華山醫院信息中心主任：把AI與臨床結合後才發現，過去做的事僅是冰山一角

新聞 08-24

「我覺得AI這東西，對醫學太有誘惑力了。」

「當人工智慧與臨床相結合後才能感受到它的力量，才會發現我們能藉助它做的事情太多太多。有時候甚至覺得過去十幾、二十年來乾的信息化，跟AI所發揮的作用一比只是冰山一角。當你翹開一小部分AI後，一定會發現它背後所能承載的價值和體量非常之巨大。」

在談到AI對醫院和醫學的作用時，上海華山醫院信息中心主任黃虹激動地說到。

黃虹所在的復旦大學附屬華山醫院，是國家衛生計生委委屬醫院、復旦大學附屬教學醫院和中國紅十字會冠名的醫院，1992年首批通過國家三級甲等醫院評審，是國內最著名、最具國際化特徵的醫教研中心之一，也是全國首家通過JCI認證的部屬公立醫院，在國內外享有很高聲譽。

作為信息中心主任，在AI項目上，黃虹曾聯合其他小組開發了華山醫院的個性化給葯系統平台，並取得相當不錯的效果。

個性化醫療給葯系統的意義

「個體化精準給葯」是目前臨床提高藥物療效，減少不良反應和藥物毒副作用形成共識的核心方法，已經形成完整的理論體系和技術模型，是目前「精準醫學」的關鍵技術之一。

雷鋒網了解到，2011年，奧巴馬談到美國要大力推進精準醫療。為此，美國科學院先制定定義，根據每一位患者的特點，很精準地調整治療措施，治療措施主要包括用藥和使用的設備。

我們知道，藥物的推薦劑量往往是群體平均劑量，只有少數藥物使用推薦劑量才能獲得不錯的效果。

研究顯示，僅有30%-60%的患者藥物治療有效；5%-7%住院患者發生過嚴重的藥物不良反應，導致平均住院時間延長2天左右。

這裡就會發現，臨床藥物反應會出現較大個體差異，主要表現為藥物治療無效和嚴重的藥物不良反應。用藥個體化差異因素包括生理、病理、遺傳和環境因素以及因素的相互作用。

為何要做這個項目

黃虹回憶到，她原本並不熟悉「個性化精準給葯」，直到參與項目後，才深深感受到它的價值。

「每個人都生過大大小小的病，用藥是最基本的手段。其實我以前對個性化用藥不太了解，很多人的認知應該和我一樣，認為吃藥大概都差不多：一天吃幾頓，一頓吃幾粒，但學習後發現並非如此。因為某些藥物對劑量精準度要求非常高，當患者用藥劑量不合理時，會有兩種負面結果：要麼藥物無效果，要麼會引起嚴重副作用。」

當時，臨床也經常會提出一些需求，醫生會詢問藥劑科某個葯怎麼給、質量怎麼測等等。

大家都發現這個項目挺實用，認為精準化、個體化給葯是臨床上急需解決的問題，也是精準醫學步入臨床相當現實的事。

黃虹與開發討論後，後者也很願意去做個性化給葯系統這件事。

首先，個性化給葯可分為兩部分：

一是群代動力學：計算人群使用劑量

二是個體化的預測。

這兩部分有一定的差異，從個體化給葯角度來講，精準給葯一定是在適宜的時間去給適宜的量。

而從給葯角度來講，第一頓給藥劑量和持續性給藥劑量之間的差異需要協調。

如何知道給的藥劑量合不合適？

一般以治療藥物血葯濃度監測為主要內容，運用藥代動力學理論制定個體化合理用藥方案，此方法現在也已經被臨床醫生廣泛接受和採用。

項目技術分工

當依從性不好時，可做一些調整，這時候整個項目會牽扯到很多技術。

黃虹先把最關鍵的三點技術進行梳理和分工：

第一：如何建模？首先建模不是我們醫院信息部門乾的事，而是研究人員的任務。

第二：模型怎麼做？這也不是信息人員能幹的，得找一個數學大牛加入到項目里來。

第三：當演算法有了，怎麼配上合適的資源，如何讓產生的結果能夠落到實際應用系統里去，這是信息中心能做的事。

分工梳理清楚後，第一步需把個性化給葯影響因素大體分為四大類：

生理因素：包括患者身高、體重、年齡等。

病理因素：有無合併症、器官功能、病程等。

環境因素：患者食用食物種類，有無吸煙和合併用藥。

基因組學：發現患者遺傳結構、種族對藥物個體反應差異影響顯著。

在個性化給葯項目中，上述均為參與計算的重要要素，而且都要有方法去獲得這些要素，否則無法進行計算。

個性化給葯的目標是通過建模預測患者需要的藥物濃度，通過對藥物濃度的預測，反饋給臨床這些葯應該怎麼用。

但並不代表每類葯都要去干預，如感冒藥肯定無需干預。但一些治療性的葯，如化療葯和感染類的葯，要求相當精準。

如果依從性不夠好，怎麼來調整？

藥劑科在項目中扮演的角色

華山醫院藥物體系非常強大，藥劑科專門有一個做給葯研究的實驗室。

藥劑科也一直在開展特別藥物的研究，由於華山藥劑科同時擔任上海藥師服務的質控中心，意味著可以拿到很多醫院的模型、樣本數和研究結果。

這些醫院也希望藉助華山醫院的IT能力，給他們做一套基於IT的藥學服務體系。

在做個性化給葯的同時，華山醫院也在開發臨床藥師平台，其中個性化給葯是臨床藥師平台的子項目。有很多發燒病人查不出病因，在華山醫院這裡納入感染性的疾病來做。

這個體系從慢性病和感染性疾病來進行參與，通過深度和廣度兩個維度，形成完整的服務體系。

整個項目團隊以臨床為主，有很好的方法論和步驟。

華山藥師團隊由焦正博士帶領，華山拿到的樣本數據包括疾病譜不會很多，焦正博士整合了近一百家的藥師團隊，來參與這個項目的制定。

信息中心更多要負責組織協調開發力量，包括在項目里用到大量的公有雲。（由於演算法複雜，計算量也非常大，項目計算並沒有放在醫院內部，而是把這個工具放在公有雲。）

「棄微軟，從亞馬遜」，華山的上「雲」之路

公有雲採購方面，華山醫院有很多選擇，黃虹談到華山最先使用的是微軟Azure，後來把工具遷到亞馬遜AWS，其中一大原因是亞馬遜的價格更實惠一些。

華山醫院以混合雲的模式展開：系統架構臨床數據在醫院內部，而計算放在公有雲上。

公有雲和私有雲的之間過VPN來連接，數據獲取從數據中心來拿，其中個性化計算等都是在公有雲上去做。公有雲的計算結果返回到醫院內部系統里來，最後有一個界面反饋到醫囑系統。

放在公有雲上，從信息IT角度來講需要做的幾件事：第一是計算能力的拓展。葯不多的時候，可能覺得當前的計算力足夠，但是當因素越多，產生的結果越多時，你一定要關注怎麼放？放在本地好，還是放在異地好，還是放在中間好？

華山在做第一版個性化給葯系統時，數據反饋回來是兩分多鐘，臨床醫生接受不了，後來為此不斷做演算法優化和未來的分析能力。

個性化給葯建設方案

個性化給葯模型一共分為兩塊：一塊是群代動力學研究，當群代動力學的初始給藥方案出來後，臨床醫生根據建議的劑量給葯，通過藥物監測，看給葯有沒有效。

已達到給到輸出更好、更精準的劑量給醫生。

群代動力學考察的是整個人群，如整個中國人群。如果現在做不到全中國，至少是上海整個人群。

它缺乏的是變異，研究的是目標人群樣本量越大，演算法越精準。

第二步是需要更精準的計算，得出個體給葯的劑量是多少。

整個工具分成建模和計算兩部分，建模工作更多是由藥劑科來完成，焦正博士為了更好完成這個項目，特地招了數學背景的研究生專門給他做演算法。

建模本身非常有意思，因為要涉及到人、藥物、疾病三者之間的關係，還要去查大量的文獻，做一些試算，其次需要把計算結果給到臨床，這其中會用到大量的非線性計算。

整個群代模型的建立分成兩塊，第一塊是多中心協作，其中一期做了卡馬西平和丙戎酸鈉多中心臨床研究，包括上海華山醫院、長征醫院、兒科醫院、北京的天壇醫院、南京的腦科醫院，給華山醫院藥劑科做演算法研究。有了數據之後開始建模，測算它的劑量，尤其像卡馬西平模型的演算法相當複雜。

為何不使用國外免費軟體？

其實國外有很多免費的個性化給葯工具，不花錢也能獲取。有著免費的不用，華山醫院為何花如此多精力去研發這個工具。

黃虹講到：「國外免費軟體的優點就是免費，操作也比較簡單，整個參數調整也還不錯。但最大問題是它沒有一個輸入、輸出的方式，必須先通過手工的方法導進去，再用手工把結果導出來。其次，無法繪製葯時曲線，它是一個單體的計算工具，沒辦法和生產系統整合在一起，所以自從華山做了這個工具之後，很多醫院現在也慢慢移到我們的計算工具上來做了。」

個性化精準給葯輔助工具一共分這麼幾大塊：

第一是病人管理；

第二是先驗模擬：試驗這樣一個計算工具、藥品、疾病適不適用。

第三需要做個體參數估計：根據群體公式模型，進行個體變數的研究。

第四是負荷劑量：如果首次給大劑量應該怎麼來做。

第五是自定義輸入：支持非常規給葯間隔和劑量，更貼近複雜的實際場景。

包括個性化的給藥方案，在所有的計算工作完成之後，會給到醫生和藥師一個個性的給葯報告，同時把曲線繪製出來，所有工作完成後，還有一個最大的工作就是不斷完善藥物公式擴展。

如何應用到臨床？

黃虹講到，個性化給葯輔助工具的厲害之處在於跟醫囑系統整合在一起，把系統嵌在醫囑系統里。

以卡馬西平為例，它更多用在癲癇病人身上，醫生可以試算一下劑量應該怎麼給，試算工具界面包括藥物濃度的變異，通過群體模型告訴醫生葯應該給多少劑量。

當群體模型建完之後，經過監測，如果醫生覺得卡馬西平藥物濃度不理想，即會做個體給藥劑量的計算。包括整個負荷劑量、首次給大劑量、自定義的輸入。

計算之後把整套給藥方案給到臨床醫生，同時會把這部分的內容放到藥師的管理平台，除了PC端以外，移動端的應用也已搭建完成。