傳感器助力現(xiàn)代醫(yī)學的精準診斷

技術進步掀起儀器診斷變革

一直以來，儀器診斷使醫(yī)生能夠在檢查患者的過程中增加其問診手段的多樣性和客觀性，可能比其他學科更能推動其職業(yè)生涯進步。借助這些儀器，醫(yī)生可以精確測量體溫、血壓、肺活量、骨折移位、炎癥、心律以及許多其他生物標志物，再結合癥狀和患者病史，精確了解患者的健康狀況。隨著傳感器和人工智能的進步，客觀的檢測、測量和解釋正取代過去主觀的診斷手段。此外，這些進步還改進了居家檢測方法，并將患者數(shù)據(jù)與經驗研究聯(lián)系起來。

實現(xiàn)客觀檢測與測量

看一下腦震蕩評估和診斷，就可以了解客觀檢測是如何取代主觀診斷的。腦震蕩是每年發(fā)生在30多萬名運動員身上的一種損傷， 其癥狀及嚴重程度的主要衡量指標是瞳孔光反射評估，傳統(tǒng)的做法是醫(yī)生用手電照射瞳孔，然后觀察瞳孔的收縮和擴張。當然，這種方法的問題在于，患者之間存在巨大差異，不同的醫(yī)生對瞳孔大小和反應的主觀理解也不同。

為了替代瞳孔測量中的手動評估，人們正在試驗使用復雜技術和傳感器的先進計算機輔助替代方案。例如，智能電話或虛擬現(xiàn)實耳機中內置的微型高分辨率攝像頭現(xiàn)在能夠以每秒高達數(shù)百幀的速度記錄眼睛狀況。針對實時分析進行了優(yōu)化的計算機視覺流程從圖像中提取鞏膜、虹膜和瞳孔等眼睛各部分的特征。使用肉眼不可見的紅外光譜，大大簡化了圖像分割。然后，復雜的數(shù)學模型將這種像素數(shù)據(jù)傳輸?shù)饺S眼模型，以得出真實的測量單位，例如毫米。最后，機器學習算法消除數(shù)據(jù)中的噪聲，識別時間序列中的圖案，確立針對總分析對象參數(shù)的預估分布參考標準，并給出結果。

這種方法可提供準確的測量結果，消除主觀性，并將醫(yī)生的責任轉移到驗證、解釋結果以及將結果傳達給患者。此類方法可針對醫(yī)療保健中的特定應用優(yōu)化，并最終實現(xiàn)以前不可能實現(xiàn)的客觀診斷。例如，現(xiàn)代的熱成像攝像頭正越來越多地用于檢測炎癥，使用先進的降噪算法甚至可以用來檢測乳腺癌。與經典的X射線乳腺攝影不同，這種檢查可能在癌癥的早期更加精確，同時，既不使用具有潛在危險的輻射，也不會有任何形式的觸摸。在新冠疫情等需要大規(guī)模發(fā)熱檢測時，這些技術為無人值守的高效自動檢測提供了巨大的機會，結果也比接觸式方法準確得多。

實現(xiàn)居家實時檢測

微型技術，特別是小型可穿戴檢測設備，正在使醫(yī)療場所外的檢測成為現(xiàn)實。例如，需要做心電圖的患者不用再去醫(yī)療機構就診，戴上Holter監(jiān)護儀就可以在他們的日常生活中收集長期的心電圖數(shù)據(jù)。這些監(jiān)護儀安裝有電極，大小與小型攝像機相仿，可佩戴24至48小時，雖說仍然有點笨重，可能會限制患者的某些活動，但是相比到醫(yī)院檢查，它們可以提供對患者心律更廣泛的了解。

技術的進一步小型化在繼續(xù)加速醫(yī)學進步。健身手環(huán)和智能手表中內置的新一代光學傳感器有望大大提高舒適度，同時提供越來越有用的數(shù)據(jù)。盡管數(shù)據(jù)質量可能比不上基于電極的同類產品，但Apple最近展示了智能手表在檢測某些形式的心律不齊方面的潛在用途，這引起了巨大的轟動，遠遠超出專家的預期。除了測量心血管系統(tǒng)各部分的此類設備外，其他傳感器也可用于監(jiān)測其他多種身體功能。例如，眼罩樣式的現(xiàn)代便攜式腦電圖頭戴設備已經可以在自家臥室用于捕捉粗略的大腦活動情況，而不用讓患者到不熟悉的睡眠實驗室去接受觀察。隨著經過認證的開源傳感器不斷普及，開發(fā)小型但功能強大的醫(yī)療設備已不再是只有少數(shù)大公司才能染指的事情。

將患者數(shù)據(jù)與研究和標準聯(lián)系起來

醫(yī)生面臨的一個重要問題是利用臨床試驗、研究、知識庫、登記資料等獲取與患者相關的信息。盡管臨床試驗和其他資源中存在一些標準化，但是跨組織、醫(yī)學學科或地理區(qū)域的標準化還無法讓醫(yī)生能夠查找、訪問和使用可用信息。解決這種需求帶來了雙重挑戰(zhàn)：開發(fā)一種讓醫(yī)生能夠查找和訪問相關信息的系統(tǒng)，同時允許跨醫(yī)療信息系統(tǒng)的互操作。

為了滿足這些需求，一些標準應運而生，它們采用了FAIR數(shù)據(jù)的原則，即在最少的人工干預下就可找到 (findable)、可訪問 (accessible)、可互操作 (interoperable) 和可重復使用 (reusable) 數(shù)據(jù)。例如，SNOMED CT是方便計算機處理的醫(yī)學代碼、術語、同義詞、檢查結果、癥狀、疾病、手術，器械等的集合，旨在提供一致的方式來索引、存儲、檢索和匯總醫(yī)學數(shù)據(jù)。同樣，LOINC是一個用于識別醫(yī)學實驗室觀察結果的數(shù)據(jù)庫和標準。

這些標準中的元數(shù)據(jù)要求使醫(yī)生不僅能夠訪問和使用數(shù)據(jù)，而且還可以跨數(shù)據(jù)集得出見解。NFDI4Health等項目將經驗性健康數(shù)據(jù)（例如生物標志物）嵌入到疾病和病癥元數(shù)據(jù)中，隨后可以使用機器學習算法跨各種各樣的患者池對這些數(shù)據(jù)進行分析。即使是以前難以或不可能客觀診斷的疾病和病癥（例如精神病科的疾?。F(xiàn)在也在傳感器和機器學習算法的幫助下，放到了新的基于生物標志物的基礎上。

結論

患者的診斷準確性與醫(yī)生使用檢測儀器來增強感知的能力緊密相關。只有通過這樣的儀器，才能明確地定義距離，精確地測量體溫，瞬間識別肉眼不可見的物體和微生物。通過提供客觀數(shù)據(jù)、實現(xiàn)患者環(huán)境中的檢測以及整合患者數(shù)據(jù)和研究結果，醫(yī)用傳感器和人工智能正在徹底改變儀器診斷領域。

審核編輯：郭婷