醫療大數據的倫理思考

字數6118 · 閱讀需要22分鐘 歡迎在文末留言

導語：隨著雲計算、基因測序、現代臨床試驗、靶向治療等技術的發展，大數據和醫學將進行高度融合，實現顛覆性的醫療，醫療衛生行業進入大數據時代。

醫療大數據將在臨床輔助決策、醫療質量監管、疾病預測模型、臨床試驗分析、個性化治療等醫療服務領域發揮巨大作用^[1]。但不容忽視的是，當前大數據在醫療衛生行業的應用中帶來一些倫理挑戰，如個人隱私信息的泄露、知情同意的難以貫徹、人文關懷的缺失，甚至人的存在方式、醫患交往方式等都發生變化，如何應對這些挑戰，使其合理應用，成為當前倫理學亟需解決的問題。

1醫療大數據的概念及特徵

醫療大數據是指利用常規軟體工具捕獲、管理和處理數據所耗時間超過可容忍時間的醫療領域的數據集^[2]。醫療大數據的典型特徵主要表現為四個方面。

1.1 數據集成的廣泛性

醫療大數據規模大、海量，通常是以GB、TB、PB為基本處理單位。例如，醫院CT、核磁等影像資料的數據量每天超過100G，並需要長期保存，而且，種類繁多，來源廣泛。醫療大數據涵蓋人的全生命周期，既包括個人健康，又涉及醫藥服務、疾病防控、健康保障和食品安全、養生保健等。其數據主要來源於製藥企業、醫院診療、醫療費用和健康管理四個方面^[3]。此外，醫療大數據具有廣泛的異構性，很多數據是半結構化、非結構化的，其所佔比例越來越多，如電子病歷、影像資料等，其中，病理資料是以圖片形式呈現的，因而是一種半結構化數據。

1.2 數據潛在的價值性

醫療大數據不僅作為處理對象單個存在，而且還是一種基礎資源，其存在是判斷其他數據存在的依據，能夠協同解決其他領域的問題。單個醫療數據信息價值不是很明顯，一旦通過智能分析和計算機技術整合，對數據進行二次開發，就會產生很大的潛在價值。正如經濟學家Hal Varian所說：「數據收集的根本目的是通過整合、分析、提取有用的知識，並將其應用到具體的領域當中。」^[4]

美國羅切斯特大學（University of Rochester）一個數據挖掘團隊就曾利用Twitter的數據進行了嘗試。他們利用自己開發的文本分析工具，一個月內收集60餘萬人的440萬條 Twitter 信息，挖掘其中的身體狀態信息。結果表明，研究人員可以提前8天預報流感對個體的侵襲狀況，而且準確率高達90%^[5]。

1.3 數據分析的相關性

相關性是指兩個或兩個以上變數的取值之間存在某種規律性^[6]。變數之間有相關性，只反映取值的影響度和相關的密切度，並不代表有因果性。數據分析是整個醫療大數據的核心，價值產生於分析過程。首先，醫療大數據是一個複雜開放的系統，其中各個部分相互影響，相互關聯。此時的「因」可能是彼時的「果」，此處的「果」也可能是彼處的「因」。因此，傳統的線性因果分析模式無法對醫療大數據進行分析。例如，有統計結果顯示，吸煙人群的肺癌發病率比不吸煙人群高几倍，但統計學無法得出「吸煙致癌」的因果結論。只能提示，吸煙與肺癌有相關性。其次，醫療大數據的潛在價值性，使得「數據思維從以計算為中心轉為以分析為中心，即在一定的理論指導下，按照一定的社會需求，收集、整理和分析數據，從而進行社會解釋、監控、預測與規劃的過程和活動」^[7]。

谷歌搜索每天產生海量的數據。就以搜索流感信息為例，儘管並不是每個搜索這類關鍵詞的人都有流感癥狀或患有流感，但把這些數據匯總到一起時，或許可以從中建立起一個準確、可靠的模型，實時監控當下的流感疫情，並對未來疫情狀況進行估測。2008年11月谷歌公司上線了「谷歌流感預測」（Google Flu Trends，GFT）^[8]，即通過監測某一地區與流感相關檢索詞的數量，用來估計該地區流感疫情。谷歌公司將GFT推廣到美國在內的其他28個國家，並對紐西蘭的流感預測，其結果與當地監測結果高度相關。不僅如此，在2008年季度GFT模型預測的結果與美國國家疾病預防控制中心流感樣病例監測結果也保持了高度相關性，其相關係數為0.97^[9]。

在每一份基因電子病歷中，記載著個人的所有潛在疾病及對藥物的敏感信息。醫生根據基因電子病歷中的數據，結合患者的生理指標和醫療智能決策支持系統，進行相關性分析，模擬臨床治療的有效性，最終形成一個個性化的醫療模式。如Melanie Nix的家族有乳腺癌病史，在2008年，進行與乳腺癌有關的乳腺癌1號基因（breast cancer 1，BRCA1）基因突變檢測時，結果呈陽性。醫生根據這一數據結果，結合Melanie Nix的各項生理指標，進行相關性分析，制定了一個精準治療方案，最終經過16輪的化療和乳房重建手術，Melanie Nix現在已經完全治癒了癌症^[10]。顯然，相關性分析是醫療大數據分析的一個重要思維模式。

1.4 數據解釋的不確定性

斯坦福大學Trevor Hastie認為：「海量數據帶來顯著性檢驗的問題，將使我們很難找到真正的關聯。」^[11]維克托·邁爾·舍恩伯格等^[12]也指出這一點：「數據量的大幅增加會造成結果的不準確，一些錯誤的數據會混進資料庫。」海量的半結構化、非結構化數據聚集在一起時，就會產生很多干擾數據，也意味著更多的虛假關係信息，導致分析結果的不精確。2012年~2013年，GFT高估了流感疫情的起始時間以及流行程度，流行性感冒提前襲擊了美國，造成嚴重危害^[13]。當時科學家們檢索並分析流感相關的互聯網數據，對流感的影響程度進行估計。然而與傳統的公共衛生監測方法相比，這種方法大大高估了流感的高峰期影響水平。Declan Butler^[14]也指出，GFT對2012年底美國流感類疾病患者數目的估計比美國疾病控制與預防中心檢測結果高出約1倍。不僅如此，GFT在2008年～2009年對瑞士、德國、比利時等國的流感類疾病患者數目的估計也都失准。

醫療數據解釋的不確定性，一定程度上會給受檢者帶來誤導，甚至產生不必要的恐慌。正如美國醫學遺傳學會通過基因測試，反饋許多有關遺傳變異信息時對受檢者說：「我們發現你的基因中的這些變異是重要的，但不知道它們是否會讓你生病或者產生其他病變。」目前通過耳聾基因診斷只能診斷出60%~80%遺傳性耳聾的準確致病基因，依然有20%~40%的基因無法確定^[15]，也就無法給受檢者一個準確的數據結果說明。顯然，如此不確定的醫療數據解釋，勢必給受檢者帶來潛在心理負擔。

2醫療大數據應用的倫理思考

醫療大數據是顛覆個人健康的一次重大革命，基因測序、無線感測器、靶向治療等與其他學科結合將使醫療更具個性化。但是，醫療大數據在具體應用中仍然帶來一定的倫理問題。邁克爾·桑德爾（Michael J. Sandel）^[16]指出：「當倫理道德跟不上科技的腳步時，人們的心理就會不安。」正是這種不安促進反思。

2.1 個人隱私與信息安全

在醫療大數據時代，隨著社交媒介Twitter、移動APP、遠程醫療等在醫患之間的廣泛應用，患者的診斷信息、具體病症、生活習慣等隱秘信息都在互聯網上留下痕迹。現有的隱私保護技術主要基於靜態數據集，醫療大數據的海量、動態、共享、交叉檢索等典型特徵，增加了個人信息泄露的危險。據美國衛生部民權辦公室統計，僅2015年第一季度全美就發生87起數據泄露事件，受影響醫療機構達500多家，共計9 230萬個人信息泄露。國內媒體也曾曝出醫藥信息外泄事件，如溫州多家醫院的信息系統遭黑客入侵^[17]，羅維鄧白氏公司非法買賣公民個人信息事件等。此外，由於醫療大數據進行二次利用後，能產生無法估量的價值，所以一旦暴露，其危害往往是個人無法預知和控制的。因此有人認為，「醫療大數據時代，隨著信息的累積和整合，真正的危險是被預知和蠶食人類的自由」^[18]。難怪有人擔心，將一生的病歷記錄存儲在雲端，簡直令人恐懼^[19]296。

信息泄露給個人和社會帶來的經濟損失不容忽視。根據美國獨立研究機構波萊蒙研究所（Ponemon Institute）一份有關數據風險的最新研究報告——《2015年數據泄露成本研究》稱，全世界範圍內醫療保健信息泄露的平均成本是每條記錄363美元，而美國為398美元^[20]。

2.2 知情同意

知情同意是指主體在充分知曉自己個人信息被利用的範圍、方式和後果後，自主做出如何處理個人信息的決定。在醫療大數據時代，數據的潛在價值大多體現在數據的二次分析上，而在收集數據時，這些數據會被誰利用以及其用途可能是未知的，因此也就無法告知用戶^[21]。然而現實是，很多研究機構在沒有徵得數據所有者明確同意的情況下，默認其同意，就對數據進行二次開發利用，這顯然違背了知情同意原則。

2013年美國一個印第安小部落向法院提出訴訟，狀告亞利桑那州立大學的研究人員未經知情同意便採集其DNA樣品，而當時只是被告知其DNA樣品將用於糖尿病研究。事實上，這些數據後來被用於更廣泛的研究，如精神分裂症研究^[22]。2000年12月20日，美國《華盛頓郵報》上登載了一篇題為「挖掘農村DNA富礦」的報道，自1995年以來，在哈佛大學公共衛生學院徐希平的協助下，安徽大別山附近數以萬計的百姓為哈佛大學與中國的合作項目「貢獻」了血樣，這些血樣進入了哈佛基因庫，最終用於對哮喘病、糖尿病和高血壓等疾病的研究，而當時百姓只被告知做免費體檢。可見，目前海量的數據二次利用時，再次徵得用戶的知情同意，無論經濟成本，還是時間效度都難以實施。所以，醫療大數據時代，真正的知情同意很難貫徹實施。

2.3 去主體化與人文關懷

醫療大數據的應用試圖通過數據表徵人類的一切活動，如生命體征、疾病信息、生活環境、教育程度、飲食習慣等，從而構建一個數字化時代。人類利用數據信息創造了一個數字人體，真實地複製了人的解剖學、生理和生物數據。

但是，醫療大數據的應用帶來一個客觀問題，那就是「去主體化」，即在人與數字的相互交往中，大數據彙集，數字脫離主體而存在，作為主體的人被數字代替，數字反而成為主體。有學者指出，「當代醫學技術已經處於主體地位，並且開始無限制地介入和干預身體，將具有豐富感受性的身體僅從生物學意義上加以對待，人內在的情感、價值和尊嚴等生命意義被遮蔽，愈來愈明顯地體現為一種『去主體化』傾向」^[23]。一方面，對醫務人員而言，由於對疾病的診斷和治療過度依賴數據，從而可能限制自己的思維，失去傳統的臨床經驗。丹尼爾·奧弗萊（Danielle Ofri）曾坦言：「描述患者病情受一千個字元的限制，這限制了醫生的思考。電子病歷系統要求分類記錄病情，將患者的狀況按不同方面輸入不同的區域，這導致醫生難以對患者形成完整的印象。」^[19]185-186另一方面，對患者而言，由於被各種數據所標記，成為一個沒有思維、意識和情感的數字元號，患者的疾苦也變成了一堆數字和影像，人的主體性喪失。這樣一來，醫患交往時，醫生的關注點由患者轉向各種數據，似乎需要面對更多的計算機，而非患者。患者也難免對醫生通過敲擊鍵盤、盯著電腦屏幕就能看病感到疑惑，感覺自己沒有被真正傾聽和理解。那麼，醫患間的接觸傾聽、耐心溝通、情感撫慰、價值認同等人文關懷就會受到蠶食。例如，目前Diabetic Link建立的患者醫療健康網路社區，通過網路進行交流治療經驗和疾病信息等。但是，這樣的交流只能看到雙方的臉部和上半身，醫生無法感知患者的體態言語、細微的情感和行為變化[24]，更何談醫學的人文關懷。

醫學終極關懷是對生命價值的高度體認，肯定人是一種精神和文化的存在。然而，「現代醫生專註於診斷治療的器械化、數字化和計算機化而偏離關注病人的心理、精神，從而割裂了醫學與人文的結合」^[25]。

3應對醫療大數據倫理問題的對策

醫療大數據應用的倫理問題解決，需要在醫學倫理學理論、原則指導之下，堅持以人為本，多部門協調合作，共同配合。如此，醫療大數據才能更好地為人類健康服務。

3.1 加強信息技術的研發應用，注重綜合性人才培養

醫療大數據的應用涉及到醫學、計算機、倫理學、法學等不同學科的交叉。因此，需要多學科共同解決和論證醫療大數據的問題。首先，加強數據安全技術的研發和更新，通過採取技術手段限制用戶對醫療信息資源的許可權管理，從而使得各類醫療大數據在合法範圍內使用，防止資源被濫用造成泄露隱私，產生安全問題，如有人提出的「醫療隱私層次化控制」^[26]。其次，要加強計算機技術的研發，如數據挖掘技術、整合技術等，從技術上加強對醫療大數據的深度挖掘，將數據的真實性、關聯性、潛在價值性給挖掘出來。最後，注重綜合性專業人才的培養，既熟通醫學專業知識、計算機知識，又貫通倫理學、法學知識。深度挖掘醫療大數據的真實性和潛在價值性，如此，方能在應用醫學科技的同時，追求更高層次的「倫理善」，成為一個有學養的醫務工作者。

3.2 法律和倫理協同制約

在醫療大數據時代，對原有的法律規範、倫理道德進行修補，已經不足以抑制其帶來的倫理風險。因此，要重新制定新的法律，約束醫務人員的行為，提高自律意識和保護患者隱私的意識。首次，加強立法，通過法律保護患者隱私權利。如美國制定《基因隱私法》，《歐洲聯盟基本權利憲章》第八條規定個人信息受保護的權利。另一方面，醫務人員在遵守不傷害、有利、公正等倫理原則的前提下，尋找相應的倫理對策。如有學者提出「動態的知情同意」^[27]，它是一種以患者/受試者為中心的同意，符合醫療大數據時代的個性化需求。還有學者提出將動態同意與寬泛同意相結合的「元同意」^[28]。總之，在應用醫療大數據時，需要法律和倫理協同規範醫務人員行為，加強醫務人員的法律意識和倫理道德。

3.3 重視人的主體地位，加強人文關懷

黃萬盛[29]認為：「人文關懷就是把天道的合理性跟人存在的合理性完全打通。真正把『人』當作一個有創造性的主體，與『天道』的關懷結合起來。」 康德也強調人的主體性，認為「人是目的，不僅僅是手段」。醫療大數據時代，個人數字化是必然結果，但在面對數字化人體時，必須強調人的主體性，使科學技術成為符合人的目的、以人為中心的人性化科技，使人與科技的關係成為人與科技的生態，而不是成為機器與機器、數字與數字僵硬的狀態^[30]。所以，現代醫生在利用大數據時，不能失卻自我主體性，重視醫學人文關懷，通過智慧、自我經驗與患者溝通交流。

醫學人文關懷不僅要關注患者的軀體健康，還應關注其心理健康。人是軀體和心理的統一體，有複雜的情緒情感、心理需要和精神追求，這些都會影響疾病的演變過程。因此，醫生應站在患者的角度體察、幫助、撫慰患者，耐心溝通，充分尊重患者。不能把患者僅僅視為一個有各種數據標籤的「虛擬個體」，而應該尊重患者的自主性，包括自由、理性、尊嚴、責任等基本價值，充分體現醫療實踐中的倫理和道德價值。醫學的終極關懷是敬畏生命，尊重人的生命價值。任何時候，醫學都只是手段，而不是健康的主宰。

綜上所述，醫療大數據的應用順應時代潮流，是一個重大的系統工程。因此，我們在追求醫學「技術善」的同時，更要強調「倫理善」，重視人的主體性，尊重患者的生命價值。綜合考慮多方面因素，從信息技術、法律政策、倫理規範等對醫療大數據的應用做出具體的應答。

參考文獻

[1]羅曉蘭.大數據背景下「個性化醫療」信息集成模式初探[J].中華健康管理學雜誌，2015，9（2）：146-150.

[2]SNIJDERS C,MATZAT U,REIPS U D.「Big Data」:Big Gaps of Knowledge in the Field of Internet Science[J].IJIS,2012,7(1):1-5.

[3]代青霞.醫療大數據的現狀、挑戰、對策及意義[J].醫學信息，2015，28（34）：320.

[4]The Economist．Data，data，everywhere.A special report on managing information[EB/OL]．（2012-10-02）[2016-08-20]．http://www.economist.com/node/15557443.

[5]LAMPOS V,BIE T D,CRISTIANINI N.Flu Detector-Tracking Epidemics on Twitter[J].LNCS,2010,6323:599-602.

[6]李國傑，程學旗．大數據研究：未來科技及經濟社會發展的重大戰略領域：大數據的研究現狀與科學思考[J]．中國科學院院刊，2012，28（6）：647-657.

[7]孟小峰，慈祥.大數據管理：概念、技術與挑戰[J].計算機研究與發展，2013,50（1）：146-169.

[8]GINSBERG J,MOHEBBI M H,PATEL R S,et al.Detecting influenza epidemics using search engine query data[J].Nature,2009,457(7232):1012-1016.

[9]WILSON N,MASON K,TOBIAS M,et al.Interpreting Google flu trends data for pandemic H1N1 influenza:the New Zealand experience[J].Euro Surveill,2009,14(44):429-433.

[10]The White House.The Precision medicine initiative [EB/OL]．（2015-01-30）[2016-10-11].https://www.whitehouse.gov/precision-medicine.

[11]喬岩，王偉.大數據時代的醫療模式變革與創新[EB/OL].（2013-11-23）[2016-07-09].http://www.medsci.cn/article/show_article.do?id=ca7a2e003c5.

[12]舍恩伯格，庫克耶.大數據時代：生活、工作與思維的大變革[M].盛楊燕，周濤，譯.杭州:浙江人民出版社，2013:87.

[13]OLSON D R,KONTY K J,PALADINI M,et al. Reassessing GoogleFlu Trends Data for Detection of Seasonal and Pandemic Influenza:A Comparative Epidemiological Study at Three Geographic Scales[J].PLoS Computational Biology,2013,9(10):e1003256.

[14]BUTLER D.When Google got flu wrong[J].Nature,2013,494(7436):155-156.

[15]GARDNER P,OITMAA E,MESSNER A,et al.Simultaneous multi gene mutation detection in patients with sensorineural hearing loss through a novel diagnostic micro array:a new approach for new born screening follow-up[J].Pediatrics,2006,118(3):985-994.

[16]桑德爾.反對完美：科技與人性的正義之戰[M].黃慧慧，譯.北京：中信出版社，2013：56.

[17]亞琪.溫州：多家醫院系統遭黑客侵入[EB/OL]．（2012-05-10）[2016-08-31].http://www.zj.xinhuanet.com/df/2012-05/10/content_25207105.htm.

[18]劉星，王曉敏.醫療大數據建設中的倫理問題[J].倫理學研究，2015（6）：119-122.

[19]托普.顛覆醫療：大數據時代的個人健康革命[M].張南，魏巍，何雨師，等，譯.北京：電子工業出版社，2014.

[20]李偉.醫療數據泄露，要損失多少銀子[EB/OL]．(2015-06-02)[2016-08-31]．http://view.inews.qq.com/a/20150602A00H7Y00.

[21]李曉潔，王蒲生.大數據時代的知情同意[J].醫學與哲學，2016,37（5A）:9-12.

[22]COUZIN-FRANKEL J.Ethics.DNA returned to tribe,raising questions about consent[J].Science,2010,328(5978):558-559.

[23]邵芳強，楊陽.重構「身體」：問診醫學現代性危機[J].醫學與哲學，2016，37（5A）:21-23.

[24]CHEN H,COMPTON S,HSIAO O.Diabetic Link: a health big data system for patient empowerment and personalized healthcare[C]// International Conference on Smart Health 2013.ZENG D,ed.Berlin:Springer-Verlag,2013:71-83.

[25]張大慶.論醫學的人文精神[J].山西大學學報：哲學社會科學版，2003,26（4）：20-24.

[26]王強芬.大數據時代醫療隱私層次化控制的理性思考[J].醫學與哲學，2016，37（5A）:5-8.

[27]STEINSBEKK K S,SOLBERG B.Biobanks:When is Re-consent necessary?[J].Public Health Ethics,2011,4(3):236-250.

[28]PLOUG T,HOLM S.Meta consent:a flexible and autonomous way of obtaining informed consent for secondary research[J].BMJ,2015,350:h2146.

[29]黃萬盛.人文關懷的現代考驗[J].求是學刊,2009,36(2):26-29.

[30]李倫.滑鼠下的德性[M].南昌：江西人民出版社，2002：226.

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！