大数据时代的协同生物医学:癌症案例

简介

生物医学正在经历一场由高通量和连接计算创新驱动的革命[1，2]、大数据[3.，4]，以及不断发展的个人和人口护理模式[5，6］．新兴的信息技术和平台被用于结合分子、临床和人群数据，以更好地预测风险、靶向治疗和管理癌症和其他疾病的护理[6，7］．基于2012年在波士顿哈佛医学院会议中心与来自国家癌症研究所(NCI)、莫菲特癌症中心(MCC)和斯坦福大学医学院的代表进行的医学2.0会议(第五届社会媒体、移动应用程序和互联网/Web 2.0在健康和医学领域的世界大会)的小组讨论，本文探讨了新兴技术和创新护理模式是如何建立在“P4”医学概念上的(即，预测，个性化、先发制人、参与性)[8]和学习保健系统[9可以帮助实现一种开源的、基于人群的癌症预防和控制方法。

P4医学与学习健康系统

基因组测序技术不断增长的速度和能力正在推动个体基因图谱在预测癌症风险和靶向治疗方面的应用[10］．将数字革命与基因组学和其他“组学”领域相结合，术语P4医学意味着生物学和医学的系统方法，将分子免疫学、先进计算、生物技术和基因组学与其他领域结合在一起[8］．站预测风险概况、预防临床和健康系统，个性化的医学，而且参与研究与实践，P4医学的支持者将其范围扩展到基因组学之外，包括多个数据载体，如纵向分子、细胞和表型数据，用于预测疾病进展和靶向干预[11］．因此，P4医学是基于这样一个概念，即个体疾病和更广泛的健康和健康概念可以通过先进的计算和信息学方法来量化，通过系统方法来破译未来围绕患者的数十亿数据点的内在复杂性。

P4医学可与医学研究所(IOM)的学习型卫生系统概念相结合，后者同时将有效、高效的临床卫生保健与生物医学研究企业联系起来[12］．正如在IOM国家癌症政策论坛上提出的一项提案草案所述，癌症快速学习卫生系统的概念利用了基本的转化、比较有效性和卫生服务研究，与精准护理的最佳交付同步。这一研究和实践模式基于两个要素:(1)足够先进的数字卫生基础设施，可以充分利用(2)数据流动性现象，其定义为"在经授权的个人和机构发送者和接收者之间快速、无缝、安全地交换有用的、基于标准的信息" [13］．

这两种卫生研究和实践的创新方法——p4医学和学习型卫生系统——都需要强大的技术基础设施和数据流动性，以实现改造癌症和其他疾病的生物医学这一雄心勃勃的目标。此外，在介绍用于癌症研究和实践的快速学习卫生系统框架时，国家癌症政策论坛规划委员会的成员确定了开发癌症学习卫生系统的五个挑战，这些挑战也与P4医学的实现直接相关:(1)数据收集(例如，数据的准确性、及时性和完整性)，(2)激励数据共享，(3)数据标准、协调和计算，(4)有意义地使用卫生信息技术，以及(5)政府实体的核心作用，如国家卫生研究院(NIH)、食品和药物管理局以及医疗保险和医疗补助服务中心[13］．

目前正在为肿瘤学实施的快速学习医疗保健系统的一个例子是美国临床肿瘤学会的癌症质量学习智能网络(CancerLinQ)系统[14］．CancerLinQ旨在解决精准医疗癌症护理中涌现的海量数据管理日益增长的挑战。该系统整合了来自研究人员、提供者和患者的数据，以不断改进综合临床算法，在一系列决策节点上反映优先护理，以提供临床决策支持。

“P5医学”:转变生物医学的人口学方法

在之前所描述的现代护理框架的基础上，公共健康科学的支持者断言，5^thP代表a人口要充分发挥P4医学的潜力，就需要有新的视角[15］．由于主要关注的是个人健康，P4生物医学方法可以加强如下:

• 预测性:使用系统生物学和表型信息，加上健康的生态模型来预测健康，以解释健康和生命过程的多层决定因素。
• 预防:早期疾病发现和预防还包括人群筛查原则，以评估初级预防的收益、危害和成本。
• 个性化:通过循证医学原则增强的靶向治疗和诊断，使用正式的分析框架进行比较有效性。
• 参与性:让患者、提供者和包括公共卫生企业在内的系统参与进来(例如，政策制定、监管科学、实施和卫生服务研究)。

除了结合转化、比较有效性和卫生服务研究概念的快速学习卫生系统方法外，将人口重点添加到P4医学明确解决了更广泛的结构性问题，如导致更大社会、经济和健康差距的成本和潜在危害。除了个人层面的干预措施，人口科学还有助于关注加强人口层面干预措施(如教育、就业和道路)的必要性，以改善健康和预防疾病[15］．

将P5方法纳入癌症生物医学的一个创新例子可以在莫菲特癌症中心关于研究和医疗保健新联邦模式的全面癌症护理(TCC)提案中找到[16］．基于一个强大的信息学平台，允许实时集成和分析不同的多层数据，TCC建立在快速学习卫生系统模型的基础上，将数据的“二次利用”开发纳入比较有效性研究。也许同样重要的是，TCC提出了一种具有联邦数据模型的共享治理方法，旨在促进团队科学、数据流动性和对不同数据源的访问，这些对生物医学企业的有效转型至关重要[17］．

众包科学与生物医学的未来

扩大生物医学研究企业的规模，以解决治疗方法未知、诊断方法不明确的癌症和其他疾病，需要招募新的研究人员群体，比如工程和计算学科的研究人员，通常在他们职业生涯的早期。除了探索癌症研究和实践的新模式外，医学2.0会议小组还深入研究了大数据、新兴技术以及复杂湿式实验室工具和计算方法的商品化如何激发基础和应用研究的科学创新。个人有更多的机会获得潜在的颠覆性技术，以加速基础发现科学和重新定位临床实践，以患者为中心的护理。公开可用的分子测量可用于发现疾病的新型生物标志物[18]并可用于发现现有疗法的新用途[19，20.］．个人应对大数据挑战的一个例子是在计算免疫原学领域，由哈佛医学院发起的一项挑战被用于众包解决方案，这些解决方案的表现明显优于领先的学术努力[21］．这些免疫数据集，包括临床试验，可在国家过敏和传染病研究所的网站上获得，供专业人员和学生使用。

在政策层面上，联邦政府开放计划、美国竞争法、国家卫生研究院在拨款申请中对数据共享的要求，加上捐助者、期刊和基金会的公共和私营部门倡议，已经导致了前所未有的大量数据可用于二次研究。其中两个例子包括Data.gov平台，该平台使公众能够访问“172个联邦机构的近45万个数据集”[22]，以及可供研究的100万个基因表达微阵列测量[23］．

除了提供更多的数据外，公共和私营实体正在利用奖励和挑战机制加速与健康相关数据的创新。诸如此类与生物医学相关的开放创新挑战通常首先涉及数据的发布，并期望挑战的“获胜者”获得奖励。这与典型的赠款资助机制相反，即先提供资金，然后才有结果[24］．在癌症领域，NCI和国家卫生信息技术协调办公室(ONC)成功地将开放创新挑战与联邦小企业创新研究(SBIR)赠款计划结合起来，以支持癌症预防和控制循证应用的评估和传播[25，26］．对于这些机构来说，联邦奖励和挑战机制提供了一种高价值的方法，通过建立一个由开发人员、企业家和科学家组成的新的生态系统，来实现他们的核心机构使命，他们可以为癌症控制和公共卫生进行创新。最近的ONC和NCI挑战比赛侧重于癌症幸存者的技术创新，通过纳入众筹来扩大卫生与公众服务部的创新组合，以潜在地加强消费者受众对提交的创新的参与和市场验证[27］．

结论

在许多方面，癌症是应用科学发现和医疗实践新模式的典型工作场所。癌症的故事讲述了人体复杂的编码系统是如何在细胞复制和生长过程中产生自我延续的错误而出错的。幸运的是，基因测序技术的进步、高通量数据架构、大规模联网的公众和科学界，以及复杂的湿实验室工具的广泛可用性，可能会激发“开源”科学的创新，以加速对抗疾病的进展。正如一位小组成员所说，“在车库里和宿舍里的个人比过去十年中资源最丰富的科学家更容易接触到潜在的颠覆性医学技术。”这个令人兴奋的分布式和开源科学时代拥有巨大的潜力，可以加速基础发现，并重新定位以患者为中心的护理和人口健康的临床实践。