面对生物医学大数据对健康的潜在贡献，广东省人民医院乳腺外科主任王坤却很冷静。他提出疑问：“生物医学大数据的价值有多大？又如何指导临床？”

事实上，目前，以基因测序数据为代表的生物医学大数据正呈数量级增长态势，但这些数据直接指导临床的几率并不高，如何挖掘数据潜能，成为临床及科研人员的当务之急。

拓宽临床诊疗的视野

精准医疗是一种新兴的医学实践研究，它的目的在于精确地预测健康人群的疾病风险，同时为具有相似特征的患者群体提供有针对性的诊疗方案，而大数据是实现精准医疗的重要手段。

基因测序结果到底有多大的指导意义呢？“基因检测报告能够帮助肿瘤病人选择靶向药，但也有可能没有意义。”王坤说。

为什么会出现无意义的情况？一个原因是目前发现的由单基因突变导致的疾病还很有限，仅有少数基因的突变和疾病的诊疗有较为明确的相关性。

在目前对基因组解读的能力受限的情况下，临床医生会根据病人的家族疾病史，安排针对个别基因进行测序，以判断疾病和风险的来源。然而，面对整个患者群体，对个别基因的检测往往是杯水车薪，例如乳腺癌患者中携带BRCA1/2致病性变异的比例占遗传性乳腺癌的十分之一、病人整体的百分之一。

如何提高生物医学大数据的临床价值？一次诊疗经历让南方医科大学珠江医院肿瘤科主任张健记忆犹新。

一位40岁左右的罕见种类肺癌患者，肿瘤转移后，在美国某著名癌症医学中心治疗效果不佳，于是回国，就诊于南方医科大学珠江医院。医生抱着最后的希望，对患者血液中游离的肿瘤DNA进行了分析。令人惊讶的是，尽管测序报告提示患者并没有被检测出任何“有价值的”肿瘤变异，但中国科学院计算技术研究所—哲源图灵达尔文实验室提供的肿瘤基因组解读报告提示，一种抗血管生成的靶向药物可能对患者的肿瘤有控制作用。

“患者服药3个月后，肿瘤明显得到控制，国外医生得知后很惊讶，认为这是一个神奇的效果，还追问中国医生到底用了什么药物。”张健说，“其实就是一款国产的抗肿瘤血管形成的药物阿帕替尼，患者使用此药延长了半年的生存期，这一结果得益于对患者癌症基因组的精确解读。”

张健解释，基因组解读结果显示，该患者的肿瘤基因组变异对血管生成通路产生了过度的激活，因此才有了抗肿瘤血管形成药物的超适应症使用的案例。相比此前有限数据、有限靶点的情况，临床人员更希望扩大数据检测范围，洞悉疾病发生背后的细胞内系统功能变化，从数据中挖掘出有效的诊疗线索。

当然，王坤也强调，单纯的实验室结果和零星的病例实验并不能证明新疗法的科学性，经过大范围多病例验证的治疗方法才能称得上有效。因此，在广东省人民医院乳腺外科，王坤正开展结合基因组学方法的大规模回顾性临床研究，试图找到一条突破乳腺癌常规研究的道路。

相同疾病背后的基因变化不尽相同。在大数据医疗研究过程中，通过对现有医学实验室指标以及疾病持续时间、严重程度、临床治疗效果等数据进行整理分析，可以对患者人群分层并提取重要特征，展示不同组别人群在治疗策略、疗效、预后以及药物不良反应等方面的差异，最终指导临床实践。

“我们希望能通过更多病人的数据找到一些规律性的方法，目前从图灵达尔文实验室获得的肺癌基因组解读报告已超过100份，未来这一数量还将进一步增加。”张健说。

基于这些报告的统计，医生惊喜地发现，患者治疗后的客观缓解率大大上升，虽然其对患者总生存期提供的帮助还需要时间考察，但是采取了措施就会精确打击肿瘤并获得缓解，这为临床工作者提供了坚持下去的信心。

增加科研的深度

在广东省人民医院乳腺二科副主任医师杨梅看来，没有经循证医学证明的诊疗方法，都需要谨慎对待。但在现实诊疗中，科研的滞后性又深深地困扰着她。 未经循证方法验证的诊疗方法不能用于患者，但患者病情的急迫性以及对医疗水平的期待却与日俱增。为了加快科研步伐，杨梅将目光投向了基因数据。

“科研中，面对海量数据，医生也会迷茫，不知道如何筛选。基因数据具有前瞻性和提示作用，能够指导科研方向。”杨梅说，“如果跨界跟计算专家、数学专家合作的话，我又担心对方不能体会到我真正想要的是什么。”

对于杨梅来说，目前常规基因检测尚不能满足科研需要，在探索未知的过程中需要更多“惊喜”。在一次邀约中，杨梅尝到了这种惊喜的滋味。

杨梅介绍，疾病是一个动态、完整的过程，图灵达尔文实验室提供的针对癌症基因组数据的独特算法以及充足算力，能够及时与医生发生互动，逐步逼近疾病的本质规律。“发现规律后会及时反馈给我们，我们就能迅速地在更大规模的样本中去验证。之后我们再给他们反馈，告诉他们基因组解读结果提示的药物是否有效。”

王坤表示，这是一个从临床到科研，再从科研回归临床的过程，本质上是一个临床数据与科研共享的问题，共享程度越深，成果产出可能越多。其中的关键，是基于临床洞见、数据、算法和算力之上的快速交互与迭代。

助力新型应用落地

近些年来，随着大数据、人工智能等新技术的发展和应用，开发临床决策支持系统逐渐受到关注并成为当前医疗大数据的研究热点之一。该系统的目标是促进临床决策，平衡医疗资源配置，减少人为医疗错误，提高医疗质量和患者安全。

目前，人工智能已经应用于医学影像、辅助诊疗、疾病风险预测、药物挖掘、健康管理等方面。中国医学科学院肿瘤医院主任医师马飞表示，人工智能是实现医疗大数据深度挖掘的工具，人工智能技术在医疗领域的深耕能够有效促进远程医疗和社区医疗发展的需要。结合基因组大数据为主的生物医学数据，人工智能方法在临床端的应用将会有一个质的跨越。

张健强调，全面掌握患者健康数据，特别是从时间维度上追踪个体的健康数据可能有意想不到的收获。“清楚了解个体健康情况的宏观和微观层面的变化，能够为建立重大疾病的风险评估、预测预警、早期筛查、分型分类、个体化治疗、疗效和安全性预测及监控等提供精准防诊治方案和临床决策系统。”

马飞也补充道，建设可用于精准医学的生物医学大数据平台需要多方数据融合。当前，由于多种因素的干扰，病人就诊数据、预后随访数据和基因测序等数据很难融合到一起。“希望政府部门牵头，成立一个覆盖全国的组织机构，推动数据融合工作。”