在大數(shù)據(jù)時(shí)代

機(jī)器學(xué)習(xí)如何助力精準(zhǔn)醫(yī)療呢？

和小衛(wèi)一起來(lái)看看吧~

相關(guān)背景

精準(zhǔn)醫(yī)療（precision medicine）自被提出以來(lái)，便引起了國(guó)際社會(huì)的廣泛關(guān)注?；诨驕y(cè)序技術(shù)實(shí)現(xiàn)精準(zhǔn)診斷、用靶向藥實(shí)施精準(zhǔn)治療、建立大數(shù)據(jù)預(yù)測(cè)健康風(fēng)險(xiǎn)并實(shí)現(xiàn)精準(zhǔn)預(yù)防等實(shí)踐應(yīng)用中，精準(zhǔn)醫(yī)療對(duì)提高疾病預(yù)防和診治效益、改善人群健康所發(fā)揮的作用日益突顯[1]。

今天，小衛(wèi)就結(jié)合亞組分析，具體談一談機(jī)器學(xué)習(xí)如何助力精準(zhǔn)醫(yī)療。

01

精準(zhǔn)醫(yī)療

精準(zhǔn)醫(yī)療起源于1960年被發(fā)現(xiàn)的費(fèi)城染色體融合基因，針對(duì)該基因進(jìn)行了靶向藥物研究[2]。

2015年1月，奧巴馬宣布“精準(zhǔn)醫(yī)療計(jì)劃”，使得精準(zhǔn)醫(yī)療獲得了世界范圍的關(guān)注，并將精準(zhǔn)醫(yī)療定義為一種新的、綜合評(píng)估個(gè)體基因、環(huán)境和生活方式差異后，所采取的疾病防治方法[3]。核心內(nèi)容為藥物基因組學(xué)和大型隊(duì)列研究。

精準(zhǔn)醫(yī)療的組織框架有兩種：1.為某療法找到適合它的目標(biāo)人群，例如，某藥物三期臨床試驗(yàn)雖失敗，但希望找到試驗(yàn)藥物中獲益的亞組；2.為患者找到適合他們的治療方式。

02

機(jī)器學(xué)習(xí)

隨著計(jì)算機(jī)技術(shù)、信息技術(shù)和互聯(lián)網(wǎng)技術(shù)的迅速發(fā)展，社會(huì)各個(gè)領(lǐng)域積累了海量的數(shù)據(jù)。如何在這些海量數(shù)據(jù)里挖掘出有用的信息是目前各行各業(yè)所面臨的問(wèn)題，而機(jī)器學(xué)習(xí)作為解決數(shù)據(jù)挖掘問(wèn)題的主要方法之一，在醫(yī)療領(lǐng)域得到了廣泛應(yīng)用[4]，例如，疾病預(yù)測(cè)、疾病輔助診斷、疾病預(yù)后評(píng)價(jià)、新藥研發(fā)、健康管理、醫(yī)學(xué)圖像識(shí)別等。

機(jī)器學(xué)習(xí)是一種能自動(dòng)構(gòu)建出模型用來(lái)處理一些復(fù)雜關(guān)系的技術(shù)，它使用計(jì)算機(jī)模擬人類(lèi)學(xué)習(xí)行為，通過(guò)學(xué)習(xí)現(xiàn)有知識(shí)，獲取新經(jīng)驗(yàn)與新知識(shí)，不斷改善性能并實(shí)現(xiàn)自身完善。

機(jī)器學(xué)習(xí)一般根據(jù)處理的數(shù)據(jù)是否需要人為標(biāo)記分為監(jiān)督學(xué)習(xí)、半監(jiān)督學(xué)習(xí)和無(wú)監(jiān)督學(xué)習(xí)三類(lèi)。其經(jīng)典算法包括：決策樹(shù)、貝葉斯網(wǎng)絡(luò)、人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)和深度學(xué)習(xí)等。

在公共衛(wèi)生學(xué)領(lǐng)域，無(wú)監(jiān)督學(xué)習(xí)已被用于空間和時(shí)空分析，暴發(fā)確認(rèn)和監(jiān)測(cè)等；利用半監(jiān)督學(xué)習(xí)來(lái)構(gòu)建基于社交媒體數(shù)據(jù)的不良藥物反應(yīng)的早期預(yù)警系統(tǒng)，根據(jù)智能手機(jī)的數(shù)據(jù)監(jiān)測(cè)意外跌落情況，以及識(shí)別異?？諝馕廴疚镆约捌渌麘?yīng)用；監(jiān)督學(xué)習(xí)已被用于預(yù)測(cè)結(jié)核病的傳播以及社交網(wǎng)站用戶轉(zhuǎn)向自殺意念的情況等[5]。

03

亞組分析利用機(jī)器學(xué)習(xí)算法助力精準(zhǔn)醫(yī)療

奧巴馬宣布“精確醫(yī)學(xué)計(jì)劃”后，F(xiàn)DA（美國(guó)食品藥品監(jiān)督管理局）對(duì)此在相關(guān)文件中強(qiáng)調(diào)了患者對(duì)于治療方法反應(yīng)的異質(zhì)性對(duì)于藥物研發(fā)是非常重要的，識(shí)別出對(duì)特定治療手段有較好療效的亞組人群，并證明這種獲益對(duì)患者是客觀存在的，是實(shí)現(xiàn)精準(zhǔn)醫(yī)學(xué)中個(gè)體化治療的重要手段，而這也正是亞組分析的目的[6]。

亞組通常由患者的一個(gè)或多個(gè)內(nèi)在和/或外在因素來(lái)定義，而且具有一定的臨床意義，這些變量通常是基線變量，包括人口學(xué)特征（如年齡、性別等）、實(shí)驗(yàn)室檢查指標(biāo)、基因組相關(guān)標(biāo)志物、疾病嚴(yán)重程度分型、臨床狀況（如合并癥、伴隨用藥）、地區(qū)（如國(guó)家、試驗(yàn)中心）和環(huán)境因素等。

亞組分析根據(jù)研究角度具體可以分為設(shè)計(jì)驅(qū)動(dòng)的亞組分析（guidance-driven）和數(shù)據(jù)驅(qū)動(dòng)的亞組分析（data-driven）。其中數(shù)據(jù)驅(qū)動(dòng)的亞組分析使用了機(jī)器學(xué)習(xí)算法，其主要思路是基于亞組人群產(chǎn)生的原因，即亞組人群的特征協(xié)變量與不同的處理產(chǎn)生了交互作用，利用機(jī)器學(xué)習(xí)算法尋找交互項(xiàng)就可以確定獲益亞組。

數(shù)據(jù)驅(qū)動(dòng)的亞組分析根據(jù)建模思路的不同，可以分為全局結(jié)局建模(globle outcome modeling methods)、全局處理效應(yīng)建模(globle treatment effect modeling)、最佳治療機(jī)制(optimal treatment regimes)和局部建模(local modeling methods)四類(lèi)[6]。不同的建模思路也對(duì)應(yīng)不同的算法。

目前關(guān)于數(shù)據(jù)驅(qū)動(dòng)的亞組識(shí)別的研究已有很多，但其仍存在一些問(wèn)題，例如，盲目的亞組探索和數(shù)據(jù)挖掘可能導(dǎo)致Ⅰ類(lèi)錯(cuò)誤膨脹；又如，由于模型空間大，過(guò)度探索會(huì)導(dǎo)致過(guò)擬合的問(wèn)題，進(jìn)而導(dǎo)致預(yù)測(cè)力變差。精準(zhǔn)醫(yī)療的發(fā)展需要亞組分析的進(jìn)步，期待在此方向更多的突破性研究。

參考文獻(xiàn)：

[1]楊玉潔,毛阿燕,喬琛,都恩環(huán),黃佳文,張旭,邱五七.精準(zhǔn)醫(yī)療的概念內(nèi)涵及其服務(wù)應(yīng)用[J].中國(guó)醫(yī)院管理,2020,40(01):5-8.

[2]范美玉,陳敏.基于大數(shù)據(jù)的精準(zhǔn)醫(yī)療服務(wù)體系研究[J].中國(guó)醫(yī)院管理,2016,36(1):10-11.

[3]田埂.“精準(zhǔn)醫(yī)療”引發(fā)醫(yī)學(xué)革命[J].中國(guó)經(jīng)濟(jì)報(bào)告,2015(6):112-114.

[4]蘭欣,衛(wèi)榮,蔡宏偉,郭佑民,侯夢(mèng)薇,邢磊,那天,陸亮.機(jī)器學(xué)習(xí)算法在醫(yī)療領(lǐng)域中的應(yīng)用[J].醫(yī)療衛(wèi)生裝備,2019,40(03):93-97.

[5]劉楊,李輝,曾新穎,董文蘭,劉世煒.健康大數(shù)據(jù)在慢性病預(yù)防控制中的應(yīng)用[J].中華流行病學(xué)雜志,2020,41(12):2163-2168.

[6]Lipkovich Ilya,Dmitrienko Alex,B Ralph. Tutorial in biostatistics: data-driven subgroup identification and analysis in clinical trials.[J]. Statistics in medicine,2017,36(1).

**注：本文僅供考研學(xué)子學(xué)習(xí)交流，歡迎大家分享自己的看法。

公衛(wèi)考研er復(fù)試加油！

一戰(zhàn)成碩！

合作作者

山心老師

西安交通大學(xué) 公共衛(wèi)生碩士