无法共享疾病诊疗数据和健康大数据，有解题答案吗？

发布时间：2021-09-09 08:27:34来源：全球医生组织

无论设计数字健康或数字医疗App，或研发可处方数字疗法DTｘ，获取患者诊疗数据和正常人真实世界健康大数据是至关重要的“原材料”，否则很难开发出AI-ML软件产品或数字疗法。

然而，获取医疗健康数据，发挥数字科学优势，对于医疗健康专业人员而言，是新课题、新知识技能和新挑战。如何解决？

主动健康干预技术协作平台

[题目]数据科学助力医学健康事业发展

主讲嘉宾：詹启敏院士

北京大学健康医疗大数据国家研究院院长

报名参加讲座，微信联系：GlobalMD2020

人工智能(AI)拥有不可估量的应用前景，比如，辅助医生诊疗决策和患者主动健康干预，预防疾病、维持健康等。

为什么医生越来越需要AI辅助呢？

通常情况下，除非罕见或尚未确诊疾病，医生对常见疾病的治疗方法不是少，而是很多了，医生难以根据患者的具体病情精选最佳方案，这是医生难言的事实。

因此，医生希望借助AI，精准选择有效的疗法，避免造成患者过度治疗或耽误有效治疗时间，减少或避免患者个性化不良反应。

如果希望做到上述场景，就必须让AI从大量真实临床数据中学习，而且越多样化越好。通过学习，AI不仅对各种问题有详尽的理解和见解，才能更好地辅助医生决策，甚至帮助科学家开发新药和临床试验等。

自从疫情爆发一年半至今，关于新冠病毒SARS一CoV２以及相关疾病的学术论文已超过３０万篇。若仅凭人工检索如此巨大科研数据和临床案例资料，能否精准查询出需要了解的详情吗？恐怕没人愿意做。

直到今天，人们面临的困境不仅仅是疾病诊疗数据(EMR)，电子健康档案(HER)数据检索问题，最难的问题是共享——涉及个人身份识别、疾病治疗效果信息和健康状况等，这些数据很可能引起有关个人隐私安全的争议。

正如惠普AI高级副总裁兼CTO，Goh博士所说“这将是一个新时代，我们不得不从已经习惯了几十年集中式的数据监管，转换为数据无处不在，即真实世界数据新时代。”

数据无处不在意味着边缘化(the　edge)，即所有可穿戴设备、智能手机、网络服务器和云端数据库，都在实时收集大量数据，每个人的数据信息。

根据一项最新调研预测到2022年，边缘链接设备的数量将增至500亿个，可穿戴设备将成为人们的。

摆在所有人面前的难题，不再是如何收集数据，而是如何保障收集的数据安全；不仅能分享，而且还从数据中获取知识，最终，让AI变得更聪明。

进入“群体学习”时代(Swarm　learning)

多数医学健康界人士并不熟悉所谓“群体学习”或“群体智能”。在自然界里，诸如成群蜜蜂或鸟类为应对环境变化或觅食或迁徙，通常是群体飞行。这些就是典型的“群体学习”行为。

Goh博士解释“数据时代初期，更多是点对点通信；点对点协作和点对点学习。然而，在未来数据时代，群体学习越来越重要，人们从集中式数据(信息)转变为分散式数据(学习)”。

就好像人们并不特别关注飞翔鸟群中某一个体飞行(数据)，而是群体趋向，飞向哪里，何时抵达目的地？

相对个体数据，关注群体学习更能精准预测

真实案例演绎和获取最佳方案

一家医院收集了大量胸部X光片，用此数据训练他们开发的AI-ML模型，结果发现许多肺结核病例，但很少有肺衰竭病例。

因此，他们开发的神经网络AI-ML模型经过此数据训练后，检测肺结核非常敏感(精准和特异性很出色),但对检测肺组织塌陷敏感性较低。

此时，另外一家医院收集的临床数据正好相反，AI-ML模型预测结果也正相反，即对肺组织塌陷更敏感。因此，探讨解决方法如下：

1.让两家医院数据合并在一起，这样可以得到完美的AI-ML模型，更好地预测两种疾病状况了。但两家医院都不愿意分享各自的数据给对方。这就是目前医院所面临的窘境！

2.引入“群体学习”解决数据共享问题，最终目标是帮助两家医院完善和提高各自AI-ML模型敏感性，对两种疾病预测都达到标准。

所有医院开发所谓AI-ML智能辅助系统，都希望准确预测疾病，减少偏差。如果把相同疾病的AI-ML模式拓展至全球范围，不追求共享任何患者数据，而是从彼此的AI-ML模型中相互学习，弥补各自不足之处。

可见，群体学习不仅保障了医院和患者的数据安全和隐私，也实现了数据时代的目标——AI引导的精准治疗和主动健康干预。

总之，“群体学习”的目的是避免共享数据信息，或完全阻止数据共享。以AI-ML模型方式，共享见解，共享学习。这就是解决医疗健康大数据共享难题的解题答案。

主动健康干预技术协作平台

[题目]数据科学助力医学健康事业发展

主讲嘉宾：詹启敏院士

时间：9月12日晚8点，Zoom在线

报名微信联系：GlobalMD2020

关注我们，获取最新资讯信息