来源：
中欧卫生管理与政策中心 作者：蔡江南
医疗数据推动医学进步
最近一段时间，医疗大数据和人工智能成为非常热门的话题和领域。人类基因组、微生物组、互联网、物联网、
IBM
的人工智能等新的科技进展，都推动了医疗领域围绕信息化的技术创新热潮。
信息数据一直是医疗领域的最重要的短板和核心
。
信息难以获得、信息不确定、信息不对称，都给医疗领域带来了很大的影响。医学从一个主要依靠直觉、经验、症状来治疗的领域，随着数据的积累、扩大，慢慢发现了一些模式，从直觉医学转化为实证医学。当大数据开始出现后，当我们可以精确诊断疾病的原因，从而真正做到对症下药后，我们便达到了精准医学的阶段。因此，信息化和数据的规模和质量，是推动医学进步的重要力量。
大数据首先是指数据的数量巨大，而且甚至是研究某个问题所涉及到的整个数据集群，而不只是其中的一个样本。我们知道，当数据样本足够大时，数据本身的一些误差变得不那么重要。当然，这并不意味着数据本身的质量不再重要。如果数据本身的质量很差，大数据同样无法让我们接近事实的真相。
医疗信息的电子化有助于将不规范、非结构化的数据，转为规范和结构化的数据，从而提高医疗数据的质量。
由于医生工作繁忙，医疗数据编码应用的不普及，缺乏医疗数据统一的标准和规范，这些问题对于提高我国医疗数据的质量都是很大的挑战。
推动我国医疗数据在各个部门和机构之间的连通，是提高医疗数据质量的突破点。连通需要数据标准的统一、数据的公开、以及保证数据的安全，这些都需要政府、行业协会、社会第三方机构的参与。
人工智能在辅助诊断上大有用武之地
诊断和治疗是医学的两个重要环节，而诊断又是治疗的基础和前提。诊断的本质就是区分，区别不同的疾病是认识疾病原因的基础。当我们拥有足够有质量的医疗数据后，就具备了做出正确诊断的条件，而人工智能的深度学习就可以发挥作用。所谓深度学习就是从大数据中发现规律，归纳总结出带有规律性的差异，从而进行诊断。
人工智能与人脑相比的优越性在于，可以更高效地处理海量数据，迅速找到一些特征和规律。在图像识别上，人工智能的优越性表现的特别突出。
最典型的例子是，美国斯坦福兼职教授
Thrun
从皮肤癌入手，用一个庞大的图像库来训练机器识别恶性肿瘤。
2015
年
6
月开始测试这个深度学习系统。使用经皮肤病专家诊断的
14000
张图像，来看这个深度学习系统是否能够准确地将图像分为
3
个诊断类别：良性病变、恶性病变和非癌生长。结果这个系统的正确率为
70%
，而两位皮肤病学家的正确率为
66%
。人工智能在影像、病理的诊断上将有很大的用武之地。
人工智能还可以利用庞大的医学知识库和数据库，建立医生的临床辅助决策系统，帮助医生进行诊断。
例如，广州市妇女儿童医疗中心，自主开发了一款儿科发热相关的疾病智能诊疗助手。利用大量高质量病历数据的优势，以真实的海量临床电子病历大数据为基础，融合临床指南、专家共识和医学文献，结合分析和深度学习技术建立多维度诊疗模型，对病历进行大量标注工作，通过人工智能提供初步的诊断提示，提高患者和医生的寻医问诊效率。项目自去年
8
月份上线以来，随着逐渐融入医生的工作流程，其准确率也在逐渐提高。对
200
份病历的数据分析显示，这个系统目前大约可以达到中级医生的水平。
分级诊疗是一种“搅局式创新”
哈佛商学院著名的创新理论教授克里斯坦，建立了一套医疗创新的理论，我们通常将
Disruptive Innovation
翻译成“颠覆式创新”。但是这与作者的原意不尽相同，在中文里“颠覆”有两层含义，一是“取代”和“推翻”的意思，二是“突破性”或“天翻地覆”的变化。
