芝加哥(GenomeWeb) -医疗保健领域的“大数据”分析已经出现至少10年了，支持者经常将其吹嘘为“游戏规则改变者”或“革命性的”。
虽然IBM可能是这种宣传机器的一部分，但IBM Watson health的副总裁兼首席健康信息官阿尼尔•贾恩用七个简单的词对现实进行了清醒的检验。“它对健康有多大影响?”Jain在本周的克利夫兰诊所医疗创新峰会上反问。
Jain在周三的一次全体会议上说，与其追求革命性的东西，不如寻找“小胜利”，比如找到将个人或群体的临床、患者生成和基因组数据捆绑在一起的方法，以便在需要的时间和地点提供相关的见解。
Jain说，像沃森这样的“知识工具”帮助生物医学专业人员“扩展专业知识”，但大数据和高级分析不会在一夜之间解决所有困扰医疗保健的问题。因此，这类技术需要证明“有可能取得渐进式进展，”他解释道。Jain建议道:“先取得一些小胜利，然后再进行迭代。
总部位于弗吉尼亚州阿什本的初创公司HealthCelerate的创始人兼首席执行官彼得•蒂皮特也认为，向医生和患者提供“可操作的”信息势在必行。HealthCelerate提供安全的健康信息交换和医患沟通。但是，注意到健康决策通常发生在远离医院或医生办公室的地方，仅向传统的临床环境发送信息已不再足够。
“我们需要确保我们的洞察力到达需要的地方，”蒂皮特说，他曾是威瑞森通信公司(Verizon Communications)的首席医疗官，也是一位资深企业家。
谷歌云平台医疗保健解决方案全球主管Aashima Gupta继续讨论，指出健康的社会决定因素——物理环境和生活方式的选择——以及基因组数据正在变得至少与临床记录一样重要，在提供医疗保健选择方面，他说即使是最老练的医疗保健专业人员也不可能在没有帮助的情况下考虑所有这些因素。“我们需要知识共享。我们需要数据共享，”她说。
蒂皮特补充说:“大多数医疗保健将不再是患者和提供者之间的关系，而是患者和信息之间的关系。”
Jain说，所有这些数据都将输入到人口健康和基于价值的保健中，这可能会降低成本并改善结果，但需要为精确医疗提供有用的工具。
这些工具包括分析、机器学习和人工智能，事实证明它们很难驾驭。Gupta说，数据标准化是构建有用的机器学习工具的先决条件。
即使有了标准化，信息学家也需要决定这些技术在医疗保健中应该扮演什么角色，因为医生们既担心精疲力竭，又担心机器取代他们。“我们能用人工智能帮助他们提供决策支持，而不是决策吗?”古普塔说。
包括基因组信息在内的临床决策支持可能非常强大。Gupta讨论了2016年论文在美国医学协会杂志这展示了眼科医生如何通过自动深度学习算法检测出糖尿病视网膜病变的微妙迹象。
临床医生之所以迟迟不将基因组学应用到他们的实践中，有几个原因，其中最重要的是不确定性。“我们对基因组的不了解远远超过我们对基因组的了解，”Sunquest信息系统公司分子和遗传学产品线的产品管理高级总监Nabil Hafez说。
然而，从业者——以及由此引申的医疗信息学家——应该警惕过度依赖基因组数据。“基因组学不是一个水晶球，”哈菲兹说。他指出，有某种疾病的遗传倾向并不意味着会得那种病。但是结合蛋白质组学、转录组学或其他组学，以及临床和环境数据，基因组分析可能成为精确诊断和治疗计划的强大工具，Hafez说。
正确的系统设计对精准医疗的成败至关重要。一位听众问道，全基因组或全外显子组序列是否会为临床IT系统和医疗专业人员产生过多的数据。
“不，我们不需要所有的数据，”Jain回答道。他建议，或许可以将基因组变异与来自电子健康记录和面向患者的健康应用程序的表型数据一起纳入人工智能系统。
不要试图创建一个“完美的系统”，Jain建议道。寻找最相关的数据，并不断将AI应用于其中。“在某种程度上，你会得到很好的结果，”他说。
Jain和Gupta还建议，机器学习算法必须是透明的，才能建立信任。“除非医生们开始相信这些机器学习算法的结果，否则他们是不会这么做的，”Jain说。
Gupta补充说，透明度还有助于开发人员改进他们的算法。