检验技术、口腔医学（五年制）。国家级一流本科专业建设点：临床医学、药学、医学检验技术、护理学、四、奖学金硕士研究生学业奖学金一年级新生分 2 个等级标准：推免生每生每年1万元，非推免生每生每年0.8万元，高年级分3个等级标准，一等奖每生每年1.2万元，二等奖每生每年0.8万元，三等奖每生每年0.5万元。五、复试湘雅医院的复试分为两个部分：1、统一考试2、科室面试因为每个科室面试的环节各不相同，所以建议大家尽量询问自己报考科室的师兄师姐。统一考试分为两个部分，笔试和操作。笔试分为基础知识和文献翻译。文献翻译如果能够保持自己考研的水平就没什么问题。复试大家可以提前各种类别的文献看一看，文献看综述类最前面的introction或者background里的专有名词就可以了。基础知识这个就要大家自己看自己的专业书籍了。报考眼科的同学考《眼科学》，报考神经内科的同学考《神经病学》等等。考试的内容有名词解释、选择题、问答题和病例分析等，不同科目命题方式也各有不同，不过大同小异。大家可以按照自己本科期间复习期末考试的方法进行复习就可以了。六、报考建议一般现在每个科室会分招生计划，如果某科室有8个招生名额，但往往有15个左右硕士导师，往往有17个左右考生进入复试，这个时候，由于考生报导师的分散性，往往也变成了导师间的博弈了，谁不想多招学生干活。面试很多时候老师们打分都很平均，最后决定考生是否能被录取就看各个部分分数之和了，那些实习扎实综合素质高的就能突出，初试分高但是实习很差的很多就被淘汰了，初试分高后面表现好的怎样都会被录取。所以想来湘雅学习的同学要好好实习，同时考一个很好的初试成绩，进复试是没问题的哦。本文根据网络内容整理，如有侵权请联系删除。

由吴恩达与斯坦福大学计算机科学系教授Anand Avati、斯坦福大学生物医学信息学研究中心Kenneth Jung、Lance Downing与Nigam H. Shah，以及斯坦福大学医学院Stephanie Harmon六位斯坦福大学科学家组成的研究小组正在研究如何利用人工智能技术预测人类的死亡时间，从而改善对其的姑息治疗程度，或者对患有严重疾病的患者提供专门的护理。研究报告显示，大约80%的美国人希望能在自己家中度过生命的最后时光，但是如愿的只有20%。事实上，超过60%的死亡发生在医院的急诊病房，而病人在临终前的最后一段时间会接受侵入性治疗。在过去10年间，可以提供姑息治疗的医院一直在增加。在2008年，全美所有病床数超过50张的医院中，有53%的医院设有姑息治疗团队，2015年这一比例已攀升至67%。虽然可以提供姑息治疗的医院越来越多，但是根据国家姑息治疗登记处（National Palliative Care Registry）的数据，在所有需要接受姑息治疗的病人（占所有住院病人7% - 8%）中，只有不到一半的人真正接受了这种治疗。这与医生在判断患者的生存时长方面往往过于乐观有很大的关系。此外，姑息治疗的相关护理人员及资源也较为有限。因此，为了尽可能帮助更多适合此种安慰疗法的病患，斯坦福大学的研究小组希望利用人工智能技术发现剩余生命仅为三到十二个月的对象。确定为这个时间段的依据是：如果病患将在三个月内死亡，那么，姑息治疗小组将没有足够的时间来进行筹备。但如果病患将在十二个月后死亡，则具体死亡时间很难得到准确预测。以往的做法是，由医生检查每一份病例表，借此确定病患是否有资格获得姑息治疗方式。但这整个过程非常耗时，而且医生的个人偏见可能对最终护理决定产生影响。对此，报告指出：“该预测结果将帮助姑息治疗团队得以主动接触这些患者，并根据患者的EHR（即电子健康记录），利用深度学习技术提供客观的治疗建议。而不是依赖主治医师的推介，或花时间研究所有病人的病例。”具体而言，算法会自动评估住院病人的EHR数据，帮助姑息治疗怀团队判断哪些病人可能需要姑息治疗。实际上就是用病人先前的HER数据训练出来的一个神经网络。报告中介绍了几类能够使病人的预后信息（预后是指预测疾病的可能病程和结局）更加客观和智能化的方法，包括用于姑息治疗的预后方法、加护病房ICU的预后方法、早期识别的预后方法，并详述了大数据时代的预后方法。Shah在接受CNBC采访时表示，虽然利用AI技术仍然可能导致某些本应得到护理的病患无法顺利完成申请，但实际效果还是优于人工分析。“目前，我们错过了大多数应该接受姑息治疗的患者，这是因为临床医生对于生存时间的估计太过乐观……只有不足1%的病患能够在逝世前接受六个月以上的姑息治疗。考虑到这一点，尽管人工智能辅助方法不可避免也会错过半数符合条件的患者，但其成效却远优于现有状况。”为了进行这项研究，研究小组使用了斯坦福医院及露西尔-帕卡德儿童医院中的200万份成人和儿童电子病历作为数据样本。当然，Avati也强调：“这套模型的预测结果仅被用于在姑息治疗小组进行病例审查（及自动转诊）时推荐部分符合条件的病患。人类医生仍然负责整个审查流程的主导工作，而该项目所得出的结果只作为符合姑息治疗条件的参考，而非对死亡时间的直接预测。”死亡预测作为一种晚期疾病判断方式，能够协助确定符合条件的候选病患。但需要强调的是，姑息治疗与生命终期护理并不是一回事。Harman在采访当中表示：“在医院中进行骨髓移植（治愈性治疗）的病患往往都不得不面对一些严重的副作用，比如治疗方案引起的剧烈疼痛等等。对于这样的病人，医生往往会采取姑息治疗以缓解副作用，并帮助病患完成治疗过程。”与此同时，报告还发现，死亡时间是其中一项有效的指向性指标。举例来说，对于被AI预测为有九成可能性在三到十二个月内逝世的病患，该团队随机选取了其中50位进行人工复查。结果显示，这50位病患全部“适合转诊”。换言之，该AI方案的效果完全符合预期。| 来源：CNBC；作者：Catherine Clifford；编译整理：科技行者