患者数据正驱动医疗的未来

医疗领域的 AI 竞争正日益从“机器能否生成医学信息”的问题转向更具影响力的问题：当 AI 能够利用临床医生和研究人员已有的患者数据时，会发生什么？

最近的三项发展指示了这一转变可能的方向。

首先，OpenAI 最近将 ChatGPT for Healthcare 与授权的 Epic 电子健康记录数据,将患者特定的临床背景引入 AI 工作流，并有可能减少临床医生在碎片化医疗记录中搜索的时间。

接下来，PurpleLab，这家医疗数据和分析公司，刚刚 推出 CARES，这是一项利用其庞大的真实世界医疗数据支持研究的倡议。

最后，哈佛医学院的研究人员已经 开发了 一个利用现有健康记录和基因信息来估计数百种疾病风险的 AI 模型。

综合来看，它们表明了医疗领域许多人长期猜测的观点：患者数据可能是医疗行业在护理创新中最有价值的资产之一。

让我们进一步审视这些近期患者数据突破的每一个。

从电子健康记录到 AI 助手

9 月 1 日，OpenAI 宣布了针对 ChatGPT for Healthcare 的 Epic 集成，使授权的医疗机构能够将患者信息引入 AI 辅助的工作流。

该集成可帮助临床医生审阅诸如医学记录、药物、实验室结果和既往就诊等信息，而无需手动从记录的不同部分拼凑患者的病史。

该系统为只读模式，这意味着 AI 不会自行修改医疗记录。

这一区别很重要。眼前的机遇并非取代电子健康记录或让 AI 系统自行决策，而是缩短临床医生寻找和整合信息的时间。

OpenAI 还将 ChatGPT for Healthcare 连接到官方公共资源，包括 PubMed、ClinicalTrials.gov、DailyMed 和 CMS 数据。

更大的理念是将患者背景与外部医学证据结合在同一工作流中。

让真实世界数据在研究中更有价值

PurpleLab 是一家专注于包括真实世界证据（RWE）和真实世界数据（RWD）在内的医疗数据与分析公司，最近推出了“真实世界证据研究推进中心”（CARES），旨在帮助研究人员、学术机构、证据网络和患者社区更有效地使用真实世界数据。

其意义不仅在于提供更多数据。

医疗研究人员长期面临定义不一致、数据集碎片化以及难以复现既往研究等问题。

CARES 以可重复研究、透明方法、学术合作和以患者为中心的研究为核心设计。

PurpleLab 表示，研究人员可以利用其真实世界数据集研究包括肿瘤学、心脏病学、心理健康和罕见疾病在内的治疗模式、疗效和医疗成本。

如果取得成功，此类倡议有望将常规生成的医疗信息转化为能够快速解答传统临床研究未必能及时覆盖的问题的证据。

“真实世界证据在严谨、同行评审且公开共享时最具力度。通过 PurpleLab CARES，我们展示了我们的数据在研究人员、学术合作伙伴和患者社区手中可以发挥的作用，”PurpleLab 真实世界证据高级副总裁 Scott DuVall 在公司声明中说。

在疾病出现前进行预测

在 哈佛，研究团队正将患者数据转化为预测引擎。

由 Dana-Farber Cancer Institute 与 Massachusetts General Hospital 的研究人员开发的机器学习模型，可利用常规收集的电子健康记录（EHR）和基因风险信息，估算患者对 348 种疾病的风险。

该模型名为 Aladynoulli，使用来自三个生物库的超过 683,000 份患者记录数据进行训练和验证。

研究人员表示，随着患者年龄增长，模型能够动态更新风险评估。

其潜力显著。AI 不再仅把病史视为已发生的记录，而是日益利用它来识别与未来可能发生的情况相关的模式。

但在此需要格外谨慎。该模型迄今仅基于历史患者数据进行评估，仍需进一步研究才能确定其在真实临床环境中的表现。

真正的挑战是信任

因此，医疗保健 AI 的未来可能更多取决于其背后数据的准确性、代表性、安全性以及负责任的治理，而非算法本身的炫目程度。

患者数据可以揭示跨多年病史中人类难以识别的模式。但这些记录同样包含个人生成的最敏感信息之一。

随着医疗机构将电子健康记录（EHR）、研究数据库和 AI 系统连接起来，核心问题不再仅是 AI 能否从患者数据中提取更多价值。

关键在于医疗系统能否在不失去患者信任的前提下实现这一点。

信息更完善与负责任使用之间的平衡最终可能决定 AI 从研究实验室走向日常医疗的程度。