专业咨询
致力推进中国医疗卫生信息化

【弓孟春专栏】实现精准医学 中国还需跨越九个难关

来源:HIT专家网   作者:弓孟春

2015年2月,习近平总书记批示科技部和国家卫生计生委,要求成立中国精准医疗战略专家组。上周末,我国著名群体遗传学专家、复旦大学副校长金力院士在“北京协和医院转化医学与精准医学大会”上正式向国内的学术界介绍了中国科技部关于精准医学的国家重点研发计划重点专项实施方案。

当“精准医学”概念如火如荼地在产业、学界及临床领域中广泛传播的时候,笔者发现舆论基本是一边倒地在高唱凯歌,鲜有以审慎的角度对目前精准医学的发展所面临的艰巨挑战进行冷静分析的声音。中国希望在这个医学模式的革命性机遇中引领全球潮流,除了指明方向、制定长远规划以外,更需要结合我们的国情对在中国开展精准医学的科研和临床实践进行深入的分析、广泛的意见征集以及理性的设计规划。由于需借助先进的信息技术实现该医学模式中的核心环节,在诸如隐私保护、伦理审查、数据安全、公众教育等任何一个方面的疏忽或漏洞都有可能使公众对“精准医学”或“精准医疗”谈虎色变,从而丧失精准医学模式中最核心的参与方:患者。而一旦对新的医学模式失去信心,或精准医学为医疗体系或诊疗过程带来了巨大的风险,那么就会失去另一个重要参与方的支持:医疗服务提供者。

本着这个思路,笔者参考国际、国内的众多专家在精准医学理念方面的阐述,并结合美国国立卫生院、中国卫生与计划生育委员会等机构公布的文件,以及基于笔者个人的临床及HIT领域的从业经验,对精准医学在中国的落地过程中可能遇到的难关做初步探讨。

要谈精准医学面临的难关,必须重新回到精准医学概念本身。美国国立卫生研究院对于精准医学的定义是:We define precision medicine as an approach to disease treatment and prevention that seeks to maximize effectiveness by taking into account individual variability in genes, environment, and lifestyle。直译之,即:精准医学即充分考量患者在基因、环境及生活方式中存在的个体差异以达成最有效的疾病治疗和预防的医学模式。可以看出,精准医学核心理念是将多个与人体健康及疾病预防相关的度量模块的结果进行统合。这不仅仅涵盖临床数据和基因组数据,更包括环境暴露、日常生活习惯及其他多种多样的数据。藉此,医疗机构可以对人体的疾病状态和发展过程进行更相近的描绘和更为透彻的理解。在精准理解经过整合的来自各个模块的数据的基础上,医疗机构可以明确患者所在的疾病的特殊亚组,从而制定更好的个体化治疗方案。而从疾病预防的角度而言,当前基于生化指标的检测来制定疾病预防的策略,包括使用那些作用广泛而通常并非必需的药物(如他汀类药物)。随着对人群中疾病转归的分子学分型逐步构建,初级预防方案的选择可能会依赖更为全面的数据,从而达到最佳的效果并最大程度地避免药物副作用。

了解了精准医学的核心内涵,结合我们的综合国力、基础医学发展现状、医疗服务水平、医疗保险负担能力等,笔者认为在中国实践精准医学必须克服以下难关。

1、公众支持

一种新的医学模式的实践,核心的驱动力来源于患者。换言之,公众对于维持健康和预防疾病的诉求是精准医学实践的核心动力。精准医学借助于最新的信息技术来获取及共享个人相关信息。而因为精准医学的理念设计,又要求这样的数据范围广、时间跨度大且精度高。在这种前提下,如果对大范围数据分享及数据整合导致的隐私暴露风险的重视不足,则可能导致公众的严重关切和顾虑,这甚至可能超过公众对于精准医学的支持。因此,针对由政府部门主导的关于精准医学规划的讨论必须向科学界、医护人员及技术人员以外的人群尽力延伸,以明确在中国特殊的社会文化背景下,信息的采集、共享、深入分析等可能带来的大范围的社会影响及应对措施。从欧美发达国家的经验中,我们已经体验到精准医学的益处或因为没有精准医学而深受其害的患者权益组织对于这一新的医学模式的公开支持是至关重要的,因为这样的支持可信而说服力强。例如,多发性骨髓瘤研究基金(www.themmrf.org/)和Simons自闭症基金(http://sfari.org/)均已构建了开源的涵盖基因组及其他数据的信息平台,以促进精准医学相关研究的进行。

如何获得这样的支持?笔者认为,完善的知情同意管理体系、严格的伦理审查机制以及互动性及安全性极高的医患互动平台是获取公众支持的重要组成部分。在后续的讨论中会进一步展开。

2、泾渭不分明

精准医学是基础医学、临床医学、医疗信息化技术、移动信息技术、计算技术等多个领域的交叉领域。基于既往的经验,如果在临床诊疗及科学研究之间划分不清,就容易造成方法学与伦理学问题。然而,精准医学通常可以使个体患者从近期生物学及高通量技术的快速发展中获益。因而,某些疾病的患者权益组织甚至全社会都有可能对于目前横亘在科学研究及临床治疗之间的界限产生质疑,并试图消除这一界限,使得更多的人群获益。

另一方面,因为大部分组学检测并不是常规的临床检测,目前还缺乏完善的质量控制体系及监管,因此可能更容易出现显著的误差甚至错误。跨越临床诊疗与研究之间的界限需要新的数据分享、数据确认及数据核查的模式。

3、代表性

中国在制定精准医学的实施方案时,必须要考虑到我国多民族、广地域的国情。具有代表性的精准医学并不单纯是为了满足社会公正性的诉求,更多地是为了避免出现大规模诊断或治疗误差。来自不同人种的个体在从饮食到基因组变异等许多要素的特征上存在大量的不同,捕获这些不同对于在多民族的社会里实施精准医学是核心任务。这样的代表性同时还需要涵盖年龄段、性别、病种、城乡等等要素。美国国立卫生研究院设计的精准医学队列研究中计划纳入100万人,也是在样本量计算的过程中充分考量了代表性的因素。如果精准医学的平台不具备这样的能力,将导致大量人群中疾病的过度诊断或漏诊,从而引起对精准医学的摒弃。

关于代表性的另一个重要方面是受试者在精准医学项目中的主动参与。在精准医学平台中设计的伦理审查、数据使用、研究方向制定等各个组织机构中,都应该体现充分的受试者代表性。这是保证精准医学长期良性发展的必要条件,也是将精准医学的效益最大化的必由之路。

4、数据关联

精准医学对于数据的要求极高,从卫生机构、研究项目及日常事件中提取的信息必须能够关联到正确的个体上,而这些信息可能涉及该个体一生的时间跨度。中国公民目前具有唯一的身份识别码,是建立患者索引机制的有效保证。然而,各个地区的医疗保险识别码、各个医院的患者识别码等存在重复、冲突等各种情况,导致医疗信息本身的集成可能出现误差。另一方面,许多与健康相关的数据类型,包括饮食、环境暴露、社交网络等数据与医疗健康数据库并不相连,也很难使用现有的患者识别机制进行匹配。因此,目前还未解决的挑战是,寻找一种机制准确完成这些关联。与此同时,这样的匹配机制也要以社会可接受的方式完成,避免造成公众对于个人隐私泄露的恐慌。

精准医学对于数据关联性的要求,对医疗信息技术提供商也提出了极高的要求。传统的区域信息共享平台能够完成医疗信息的共享及战略互操作性需求。然而,基因组数据、其他组学研究数据、环境暴露、个人行为数据等数据的捕获、整合及存储才是在传统医疗信息共享平台基础上实现精准医学临床及科研实践的关键技术难点。

5、知识的构建、审核及传递

精准医学的精华在于从穷尽性的数据收集整合的基础上,利用现有的研究结果和医学知识对于数据进行解读,为医生提供疾病诊断、治疗和预防的决策支持。这样体系化的知识是决定精准医学临床实践成果的决定性要素,需要持续地评估从数据源或知识源收集的信息的准确性和可重复性。例如,目前在全基因组序列信息中对于插入和缺失进行分析识别,因为所用技术不同而得到的结果大相径庭,需要在方法学上不断进步,以解决这一问题。此外,权威杂志发布的同行评议性论文中的知识能够得到重新评价,以确保学术知识的准确性和可重复性。

另一方面,相比于传统的医学模式,精准医学的知识传递对时效性的要求更高。例如,每年都有新的与基因突变的致病机理相关的数据发布。对于这些数据解读结果的重新计算或重新评价需要比自己研究发现错误并发布更快,因为基于信息技术的知识传递远快于传统模式。一个可信赖的致力于此的第三方机构对此类数据进行反复且频繁的再评价是至关重要的。

未来,精准医学对于数据和知识的需求会越来越高,需要设立成熟的评估机构来确保评估数据的精准度。在中国,需要由国家支持的科研或临床机构完成这项工作,并纳入中国精准医学的整体规划中。而在技术层面上,是使用半自动化的语义分析技术(如IBM Watson),还是使用基于专家群体的人工审核机制,学术界尚在讨论中。解决这个问题也需要在精准医学的实践中逐步积累经验。

6、组学研究宏大精深

高通量技术成功地在分子水平捕获了大量个体差异化数据,包括基因组、转录组和蛋白质组等。而近期微生物组学研究也为人体健康和疾病状态的决定因素揭示了许多更新的机制。然而,这些进展在提供了海量数据的同时,也从另一个角度告诉我们:在诠释人类健康-疾病度量指标的路上我们其实才刚刚起步。对于大量的常见病而言,环境暴露是主要的致病危险因素。我们如何系统性地获得个体在一生中所暴露的环境的详实信息? 唯一的解决途径是是多个信息监测部门在更高水平实现通力合作(如环保部门、职业安全与健康部门、卫计委等)。在这一方面,顶层设计至关重要,需要国家从战略规划的高度对相关部门的信息共享机制进行设计。同时,也需要患者权益组织对于精准医学的支持,才能有效地推动这些部门进行更为深入的信息获取及共享。

在这个方面,移动医疗公司可能为整个精准医学的发展带来重要的推动。精准医疗对数据的的需求使得最大程度上获取患者个人相关信息变得尤为重要。而移动医疗在患者体征采集、行为偏好、地理位置信息、社交媒体习惯等等方面都是极其重要的数据来源。一方面,精准医学在架构设计上要有对移动医疗行业参与精准医学科研及临床实践的激励机制;另一方面,要探索个人隐私保护与信息获取共享之间的平衡点,保证公众支持是首要前提。

7、计算科学的瓶颈

当有了准确的数据、统一的以患者为核心的数据结构以及良好的精准医学社会生态时,实现精准医学的难题就集中在IT领域。对于精准医学的落地,不可或缺的是借助IT技术的力量为临床服务的发生节点提供由计算机驱动的实时的临床决策支持(Clinical Decision Support, CDS)。在数据量指数级增长、精准医学相关知识不断涌现的时代,即使是某一个很窄的学术领域的专家,也不可能掌握所有常见的及罕见的与治疗亚组相关的分子生物学类型。这些知识的迅速及时的传递需要借助于自动化的决策支持技术,从而将精准医学嵌入临床诊疗流程中。不幸的是,目前的电子健康档案系统呈现及计算组学数据(Omics Study Data)的能力还极为有限。相反,由基因测序公司提供的基因组量级的数据与目前的临床电子健康档案系统提供的高度相关性的数据之间缺乏有效的整合。为精准医学而设计的自动化的临床决策支持系统的创新性解决方案目前仍有广阔的市场。

 8、经济负担能力

精准医学必须在成本控制上实现明显的进步,否则精准医学最终可能变为少数有钱人的享受,或因为经济的原因半途而废。事实上,目前已有大量的针对效果明显但极其昂贵的靶向治疗以及精准诊断费用昂贵的争议。如果不理性地控制成本,精准医学可能加剧中国目前医疗资源分配不均的情况。在中国,医疗服务的地区分布严重不均衡,各地区医保支付政策也各不相同,国家应运用政策导向力,鼓励社会资本在二代测序、数据整合分析等方面实现本土化创新,从而控制核心成本。而基于大量的数据、对基础科学及药学的大力支持,中国也可能在精准治疗所需的靶向药物研制上实现突破,完成精准医疗的闭环服务。

9、医生及患者教育

精准医学对于医生和患者而言都是全新的事物。尽管“个体化治疗”与“精准医学”在核心理念上没有本质区别,然而二者在信息量级上的显著差别导致医生无法依靠传统的学习和工作方式来应对从各个渠道涌现出来的海量信息。精准医学可以借助临床决策支持系统及知识库等技术最大程度地辅助医生制定决策。而对于医疗工作者而言,也需要紧跟时代潮流,在量化分析、计算机辅助技术、新知识获取等各个方面进行能力的培养。这对于当代的医学教育提出了新的要求,医疗信息学这门新的学科应运而生。而对于已经离开医学院的医生们,则需要在继续教育中逐步获得精准医学的知识。

反之,精准医学所使用的技术本身也可以为医生继续教育提供全新的模式。在循证医学高度发展的今天,各类临床指南在为医学标准化做出巨大贡献的同时,也为临床工作带来了诸多困扰。不断涌现的新的循证医学证据对于医生的业务更新水平要求极高,也对医院的信息系统提出了更高的要求。临床决策支持系统赋予医疗机构根据最新、最权威的临床诊疗指南制定相应规则的能力,从而保证医生可以在对特定的符合条件的患者进行诊治时,通过各种手段得到相关的临床指南信息,并作出规范的诊疗决策。这是全新的知识学习的模式,会对医生继续教育这项工作产生深刻的影响。

综上所述,精准医学在中国落地依旧任重道远。上述的这些挑战由谁来解决呢?在笔者看来,最核心的参与方至少应该包括:公众、患者个体、代表患者利益的组织、实施精准医疗的卫生机构、基础科学家及医疗服务提供者。此外,提供精准诊断技术的新一代生物技术公司,提供IT解决方案的厂商或百度、阿里巴巴及腾讯等信息技术巨头,以及有能力提供精准治疗所需靶向药物的药厂,都会为精准医学带来不同的视野。期待在上述各方的通力合作下,中国的精准医学能够尽快落地,造福人民。

(责任编辑:沈媛巧)

个人简介:

弓孟春弓孟春:医学博士,2011年毕业于北京协和医学院临床医学八年制专业),在北京协和医院内科接受并完成内科住院医师培训,期间从事儿童肾脏病学研究,并赴加州大学旧金山分校(UCSF)任访问学者。

 

2015年初加入InterSystemsPhysician Executive,负责市场拓展、产品设计规划、临床支持及用户培训等工作,构建InterSystems与医院及医护人员之间的良性互动及高效协作。

 

赞(0)

评论 1

评论前必须登录!

 


未经允许不得转载:HIT专家网 » 【弓孟春专栏】实现精准医学 中国还需跨越九个难关
分享到: 更多 (0)