自20世紀邁入資訊大爆炸時代以來， 各行各業都在主動或被動地改變其產業模式， 伴隨而來的問題也越來越多，我們需要這麼多資訊嗎？ 準確性如何？ 我們不再擔心資訊匱乏， 卻需要更多地培養自身理解資訊和分析問題的能力。
一、醫學資訊學概要
醫學資訊學包括醫學與計算機科學、臨床資訊學， 圖形資訊學和生物藥物資訊學等學科，是透過研究醫療資源、實驗設計和方法， 高效獲取醫學資訊， 並進行管理和合理利用資訊的。
1965年由美國國家醫學圖書館開發使用的 Medline 是世界上第一個面向公眾，資訊全面的線上醫學資料檢索平臺，且被一直沿用至今。90年代國際上大量先進地區醫療機構都已經開始應用電子病歷系統（ePR）， 包括北美、香港等。21世紀以來， 隨著電子資訊科技的高速發展， 醫學資訊學已不再僅僅用於資訊管理層面， 更多的是輔助醫生進行日常診療工作， 比如遠端醫療技術， 手術機器人等。
二、循證醫學研究方法
循證醫學理論 （Evidence-Based Medicine，EBM）是以現實醫學證據為基礎的， 促進推動醫療行為決策的研究理論。在該理論模型下， 傳統醫學知識的循規蹈矩已不如真實醫學證據所提供的價值高。該理論對各種真實醫學證據做出了證據質量分級，其中Meta 分析、系統綜述和隨機臨床研究（RCT）屬於較高質量型別。
圖1 證據等級金字塔
EBM研究共包括5個步驟：（1）將不確定性轉化為可以回答的問題，其中要包含批判性，實驗設計和證據等級；（2）系統化地檢索可找到的最好證據；（3）批判性地評估證據的有效性和正確性；（4）將發現的結果應用到實踐中；（5）應用中效果的分析評價。
簡言之，EBM 研究是 “定義問題—搜尋證據—價值評估—實踐應用—效果分析”的流程閉環，其中最主要的環節是定義問題和搜尋證據。在準備階段，研究者必須對問題的理解和思路保證絕對的清晰，才可以正確且高效地完成後續步驟。在素材蒐集階段，只有保證了高質量的證據，才可能獲得有價值的結論，否再如何最佳化實驗過程和結果分析，也是徒勞。
三、PICOS是什麼？
為了將問題分解得更加清晰明確， 也為了更精準地找到合適可用的證據，研究者們總結出了很多種的思維模型， 而其中最具代表性和實用性的就是 PICO（s），其中 P指Participants （研究物件），I 指 Intervention （干預手段），C 指 Comparator/Control （對比對照）， O 指 Outcome （研究結果，終點），S 指 Study design （研究設計）。透過 PICO（s）的問題刻畫和要素分解， 往往復雜且晦澀的臨床研究問題都可以迎刃而解。
例如， 作為腫瘤二線療法的單抗類藥物是比較熱門的研究領域， 如果我們想知道德瓦魯單抗（Durvalumab， 阿斯利康）在接受過放化療的非小細胞肺癌患者（NSCLC）中的療效， 如何分解問題呢？
首先對於研究物件（P） 需要梳理出兩個特徵， 其一是NSCLC， 其二是已經接收過放化療且需要後續治療的患者；對於干預手段（I）I， 我們可以明確這個問題中的主要研究藥物為Durvalumab； 對於 對照對比（C）， 我們可以定義其為其他二線治療手段， 或沒有接受二線治療的患者； 對於研究終點（O）， 一般會用生存率指標和疾病緩解指標來定義腫瘤領域的藥物療效。
透過問題的結構化梳理後， 我們提煉出了精準的問題框架， 後面的文獻檢索過程就會變得清晰簡單。在操作層面， 我們需要做的就是結合特定文獻檢索工具的邏輯連線詞（例如MeSH）， 將 PICO（s） 轉化成檢索策略， 完成證據收集。
四、大資料和人工智慧技術助力創新科研
對於現今的醫療從業者來說，除了臨床實踐以外，不斷學習和創新科研也是必需的工作內容，否則很容易被新知識新技術所淘汰，而且這方面能力也是醫生職稱評級的重要標準。
據Medscape公佈，2015年美國專科醫生平均收入為 28。4 萬美元，據統計，中國醫生2015年均收入為 7。7 萬元。中國醫生工資待遇比較低，但工作壓力較大，在美國醫生眼裡，中國醫生一天看100多個病人的方式是不可思議的，2 min內看一個人是非常不負責任的，不過這種情況是由國情所決定，且壓縮了中國醫生可用於學習與科研的時間精力。在這樣的背景下，如何幫助醫生更快地、有效地去學習和科研也是人工智慧技術在醫學領域的一個探索方向。
1.科學文獻存在多語言性、內容專業、有效閱讀存在難度等技術壁壘。
先不論文獻的多語言性對知識獲取的難度提升，即使是母語系的臨床文獻，也比其他種類的文字產物更加晦澀難懂，而且資訊量更大。但科學文獻的優勢也很明顯，主要有結構相對固定、基本要素全面完整。利用文獻特性，如果讀者可以快速定位並且直接提取自己所感興趣的資訊，那麼這樣讀取資訊的效率是很高的，所以我們需要PICO（s）來成為讀者獲取資訊的指南針。
2.應用人工智慧技術可加快選題、檢索、資料獲取與整合的速度。
一般讀懂 1 篇 3000 字文章至少需要20~30 min，而有目的性的資料讀取只需要3~5 min就可以完成。如果我們將規則轉化成計算機語言，那麼這部分工作完全可以由機器代工，整體速度將近一步提升，3~5 min足夠人工智慧去篩選並提取上百篇上述型別文獻的資訊和資料。
相對的，在做科研和寫文獻的過程中，PICO（s）可以作為大綱來指導作者的構思和選題，幫助其高效獲取並有效整理素材。例如，透過傳統的人工方式，好的迴歸性資料分析需要4～6個月的時間週期去完成，其中選題需要約1個月，資料獲取需要約2個月，資料分析和論文撰寫還需要約2個月。利用PICO（s）的思維去最佳化這個過程可以提高效率，減少因選題不準和資料不足引發的返工率，在此基礎上，結合人工智慧的PICO（s）體系將可以進一步加快選題，檢索，資料獲取與整合的速度。
3.醫學資訊領域中應用人工智慧技術的手段仍然不夠完善，實際應用中存在一定的限制。
即便是被譽為業界老大哥的IBM Watson也在今年早期傳出與安德森癌症研究中心停止合作的訊息，並且其營收也停止了增長。IBM Watson曾取得過很多的成功：
2011年，Watson（沃森）就在智力競賽節目Jeopardy 中獲勝，此後IBM 就在一直積極宣傳沃森。在與巴羅神經學研究所合作的過程中，Watson透過閱讀2500萬篇文獻摘要，100萬篇完整論文和400萬專利文獻，建立了模型去預測RBPs與ALS的相關性。
有研究者為了測試其模型的預測能力，首先將IBM Watson的知識庫限制在2013年之前的學術出版物上，並要求Watson使用這些可用的資訊來預測與ALS相關的其他RBPs。
在2013—2017年期間，Watson在對4個導致突變的RBPs給出了高度評價，證明了模型的有效性。而後，Watson對基因組中所有的RBPs進行篩選，併成功鑑定在ALS中改變的5種新型RBPs。而這僅僅是Watson在藥物發現方面的嘗試之一，除此之外還有與多家研究/政府機構在衛生保健方面的業務合作和拓展。
IBM Watson之後出現低谷的原因，主要是應用人工智慧學習人類經驗，分析問題、預測過程中是有諸多限制因素：
（1）AI的能力高低取決於資料量級大小：資料越多，模型越準確。（2）AI的分析能力基於過往資料——人類無法理解或者未出現過的事件，AI也無從知曉。（3）AI學習的內容是由人來灌輸的——AI可以成為“最聰明的人”，卻無法超越“人”的範疇。
因此，我們應該將AI看作人類的工具，使用它去提升工作效率，而不是成為獨立個體去自由工作。IBM Watson恰恰是因為將自己定位成“醫生”，而非“醫生助手”，卻始終無法達到這樣的高度，從而跌入低谷。
4. 人工智慧與循證醫學的結合更加自然與合理
循證醫學本身就是溯源迴歸性的總結分析，歷史上沉澱的大量資料沒有被整合或挖掘過，利用機器的運作方式高效地處理這些資訊或可得到新的智慧，摸索出一定的規律，進而更好的幫助醫生去攻克醫學難題。
基於 PICO（s） 的框架模式，透過建設智慧化醫學資訊服務平臺，整合資料來源，將研究問題具體化，提供智慧文獻檢索和管理，輸出圖表和分析報告。見圖2～4。
圖2 發文趨勢的視覺化圖表樣例
圖3 熱點變化的視覺化圖表樣例
圖4 廠商分佈視覺化圖表樣例
五、小結
綜上所述，普通純人工PICO（s）模式下的EBM研究週期耗時較長，工作效率很低。談到智慧化醫學， 很多人想到的都是輔助診療，其實若能將AI技術應用到PICO（s） 領域，醫學資訊研究者可以大大提高工作質量和效率。
另外，完整的PICO（s）是由多個標籤組成的， 這些標籤可以被 AI 利用形成學習邏輯，並透過大量文獻的灌輸， AI可以高速精確地提取我們需要的資訊，將人工繁瑣的檢索和閱讀時間大大降低。
目前智慧化醫學資訊服務平臺是基於 PICO（s） 的框架模式，整合多資料來源，將研究問題具體化，提供智慧的文獻檢索和管理，最終可輸出視覺化圖表和分析報告。
—END—
宣告：本文為火石數智原創文章，歡迎個人轉發分享，網站、公眾號等轉載需經授權。
作者：徐奕