精准医疗

《精准医疗》作者是格伦·德弗里与杰瑞米·布莱克曼，他们从基因型与表型的关系、生物标志物的重要性以及智能设备的应用切入，展示了如何利用数据技术优化疾病预测和治疗。本书还深入探讨数字化转型如何重塑医疗保健行业，以实现更精准、高效的个性化医疗服务。 本书引用大量文献为依据，论证看似不相干的人体健康数据对于疾病诊断治疗的重要性，并对此提出了很多新颖观点，其提供的大量研究佐证让很多概念得到了支持。作者将这些看似繁杂的数据研究，用数字化的方式串联起来，让读者更加信服全息化的收集数据对于疾病诊疗的重要性，同时也犀利地指出，如果缺乏足够的数据支持，一些诊疗是有局限性甚至是错误的。 前言 为了更长的寿命、更好的生活、更高的生存质量 精准医疗的理念将影响每个人，它们会以前所未有的准确性预测出每一种影响或可能影响生活的疾病，并为人们提供关于这些疾病现有的和未来可能研发出的治疗方法。 比起仅依从标准医疗护理，更主动、更频繁地追踪自己的生物指标可能会使诊断结果有所不同，并且个体的“患者方程式”所包含的变量因素，比大多数人理解得都多。精准医疗手段将把直觉转化为可靠的数字化见解，并将这些见解从主要医疗中心和顶级生命科学公司传递至世界各地。 本书提出了5P医学模式—预防性(Preventive)、预测性(Predictive)、个性化(Personalized)、参与性(Participatory)和精准性(Precision)。 第一部分 预测医疗未来的工具 铺垫并解释精准医疗和数据分析的图景，回溯现状的由来； 第1章 在我们治愈坏血病之前 对一个人的所有观察信息进行分类十分重要，因为医生需要把它们当作解决患者问题的参考数据。分类的第一步来自于区分基因型和表型，基因组只是整个研究的起点。表型则包含了所有不存在于DNA编码中的人的可观察特性，即一个人所有的特性以及他在世界中存在的方式，都属于表型的范畴。 随历史的行进，测量表型的精确度不断提高。数字化的读数呈现出更高的分辨率，这是区分表型的有用维度。随着测量变得越来越准确，我们也需要越来越多的二进制位来存储这些测量结果，因为生物学与数字技术的融合，是与测量表型的精确度的提高紧密相连的。 就目前而言，原子仍是医疗领域可以观察到的最小单位，可以从尺度在纳米水平的DNA开始观察。但医学中的学科研究基本上仍然是以器官为基础的，更小尺度层面专业化的必要性变得显而易见，比如分子、生物通路以及使人认识到癌症并非一种疾病而是多种疾病的专业化。 生命初始阶段开始，周围环境在将个体始终稳定的基因型转化为远比单一的DNA序列复杂得多的生物体方面，起着至关重要的作用。关键是，一旦身体中的分子机制通过进化过程表现出来，它们就会一次又一次地被重复使用，所以一种对于治疗特定疾病特别有用的药物，可能在其他疾病的治疗中发挥其他作用。必须利用数据重新定义对人类疾病的理解。从零假设开始，我们的任务是找出那些真正具有附加价值的因素，需要确定可测量的新表型，以及它们能与传统表型和基因型测量产生何种组合，这将切实地有益于对疾病的理解，并证明这些新表型的重要性。在身体内外环境的变化下，包括生活在体内和体表的所有有机体及它们如何演变都会对健康状态产生极大的影响。 把人体的遗传信息及所有其他信息看作某个公式的输入，而这个公式输出的是关于人体的健康状况，以及应该接受或避免什么样的治疗的实用报告，这就是关于精准医疗的全部内容。许多因素都可能影响人们是否会患有某种特定疾病或症状，或者至少影响某种疾病或症状发展成需要治疗的问题的速度。 第2章 精准医疗与患者方程式 生物标志物是指可以在人体或其产物中测量到的，并能影响或预测疾病结果、疾病发生率的任何物质、结构或过程。它是某种可以测量的东西，并且可以告知关于一个人的疾病的信息。生物样本通常指活检的组织样本。 生物标志物不仅可以在基因中找到，也可以间接地在定义“我是谁”的各种表型特征中体现出来。蛋白质组学，将揭示更多关于人体内正在发生什么的信息。甚至可以将认知和行为也视为健康的测量指标。在患者方程式中，所有的“输入”实际上都是生物标志物。我们拥有的数据越多，即生物样本越多，就越能回溯过去，并检验未来的患者方程式。这种测量方式是客观和定量的，能避免患者自我评估的主观偏差，也能突破医疗专业人员无法全天候观察患者的限制。 每当发现新的可测量的事物，或者找到用更高分辨率测量它们的方法，就会增加新的测量层次。需要确定哪些层次是有意义的，哪些层次增加了可以用来改善诊断、治疗水平或个体生活质量的信息。传统医学以及相应的传统医学生物标志物，通常涉及在时间跨度相对较大的时刻进行的离散测量，但在测量患者生活中所经历的数值范围或数值变化率方面，这是不精确的方式。而传感器可以使这些测量更加客观，揭示出大脑无法识别的模式。在理想情况下，能在警报趋势刚开始出现时就立即发现问题，而不是等到情况严重之后才发现。 比如，如果想优化健康水平，而不仅是针对特定疾病进行局部治疗，就需要更多地研究人们的昼夜节律、体内寄生虫、炎症，以及环境中的生物群落等因素。精准医疗与患者方程式最重要的一点是：有用的疾病模型有多种变量。通过研究一系列变量，以及能想象和追踪的任何其他因素，可以对最适合、最准确的患者方程式进行反向工程。另外，越来越多的证据表明，认知和行为在疾病的发展中扮演着非常重要的角色，当观察安慰剂效应时，会发现一种完全不同的身心关联，需要弄清楚如何用积极的方式使用这种力量，以优化治疗的结果。 如今，我们正在摆脱对劳动密集、时间密集的面对面接触的需求，做到随时随地都可以进行大规模的测量，测量数据可以立即传输到云端，并由强大的算法进行分析；我们的医学数据世界也是关于假设验证的，即怀疑某种情况，然后进行测试，以确认怀疑是否合理。而在未来，工具可以使我们转向假设生成。 第3章 智能时代：从手环到蓝牙心电图仪 真正的变革将自生命科学行业内部产生，而非科技行业，严格的科学药物研发、设备开发以及对医学的合法理解一起使用。在这个领域，最聪明且最持久的商业成功将是：以有意义和可测量的方式将技术与基础生物学、生理学、认知科学和行为学系统地整合起来。需要能将数据与对疾病进程的深入了解相结合的系统，才能为患者创造有用的结果。 目前，可穿戴设备产生的数据并未被证明具有重要意义，但我们容易犯的错误是假设它们的潜力不存在，以及实现这种潜力要花的时间比现在看起来要长得多。真正能带来改变的不是可穿戴设备本身，而是其背后的算法。这些算法拥有足够的数据统计和计算能力，能完成实际需要的工作，并发现强有力的关联性。 每个人身体附近的连接激增，是产生传感器数据世界的转折点。但真正有价值的是数字化测量，未来，将会有使用传感器数据来定义、衡量和创建疾病的数学模型的科学。而在精准医疗中，关键是在合适的时间为合适的患者提供合适的治疗。 第二部分 将数据应用于疾病诊疗 利用数据和分析来解决一系列疾病方面的进展。 第4章 排卵追踪手环：帮助女性成功孕育 Ava是Ava Science公司于2016年上市的一款女性排卵追踪手环，已经获得FDA的批准，并已在36个国家进行销售。Ava手环是无侵入性的，睡觉时，它通过使用温度传感器、加速度计和光学体积描记，收集关于脉搏、呼吸频率、心率变异性、睡眠持续时间和阶段、皮肤温度和血流灌注指数（反映组织的血流供应情况的指标）等信息，以及女性通过智能手机应用程序输入的关于自身月经周期和性行为时间的数据。Ava手环使用这些多变量数据来预测女性月经周期中的排卵日，对女性参与度和耗费精力的需求相对较少，其预测准确率为89%。幕后的算法既是诊断性的，又是处方性的。 数据创建了一个让持续改进成为可能的反馈循环：收集的数据越多，就能越精细地改进算法，使预测变得更精确，从而可以测试更多的假设，最终可以得到更多的知识和信息。Ava手环这类设备使患者能以前所未有的精确度来掌握自己身体的情况。患者不再只是信息的被动接收者，当然，为了获取所需的信息，患者会被迫承担更多的护理责任。 需要强调的一个重点是，对某一受众群体有效的设备，并不一定对另一个受众群体有效。 第5章 一口气、一滴血：用技术征服慢性病 在哮喘的问题上，应试图让患者远离危险因素。患者方程式的输入都是关于内部和外部变量的组合，涉及患者的呼吸状态、外部环境，以及可能存在的诱因。在糖尿病问题上，则需要关注的是患者需要努力保持平衡的内部生理过程，包括血糖和胰岛素的调节。二者共同点是需要实时进行干预和调节，因此，患者方程式每次给出的信息必须是正确的，它们必须能发挥作用。 维纳·米斯拉的团队开发了一款旨在消除哮喘发作的可穿戴设备。通过可穿戴的手环和贴片，以及需要患者每天吹气数次的肺功能测量仪，系统可以将患者的数据和环境信息结合在一起，并据此预测患者是否将要哮喘发作。 没有任何一种常见病比糖尿病更需要持续、细致的监测，这就是为什么可穿戴设备领域对糖尿病的研究如此活跃，并让人们充满期待。糖尿病管理是一个真正的闭环系统：患者测量自己的血糖，根据需要注射胰岛素，并按需重复操作。建立一个更完善的系统面临几项挑战：面对血糖水平的大幅度变化，目前的胰岛素疗法需要能更快地降低血糖水平；单靠胰岛素不足以像非糖尿病患者的身体那样高效地调节血糖水平；算法需要更智能，更好地根据每个患者的身体对胰岛素剂量的反应来个性化地调整胰岛素的使用情况，以更有效地控制血糖水平。现在的目标是改进设备，以便能更有效地控制糖尿病。 OneDrop通过Fitbit或Apple Watch等可穿戴设备收集血糖水平读数、身体活动数据，以及食物摄取量、药物数据，并在其应用程序中通过易于理解的可视化数据进行呈现，92.4%的预测被用户评为“有用”​。 慢性病的特征使我们有时间从个体数据和行为模式中学习，并不断完善预测。而自供电可穿戴设备的未来图景是：这些设备能激发人们的活力，提醒人们注意事项，赋予他们改变自己的能力，人体自身就是可以为传感器供电的电池。 第6章 用更精准的数据预测急危重症 本章讨论的系统以挖掘个体患者记录和实验室数据为中心，以发现人类难以检测到的、至少人类不能以与系统同样的速度和可靠性检测到的疾病模式。无论针对哪一种病症、反应或影响，早期且准确的检测都是应该投入精力去发现并应用复杂的患者方程式的终极目标。 识别并对抗败血症，一直以来都是一个特殊的过程，总是为时已晚。2018年11月，在经过数月的测试后，败血症观察系统在杜克大学医院发布，该系统包含86个变量，包括患者人口统计、合并症、化验值、生命体征、用药情况等。一旦识别出有败血病风险的患者，该系统将通过分诊、筛查、监测和治疗4个阶段来追踪治疗进展，确保一旦被标记，就不会被忽视。 它所做的是发出警告，并确保医生和护士介入评估，而非取代医生。在开发该系统时，重要的是，在警报频繁和警报不足之间找到正确的平衡。 除了个体层面，还可以着眼于更广泛的人群，以追踪诸如流感之类的传染病，利用大规模人群信息来提高预测和控制疾病的可能性。比如17年，葛兰素史克公司与麻省理工学院连接科学部门合作，推出的Flumoji。 试图将新技术与传统的数据系统融合是一个巨大的问题，这个问题并不会在短时间内消失。 第7章 未来癌症终结者：量身定制的疗法 癌症通常是到无法治愈的晚期才能被察觉，对某个患者有效的治疗往往对另一个患者无效，而且癌症本身会随着时间的推移发生变化，并对有效的治疗产生抵抗力，从而需要全新的治疗策略。数据可能揭示的“分子指纹”不仅可以用来检测癌症，甚至可以用来确定具体的癌症类型，这比传统的检测方法更快。最有趣的突破是关于对传统治疗方法有抵抗性的癌症的治疗，以及基因信息与蛋白质组学（患者肿瘤样本中的蛋白质）的结合，探索了新疗法。 按照过去的观点，癌症是一种生长和细胞分裂均不受控制的疾病。但如今发现它远不止于此。癌症需要建立自己的“基础设施”​：刺激新血管的生长；入侵其他组织。如果能切断它构建自身生长基础的途径，就能阻止它的发展。癌症有更多的漏洞可以利用，有更多的方式可以获取它所需的东西，并最终摧毁宿主。 基因测序能诊断出大约40%的癌症患者，而针对其中仅40%左右的患者，可能找到有效的治疗方法。我们需要在癌症找到新的生长方式并改变策略之前做好准备。需要密切追踪癌症以战胜它，并将这种致命的疾病转变为可能的慢性病，不一定要“治愈”它，但可以不断找到新的方法遏制其恶化。比如或间接地观察到肿瘤内血管的情况。 如果能更深入地了解如何操控对细胞功能至关重要的蛋白质，就可以考虑基于癌症的本质而不是症状来治疗癌症患者了。超过50%的肿瘤中发现了P53蛋白异常，意味着它与癌症有很强的关联。PP2A，蛋白磷酸酶2A，也是一种蛋白质，是一种细胞调节因子，不仅参与癌细胞的生长，还参与各种代谢途径。这才刚刚开始。 一项分析显示，目前能与任何一种靶向治疗药物（目前有30种）相匹配的活检肿瘤不到20%，但靶向治疗是趋势，也是当前研究的方向。 关于囊性纤维化，一种针对细菌感染的免疫疗法，它会寻找最完美的特殊病毒靶向侵袭患者体内特定的细菌种群。而噬菌体的特异性意味着它们只对某一种菌株起作用，这是个性化医疗的最极端表现。针对癌症的免疫疗法和针对细菌感染的噬菌体疗法，为接受标准治疗后无应答的患者带来了巨大的希望。 第8章 用更丰富的数据，让罕见病患者重拾希望 卡斯尔曼病是一种致命的疾病，它会影响淋巴结，并可能导致全身多个器官或系统衰竭，在美国，每年大约有5000人被确诊患有此病，和肌萎缩侧索硬化的患者数大致相同。最近的一项研究发现，将更多的患者数据纳入预测模型，能提高特发性多中心型卡斯尔曼病iMCD传统药物治疗的有效率， 为了揭示我们现在可能有能力看到的模式，所有的数据都应该是可获得的，这就是精准医疗的核心。这些数据需要进行整合和分类，且需要准确、完整，并不仅仅涉及基因、蛋白质组学和临床试验等几个方面，还涉及其他方面。 大多数罕见病的研究人员都面临3大问题：资金难以筹集，患者样本量很小，数据实用性不如预期。 第三部分 建立更精准的医疗模型 谈论如何收集优质数据，以及如何用这些数据指导实际行动。 第9章 像测量气压般计算疾病的治疗选择 能否利用可视化原理，基于现有数据，计算出何时以及如何治疗患者，才能获得最佳的可能结果？当然，真正的疾病和可能性疗法的实际相图在结构上要复杂得多，会延伸到多个维度，可能包含多种现有的疗法和实验性治疗。但是，任何给定的生物标志物组合都指向一个区域（或者说过渡到另一个区域）​，与患者方程式输出的最佳治疗选择相对应。这需要采用两种简单的表现形式：用表格展示结果，用相图展示原始数据，而且还要提升思维和分析能力，以适应越来越多的数据维度。 从二维转向三维时，过渡线变成了过渡面，再转向四维或更多维度时，形状会变得更难想象，但它们仍然存在。在以患者方程式驱动的未来，会对数据进行分类，以尽可能地填充表格，并对未观测到的数据进行估算。生命科学领域的工作者其任务是不断改进相图，找出每种病症中重要的层次、需要绘制的特性及医生直觉的编码，使它们都能通过数据得到支持和扩展。在建立一个系统，并发展和应用所有可能的有效疗法，然后将它们推广到现实世界中，收集越来越多的数据来验证和强化预测，并最终得到过去无法实现的一致的患者治疗结果。 必须搞清楚的是，这些疾病相对进展的轨迹，尽可能可靠地确定，是否干预与何时干预（甚至是预防）是值得的。将这个问题进行可视化是很有帮助的。需要能预测谁会发病阈值，而且是在疾病发生之前就能被预测出来。这就是遗传、分子数据与本书第一部分讨论的表型信息相结合的地方。 数学模型可以成为强大工具，随着给模型提供越来越优质的数据，它们可以提供更好的机会，以便选择正确的治疗方法，做出更明智的护理决定。未来，将能观察和衡量长期治疗效果，这将是患者方程式真正可以发挥作用的地方。不仅从健康到疾病的转变很重要，即最初是否进行治疗的决定，而且治疗结束后回归健康的转变同样重要。 第10章 失败的火星气候探测器：识别垃圾数据 机器学习和人工智能已成为潮流，它们需要人类来建立系统、创制规则，确定先要收集哪些类型的数据，并设法让所有数据都能进行分析。系统之间必须能相互联系，且需要在此基础上产生有价值的输出。信息需要被解密、标准化、组合、链接，并确保在以上过程中都采用了正确的算法。 用来模拟健康状况和指导医疗护理的系统多复杂，核心都是基于统计学和计算机科学，如果想要获得正确的结果，必须确保输入的数据准确、完整和一致。获得原始数据之后，还需要进行严谨的数据管理，这至关重要。 首先，需要确保数据的单位是一致的，以及所采用的任何收集和整合系统都已经产生了一组可以信任的数据。一旦数据稳定、准确且可靠，就可以扩展思维，寻找更具创新性的数据应用，尤其是应用于临床试验领域。一旦将这些新的临床试验知识与对行为和认知表型的理解相结合，再加上所有其他数据层面，就能为生命科学领域提供足够的信息，以研发越来越多的特异性药物和治疗方法，并最终为患者带来真正的好处。 第11章 进化中的临床试验：精准匹配等待的患者 为了充分发挥新的患者方程式所提供的潜力，临床试验需要从以下方面进化：一，改变患者寻找和参与试验的方式（​“访问”​）​；二，应用新的方式收集新类型的数据，以涵盖从DNA到行为乃至所处环境等各个方面；三，转向新的数学设计。需要用新的试验框架和技术来创新，以更有效地实现患者方程式的输入和输出，为患者带来最大的利益。 需要扩大临床试验参与度。没有明确的指南用来解读试验数据，也没有明确的方式来针对不同的患者亚群进行分类，很难了解某一特定试验对于具有相似基因、总体健康状况和并发症的患者的效果如何。 改善制药行业与临床护理的脱节。向患者提供教育以及与患者权益倡导团体建立长期关系是有利的，不仅体现在销售热门药物上，更体现在试验招募、数据收集以及真正走上更丰富的疾病模型建立的道路上。整个医疗行业都需要进行思维转变，患者方程式可以使我们从被动式系统转变为主动式系统。 设置真正以患者为中心的试验。ADAPTABLE试验及其他类似的虚拟试验证明，并不需要一个实际的地点作为招募和治疗的中心。这种研究方式将继续扩展，并在未来变得更加常规，使得系统中的每个人都因技术而受益，这类参与率非常高，患者都非常配合研究的需求，很少有人中途退出。只要有机会，即使只是将部分研究转移到虚拟环境中，也应该利用起来，以减轻被试的负担。为突破性的精准医疗找到合适的患者，比为广泛应用的药物找到合适的患者更难。 试验中更丰富、更广泛的数据意味着更准确的分析。变量越多，我们就越有可能找到有意义的变量。相关实验显示，面临的最大挑战是传感器的质量，以及被试能否正确使用它们，可穿戴设备的技术将变得越来越精准，而且用户在使用过程中出错的可能性也越来越小。 更重要的一步是开放试验设计本身，摆脱传统数学设计的限制，采用新的统计技术和方法来比较不同治疗方法的安全性、有效性和价值。贝叶斯学派的方法基于过去的知识为该治疗价值设定一个概率分布。随着研究的深入，可以利用新的数据来调整或更新这个概率分布，还可以在整个研究过程中不断学习和调整。合成对照也将被作为统计数据包中的一部分，用于新药审批而被提交给监管机构。临床试验数据和合成对照之间可以形成一个良性循环。 第12章 是数字伪药，还是无所不能的数字疗法 疾病管理平台和围绕药物的应用程序可以激励和改变患者行为、衡量结果，并通过智能手机和可穿戴设备将患者与治疗相匹配。应用程序面临的最大挑战之一是用户的留存率，即让用户坚持登录和输入数据，无论数据类型是什么。 数字疗法是一种较新的工具。但在决定是否以及何时使用数字疗法时，不应该把它与分子疗法区别开来，应当使用相同的规则并通过相同标准来衡量治疗的效果。将所有这些替代方法简单地视为医疗工具，是一种很重要的思维方式。当创造了更好的工具以后，每个人都会受益。最巧妙且最有价值的工具并不是来自某一种治疗方式，而是来自多种治疗方式的组合。 对于药物及其参与平台产生的所有积极生物效应的总和，如果公司提前采纳了这种参与策略，药物获批后总的患者价值将超过没有采纳这种参与策略的总的患者价值。当数字策略不仅仅是附加组件和市场战略，而是研发过程中不可或缺的部分时，它们才最有价值。药物数字伴侣的研发甚至可以应用到更加定制化的药物标签上。 当然，建立有效的数字产品是困难的。作者的观点是：只有当付款方坚持认为这将成为新的医疗标准时，它才能在市场上获得广泛关注。并且，成功开发数字参与策略和数字辅助治疗手段的经济动机，是不可否认的。 需要考虑建立合适的平台来管理药物剂量、需要确保制定合理的法规。合作将是至关重要的，必须正确调整激励机制，并建立新的付款模式，且系统中的每一个部分都必须进行重新构建，以便我们能充分地发挥数据的潜力。 第四部分 未来世界的医疗图景 整合元素以及变革。 第13章 医疗各行业协作，患者才有更好的未来 数据标准化对于合作来说至关重要。人们需要彼此的数据来丰富疾病模型，以了解产品和解决方案是如何影响全球患者的。作为患者的未来，还需要一个能获取数据和传输数据的连接网络，能支持企业和市场基础设施，以及应用程序和数据流。 数据合作可以集中和专注于某些核心研究需求，且提升项目的价值并降低风险。合成对照的应用也将会成为一种自动延续的商业模型，今天的新药数据会成为明天的对照数据，从而发现新的生物标志物和疾病亚型。 所有这些工作都需要时间和金钱。 第14章 未来的报销模式：价值导向型医疗 目前为止，我们衡量医疗保健价值的能力仍是有限的。医疗报销的未来完全取决于价值，从更广泛的角度看，就是指不仅要关注总体存活率，更要关注每个患者的具体情况。目标不仅是延长寿命，更重要的是提高生命质量。 在确定支付标准时应考虑到很多因素，不仅鼓励患者进行有效的手术，更要促进高效的后续护理，这也正是人们希望医疗系统能做到的。从一开始就应设法预防问题出现，应激励医生对患者的长期恢复和随访护理投入更多精力。弄清楚如何在每个环节中能最大程度地促进患者的恢复，并确保他们能按照预测的最佳路径恢复健康，才能确保将最有效的治疗方法提供给最需要的患者。 作者的建议是：在研发下一种药物的过程中，要尽快考虑其治疗方法的社会经济价值，像活动范围和其他高分辨率行为标记这样的测量方式，将有助于更深入地理解疾病进展的模型。当考虑基于价值的方法时，有三点在没有给予足够的关注：一，考虑谁应该服用某种药物；二，如何证明某种药物有效；三，确保知道应该何时停止对患者使用某种治疗方法。 需要新的思维方式，预测结果和发展轨迹，还需要有效地测量重要的输出。 第15章 医生和患者：决定医疗革命成败的关键 让医生提前从数据中看到问题即将发生，是患者方程式的全部意义所在。仅仅是客观真实性就能推动患者治疗产生巨大的进步。只有真正理解数据的力量，并像医疗服务提供者那样重视数据的患者，才能将患者方程式思维推向主流。患者患者有责任对自己负责，需要接受教育，了解如何将应用程序、可穿戴设备与药物、手术结合起来，并认真地对待这些设备，而制药行业可以在这方面提供帮助。患者需要明白，在新的医疗保健世界中，信息就是力量。 第16章 对疫情的反思：下一次我们应如何面对 作者根据本书提及的技术和观点，关于再次面对疫情的设想。必须要从更广泛的视角来理解这个问题，包括患者、人群、研究、医学、技术，以及可以衡量健康状况的所有尺度，需要专注于患者方程式，且不仅要关注眼前的内容，还要挖掘数据显示的，无法立刻看到的信息。 结束语 穿越N维生命科学空间的迷雾 无论是分子、医疗设备，还是数字疗法，利用基于患者方程式的精准医疗世界观，人们都能比以往任何时候以更精确的方式证明其安全性、有效性和价值。作者希望本书能帮助所有人思考如何利用革命性技术和新方法，希望患者方程式与患者模拟相结合，共同助力本书中讨论的话题向前推进。 只有当能够对生命进行建模时，医学生命科学才能实现质的飞跃。生命注定要在盛放与凋零间完成它的周期，无需以盲目应对无常，亦不必以恐惧丈量终点的临近，而是可以记录每一次心跳的震颤，收藏每一刻呼吸的韵律，在时光里温柔地解读数据，读懂自身，以此不断调整自我的方程式，调校生命姿态，平衡心灵节律。

成书在LLM之前，分两部分评论，愿景的合理性以及LLM的影响。1）采用EHR数据、可穿戴设备数据的观测是有价值的，这部分重点在于发展Sensor，但侵入性手段不论在伦理还是医疗器械的角度来书都不太可能。2）检测的其他部分的难点在于发现早期可获得的指标和检测技术，这块属于梦想太美好但现实生化实验这些都还没有办法小型化、光电化。3）精准治疗分为两种一个是DTR，一个是以基因等个体因素为主导的，前一个要大规模实验，后一个现在研究虽然发展的还行，但好的靶点太难找。4）后面几章扯淡的成分要更大，唯一看到有点用的是暴露网络，VHM这种老早就再说了。5）那么多数据给保险，精算表能对所有人形成更大的剥削了。6）LLM时代，nat med前几天发的文章已经让精准医疗已经成赛博算命了。

在现代社会之中，医疗似乎也变成了我们社会政治的一部分，特别医疗费用的增加，甚至可能造成了社会的崩溃，而且医疗也变成了阶层的一部分。对于未来医疗总是存在着乐观主义和悲观主义，乐观主义的典型的似乎就包括了基因疗法以及精准医疗，其实对于未来医疗的发展来说还是可以充满信心，无论是治疗技术还是药物研发都是应该达到新高度，而且与其他技术领域不同，治疗似乎总是在不断向好的，因为对于人体本身的认识也是在不断发展，而且经常出现底层的突破，认识的精度不断提高，数据不断积累就是这样的基础，尽管还是存在着因为复杂性的问题，使得很难达到更加精准，当然个性化治疗也变成了一种奢望，而且当下的医院治疗似乎就是变成了工业化生产线上的一部分，最近去看了眼睛，到了最为有名的医院，一进入就被眼前乌泱泱的人群所震撼，在医院之中最多的时间花费是等待，排队和检查，而真正的交换与治疗时间反而变得短暂了，其实在资源比较有限的状态下，大部分可能还是这样的存在着，技术的发展产生的结果扩散的速度可能还是比较快速的，但是作为每个人都是可以通过网络和 ai 来进行问诊，得到了足够多的信息，在进行基础判断还是可以的，但是确定的结论还是需要到医院来进行的，伴随着数据的积累也就是数字化个人的过程，使得我们更加容易对于身体状况进行了解，而这些积累也会变成治疗的一部分，就可以得到了更多个性化治疗，也就是能够根据个人来进行治疗。

“面对日新月异的科技进步，本书的观点也有其时代的局限性。如作者认为数字科技只是为医生提供辅助工具，而不会取代医生。现在仅仅是在本书创作五年后，数字科技突飞猛进，其速度已经彻底改变了人们对人工智能作为辅助工具的看法，算法已进入了挑战人类的智能阶段，当然也包括了可以独立进行诊疗。”

基本上是听完的，后面再阅读扫一遍。 值得去读读，也是建立合理健康认知的普及读物。 作者把疾病的诊断比喻成一个有参数输入的方程式，越准确、越全面的参数输入，越有助于方式的准确计算输出。 精准医疗的核心有效采集到足够的、全面的个人数据，基于算法计算出可能的诊断的。 越准确的数据，越有利于结果的准确； 越全面的数据，越有利于系统的分析。 就像朱岩教授所谈，中、西医可能在数据层面会师。 中医是基于系统论建立的，西医是基于解剖学来了解认知各个器官功能，基于还原论来解决人类的健康问题。 在系统的数据基础上，很可能达成中医系统性视角与西医微观视角的统一。 本书的阅读，有利于建立从数据的角度来构建医疗与健康的认知。

深夜的ICU病房里，AI监测屏突然亮起败血症预警，护士长抓起平板冲向走廊时，瞥见实习生正用手机调整胰岛素泵参数——这些数据洪流中的微小涟漪，正在重构人类对抗疾病的底层逻辑。作者像一位数字时代的希波克拉底，剖开可穿戴设备的心率曲线，露出埋藏在慢性病管理中的生存革命：当哮喘患者的呼吸频率成为云端算法喂养的变量，当乳腺癌筛查借力千万份电子病历自我迭代，医疗正从模糊的经验主义走向像素级精确。书中那位用临床试验数据管理系统缩短新药上市周期的科学家，与在乡镇卫生院教老人使用糖尿病APP的志愿者，共同编织着普惠医疗的经纬线。最震撼的并非技术奇观，而是揭示出每个生命体征背后都藏着未被破译的密码，而破解钥匙可能正握在刷着健康手环的普通人掌心。

有场景需要，未来有一定的前景，AI+大数据+医疗

关于精准医疗与患者方程式最重要的一点：有用的疾病模型有多种变量。从输入到输出，从高质量、可分析且可操作的数据开始进行数据分析或应用。推荐阅读。

2026年3月出版 穿越了吗？？？？

2026/1/17（182本）3小时/15.4万字。✔️