健康大資料及其人工智慧分析
隨著科技進步和社會人群對生活質量要求日益增高，人們對醫療行業的要求已經開始從臨床轉向健康。
眾多研究顯示，與有顯著差別的臨床資料不同，傳統的實驗室資料結果往往不顯示清晰穩定的個人健康改變。究其可能原因，首先，健康狀態變化雖然在主觀感覺和行為表現上已經明顯，但由於人體巨大的代償能力，資料改變並不像疾病時那樣大。其次，傳統的評估方法對於健康狀態的描述既不敏感特異性也不高，而真正重要的資訊可能湮沒在資料中，傳統人工比較幾乎不可能識別這樣的健康資訊。再者，如果資料漲落波動的確很大，干擾因素多或資料容易被汙染，在樣本量小的情況下容易出現分析結果的隨機偏差，影響對健康狀態的準確評估。
大資料分析(Big Data Analytics, BDA)為解決這些困擾因素提供了一個有效手段。個人健康大資料來自量化的反覆檢查結果，有準確性和精度描述，具可驗證真實性特徵，呈單向增量累積，型別有向量和標量、有參和無參、低維和高維之分，可做四則運算和定量分析。與健康相關的資料量巨大，歐盟的一家普通醫院每年生成的資料量在10^13-10^15位元組範圍[45]，在美國的健康保險業，十多年前資料量已經達到10^18[46]。這種量級的健康資料已經無法進行人工分析，甚至對於個人計算機也構成挑戰[47]，需要藉助雲儲存和雲計算方法。如果健康資料來源成為個人日常生活的一部分（被稱為體檢生活an examined life）[48]，例如進行個人心臟健康管理，產生的資料量每天大約為10^7-10^9位元組，其年資料生成量為10^10-10^12位元組左右，對於一個萬人社群來說，資料增量已經超過一家醫院。
已有健康大資料中，許多重要的健康資訊目前並沒有被分析挖掘出來，這與缺乏有效的認識和演算法有關。大資料分析最困難之處，在於如何根據生物醫學理論模型來建立資料分析的預期目標，並選擇有效的分析技術以實現其應用價值[49]。例如，虛擬生理人(virtual physiological human, VPH)使用生理資料代入，以期再現個人健康狀態的變化過程[50]。從資料的歸屬來看，健康大資料可分個人健康大資料和群體健康大資料，前者來自個人健康資料的不斷獲取和積累，後者為個人健康大資料的彙總。群體健康大資料不僅能夠反映區域內群體的健康變化趨勢，還能夠成為個人健康狀態評估的基線，而個人健康大資料則是個人健康狀態評估的依據。健康大資料往往是以多引數（高維度）形式出現，以心電ECG資料為例，不僅有P波、QRS波、T波的幅值引數和時間關係引數以及導聯引數，還含有時域引數、頻域引數、非線性域引數等資訊，每個維度均映射出獨特的心臟功能資訊以及健康儲備資訊。即使是單調的血糖資料，一旦進入動態監測並且與高維度的飲食和運動資料耦合，其定量分析也無法手工實現，只能藉助於人工智慧(Artificial Intelligence, AI)和機器學習(Machine Learning, ML)等計算機演算法來實現自動分析和評估[51]。可以確認的是，應用大資料分析手段，不僅能夠揭示併發症程序的病理機制及其誘發病因的相互作用關係、基因組學和藥物敏感性、24/7全天候監護的價值，也改善公共預防和健康管理體系的精準性[52]。
實現AI分析的前提是根據生理學的資料對映特徵來建立聚類模型(clustering model)和預測模型(prediction model)，這在高維度資料結構中尤其困難。在理論上，AI可以應用於臨床醫學和健康醫學的每一個領域，但目前似乎以影象分析最為成功，包括在病理組織學讀片[53]和醫學影像分析[54-56]。AI和ML正在快速滲透到健康領域的各個角落，研究論文不計其數，近十年內會在大健康領域形成普遍應用的勢態，並引發新的醫學概念和理論。一項多維度（包括心血管、代謝、免疫、腎臟、肝臟、牙齦、肺）的健康大資料分析結果可描述健康狀態的生物年齡(Biological Age)，以區別於以出生計算的日曆年齡（Chronological Age）[57]，有可能成為未來對亞健康的定量描述。人群的生物年齡呈正態分佈，一些人為逆齡態，而另一些人則表現為老齡態。生物年齡為逆齡管理(anti-aging management)提供了一種有效的客觀測量依據。
健康管理應包括這幾個方面：健康體檢和健康定量評估、健康風險管理計劃制定、健康生活方式的知識宣傳、個人健康資料的動態採集、健康趨勢定量分析、健康行為指導、疾病風險預警與快速干預。我們的研究發現，隨身監測裝置累積的個人健康資料，可用於健康儲備指數的動態分析，不僅能夠定量評估個人的健康狀態和變化趨勢、計算其健康年齡，還能指導逆齡健康管理，並用於評估其有效性。這個健康年齡概念與生物年齡概念近似[57]，但評估方法簡單無創還可以每天動態跟蹤，可以敏感監測日常睡眠、運動、創傷和疾病等因素對健康狀態的影響，甚至可以檢測消耗性疾病的發生。
只有精準定量評估健康狀態和指導健康行為，健康管理才會有好的成本效益。精準定量的健康管理的最大價值在於：透過低成本的智慧化健康教育和健康處方，讓廣大社會人群獲取視覺化的健康評估和指導，不僅能規範日常生活的健康行為，還能及早預警惡性疾病風險，避免重大災難降臨。建立起客觀定量的健康醫學，用資料來評價健康管理機構的實際效果，能有效地規範整個大健康產業，並且提高社會整體健康水平、降低醫療支出、緩解醫療機構壓力，也將是醫學教育發展的未來方向。
摘自文章《從臨床醫學邁向健康醫學》
健康大資料及其人工智慧分析
隨著科技進步和社會人群對生活質量要求日益增高，人們對醫療行業的要求已經開始從臨床轉向健康。
眾多研究顯示，與有顯著差別的臨床資料不同，傳統的實驗室資料結果往往不顯示清晰穩定的個人健康改變。究其可能原因，首先，健康狀態變化雖然在主觀感覺和行為表現上已經明顯，但由於人體巨大的代償能力，資料改變並不像疾病時那樣大。其次，傳統的評估方法對於健康狀態的描述既不敏感特異性也不高，而真正重要的資訊可能湮沒在資料中，傳統人工比較幾乎不可能識別這樣的健康資訊。再者，如果資料漲落波動的確很大，干擾因素多或資料容易被汙染，在樣本量小的情況下容易出現分析結果的隨機偏差，影響對健康狀態的準確評估。
大資料分析(Big Data Analytics, BDA)為解決這些困擾因素提供了一個有效手段。個人健康大資料來自量化的反覆檢查結果，有準確性和精度描述，具可驗證真實性特徵，呈單向增量累積，型別有向量和標量、有參和無參、低維和高維之分，可做四則運算和定量分析。與健康相關的資料量巨大，歐盟的一家普通醫院每年生成的資料量在10^13-10^15位元組範圍[45]，在美國的健康保險業，十多年前資料量已經達到10^18[46]。這種量級的健康資料已經無法進行人工分析，甚至對於個人計算機也構成挑戰[47]，需要藉助雲儲存和雲計算方法。如果健康資料來源成為個人日常生活的一部分（被稱為體檢生活an examined life）[48]，例如進行個人心臟健康管理，產生的資料量每天大約為10^7-10^9位元組，其年資料生成量為10^10-10^12位元組左右，對於一個萬人社群來說，資料增量已經超過一家醫院。
已有健康大資料中，許多重要的健康資訊目前並沒有被分析挖掘出來，這與缺乏有效的認識和演算法有關。大資料分析最困難之處，在於如何根據生物醫學理論模型來建立資料分析的預期目標，並選擇有效的分析技術以實現其應用價值[49]。例如，虛擬生理人(virtual physiological human, VPH)使用生理資料代入，以期再現個人健康狀態的變化過程[50]。從資料的歸屬來看，健康大資料可分個人健康大資料和群體健康大資料，前者來自個人健康資料的不斷獲取和積累，後者為個人健康大資料的彙總。群體健康大資料不僅能夠反映區域內群體的健康變化趨勢，還能夠成為個人健康狀態評估的基線，而個人健康大資料則是個人健康狀態評估的依據。健康大資料往往是以多引數（高維度）形式出現，以心電ECG資料為例，不僅有P波、QRS波、T波的幅值引數和時間關係引數以及導聯引數，還含有時域引數、頻域引數、非線性域引數等資訊，每個維度均映射出獨特的心臟功能資訊以及健康儲備資訊。即使是單調的血糖資料，一旦進入動態監測並且與高維度的飲食和運動資料耦合，其定量分析也無法手工實現，只能藉助於人工智慧(Artificial Intelligence, AI)和機器學習(Machine Learning, ML)等計算機演算法來實現自動分析和評估[51]。可以確認的是，應用大資料分析手段，不僅能夠揭示併發症程序的病理機制及其誘發病因的相互作用關係、基因組學和藥物敏感性、24/7全天候監護的價值，也改善公共預防和健康管理體系的精準性[52]。
實現AI分析的前提是根據生理學的資料對映特徵來建立聚類模型(clustering model)和預測模型(prediction model)，這在高維度資料結構中尤其困難。在理論上，AI可以應用於臨床醫學和健康醫學的每一個領域，但目前似乎以影象分析最為成功，包括在病理組織學讀片[53]和醫學影像分析[54-56]。AI和ML正在快速滲透到健康領域的各個角落，研究論文不計其數，近十年內會在大健康領域形成普遍應用的勢態，並引發新的醫學概念和理論。一項多維度（包括心血管、代謝、免疫、腎臟、肝臟、牙齦、肺）的健康大資料分析結果可描述健康狀態的生物年齡(Biological Age)，以區別於以出生計算的日曆年齡（Chronological Age）[57]，有可能成為未來對亞健康的定量描述。人群的生物年齡呈正態分佈，一些人為逆齡態，而另一些人則表現為老齡態。生物年齡為逆齡管理(anti-aging management)提供了一種有效的客觀測量依據。
健康管理應包括這幾個方面：健康體檢和健康定量評估、健康風險管理計劃制定、健康生活方式的知識宣傳、個人健康資料的動態採集、健康趨勢定量分析、健康行為指導、疾病風險預警與快速干預。我們的研究發現，隨身監測裝置累積的個人健康資料，可用於健康儲備指數的動態分析，不僅能夠定量評估個人的健康狀態和變化趨勢、計算其健康年齡，還能指導逆齡健康管理，並用於評估其有效性。這個健康年齡概念與生物年齡概念近似[57]，但評估方法簡單無創還可以每天動態跟蹤，可以敏感監測日常睡眠、運動、創傷和疾病等因素對健康狀態的影響，甚至可以檢測消耗性疾病的發生。
只有精準定量評估健康狀態和指導健康行為，健康管理才會有好的成本效益。精準定量的健康管理的最大價值在於：透過低成本的智慧化健康教育和健康處方，讓廣大社會人群獲取視覺化的健康評估和指導，不僅能規範日常生活的健康行為，還能及早預警惡性疾病風險，避免重大災難降臨。建立起客觀定量的健康醫學，用資料來評價健康管理機構的實際效果，能有效地規範整個大健康產業，並且提高社會整體健康水平、降低醫療支出、緩解醫療機構壓力，也將是醫學教育發展的未來方向。
摘自文章《從臨床醫學邁向健康醫學》