支持精准医疗的国外临床决策支持系统

，，， ，

精准医疗( precision medicine) 是通过基因组、蛋白质组等组学技术和医学前沿技术，对疾病进行精细分类及精确诊断，从而对疾病和特定患者进行个性化精准治疗的新型医学概念与医疗模式[1-2]，实现在疾病重新“分类”基础上的“对症用药”[3]。

当前研究显示，每种癌症都有其独特的遗传特性、肿瘤特异性标志物，也发现了多种类型肿瘤的共同特征[4]。这大大改进了癌症的预期、诊断和治疗方法，然而要对癌症有更深入的了解和更有效的治疗，就需要在大量信息基础上的知识挖掘以及全方位的技术保障。

实现精准医学的核心，是构建跨越基础研究到临床实践的基于基因组数据的知识网络和平台，其中涉及信息技术利用、基因组学研究、大数据技术、人员素质的提升等多方面，包括证据支持研究、方法创新、检验并最终应用，建立指导临床实践的证据，形成临床决策支持系统，进而实现精准治疗。

1 证据支持研究

促进对疾病风险的评估、了解发病机制、预测更多疾病最佳治疗的研究，在健康和健康护理方面实现精准医学利益的最大化是美国精准医学计划的内容之一[2]。当前取得的基因组成果和标记物发现与癌症预防和治疗的临床实践之间，还存在着巨大的证据鸿沟，缺少强有力的临床证据研究，限制了这些工具在临床实践中的应用[5]。

受益于2009年的美国复苏与再投资法案，美国国立癌症研究所资助了7个研究团队进行基因组和精准医学疗效比较研究(Comparative effectiveness research，CER)，目的是通过这些重要的证据支持研究，产生可以改善健康护理的智慧决策。其CER研究的发现、挑战、在临床实践中实施的障碍、研究重点见表1。

表1 基因组学和精准医学项目疗效比较研究的目标

从表1可看出，上述研究主要集中在基础设施、知识产生、知识合成和知识转化4个层面。其中基础设施层面的主要任务是解决数据和生物样本采集、建设多学科团队；知识产生层面的主要任务是组织随机对照试验、观察研究、建设方法学研究团队；知识合成层面的主要任务是知识合成、决策建模；知识转化层面的主要任务是医护管理、临床实践指南。H.Lee Moffitt 癌症中心的研究团队开发了CER信息基础框架，收集癌症病人的肿瘤样本和临床数据。该研究团队迄今已获得91 000病人的同意，收集了33 500多肿瘤样本， 产生了17 000多条高质量基因表达谱和4 500多大规模并行序列(全基因组、全外显子组和靶标外显子组)的数据。目前需进一步开发与整合开放存取资源的临床网络来支持CER研究，提供CER培训和教育计划，并进行经济和决策建模研究。

2 支持精准医学的无缝信息产品

由于临床数据呈指数增长，必须依赖有效的生物信息学系统把知识转化为分子靶标和诊断建议；而且临床试验和诊断都需要一个智慧型的生物信息学环境，进行数据整合和检索，正确处理和分析基因组数据，进行可重复的工作流管理和决策[6]。

为实现上述目标，法国居里研究院开发了无缝信息系统，能促进数据整合并且实时跟踪个体样本的处理过程。其计算管线能根据患者的分子图谱可靠识别基因组变化和突变，通过严格的质量控制，可以给医生和生物学家提供关于治疗决策的有价值的报告[7]。该系统成功应用于一项根据肿瘤分子图谱的靶向治疗与传统疗法治疗顽固性癌症的多中心随机II期试验中(SHIVA临床试验)，实施框架(图1)的左栏为从病人咨询到给出治疗方案等工作流程中所需的信息学和生物信息学体系结构，右栏为所需涉及的不同专家，中间一栏显示支持不同工作流程所需的信息系统或技术，包括电子病历、IT支持(数据存储和处理)、数据分析、数据整合、知识和数据共享等。该系统主要工作流程(图2)包括：采集病人样品，技术平台(NGS、芯片，免疫组织化学等)处理样品时使用专门的生物信息学管线分析原始数据并存储结果，KDI核心系统参考样本数据和对应的病人，进行多数据查询；利用特异性生物信息学管线从异构数据源产生新的综合知识。其知识和数据整合系统是基于异构数据集成的一个具有高度可扩展性、可塑性、可靠性和互操作性的无缝信息系统，Web应用程序是基于多层体系架构，采用J2EE技术开发。

图1 肿瘤精准医学框架

图2 肿瘤精准医学流程

3 临床决策支持产品(Clinical Decision Support，CDS)

3.1 IBM的电脑医生Watson

Watson是IBM公司自2007年开始研发的人工智能系统，能够理解自然语言和精确回答问题，有超强的认知计算能力。目前可以通过询问病人的病征、病史，通过人工智能技术、自然语言处理和分析技术，综合从电子健康病历系统、医学相关数据库、基因组学等各渠道获得信息和数据，迅速给出诊断提示和治疗意见，作为医疗辅助工具推动了癌症的治疗[8-9]。

2011年，沃森开始为美国保健服务提供商wellpoint负责复杂病例的护士及医生服务，审查医嘱并且后期应用于肿瘤临床试验[10]；2013年，沃森成为癌症诊断专家和医疗服务利用管理的专家[11]。2014年，安德森癌症中心与IBM合作，整合安德森癌症中心临床医生和研究人员的知识，建立由沃森认知计算系统驱动的中心肿瘤专家顾问库(Oncology Expert Advisor，OEA)。OEA系统能帮助临床医生制定、调整癌症患者的治疗方案。同时，IBM沃森技术还能简化和标准化患者的病历、实验室检验数据和研究数据集，并将数据整合到安德森癌症中心的病人数据库进行深度分析和挖掘[12]。

Watson通过获取的基因序列数据及与药物匹配的医学文献信息，包括病人独特的基因突变，确定最有可能的驱动突变及作用的药物靶标。IBM和Mayo诊所将合作开发一个创新性平台，随着更多临床试验、病人基因组和治疗信息的输入，使Watson在肿瘤诊断和治疗中发挥更大作用[9]。

Johnson & Johnson则与IBM Watson签订了旨在发现新药的大数据服务，通过提供沃森阅读和理解详述临床试验结果的科研论文，快速地综合有用信息，制定和评估药物治疗方案及其他的治疗方式。Watson发现顾问(Watson Discovery Advisor)可以帮助科学家鉴定对比药物样本是否有任何不良的遗传学记录。而之前同样工作需要3个人平均花费10个月来收集准备数据，才能够开始进行分析[13]。

3.2 My Cancer Genome(我的癌症基因组)

临床决策支持(CDS)是一种复杂的健康信息技术，能够翻译和整合基因组知识与电子病历(EHR)等其他临床系统的病人信息，自动处理患者数据并给出智能的医疗和护理建议，实现精准治疗[14]。美国CDS的飞速发展得益于2009年促进经济和临床健康的卫生信息技术法案(Health Information Technology for Economic and Clinical Health Act (HITECH)。该法案未来10年对使用电子病历取得医疗改善的合格提供者和医院给予270亿美元的奖励[15]。过去10年间，大量的基因突变和通路被识别为癌症治疗的靶标，并有800余种实验药物处于临床试验阶段。基于基因组的风险评估将使医生和病人建立一个高度个性化的癌症筛查和预防策略，从而能够最终实现早期诊断和改善预后，提高生存率[15]。然而临床决策是基于一系列病人和疾病的特点，包括基因组突变检测和所有患者特异性数据的临床应用，许多临床医生缺乏利用基因组信息的知识和正规训练而面临了解和整合基因组数据的挑战[16]。成功的CDS能够自动成为工作流程的一部分，为医生决策随时随地提供干预措施、诊段和治疗建议，与体检数据和医嘱录入系统整合为一体而很少再需要额外的临床数据录入[15，17]，因而对临床很有价值。

My Cancer Genome由范德比尔特-英格拉姆癌症中心2011年研发成功，是美国第一个个性化的癌症决策支持工具，旨在为肿瘤科护士提供临床决策支持。其数据来源于护理、医学文献及因特网[15]。它能快速提供最新的影响不同癌症的基因突变和针对突变的特别治疗措施，与电子病历(HER)系统整合，给医生提供突变靶向治疗和可能的临床试验的即时检测床旁决策支持，医生、病人或研究人员可通过因特网获得相关的信息服务[15]。访问者按疾病、基因或突变检索基因组信息非常容易。检索结果也包括和基因及疾病相关的动态的临床试验结果，同时给出完整的针对突变的靶向治疗方案汇总，这些方案都与出版的论文摘要链接。获得基因相关的临床试验信息有几种途径[18]。

当阅读某个特定基因或变异时可同时浏览网站的临床试验信息,用户也可通过网站首页的“Find a Clinical Trial”进入感兴趣的疾病和/或基因。目前可以从数据库检索135种癌症类型和490种癌症相关基因，临床试验信息每周从国立癌症研究所的医生数据查询数据库下载,内容注解包括每项试验正在评估的基因。

My Cancer Genome提供十分全面的美国FDA已经批准和正在研究的抗癌药目录，并按药物和作用靶标分类。其丰富的内容由来自美国、欧洲、澳洲和亚洲不同机构的59个临床和科学专家形成的合作网络提供，定期更新，并由一个多学科团队维护管理。该项目因提供了支持持续的、基于证据应用的治疗方法，获得美国国立癌症研究所和国立卫生信息技术合作局(the Office of the National Coordinator for Health Information Technology’s)的奖励。

My Cancer Genome 抗癌药移动APP也已投入使用，全部药物名单可以从 iTunes商店的任何苹果iOS设备免费下载。

尽管CDS系统优点很多，但当前基因组学和CDS 设计与实施还都不成熟，需要谨慎整合到临床工作流程中。

4 我国的精准医疗对策

从国外精准医疗信息产品的研发实例可以看出，精准医学有明确的科学含义和具体内容，需要全方位的信息技术保障和产品支撑，我们必须加快信息技术利用，培养智慧医疗人才，制定医疗数据共享政策，开展医疗大数据及诊断技术研究。

4.1 培养精准医疗所需的适用人才

“精准医学”需要不断地响应最新的信息技术和医疗进展，需要具有创造力的生物学家、医生、技术开发人员、数据科学家、患者以及其他人员的积极参与，特别是具有交叉学科背景的复合型人才。生命科学家和医生面临大数据的瓶颈，需要一体化的基因组信息及临床数据解读工具来辅助临床、科研决策。目前我国近50家院校设有医学信息管理专业，但学生的医学背景、计算机水平、数据处理能力，与生物信息学发展要求有很大差距[19-21]。医学生培养以基础医学、临床医学为主，欠缺信息素养、计算机分析与数据处理能力，计算机专业的学生则缺乏对医学知识的理解，人才培养存在难以逾越的专业鸿沟。而美国的医学生培养属研究生教育(Graduate Education)，必须先获得大学本科学士学位，并通过美国医学院入学考试(MCAT)后，才有资格申请就读医学院，毕业后可获得医学博士学位[22]，因此医学生来源于各个专业。这种医生培养模式优势明显，容易在交叉学科产生创新，更适应当前精准医学的发展，值得我们借鉴。

4.2 开放与共享数据资源

美国食品药品监督管理局(FDA)于2014年6月2日正式上线公共数据开放项目OpenFDA(open.fda.gov)，开放了2004-2013年间提交给FDA的“300万份药物不良反应报告”的数据，并向民众即时推送大量健康信息及海量的数据资源。此举将有效促进公共及私人部门创新，、推进学术研究、民众教育以及公众健康”[23]。

我国的卫生信息化建设虽已开展多年，但缺乏整体规划。各医院的电子病历系统不能兼容[24]，各个区域卫生信息化系统仍是一个个信息孤岛[25-27]，数据不能共享，无法形成有价值的医疗大数据。

数据开放是大势所趋。要推进精准医疗，就必须从国家层面制定政策，完善电子病历系统，整合现有临床信息系统，开放医学研究的数据与资源，实现共享。

4.3 科学布局，加强信息技术研究

基因组学研究成果与临床实践的融合更依赖于大数据技术和信息技术。为此，我国要在医学信息技术研究与利用方面科学布局，制定全面的研究计划来促进精准医学的方法创新，精准而集中地投入科研经费。建立指导临床实践的证据，建构“癌症知识网络”存储数字形式的分子及医学数据，对健康和疾病认知提供知识储备并以多种形式供科学家、医护人员及病人使用。

5 结论

精准医学的发展依赖信息技术，尤其是依赖各种临床信息系统的整合与大数据技术。但需要明确的是，医疗大数据的建设不是目的，而在于合理、高效地挖掘和利用大数据，并发现其中的知识和规律，进而指导临床实践，应避免对医疗大数据进行本末倒置的炒作。

应像青蒿素项目攻关一样，展开全国性的跨学科的科研大协作，制定需求导向的研发战略，建设生物信息学研究基础设施，开发移动医疗设备、可穿戴医疗设备，实现病人生理数据、健康指标的实时采集和监测预警，以“上医治未病”为目标，确保肿瘤早期诊断、有效治疗和复发预测。以信息技术促进蛋白质组、基因组等组学技术研究成果在临床的应用，尽快实现与临床电子病历系统的对接和融合，建设开放、数据共享的医学研究新模式，实现提高我国人民健康水平的真正的科学突破。