随着真实世界研究越来越受重视，临床大数据的管理也越来越重要，如何科学、系统、高效地实现数据的获取、集成和应用？孙颖教授以“医疗大数据助力临床科研”为主题，分析了中山大学附属肿瘤医院临床大数据的管理经验。

 

孙颖教授从“临床医生在临床诊疗中采用的数据”为切入点，阐释了临床医生最重要的证据来源由传统RCT试验逐步过渡到真实世界研究。真实世界研究要求的数据更多，要满足大样本、多来源、长时程的要求，其中最重要的是数据结构化。

 

自2014年起，中山肿瘤开始围绕数据的获取、集成和应用建设大数据，数据不仅包括临床数据，还包括生物组学，影像学数据以及外部文献数据。建设医学大数据存在相当大的难度，由于医学的专业性和复杂性，数据处理的难度大，集成层次繁杂。因而，孙教授强调数据处理平台非常重要，需要以医生为主导的团队共同努力。建设大数据源于医生，也将服务于医生；需求决定建设力度。

 

建设大数据建设共分为3个部分：①数据标准化和集成，应由专业人员建设，参考国际大数据库，并结合中国医院的特色，建立一个相对统一的标准。数据标准分为3个层次：通用字段集、专科字段集以及专病字段集；②“唤醒数据”，大数据集成之后，需要将数据结构化，才能发挥数据的作用。临床数据分为3个级别：I级--人口学资料，药品医嘱等资料为结构化资料，直接映射存储规范的数据；II级--一诉五史、检查报告等长文本资料为非结构化资料，进行结构化和归一算法，处理为标准字段和阈值，并进行统计分析；III级—多病历跨文本资料为非结构化资料，依据时间、来源进行多种形式的关联和复杂逻辑计算；③数据的应用，数据处理的过程可以优化个人书写习惯，提升数据质量。数据时间轴化，根据绝对时间排序，赋予关键诊疗相对时间关系，重点事件清晰明确。实现“查询”支持功能，节点信息清晰，智能搜索便捷。同时支持“表单模式”和“单行模式”，自动填充数据，数据留痕。链接外部文献，关注研究热点，开展临床研究。

孙颖教授团队目前正在进行样本库、临床数据库、高通量策瑜数据库的匹配，以及建立临床辅助决策支持系统。科研的目的是为了更好地规范临床行为，获取更真实准确的数据，再基于数据学习，不断优化临床决策，如此循环往复，促进全民健康。

 

 

在医疗资源分布不均衡的情况下，推动人工智能在临床中的应用有助于优质的医疗资源辐射到偏远地方，以提高全民健康水平。但人工智能也有自己的局限性，在发展人工智能的过程中，要回归医疗本质，解决临床问题。

 

陶晓东博士以人工智能的3次浪潮引入，表明此次浪潮基于信息技术的发展以及行业大数据的积累，并在很多应用领域中取得了前所未有的成功。人工智能包括运算智能、感知智能、运动智能以及认知智能多种形式；其中认知智能是最高的境界。应当明确人工智能和深度学习之间的关系，深度学习不等于人工智能，只是其中一个技术，人工智能具有更丰富、更广泛的内涵。深度神经网络发展迅速，但其参数繁多，难以解释；在选择神经网络时，往往缺乏指导。

健康医疗领域中，神经网络创新动力有4个级别：①为创新而创新，不以短期应用为目的；②为优化临床工作而创新；③为病人而创新，减轻病人的痛苦，改善病人就医体验，但是病人需求很分散，难以收集信息并转化为创新的动力；④为社会而创新，降低社会在医疗领域中的成本，提高全民健康水平，这也是终极目标。

 

人工智能成功3大要素：核心技术、行业专家和行业大数据。核心技术应智能化，具有实用性，并实现流程集成。行业专家在健康医疗领域非常重要，需要丰富的专家知识，明确定义问题，并判断分析行业数据以及验证算法。行业大数据应满足标准化、完整性、准确性，更应与应用相关。

 

以医学影像为例，人工智能面临3个问题：①时间和效率，应快速准确地为医生提供关键可用的临床信息；②自动测量和定量分析，应能够精准地定量分析，如多模态分析、历史图像比较，病人人群分析以及各种定量分析；③智能成像和流程优化，应成像流程标准化，最大程度实现不同级别医院间的同质性，在质量标准化的基础上，通过智能手段进行个性化采集。目前人工智能在医学影像学中的应用仍存在很多问题，最突出的是人工智能的成像分析流程与临床医生的诊断流程不一致，有待进一步发展。

人工智能有2条技术路线：以深度神经网络为代表的数据驱动方法以及基于人类认知理论模型。人工智能在临床中的应用需要建立完整的模型，从解剖结构、生理过程、运动、人群差异、病理到成像物理原理等。医疗人工智能发展迅速，前景可观，但仍需不断地努力，应始终以“回归医疗本质，解决临床问题”为原则。