推薦哈佛大學應用電腦科學研究所(IACS) 2018-1-16的 數位醫師(The Digital Doctor)研討會錄影

 長庚大學 教授 林口長庚醫院 主治醫師 王子豪

 

2018年1月16日到1月19日是哈佛大學應用電腦科學研究所(Institute for Applied Computational Science, IACS) 舉辦的2018電腦節 (ComputeFest 2018)。首日的重頭戲就是一整天的研討會,主題是:數位醫師:人工智慧和大數據時代的醫療 (The Digital Doctor: Health Care in an Age of AI and Big Data)。1/17到1/19是開放給哈佛相關人員的 Skill Building Workshop,1/18到1/19另有只開放給哈佛學生的Student Data Challenge。

 

推薦哈佛討論會錄影_1

 

演講人除了Emery Brown是麻醉科和電腦科學的雙料教授外,其他人的主要專長在於電腦科學和數據科學,但他們都透過和醫療人員的合作,從跨領域的交流中,獲知人工智慧和大數據對醫療可能產生的沖擊。因為IACS的這場硏究會賦有促進學術交流的教育目的,1/16當天的演講錄影開放在YouTube供全球人士免費聆聽。我個人覺得:聆聽國際研討會的錄影,從演講中所獲得的心得要比出國親自到場參加的更多,因為不但沒有時差打瞌睡的問題,聽不懂的還可以一再反覆聆聽,重要的投影片也可以暫停來詳加閱讀。

 

推薦哈佛討論會錄影_2

 

首位演講者(Finale Doshi-Velez, PhD)演講的主題是 “醫療照護的加強學習:挑戰和機會” (https://www.youtube.com/watch?v=OsGxPVYR2xo&feature=youtu.be)。她把機器學習應用於愛滋病人的藥物治療最優化,從測試組獲得的演算法應用在其他獨立族群上,果然效果良好。這樣的經驗顯示:深諳機器學習或人工智慧的人員,可參考演講者的執行經驗,找醫師合作,針對特定醫療問題來提出解決。值得一提的是,演講者將上述開發的演算化應用於較複雜的臨床問題,例如加護病房發生的敗血症時,她的研究結果卻顯示:有人工智慧參與決策的病人預後,並未獲得改善。人工智慧雖然有 “總結許多病人的病史,從中來預測可能的長期預後”的強處,但她的結論是:在當今醫療體系中,只能把AI當作醫療團隊的一個成員,利用此專長來協助醫師下醫療決策。

 

 

醫療照護的加強學習:挑戰和機會

第二位演講者(Mathew Might, PhD.)曾經是歐巴馬總統的精準醫學決策顧問,現任阿拉巴馬大學(University of Alabama at Birmingham)個人化醫學所所長,在其演講 “精準醫學的演算法 (The Algorithm for Precision Medicine)  (https://www.youtube.com/watch?v=0rXcQweD23M&feature=youtu.be) 中,他以他兒子的罕見疾病(NGLY1基因發生錯義突變)的實例,來闡述精準醫學時代,罕見疾病病人和家屬的可能境遇。從這個演講,我們同時也可以看到網路媒介的龐大潛力,通過它可找到散佈在世界各地的潛在同類患者;更有啟發意義的是:即使是罕見疾病,一旦機制弄到很清楚,還是會有藥廠願意為這樣的「小眾疾病」開發治療藥物。

精準醫學的演算法

第三位演講者(John S. Brwonstein, PhD.) 是哈佛醫學院的創新長(Chief Innovation Officer),在其演講 用人工智慧來優化患者旅程” (Optimizing the patient journey with AI) (https://www.youtube.com/watch?v=DJwTudmdxcs&feature=youtu.be) 中,強調病人的數位表現型(Digital phenotype)的觀念。數位表現型不只是病患的電子病歷,也必須納入個人穿戴式器具收集的活動數據、生活型態、實時間的生理變化,更包括從網路社交媒介經由文字探勘所萃取出的訊息。HealthMap是2006年波士頓兒童醫院開發出來的資訊網頁,利用人工智慧來處理上述的大數據,有助於即時監控疾病的爆發和公共衛生威脅,甚至比各國政府的衛生機關更能夠提供即時的訊息。

用人工智慧來優化患者旅程

第四位演講者(Marzyeh Ghassemi, PhD.) 在其演講 表現體學是新的基因體學(Phenomics is the New Genomics) (https://www.youtube.com/watch?v=XKE8UY4_lWw&feature=youtu.be) 中,強調了從醫療體系中要萃取出知識的困難,因為醫療數據非常異質性、資料也常常不完全、記錄也不一定完整,所以要判讀這些資料,專業知識 (domain knowledge)非常重要,數據科學家最好有醫師合作。她舉出的一個例子:一個研究應用機器學習發現,氣喘病人比較不會死於肺炎。結果真正的原因是,醫師知道氣喘病人比較有肺炎的高風險,所以會積極的以抗生素治療氣喘病人;根本不是氣喘能夠減少肺炎的發生。她的研究用了ICU資料 MIMIC III ICU data,這是哈佛附設醫院 Beth Israel Deaconess Medical Center研究人員利用某時期加護病房病人的真正數據,模擬出來的一組資料,可供全球數據科學家用來開發和測試演算法。她也強調收集數位表現型(digital phenotyping) 的重要性,尤其是要利用各種穿戴式器具、合併應用程式(mobile App),來收集到個人的行為數據。

表現體學是新的基因體學

美國五大科技公司(Apple, Amazon, Facebook, Google, Microsoft)都努力提供全球網友各種免費網路App,收集各式各樣的個人健康醫療數據,再利用其強大的電腦運算能力,盛大進軍於健康醫療事業。從第五位演講者(Jennifer Chayes, PhD.)的演講 機器學習在癌症免疫治療的挑戰和機會” (Challenges and Opportunities for Machine Learning in Cancer Immunotherapy) (https://www.youtube.com/watch?v=rWPS7pmrq88&feature=youtu.be) 中,我們感覺Microsoft採取的策略似乎比較傳統:Microsoft 和Adaptive Biotechnologies合作,用基因體學和蛋白質體學來分析人類靜脈血的T細胞,以機器學習來處理獲得的龐大數據,希望能夠回答兩個癌症免疫治療的重要問題:預測癌細胞新生抗原(neoantigens)的免疫原性,和預測癌病人對檢查點抑制劑(check point inhibitors)的免疫療效。

機器學習在癌症免疫治療的挑戰和機會

第六位演講者(Emery Brown, MD., PhD.) 是哈佛醫學院的麻醉學教授和MIT的電腦神經科學教授。在其演講 解碼麻醉中的人腦動力學” (Deciphering the Dynamics of the Anesthetized Brain: A Case Study in Statistical and Mathematical Modeling) (https://www.youtube.com/watch?v=8Cm3KYBvpwo&feature=youtu.be) 中,他展示了應用資訊科學的演算法來解析腦波所呈現的人腦神經科學,而麻醉可以降低其他器官動作衍生的腦波雜訊。這個演講所用的實例,涉及許多麻醉學和麻醉藥物的專業知識,如非麻醉科醫師可能較不易了解;但是即使是非麻醉專業人員,也可以體認:資訊科學在神經科學是一個非常重要的工具。

解碼麻醉中的人腦動力學

第七個時段是綜合討論 (Panel Discussion: Opportunities and Challenges) (https://www.youtube.com/watch?v=spiLqAlAJuQ&feature=youtu.be)。許多人參加研討會,聽完知名學者的主題演講就走人了;但在這天的研討會,如果錯過這個綜合討論就太可惜了,因為這個時段討論到許多深具啟發性的議題。

  • 如何取得有用的醫療資料?因為要保護病患隱私,現在醫療資訊大多只優化於醫療給付系統(billing system,例如美國的保險給付或台灣的健保給付),其他的醫療資訊串聯,都非常的困難。然而為了醫學研究、改善治療預後、或促進人口健康(population health) ,至少都需要將多樣的醫療資訊串聯,並讓不同醫療機構能有效地分享資訊(data sharing),才能獲得有用的洞見。若進一步要協助開發更好的藥物或診斷工具,這些資料更要分享到藥廠與生技產業界。執行面上,要鼓勵醫療資料分享,除了必須解決病患隱私的保護以外,最實際的是要提出利益誘因(incentives),不同醫療機構才會考慮加入。台灣的醫療生態,因為全民健保是超大的給付者,以其為中心來推動醫療資料的整合,應該是很可行的。
  • 未來醫師如何準備來面對資訊時代?與會學者也討論到如何提供機器學習課程給未來的醫師(現在的醫學生),讓他們有能力來駕馭一定會面對到的龐大資訊,並應用於其醫療專業。講者和與會學者都提出一些方案,例如:提供電腦科學、數據科學、統計學的碩士學程給醫學生。但是也許這些教育家是多慮了,因為下述這個實例顯示:世界一流的醫學生早已體認自己的這種需求。哈佛醫學系給第三年醫學生開了一門選修課Computation in Medicine,嚴格要求選課者必須先具備R語言程式設計和統計學能力才可選修,開課老師原預期能來修課的人寥寥無幾,結果開放選修一星期就已經額滿。
  • 如何協助醫師掌握各式各樣的醫療資訊? 一位與會者提到一篇2003年研究顯示:在美國的醫學中心的醫師,平均一年只讀1.2到1.5篇研究論文,而醫學中心以外的醫師幾乎完全不讀研究論文,所以他很擔心如何讓現代的醫師掌握各種有用的跨領域資訊。一位演講者答覆:逃避困難是天性,每個人都喜歡過輕鬆的日子,所以提供教育者應該要把資訊整理得令人可親近,容易了解。對此,我也深有同感,事實上這也是台灣精準醫學學會(Taiwan Precision Medicine Society, TPMS) 成立的目標之一。所以,我們在學會的網頁(www.tpms.org.tw)上,整理好各種精準醫學相關的資訊。例如,將各種執行精準醫學的短片整理在「精準醫學科技」專欄,在「新知分享」的專欄中摘要精準醫學相關的最新論文,在「推薦影片」專欄列出國際上精準醫學的演講,而在「會員專區」裡可以聆聽本學會辦過的研討會的每一場演講。
  • 什麼是非傳統性的健康醫療數據?多位演講者提到數位表現型(digital phenotypes),而每一個人的數位表現型,除了各自的電子醫療紀錄外,還包括從個人穿戴器具所收集到的各種生理數據、睡眠與運動的時間和品質,現在更包括從社交媒體和網路搜尋 (Facebook, Twitter, Google Search, Line)所透露出來的資訊。就像一位演講者舉例的HealthMaps,就能根據網友的網路搜尋和地方報導,來了解全球各地的公共衛生或疾病爆發,並能用於預測未來的人口健康。除此之外,在下列的情況,收集這些資料更有益於使用者的促進健康。
  • 如何激勵個人應用自己的數據來促進健康?一位講者提到:年長者如果能經常獲得血壓和血糖資料,最能有效預防慢性疾病。一位與會者提到,我們都擁有一些保健知識,但要如何實踐這些知識來促進健康卻非常不容易;演講者回覆:利用上述的非傳統性健康醫療數據,設計一些簡單實用的App,將有助於激勵使用者利用自己的數據來促進健康。例如,讓一個人知道自己的運動量,在一萬名相同年紀和性別的族群裡,是排名最後10%,對某些人應該會產生同儕壓力,而激發他開始運動。事實上,這些數據的收集真的已用在健康促進網了:我女兒買了一個人壽保險,保險公司就送給她一個Applewatch,並開始收集她的數據,當她的運動量越高就能夠獲得越多點數,當累積點數到一個程度,每個月的保費就能降低。這的確能非常有效地激勵個人促進健康,當然保險公司也能夠收集非常值錢的大眾健康資料。

綜合討論

One comment on “推薦哈佛大學應用電腦科學研究所(IACS) 2018-1-16的 數位醫師(The Digital Doctor)研討會錄影

發表迴響

你的電子郵件位址並不會被公開。 必要欄位標記為 *

你可以使用這些 HTML 標籤與屬性: <a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <s> <strike> <strong>