精準醫療

《精準醫療》作者是格倫·德弗裏與傑瑞米·布萊克曼，他們從基因型與表型的關係、生物標誌物的重要性以及智能設備的應用切入，展示瞭如何利用數據技術優化疾病預測和治療。本書還深入探討數字化轉型如何重塑醫療保健行業，以實現更精準、高效的個性化醫療服務。 本書引用大量文獻爲依據，論證看似不相干的人體健康數據對於疾病診斷治療的重要性，並對此提出了很多新穎觀點，其提供的大量研究佐證讓很多概念得到了支持。作者將這些看似繁雜的數據研究，用數字化的方式串聯起來，讓讀者更加信服全息化的收集數據對於疾病診療的重要性，同時也犀利地指出，如果缺乏足夠的數據支持，一些診療是有侷限性甚至是錯誤的。 前言 爲了更長的壽命、更好的生活、更高的生存質量 精準醫療的理念將影響每個人，它們會以前所未有的準確性預測出每一種影響或可能影響生活的疾病，併爲人們提供關於這些疾病現有的和未來可能研發出的治療方法。 比起僅依從標準醫療護理，更主動、更頻繁地追蹤自己的生物指標可能會使診斷結果有所不同，並且個體的“患者方程式”所包含的變量因素，比大多數人理解得都多。精準醫療手段將把直覺轉化爲可靠的數字化見解，並將這些見解從主要醫療中心和頂級生命科學公司傳遞至世界各地。 本書提出了5P醫學模式—預防性(Preventive)、預測性(Predictive)、個性化(Personalized)、參與性(Participatory)和精準性(Precision)。 第一部分 預測醫療未來的工具 鋪墊並解釋精準醫療和數據分析的圖景，回溯現狀的由來； 第1章 在我們治癒壞血病之前 對一個人的所有觀察信息進行分類十分重要，因爲醫生需要把它們當作解決患者問題的參考數據。分類的第一步來自於區分基因型和表型，基因組只是整個研究的起點。表型則包含了所有不存在於DNA編碼中的人的可觀察特性，即一個人所有的特性以及他在世界中存在的方式，都屬於表型的範疇。 隨歷史的行進，測量表型的精確度不斷提高。數字化的讀數呈現出更高的分辨率，這是區分表型的有用維度。隨着測量變得越來越準確，我們也需要越來越多的二進制位來存儲這些測量結果，因爲生物學與數字技術的融合，是與測量表型的精確度的提高緊密相連的。 就目前而言，原子仍是醫療領域可以觀察到的最小單位，可以從尺度在納米水平的DNA開始觀察。但醫學中的學科研究基本上仍然是以器官爲基礎的，更小尺度層面專業化的必要性變得顯而易見，比如分子、生物通路以及使人認識到癌症並非一種疾病而是多種疾病的專業化。 生命初始階段開始，周圍環境在將個體始終穩定的基因型轉化爲遠比單一的DNA序列複雜得多的生物體方面，起着至關重要的作用。關鍵是，一旦身體中的分子機制通過進化過程表現出來，它們就會一次又一次地被重複使用，所以一種對於治療特定疾病特別有用的藥物，可能在其他疾病的治療中發揮其他作用。必須利用數據重新定義對人類疾病的理解。從零假設開始，我們的任務是找出那些真正具有附加價值的因素，需要確定可測量的新表型，以及它們能與傳統表型和基因型測量產生何種組合，這將切實地有益於對疾病的理解，並證明這些新表型的重要性。在身體內外環境的變化下，包括生活在體內和體表的所有有機體及它們如何演變都會對健康狀態產生極大的影響。 把人體的遺傳信息及所有其他信息看作某個公式的輸入，而這個公式輸出的是關於人體的健康狀況，以及應該接受或避免什麼樣的治療的實用報告，這就是關於精準醫療的全部內容。許多因素都可能影響人們是否會患有某種特定疾病或症狀，或者至少影響某種疾病或症狀發展成需要治療的問題的速度。 第2章 精準醫療與患者方程式 生物標誌物是指可以在人體或其產物中測量到的，並能影響或預測疾病結果、疾病發生率的任何物質、結構或過程。它是某種可以測量的東西，並且可以告知關於一個人的疾病的信息。生物樣本通常指活檢的組織樣本。 生物標誌物不僅可以在基因中找到，也可以間接地在定義“我是誰”的各種表型特徵中體現出來。蛋白質組學，將揭示更多關於人體內正在發生什麼的信息。甚至可以將認知和行爲也視爲健康的測量指標。在患者方程式中，所有的“輸入”實際上都是生物標誌物。我們擁有的數據越多，即生物樣本越多，就越能回溯過去，並檢驗未來的患者方程式。這種測量方式是客觀和定量的，能避免患者自我評估的主觀偏差，也能突破醫療專業人員無法全天候觀察患者的限制。 每當發現新的可測量的事物，或者找到用更高分辨率測量它們的方法，就會增加新的測量層次。需要確定哪些層次是有意義的，哪些層次增加了可以用來改善診斷、治療水平或個體生活質量的信息。傳統醫學以及相應的傳統醫學生物標誌物，通常涉及在時間跨度相對較大的時刻進行的離散測量，但在測量患者生活中所經歷的數值範圍或數值變化率方面，這是不精確的方式。而傳感器可以使這些測量更加客觀，揭示出大腦無法識別的模式。在理想情況下，能在警報趨勢剛開始出現時就立即發現問題，而不是等到情況嚴重之後才發現。 比如，如果想優化健康水平，而不僅是針對特定疾病進行局部治療，就需要更多地研究人們的晝夜節律、體內寄生蟲、炎症，以及環境中的生物羣落等因素。精準醫療與患者方程式最重要的一點是：有用的疾病模型有多種變量。通過研究一系列變量，以及能想象和追蹤的任何其他因素，可以對最適合、最準確的患者方程式進行反向工程。另外，越來越多的證據表明，認知和行爲在疾病的發展中扮演着非常重要的角色，當觀察安慰劑效應時，會發現一種完全不同的身心關聯，需要弄清楚如何用積極的方式使用這種力量，以優化治療的結果。 如今，我們正在擺脫對勞動密集、時間密集的面對面接觸的需求，做到隨時隨地都可以進行大規模的測量，測量數據可以立即傳輸到雲端，並由強大的算法進行分析；我們的醫學數據世界也是關於假設驗證的，即懷疑某種情況，然後進行測試，以確認懷疑是否合理。而在未來，工具可以使我們轉向假設生成。 第3章 智能時代：從手環到藍牙心電圖儀 真正的變革將自生命科學行業內部產生，而非科技行業，嚴格的科學藥物研發、設備開發以及對醫學的合法理解一起使用。在這個領域，最聰明且最持久的商業成功將是：以有意義和可測量的方式將技術與基礎生物學、生理學、認知科學和行爲學系統地整合起來。需要能將數據與對疾病進程的深入瞭解相結合的系統，才能爲患者創造有用的結果。 目前，可穿戴設備產生的數據並未被證明具有重要意義，但我們容易犯的錯誤是假設它們的潛力不存在，以及實現這種潛力要花的時間比現在看起來要長得多。真正能帶來改變的不是可穿戴設備本身，而是其背後的算法。這些算法擁有足夠的數據統計和計算能力，能完成實際需要的工作，並發現強有力的關聯性。 每個人身體附近的連接激增，是產生傳感器數據世界的轉折點。但真正有價值的是數字化測量，未來，將會有使用傳感器數據來定義、衡量和創建疾病的數學模型的科學。而在精準醫療中，關鍵是在合適的時間爲合適的患者提供合適的治療。 第二部分 將數據應用於疾病診療 利用數據和分析來解決一系列疾病方面的進展。 第4章 排卵追蹤手環：幫助女性成功孕育 Ava是Ava Science公司於2016年上市的一款女性排卵追蹤手環，已經獲得FDA的批准，並已在36個國家進行銷售。Ava手環是無侵入性的，睡覺時，它通過使用溫度傳感器、加速度計和光學體積描記，收集關於脈搏、呼吸頻率、心率變異性、睡眠持續時間和階段、皮膚溫度和血流灌注指數（反映組織的血流供應情況的指標）等信息，以及女性通過智能手機應用程序輸入的關於自身月經週期和性行爲時間的數據。Ava手環使用這些多變量數據來預測女性月經週期中的排卵日，對女性參與度和耗費精力的需求相對較少，其預測準確率爲89%。幕後的算法既是診斷性的，又是處方性的。 數據創建了一個讓持續改進成爲可能的反饋循環：收集的數據越多，就能越精細地改進算法，使預測變得更精確，從而可以測試更多的假設，最終可以得到更多的知識和信息。Ava手環這類設備使患者能以前所未有的精確度來掌握自己身體的情況。患者不再只是信息的被動接收者，當然，爲了獲取所需的信息，患者會被迫承擔更多的護理責任。 需要強調的一個重點是，對某一受衆羣體有效的設備，並不一定對另一個受衆羣體有效。 第5章 一口氣、一滴血：用技術征服慢性病 在哮喘的問題上，應試圖讓患者遠離危險因素。患者方程式的輸入都是關於內部和外部變量的組合，涉及患者的呼吸狀態、外部環境，以及可能存在的誘因。在糖尿病問題上，則需要關注的是患者需要努力保持平衡的內部生理過程，包括血糖和胰島素的調節。二者共同點是需要實時進行干預和調節，因此，患者方程式每次給出的信息必須是正確的，它們必須能發揮作用。 維納·米斯拉的團隊開發了一款旨在消除哮喘發作的可穿戴設備。通過可穿戴的手環和貼片，以及需要患者每天吹氣數次的肺功能測量儀，系統可以將患者的數據和環境信息結合在一起，並據此預測患者是否將要哮喘發作。 沒有任何一種常見病比糖尿病更需要持續、細緻的監測，這就是爲什麼可穿戴設備領域對糖尿病的研究如此活躍，並讓人們充滿期待。糖尿病管理是一個真正的閉環系統：患者測量自己的血糖，根據需要注射胰島素，並按需重複操作。建立一個更完善的系統面臨幾項挑戰：面對血糖水平的大幅度變化，目前的胰島素療法需要能更快地降低血糖水平；單靠胰島素不足以像非糖尿病患者的身體那樣高效地調節血糖水平；算法需要更智能，更好地根據每個患者的身體對胰島素劑量的反應來個性化地調整胰島素的使用情況，以更有效地控制血糖水平。現在的目標是改進設備，以便能更有效地控制糖尿病。 OneDrop通過Fitbit或Apple Watch等可穿戴設備收集血糖水平讀數、身體活動數據，以及食物攝取量、藥物數據，並在其應用程序中通過易於理解的可視化數據進行呈現，92.4%的預測被用戶評爲“有用”​。 慢性病的特徵使我們有時間從個體數據和行爲模式中學習，並不斷完善預測。而自供電可穿戴設備的未來圖景是：這些設備能激發人們的活力，提醒人們注意事項，賦予他們改變自己的能力，人體自身就是可以爲傳感器供電的電池。 第6章 用更精準的數據預測急危重症 本章討論的系統以挖掘個體患者記錄和實驗室數據爲中心，以發現人類難以檢測到的、至少人類不能以與系統同樣的速度和可靠性檢測到的疾病模式。無論針對哪一種病症、反應或影響，早期且準確的檢測都是應該投入精力去發現並應用複雜的患者方程式的終極目標。 識別並對抗敗血症，一直以來都是一個特殊的過程，總是爲時已晚。2018年11月，在經過數月的測試後，敗血症觀察系統在杜克大學醫院發佈，該系統包含86個變量，包括患者人口統計、合併症、化驗值、生命體徵、用藥情況等。一旦識別出有敗血病風險的患者，該系統將通過分診、篩查、監測和治療4個階段來追蹤治療進展，確保一旦被標記，就不會被忽視。 它所做的是發出警告，並確保醫生和護士介入評估，而非取代醫生。在開發該系統時，重要的是，在警報頻繁和警報不足之間找到正確的平衡。 除了個體層面，還可以着眼於更廣泛的人羣，以追蹤諸如流感之類的傳染病，利用大規模人羣信息來提高預測和控制疾病的可能性。比如17年，葛蘭素史克公司與麻省理工學院連接科學部門合作，推出的Flumoji。 試圖將新技術與傳統的數據系統融合是一個巨大的問題，這個問題並不會在短時間內消失。 第7章 未來癌症終結者：量身定製的療法 癌症通常是到無法治癒的晚期才能被察覺，對某個患者有效的治療往往對另一個患者無效，而且癌症本身會隨着時間的推移發生變化，並對有效的治療產生抵抗力，從而需要全新的治療策略。數據可能揭示的“分子指紋”不僅可以用來檢測癌症，甚至可以用來確定具體的癌症類型，這比傳統的檢測方法更快。最有趣的突破是關於對傳統治療方法有抵抗性的癌症的治療，以及基因信息與蛋白質組學（患者腫瘤樣本中的蛋白質）的結合，探索了新療法。 按照過去的觀點，癌症是一種生長和細胞分裂均不受控制的疾病。但如今發現它遠不止於此。癌症需要建立自己的“基礎設施”​：刺激新血管的生長；入侵其他組織。如果能切斷它構建自身生長基礎的途徑，就能阻止它的發展。癌症有更多的漏洞可以利用，有更多的方式可以獲取它所需的東西，並最終摧毀宿主。 基因測序能診斷出大約40%的癌症患者，而針對其中僅40%左右的患者，可能找到有效的治療方法。我們需要在癌症找到新的生長方式並改變策略之前做好準備。需要密切追蹤癌症以戰勝它，並將這種致命的疾病轉變爲可能的慢性病，不一定要“治癒”它，但可以不斷找到新的方法遏制其惡化。比如或間接地觀察到腫瘤內血管的情況。 如果能更深入地瞭解如何操控對細胞功能至關重要的蛋白質，就可以考慮基於癌症的本質而不是症狀來治療癌症患者了。超過50%的腫瘤中發現了P53蛋白異常，意味着它與癌症有很強的關聯。PP2A，蛋白磷酸酶2A，也是一種蛋白質，是一種細胞調節因子，不僅參與癌細胞的生長，還參與各種代謝途徑。這纔剛剛開始。 一項分析顯示，目前能與任何一種靶向治療藥物（目前有30種）相匹配的活檢腫瘤不到20%，但靶向治療是趨勢，也是當前研究的方向。 關於囊性纖維化，一種針對細菌感染的免疫療法，它會尋找最完美的特殊病毒靶向侵襲患者體內特定的細菌種羣。而噬菌體的特異性意味着它們只對某一種菌株起作用，這是個性化醫療的最極端表現。針對癌症的免疫療法和針對細菌感染的噬菌體療法，爲接受標準治療後無應答的患者帶來了巨大的希望。 第8章 用更豐富的數據，讓罕見病患者重拾希望 卡斯爾曼病是一種致命的疾病，它會影響淋巴結，並可能導致全身多個器官或系統衰竭，在美國，每年大約有5000人被確診患有此病，和肌萎縮側索硬化的患者數大致相同。最近的一項研究發現，將更多的患者數據納入預測模型，能提高特發性多中心型卡斯爾曼病iMCD傳統藥物治療的有效率， 爲了揭示我們現在可能有能力看到的模式，所有的數據都應該是可獲得的，這就是精準醫療的核心。這些數據需要進行整合和分類，且需要準確、完整，並不僅僅涉及基因、蛋白質組學和臨牀試驗等幾個方面，還涉及其他方面。 大多數罕見病的研究人員都面臨3大問題：資金難以籌集，患者樣本量很小，數據實用性不如預期。 第三部分 建立更精準的醫療模型 談論如何收集優質數據，以及如何用這些數據指導實際行動。 第9章 像測量氣壓般計算疾病的治療選擇 能否利用可視化原理，基於現有數據，計算出何時以及如何治療患者，才能獲得最佳的可能結果？當然，真正的疾病和可能性療法的實際相圖在結構上要複雜得多，會延伸到多個維度，可能包含多種現有的療法和實驗性治療。但是，任何給定的生物標誌物組合都指向一個區域（或者說過渡到另一個區域）​，與患者方程式輸出的最佳治療選擇相對應。這需要採用兩種簡單的表現形式：用表格展示結果，用相圖展示原始數據，而且還要提升思維和分析能力，以適應越來越多的數據維度。 從二維轉向三維時，過渡線變成了過渡面，再轉向四維或更多維度時，形狀會變得更難想象，但它們仍然存在。在以患者方程式驅動的未來，會對數據進行分類，以儘可能地填充表格，並對未觀測到的數據進行估算。生命科學領域的工作者其任務是不斷改進相圖，找出每種病症中重要的層次、需要繪製的特性及醫生直覺的編碼，使它們都能通過數據得到支持和擴展。在建立一個系統，並發展和應用所有可能的有效療法，然後將它們推廣到現實世界中，收集越來越多的數據來驗證和強化預測，並最終得到過去無法實現的一致的患者治療結果。 必須搞清楚的是，這些疾病相對進展的軌跡，儘可能可靠地確定，是否干預與何時干預（甚至是預防）是值得的。將這個問題進行可視化是很有幫助的。需要能預測誰會發病閾值，而且是在疾病發生之前就能被預測出來。這就是遺傳、分子數據與本書第一部分討論的表型信息相結合的地方。 數學模型可以成爲強大工具，隨着給模型提供越來越優質的數據，它們可以提供更好的機會，以便選擇正確的治療方法，做出更明智的護理決定。未來，將能觀察和衡量長期治療效果，這將是患者方程式真正可以發揮作用的地方。不僅從健康到疾病的轉變很重要，即最初是否進行治療的決定，而且治療結束後迴歸健康的轉變同樣重要。 第10章 失敗的火星氣候探測器：識別垃圾數據 機器學習和人工智能已成爲潮流，它們需要人類來建立系統、創制規則，確定先要收集哪些類型的數據，並設法讓所有數據都能進行分析。系統之間必須能相互聯繫，且需要在此基礎上產生有價值的輸出。信息需要被解密、標準化、組合、鏈接，並確保在以上過程中都採用了正確的算法。 用來模擬健康狀況和指導醫療護理的系統多複雜，核心都是基於統計學和計算機科學，如果想要獲得正確的結果，必須確保輸入的數據準確、完整和一致。獲得原始數據之後，還需要進行嚴謹的數據管理，這至關重要。 首先，需要確保數據的單位是一致的，以及所採用的任何收集和整合系統都已經產生了一組可以信任的數據。一旦數據穩定、準確且可靠，就可以擴展思維，尋找更具創新性的數據應用，尤其是應用於臨牀試驗領域。一旦將這些新的臨牀試驗知識與對行爲和認知表型的理解相結合，再加上所有其他數據層面，就能爲生命科學領域提供足夠的信息，以研發越來越多的特異性藥物和治療方法，並最終爲患者帶來真正的好處。 第11章 進化中的臨牀試驗：精準匹配等待的患者 爲了充分發揮新的患者方程式所提供的潛力，臨牀試驗需要從以下方面進化：一，改變患者尋找和參與試驗的方式（​“訪問”​）​；二，應用新的方式收集新類型的數據，以涵蓋從DNA到行爲乃至所處環境等各個方面；三，轉向新的數學設計。需要用新的試驗框架和技術來創新，以更有效地實現患者方程式的輸入和輸出，爲患者帶來最大的利益。 需要擴大臨牀試驗參與度。沒有明確的指南用來解讀試驗數據，也沒有明確的方式來針對不同的患者亞羣進行分類，很難了解某一特定試驗對於具有相似基因、總體健康狀況和併發症的患者的效果如何。 改善製藥行業與臨牀護理的脫節。向患者提供教育以及與患者權益倡導團體建立長期關係是有利的，不僅體現在銷售熱門藥物上，更體現在試驗招募、數據收集以及真正走上更豐富的疾病模型建立的道路上。整個醫療行業都需要進行思維轉變，患者方程式可以使我們從被動式系統轉變爲主動式系統。 設置真正以患者爲中心的試驗。ADAPTABLE試驗及其他類似的虛擬試驗證明，並不需要一個實際的地點作爲招募和治療的中心。這種研究方式將繼續擴展，並在未來變得更加常規，使得系統中的每個人都因技術而受益，這類參與率非常高，患者都非常配合研究的需求，很少有人中途退出。只要有機會，即使只是將部分研究轉移到虛擬環境中，也應該利用起來，以減輕被試的負擔。爲突破性的精準醫療找到合適的患者，比爲廣泛應用的藥物找到合適的患者更難。 試驗中更豐富、更廣泛的數據意味着更準確的分析。變量越多，我們就越有可能找到有意義的變量。相關實驗顯示，面臨的最大挑戰是傳感器的質量，以及被試能否正確使用它們，可穿戴設備的技術將變得越來越精準，而且用戶在使用過程中出錯的可能性也越來越小。 更重要的一步是開放試驗設計本身，擺脫傳統數學設計的限制，採用新的統計技術和方法來比較不同治療方法的安全性、有效性和價值。貝葉斯學派的方法基於過去的知識爲該治療價值設定一個概率分佈。隨着研究的深入，可以利用新的數據來調整或更新這個概率分佈，還可以在整個研究過程中不斷學習和調整。合成對照也將被作爲統計數據包中的一部分，用於新藥審批而被提交給監管機構。臨牀試驗數據和合成對照之間可以形成一個良性循環。 第12章 是數字僞藥，還是無所不能的數字療法 疾病管理平臺和圍繞藥物的應用程序可以激勵和改變患者行爲、衡量結果，並通過智能手機和可穿戴設備將患者與治療相匹配。應用程序面臨的最大挑戰之一是用戶的留存率，即讓用戶堅持登錄和輸入數據，無論數據類型是什麼。 數字療法是一種較新的工具。但在決定是否以及何時使用數字療法時，不應該把它與分子療法區別開來，應當使用相同的規則並通過相同標準來衡量治療的效果。將所有這些替代方法簡單地視爲醫療工具，是一種很重要的思維方式。當創造了更好的工具以後，每個人都會受益。最巧妙且最有價值的工具並不是來自某一種治療方式，而是來自多種治療方式的組合。 對於藥物及其參與平臺產生的所有積極生物效應的總和，如果公司提前採納了這種參與策略，藥物獲批後總的患者價值將超過沒有采納這種參與策略的總的患者價值。當數字策略不僅僅是附加組件和市場戰略，而是研發過程中不可或缺的部分時，它們才最有價值。藥物數字伴侶的研發甚至可以應用到更加定製化的藥物標籤上。 當然，建立有效的數字產品是困難的。作者的觀點是：只有當付款方堅持認爲這將成爲新的醫療標準時，它才能在市場上獲得廣泛關注。並且，成功開發數字參與策略和數字輔助治療手段的經濟動機，是不可否認的。 需要考慮建立合適的平臺來管理藥物劑量、需要確保制定合理的法規。合作將是至關重要的，必須正確調整激勵機制，並建立新的付款模式，且系統中的每一個部分都必須進行重新構建，以便我們能充分地發揮數據的潛力。 第四部分 未來世界的醫療圖景 整合元素以及變革。 第13章 醫療各行業協作，患者纔有更好的未來 數據標準化對於合作來說至關重要。人們需要彼此的數據來豐富疾病模型，以瞭解產品和解決方案是如何影響全球患者的。作爲患者的未來，還需要一個能獲取數據和傳輸數據的連接網絡，能支持企業和市場基礎設施，以及應用程序和數據流。 數據合作可以集中和專注於某些核心研究需求，且提升項目的價值並降低風險。合成對照的應用也將會成爲一種自動延續的商業模型，今天的新藥數據會成爲明天的對照數據，從而發現新的生物標誌物和疾病亞型。 所有這些工作都需要時間和金錢。 第14章 未來的報銷模式：價值導向型醫療 目前爲止，我們衡量醫療保健價值的能力仍是有限的。醫療報銷的未來完全取決於價值，從更廣泛的角度看，就是指不僅要關注總體存活率，更要關注每個患者的具體情況。目標不僅是延長壽命，更重要的是提高生命質量。 在確定支付標準時應考慮到很多因素，不僅鼓勵患者進行有效的手術，更要促進高效的後續護理，這也正是人們希望醫療系統能做到的。從一開始就應設法預防問題出現，應激勵醫生對患者的長期恢復和隨訪護理投入更多精力。弄清楚如何在每個環節中能最大程度地促進患者的恢復，並確保他們能按照預測的最佳路徑恢復健康，才能確保將最有效的治療方法提供給最需要的患者。 作者的建議是：在研發下一種藥物的過程中，要儘快考慮其治療方法的社會經濟價值，像活動範圍和其他高分辨率行爲標記這樣的測量方式，將有助於更深入地理解疾病進展的模型。當考慮基於價值的方法時，有三點在沒有給予足夠的關注：一，考慮誰應該服用某種藥物；二，如何證明某種藥物有效；三，確保知道應該何時停止對患者使用某種治療方法。 需要新的思維方式，預測結果和發展軌跡，還需要有效地測量重要的輸出。 第15章 醫生和患者：決定醫療革命成敗的關鍵 讓醫生提前從數據中看到問題即將發生，是患者方程式的全部意義所在。僅僅是客觀真實性就能推動患者治療產生巨大的進步。只有真正理解數據的力量，並像醫療服務提供者那樣重視數據的患者，才能將患者方程式思維推向主流。患者患者有責任對自己負責，需要接受教育，瞭解如何將應用程序、可穿戴設備與藥物、手術結合起來，並認真地對待這些設備，而製藥行業可以在這方面提供幫助。患者需要明白，在新的醫療保健世界中，信息就是力量。 第16章 對疫情的反思：下一次我們應如何面對 作者根據本書提及的技術和觀點，關於再次面對疫情的設想。必須要從更廣泛的視角來理解這個問題，包括患者、人羣、研究、醫學、技術，以及可以衡量健康狀況的所有尺度，需要專注於患者方程式，且不僅要關注眼前的內容，還要挖掘數據顯示的，無法立刻看到的信息。 結束語 穿越N維生命科學空間的迷霧 無論是分子、醫療設備，還是數字療法，利用基於患者方程式的精準醫療世界觀，人們都能比以往任何時候以更精確的方式證明其安全性、有效性和價值。作者希望本書能幫助所有人思考如何利用革命性技術和新方法，希望患者方程式與患者模擬相結合，共同助力本書中討論的話題向前推進。 只有當能夠對生命進行建模時，醫學生命科學才能實現質的飛躍。生命註定要在盛放與凋零間完成它的週期，無需以盲目應對無常，亦不必以恐懼丈量終點的臨近，而是可以記錄每一次心跳的震顫，收藏每一刻呼吸的韻律，在時光裏溫柔地解讀數據，讀懂自身，以此不斷調整自我的方程式，調校生命姿態，平衡心靈節律。

成書在LLM之前，分兩部分評論，願景的合理性以及LLM的影響。1）採用EHR數據、可穿戴設備數據的觀測是有價值的，這部分重點在於發展Sensor，但侵入性手段不論在倫理還是醫療器械的角度來書都不太可能。2）檢測的其他部分的難點在於發現早期可獲得的指標和檢測技術，這塊屬於夢想太美好但現實生化實驗這些都還沒有辦法小型化、光電化。3）精準治療分爲兩種一個是DTR，一個是以基因等個體因素爲主導的，前一個要大規模實驗，後一個現在研究雖然發展的還行，但好的靶點太難找。4）後面幾章扯淡的成分要更大，唯一看到有點用的是暴露網絡，VHM這種老早就再說了。5）那麼多數據給保險，精算表能對所有人形成更大的剝削了。6）LLM時代，nat med前幾天發的文章已經讓精準醫療已經成賽博算命了。

在現代社會之中，醫療似乎也變成了我們社會政治的一部分，特別醫療費用的增加，甚至可能造成了社會的崩潰，而且醫療也變成了階層的一部分。對於未來醫療總是存在着樂觀主義和悲觀主義，樂觀主義的典型的似乎就包括了基因療法以及精準醫療，其實對於未來醫療的發展來說還是可以充滿信心，無論是治療技術還是藥物研發都是應該達到新高度，而且與其他技術領域不同，治療似乎總是在不斷向好的，因爲對於人體本身的認識也是在不斷發展，而且經常出現底層的突破，認識的精度不斷提高，數據不斷積累就是這樣的基礎，儘管還是存在着因爲複雜性的問題，使得很難達到更加精準，當然個性化治療也變成了一種奢望，而且當下的醫院治療似乎就是變成了工業化生產線上的一部分，最近去看了眼睛，到了最爲有名的醫院，一進入就被眼前烏泱泱的人羣所震撼，在醫院之中最多的時間花費是等待，排隊和檢查，而真正的交換與治療時間反而變得短暫了，其實在資源比較有限的狀態下，大部分可能還是這樣的存在着，技術的發展產生的結果擴散的速度可能還是比較快速的，但是作爲每個人都是可以通過網絡和 ai 來進行問診，得到了足夠多的信息，在進行基礎判斷還是可以的，但是確定的結論還是需要到醫院來進行的，伴隨着數據的積累也就是數字化個人的過程，使得我們更加容易對於身體狀況進行了解，而這些積累也會變成治療的一部分，就可以得到了更多個性化治療，也就是能夠根據個人來進行治療。

“面對日新月異的科技進步，本書的觀點也有其時代的侷限性。如作者認爲數字科技只是爲醫生提供輔助工具，而不會取代醫生。現在僅僅是在本書創作五年後，數字科技突飛猛進，其速度已經徹底改變了人們對人工智能作爲輔助工具的看法，算法已進入了挑戰人類的智能階段，當然也包括了可以獨立進行診療。”

基本上是聽完的，後面再閱讀掃一遍。 值得去讀讀，也是建立合理健康認知的普及讀物。 作者把疾病的診斷比喻成一個有參數輸入的方程式，越準確、越全面的參數輸入，越有助於方式的準確計算輸出。 精準醫療的核心有效採集到足夠的、全面的個人數據，基於算法計算出可能的診斷的。 越準確的數據，越有利於結果的準確； 越全面的數據，越有利於系統的分析。 就像朱巖教授所談，中、西醫可能在數據層面會師。 中醫是基於系統論建立的，西醫是基於解剖學來了解認知各個器官功能，基於還原論來解決人類的健康問題。 在系統的數據基礎上，很可能達成中醫系統性視角與西醫微觀視角的統一。 本書的閱讀，有利於建立從數據的角度來構建醫療與健康的認知。

深夜的ICU病房裏，AI監測屏突然亮起敗血症預警，護士長抓起平板衝向走廊時，瞥見實習生正用手機調整胰島素泵參數——這些數據洪流中的微小漣漪，正在重構人類對抗疾病的底層邏輯。作者像一位數字時代的希波克拉底，剖開可穿戴設備的心率曲線，露出埋藏在慢性病管理中的生存革命：當哮喘患者的呼吸頻率成爲雲端算法餵養的變量，當乳腺癌篩查借力千萬份電子病歷自我迭代，醫療正從模糊的經驗主義走向像素級精確。書中那位用臨牀試驗數據管理系統縮短新藥上市週期的科學家，與在鄉鎮衛生院教老人使用糖尿病APP的志願者，共同編織着普惠醫療的經緯線。最震撼的並非技術奇觀，而是揭示出每個生命體徵背後都藏着未被破譯的密碼，而破解鑰匙可能正握在刷着健康手環的普通人掌心。

有場景需要，未來有一定的前景，AI+大數據+醫療

關於精準醫療與患者方程式最重要的一點：有用的疾病模型有多種變量。從輸入到輸出，從高質量、可分析且可操作的數據開始進行數據分析或應用。推薦閱讀。

2026年3月出版 穿越了嗎？？？？

2026/1/17（182本）3小時/15.4萬字。✔️