深度醫(yī)療：智能時代的醫(yī)療革命

深度醫(yī)療智能時代的醫(yī)療革命目錄\h01深度醫(yī)療模型：深度表型分析、深度學(xué)習(xí)、深度共情三足鼎立\h機器永遠(yuǎn)無法完全解讀人類\h深度學(xué)習(xí)有潛力“馴服”數(shù)據(jù)爆炸\h人工智能在醫(yī)療領(lǐng)域的應(yīng)用前景和現(xiàn)狀\h深度醫(yī)療的三大組成部分\h深度醫(yī)療是醫(yī)療的未來\h02淺度醫(yī)療：令患者絕望、醫(yī)生疲憊的非智能醫(yī)療\h誤診導(dǎo)致錯誤的治療\h淺度證據(jù)導(dǎo)致淺度醫(yī)療\h電子健康檔案在應(yīng)用中缺陷明顯\h淺度醫(yī)療導(dǎo)致醫(yī)療資源浪費和對患者的傷害\h淺度醫(yī)療導(dǎo)致無效的醫(yī)療支出\h03醫(yī)療診斷：人工智能工具與醫(yī)生結(jié)合提高診斷和預(yù)測的精確性\h現(xiàn)代醫(yī)療診斷方法的缺陷\h計算機在醫(yī)療診斷上的應(yīng)用\hIBM沃森與醫(yī)學(xué)機構(gòu)的合作案例\h狹義的人工智能診斷工具\h04從深度學(xué)習(xí)到深度醫(yī)療：人工智能的成功先例對醫(yī)療健康領(lǐng)域的啟發(fā)\h人工智能可以監(jiān)測人類無法監(jiān)測的東西\h簡述人工智能的發(fā)展\h深度神經(jīng)網(wǎng)絡(luò)的應(yīng)用實例\h05突破局限：深度學(xué)習(xí)亟須解決的八大問題\h問題一：神經(jīng)網(wǎng)絡(luò)的功能局限性\h問題二：“黑匣子”屬性帶來的不可靠性\h問題三：人工智能再現(xiàn)的人類偏見和不公平\h問題四：人工智能可能導(dǎo)致的虛假性\h問題五：人工智能中的隱私安全隱患\h問題六：人工智能對倫理和公共政策的挑戰(zhàn)\h問題七：人工智能對工作崗位的巨大影響\h問題八：人工智能帶來世界末日的恐懼\h06“有模式”的醫(yī)生：最有可能被人工智能取代的三類醫(yī)生\h放射科醫(yī)生\h病理科醫(yī)生\h皮膚科醫(yī)生\h07“無模式”的醫(yī)生：人工智能如何打通所有醫(yī)學(xué)學(xué)科\h人工智能對所有臨床醫(yī)學(xué)的可能影響\h人工智能在專科領(lǐng)域的應(yīng)用\h08心理健康：人工智能發(fā)揮重要作用的新領(lǐng)域\h數(shù)字化帶來新突破\h生物標(biāo)志物的優(yōu)勢與不足\h人工智能在預(yù)防和預(yù)測自殺方面的應(yīng)用\h人工智能在精神健康領(lǐng)域的前景和隱患\h人工智能如何增加幸福感\(zhòng)h09醫(yī)療系統(tǒng)：人工智能如何通過影響醫(yī)療系統(tǒng)造福人類\h預(yù)測，預(yù)測，再預(yù)測\h優(yōu)化醫(yī)療工作環(huán)境及流程\h淘汰醫(yī)院和病房\h保險公司和雇主對人工智能的使用\h國家層面的醫(yī)療人工智能\h10深度發(fā)現(xiàn)：人工智能如何改變生物醫(yī)學(xué)\h生物組學(xué)與癌癥\h藥物發(fā)現(xiàn)與開發(fā)\h神經(jīng)科學(xué)\h科學(xué)家的新工具和學(xué)徒\h11深度飲食：定制真正個性化的飲食方案\h營養(yǎng)學(xué)研究中存在的問題\h人工智能有助于實現(xiàn)個性化飲食\h12虛擬醫(yī)療助手：承擔(dān)醫(yī)療指導(dǎo)的責(zé)任，造福消費者\h虛擬醫(yī)療助手的發(fā)展現(xiàn)狀\h構(gòu)建未來的虛擬醫(yī)療助手\h13深度共情：人工智能如何讓醫(yī)療回歸以人為本\h為醫(yī)生和患者贏取寶貴的時間\h培養(yǎng)醫(yī)生的共情能力，讓就醫(yī)更加人性化\h培養(yǎng)醫(yī)生的存在感，建立深厚的醫(yī)患關(guān)系\h身體檢查的儀式感可以鞏固醫(yī)患關(guān)系\h以治愈為中心的醫(yī)患關(guān)系\h重塑醫(yī)學(xué)生的思想，發(fā)展以人為本的醫(yī)學(xué)教育\h由機器支持的更為人性化的深度醫(yī)療“我建議你找內(nèi)科醫(yī)生給你開些抗抑郁藥?！蔽业墓强漆t(yī)生曾這樣告訴我。當(dāng)時我和妻子面面相覷，難以置信。我做了膝關(guān)節(jié)置換術(shù)以后，每月按時復(fù)診，難道是為了獲得精神疾病方面的建議？在我十幾歲的時候，我的膝蓋就發(fā)生了病變，患上了一種名為“剝脫性骨軟骨炎”的罕見疾病。這種疾病的病因目前尚不清楚，但其癥狀很明顯。在我20歲左右準(zhǔn)備進(jìn)入醫(yī)學(xué)院求學(xué)時，我的兩個膝蓋已經(jīng)做了多次修復(fù)手術(shù)，死骨全部被鋸掉了。在接下來的40多年里，我不得不逐步減少體育活動。我無法跑步、打網(wǎng)球，也不能徒步旅行或在橢圓機上做運動。盡管膝關(guān)節(jié)內(nèi)被直接注射了類固醇和滑液，但我走路時還是會感到疼痛。最終，在62歲那年，我做了左膝蓋置換術(shù)。在美國，這是一種很常見的骨科手術(shù)，大約每80萬人中就有一人做過這種手術(shù)。我的骨科醫(yī)生認(rèn)為我非常適合做這種手術(shù)：相對年輕、體形偏瘦、身心健康。他說這項手術(shù)唯一比較大的風(fēng)險是會有1%～2%的感染率。然而，我卻發(fā)現(xiàn)了另一種風(fēng)險。術(shù)后第二天，我接受了標(biāo)準(zhǔn)的物理治療方案，據(jù)我所知也是唯一的方案。該方案的運動強度很大，要求我積極地做屈伸動作，以避免關(guān)節(jié)中有瘢痕形成。由于無法進(jìn)行有效的屈伸動作，于是我把室內(nèi)踏板自行車座升高，坐在上面做踏板運動。最開始的幾次嘗試讓我痛得直尖叫，其疼痛程度遠(yuǎn)遠(yuǎn)超出了羥考酮（一種麻醉藥物）的作用范圍。一個月后，我的雙膝發(fā)紫，明顯腫脹、僵硬，根本無法彎曲。我入睡不到一小時就會痛醒，并且常常忍不住邊哭邊罵起來。這就是我的骨科醫(yī)生推薦我服用抗抑郁藥的原因。至此，一切看上去已經(jīng)很令人抓狂了，但在這之后，醫(yī)生又建議我采用更高強度的物理治療方案?？墒聦嵣?，這樣的治療每次都讓我感覺更加糟糕。我?guī)缀醪荒芤揽孔约鹤叱隼懑熤行模踔翢o法開車回家。這可怕的疼痛、腫脹和僵硬簡直揮之不去。我極度渴望這些癥狀能得到緩解，于是我嘗試了針灸、電針、冷激光、電刺激、外用軟膏和膳食補充劑（包括姜黃素、酸櫻桃等）。盡管我很了解，這些治療方案并沒有任何公開的數(shù)據(jù)證明其有效，但我還是嘗試了。我的妻子也加入了我的治療方案尋找之旅。在我術(shù)后兩個月左右，她發(fā)現(xiàn)了一本名為《關(guān)節(jié)纖維化》（Arthrofibrosis）的書。我之前從來沒有聽說過“關(guān)節(jié)纖維化”這個詞，但這似乎正是讓我遭罪的原因。關(guān)節(jié)纖維化是膝關(guān)節(jié)置換術(shù)后的一種并發(fā)癥，通常有2%～3%的患者在術(shù)后會出現(xiàn)。它并不常見，但比骨科醫(yī)生告訴我的感染風(fēng)險率要高。這本書第一頁的一句話似乎精準(zhǔn)地詮釋了我的狀態(tài)，“關(guān)節(jié)纖維化是一場災(zāi)難”。更準(zhǔn)確地說，關(guān)節(jié)纖維化是膝關(guān)節(jié)置換術(shù)后的惡性炎癥反應(yīng)，如排斥人工關(guān)節(jié)導(dǎo)致嚴(yán)重瘢痕的形成。在術(shù)后兩個月的回訪中，我問骨科醫(yī)生我是否患了關(guān)節(jié)纖維化，他給出了肯定的回答。然而術(shù)后第一年，醫(yī)生幾乎也無能為力，只能讓炎癥自己“燒盡”，然后再去除瘢痕組織。一想到接下來一整年都將是這種狀態(tài)，并且可能還要再經(jīng)歷一次手術(shù)，我就越發(fā)難受了。后來，朋友給我介紹了一位物理治療師。這位物理治療師從醫(yī)40多年，診治過許多剝脫性骨軟骨炎患者，她知道，對于我這樣的患者，常規(guī)治療方案的治療效果非常糟糕。常規(guī)治療方案強制患者進(jìn)行高強度的活動，最大幅度地屈伸膝關(guān)節(jié)，而事實上，這反而會刺激更多的瘢痕形成。因此，她建議我采用一種溫和的方法：停止所有負(fù)重和運動，并使用抗炎藥。她手寫了一頁使用說明，之后每隔一天發(fā)信息來詢問“我們的膝蓋”怎么樣了。我終于得救了！我的膝蓋的癥狀很快開始好轉(zhuǎn)。雖然我的膝蓋已經(jīng)治療多年，但因為恢復(fù)得太慢，現(xiàn)在我每天還是得把它們包扎起來。這些痛苦的折磨我本來是可以避免的。在本書后面的章節(jié)中大家將了解到，如果有人工智能，醫(yī)生就可能會預(yù)測到我手術(shù)后會出現(xiàn)的復(fù)雜并發(fā)癥。如果經(jīng)驗豐富的物理治療師，比如我剛提到的那位，愿意分享他們的數(shù)據(jù)，那么由此構(gòu)成的完整文獻(xiàn)知識庫將會提示：我需要一種特殊定制的物理治療方案。如果將這位虛擬醫(yī)療助手安裝在我的智能手機或者房間里，它將直接提醒作為患者的我，接受標(biāo)準(zhǔn)物理治療可能會帶來高風(fēng)險的關(guān)節(jié)纖維化；并且，它還能告訴我應(yīng)該去哪里接受溫和的治療方案，從而避免之前的痛苦遭遇。事實上，當(dāng)時的狀況讓我措手不及，而在討論手術(shù)風(fēng)險時，骨科醫(yī)生甚至沒有考慮我剝脫性骨軟骨炎的病史。后來他也承認(rèn)，這項病史就是引發(fā)后續(xù)一系列嚴(yán)重術(shù)后并發(fā)癥的最主要因素。當(dāng)然，醫(yī)療上的大部分問題并不能通過先進(jìn)的技術(shù)、算法或機器來解決。我的醫(yī)生在面對我的不幸時所表現(xiàn)出的機械反應(yīng)，就揭示了醫(yī)療護(hù)理中的不足。我的手術(shù)做得的確很順利、很成功，但這只是其中的技術(shù)部分。骨科醫(yī)生建議我服用抗抑郁藥物，更加印證了美國醫(yī)療界人文關(guān)懷和共情能力長期缺失的現(xiàn)狀。不可否認(rèn)，那段時間我的確有抑郁情緒，但這不是問題的根本，問題的根本在于我真的感覺非常疼，并且像個鐵皮人一樣無法正常行動。我的骨科醫(yī)生顯然缺乏共情能力：術(shù)后幾個月里，他從未主動聯(lián)系過我，一次都沒有問過我的狀況如何。而后來那位物理治療師不僅醫(yī)學(xué)知識淵博、經(jīng)驗豐富，對我的病情了如指掌，而且她是真正地關(guān)心我。所以說，當(dāng)開麻醉類處方變得遠(yuǎn)比傾聽和理解患者更快捷、更容易時，阿片類鎮(zhèn)痛藥的流行也就不足為奇了。幾乎所有患慢性病的人，都像我一樣曾被“粗暴”地對待過，這種情況太常見了。而即便我本人就在醫(yī)療系統(tǒng)中，都不能保證自己得到良好的照護(hù)。因此，單靠人工智能并不能解決這一問題，人類也需要加入。隨著機器變得越來越智能、能夠承擔(dān)適當(dāng)?shù)娜蝿?wù)，我們發(fā)現(xiàn)，它們更容易讓醫(yī)療變得人性化。人工智能在醫(yī)學(xué)領(lǐng)域的應(yīng)用不再只是未來主義者的一個預(yù)設(shè)，它已經(jīng)被用來拯救生命了。我的好朋友斯蒂芬·金斯莫爾（StephenKingsmore）是一位遺傳學(xué)家，他在加利福尼亞州圣迭戈的雷迪兒童醫(yī)院（RadyChildren'sHospital）負(fù)責(zé)一項前沿的科學(xué)項目。最近，金斯莫爾和他的團(tuán)隊創(chuàng)造了一項吉尼斯世界紀(jì)錄：只需19.5小時，他們就能將血液樣本的基因完全測序并解讀出來。1在此，我要提到一個案例。曾有一個由健康母乳喂養(yǎng)的嬰兒在出生后的第三天出院回家了，但在第八天時，他的母親將他帶回了雷迪兒童醫(yī)院的急診室。嬰兒出現(xiàn)了持續(xù)痙攣，之后被診斷為癲癇持續(xù)發(fā)作。但他沒有任何感染的跡象，CT掃描顯示他的大腦正常，腦電圖也只顯示有癲癇持續(xù)發(fā)作的信號特征。醫(yī)生給嬰兒用了多種強效藥物，但其癲癇癥狀不但未得到緩解，反而更嚴(yán)重了。此時，嬰兒痊愈的希望已經(jīng)非常渺茫，很可能會出現(xiàn)腦損傷或腦死亡。隨后，這個嬰兒的血樣被送至雷迪基因組研究所，進(jìn)行快速全基因組測序。該序列包含125千兆字節(jié)的數(shù)據(jù)，結(jié)果顯示，他有近500萬個基因組與常見基因組位置不同。通過自然語言處理的人工智能技術(shù)，在僅僅20秒的時間里，科學(xué)家就解讀出這個嬰兒所有的電子健康記錄，并總結(jié)出88條顯性特征。這一數(shù)字比醫(yī)生人工總結(jié)出的條目多了接近20倍。機器學(xué)習(xí)算法迅速篩選出大約500萬種遺傳變異體，并找到了大約70萬種罕見變異體，其中包含962種已知的致病變異體。結(jié)合嬰兒的顯性特征數(shù)據(jù)，該系統(tǒng)發(fā)現(xiàn)了最有可能的罪魁禍?zhǔn)?，它隱藏在被稱為ALDH7A1的基因中。這種變異非常罕見，其發(fā)病率低于0.01%，它會導(dǎo)致代謝異常，從而引起癲癇發(fā)作。不過，這種疾病可以通過膳食補充維生素B6和精氨酸，同時抑制賴氨酸的生成來進(jìn)行治療。隨著嬰兒飲食習(xí)慣的改變，他的癲癇發(fā)作很快結(jié)束了，并在36小時后出院了！在后續(xù)的隨訪中，這個嬰兒非常健康，沒有出現(xiàn)任何腦損傷或發(fā)育遲緩的跡象。在這個案例中，明確致病源是挽救嬰兒生命的關(guān)鍵。在當(dāng)今世界上，很少有醫(yī)院會對新生兒患者的基因組進(jìn)行測序，也很少有醫(yī)院會利用人工智能來綜合分析患者的狀態(tài)及其相應(yīng)的基因組信息。盡管經(jīng)驗豐富的醫(yī)生最終可能會找到正確的治療方法，但機器可以比人類更快、更好地完成這項工作。機器永遠(yuǎn)無法完全解讀人類如今，我們已經(jīng)可以看到，人類和人工智能的強強聯(lián)合、協(xié)同工作，給醫(yī)學(xué)領(lǐng)域帶來了重大的成就。然而，在我們對人工智能的潛力過于樂觀之前，先來看看我遇到的另一個案例。在這個案例中，患者是一位白頭發(fā)、藍(lán)眼睛的年過七旬的老人。他患上了一種罕見而嚴(yán)重的肺部疾病，這種病被稱為“特發(fā)性肺纖維化”（“特發(fā)性”在醫(yī)學(xué)描述中常表示“病因不明”）。他的病情已經(jīng)發(fā)展到非常嚴(yán)重的程度，如果繼續(xù)惡化，就要考慮做肺移植手術(shù)了。而在此基礎(chǔ)上，他最近又開始出現(xiàn)一種新的癥狀——早發(fā)性疲勞，這使得他無法步行超過一個街區(qū)或游泳超過一圈。他曾向肺科醫(yī)生求助，肺功能檢查顯示沒有病變，說明病因不在肺部。那天，這位患者攜妻子一同來診室找我。他吃力地邁著小碎步，仿佛搖搖欲墜，看上去非常焦慮、沮喪。他那蒼白的臉和絕望的表情讓我感到震驚。之后，他的妻子進(jìn)一步向我說明了他的癥狀：行動能力明顯下降，已經(jīng)影響到日?；顒?，更不用說其他鍛煉了。我回顧了這位患者的病史，并查看了他的檢查單，推測他或許患有心臟病。幾年前，他在走路時小腿開始疼痛，之后便因左腿髂動脈阻塞做了支架植入?；谶@些早期病情，我開始擔(dān)憂他是否出現(xiàn)了冠狀動脈膽固醇積聚，盡管他的年齡和性別都是風(fēng)險因素，但他并沒有患心臟病的其他風(fēng)險因素。我為他做了CT掃描，用染色技術(shù)繪制了他的動脈圖。結(jié)果顯示，他的右冠狀動脈已經(jīng)堵塞了80%，但另外兩條動脈都沒有嚴(yán)重問題，這一結(jié)果與早發(fā)性疲勞的病癥并不匹配。雖然右冠狀動脈堵塞影響了心臟供血，但根據(jù)我30多年的行醫(yī)經(jīng)驗（其中有20年參與了多次冠狀動脈開胸手術(shù)），我還從未見過哪位只堵塞右冠狀動脈的患者像他這般體格虛弱。我向這位患者和他的妻子說明了情況，并告知他們，我實在無法解釋這些癥狀之間的聯(lián)系。他的早發(fā)性疲勞癥狀與動脈堵塞本身并無直接關(guān)聯(lián)，只是他的肺部情況太嚴(yán)重，很容易讓人聯(lián)想可能還是與血管堵塞有關(guān)。另外，他的肺病也增加了治療風(fēng)險。我把決定權(quán)留給了患者。他思索了幾天后，決定做右冠狀動脈支架植入術(shù)。我感到有些驚訝，因為多年來，他一向討厭任何手術(shù)，連藥物都排斥。不得不說，之后的手術(shù)效果驚人，術(shù)后他明顯開始變得精力充沛。因為支架是通過他的手腕動脈植入的，所以術(shù)后沒過多久他就回家了。當(dāng)天晚上，他便走了好幾個街區(qū)；一周后，他已經(jīng)可以游上幾圈泳了。他告訴我，他感覺自己比幾年前更強壯了。幾個月后，他的運動能力也得到了顯著提高。這個案例的不同尋常之處就在于，計算機算法不會建議患者進(jìn)行手術(shù)，因而會導(dǎo)致患者錯過治療良機。哪怕將所有關(guān)于人工智能的技術(shù)都用上，綜合完備的醫(yī)療資料庫，深入分析該患者的數(shù)據(jù)，它得出的結(jié)論也將是“不建議患者動手術(shù)”，因為沒有證據(jù)表明疏通冠狀動脈可以緩解疲勞癥狀。由此可見，人工智能只能通過學(xué)習(xí)現(xiàn)有的案例得出結(jié)論。與此對應(yīng)的是，使用人工智能算法的保險公司，肯定也會拒絕支付這筆手術(shù)費用。然而，手術(shù)后患者的狀態(tài)顯著改善了，而且手術(shù)效果十分持久。這難道是安慰劑效應(yīng)？似乎不太可能。我認(rèn)識這位患者多年，一直以來，他總是盡可能避免出現(xiàn)任何健康狀況的改變，無論是積極的還是消極的。他的個性外冷內(nèi)熱，脾氣有點兒乖戾。從表面上看，即使其他人可能會出現(xiàn)較夸張的安慰劑效應(yīng)，他也最不可能出現(xiàn)?；叵肫饋恚@位患者后來的病情可能還是與他的嚴(yán)重肺病有關(guān)。肺纖維化導(dǎo)致他的肺部充滿含氧豐富的動脈血，引起了肺動脈高壓。通常，右心室負(fù)責(zé)將血液泵入肺，而肺動脈高壓意味著右心室需要更大的動力才能泵出充足的血液。這會增加右心室的壓力，而植入右冠狀動脈的支架可以緩解這一壓力。如此復(fù)雜的心臟血液供應(yīng)與罕見肺病的相互作用，在醫(yī)學(xué)文獻(xiàn)中沒有先例。這個案例提醒我們，每個人都是獨一無二、錯綜復(fù)雜的個體，機器永遠(yuǎn)無法完全解讀。該案例還凸顯了人在醫(yī)學(xué)中的作用：作為醫(yī)生，其實我們早就知道，患者是最了解自己身體的人，我們需要傾聽他們。而算法是冷冰冰的、非人性化的預(yù)測工具，永遠(yuǎn)讀不透活人。這位患者認(rèn)為動脈狹窄是其疲勞癥狀的罪魁禍?zhǔn)祝聦嵶罱K證明他是對的。雖然我曾持懷疑態(tài)度，完全沒有想到動脈狹窄的影響會如此之大，但我還是感到很欣慰，因為患者的癥狀已得到顯著改善。深度學(xué)習(xí)有潛力“馴服”數(shù)據(jù)爆炸人工智能正滲入我們生活的方方面面。從打字時的自動單詞補全功能，到自動搜索建議功能和基于播放歷史的歌單推薦功能，再到人工智能Alexa問答互動和智能關(guān)燈功能，人工智能已活躍在我們的日常生活中。人工智能的起源可以追溯到80多年前，它得名于20世紀(jì)50年代，但直到最近，它的潛力才得到醫(yī)學(xué)界的關(guān)注。人工智能在醫(yī)療領(lǐng)域中的應(yīng)用包括：提供個人醫(yī)療數(shù)據(jù)的復(fù)雜全景圖、優(yōu)化醫(yī)療決策、減少誤診和過度醫(yī)療操作等失誤、幫助梳理和解讀相應(yīng)的檢查、推薦治療方案等，而這些應(yīng)用都是由數(shù)據(jù)驅(qū)動的。我們正處于大數(shù)據(jù)時代：全世界每年都會生成澤字節(jié)（ZB）\h\h(1)的數(shù)據(jù)。在醫(yī)療領(lǐng)域，大數(shù)據(jù)集表現(xiàn)為：全基因組序列、高分辨率圖像、可穿戴設(shè)備的連續(xù)數(shù)據(jù)輸出等形式。雖然數(shù)據(jù)不斷涌現(xiàn)，但我們至今所處理的只是其中很小的一部分，估計連5%都不到。從某種意義上來說，在此之前，這些收集來的數(shù)據(jù)一直都整裝待發(fā)，卻無用武之地。而人工智能的進(jìn)步正在融合、發(fā)揮大數(shù)據(jù)的作用，并逐漸“馴服”這種肆無忌憚的數(shù)據(jù)增長態(tài)勢。人工智能有許多分支。傳統(tǒng)機器學(xué)習(xí)包括邏輯回歸、貝葉斯網(wǎng)絡(luò)、隨機森林\h\h(2)、支持向量機\h\h(3)、專家系統(tǒng)，以及許多其他數(shù)據(jù)分析工具。其中，貝葉斯網(wǎng)絡(luò)是一種提供概率的模型。假設(shè)有一位患者，基于其癥狀，通過這一模型就可以生成診斷列表以及每種診斷的可能性。有趣的是，在20世紀(jì)90年代，我們用收集來的數(shù)據(jù)做了分類回歸樹，讓數(shù)據(jù)進(jìn)入“自動分析”模式，從而消除了人類對數(shù)據(jù)解讀產(chǎn)生的偏差，當(dāng)時我們還沒有使用“機器學(xué)習(xí)”這一術(shù)語。而如今，這一模式的數(shù)據(jù)分析能力已經(jīng)有了顯著提高，并得到了認(rèn)可。近年來，人工智能工具已經(jīng)擴展到深度學(xué)習(xí)和強化學(xué)習(xí)等深層網(wǎng)絡(luò)模型。2012年，一篇關(guān)于圖像識別的經(jīng)典論文發(fā)表之后，人工智能的分支之一——深度學(xué)習(xí)，開始展現(xiàn)其非凡的發(fā)展勢頭。2新的人工智能深度學(xué)習(xí)的算法數(shù)量和出版物數(shù)量激增（見圖1-1），基于大型數(shù)據(jù)集模式的機器識別呈指數(shù)級增長。人工智能訓(xùn)練中每天運算的千萬億次浮點運算（每秒1015浮點運算速度）增長了30萬倍，這進(jìn)一步反映了自2012年以來人工智能的變化（見圖1-2）。圖1-1基于深度學(xué)習(xí)的人工智能算法數(shù)量和出版物數(shù)量增長情況資料來源：左圖改編自A.Mislove,“ToUnderstandDigitalAdvertising,StudyItsAlgorithms,”Economist(2018)；右圖改編自C.Mims,“ShouldArtificialIntelligenceCopytheHumanBrain?”WallStreetJournal(2018)。圖1-2人工智能訓(xùn)練的最快運算速度增長情況資料來源：D.HernandezandD.Amodei,“AIandCompute,”O(jiān)penAI(2018)。人工智能在醫(yī)療領(lǐng)域的應(yīng)用前景和現(xiàn)狀在過去幾年里，一些基于深度學(xué)習(xí)的研究成果已經(jīng)在前沿的同行評審醫(yī)學(xué)雜志上發(fā)表。許多醫(yī)學(xué)界人士坦言，深度學(xué)習(xí)在醫(yī)療領(lǐng)域應(yīng)用的效果令他們感到驚訝：人工智能已被證明能夠診斷某些類型的皮膚癌，甚至可能比專業(yè)的皮膚科醫(yī)生做得更好；能夠像心臟病專家一樣識別特定的心律失常；能夠像資深的放射科醫(yī)生和病理科醫(yī)生一樣，解釋醫(yī)學(xué)掃描結(jié)果或病理片子；能夠像眼科醫(yī)生一樣診斷各種眼科疾??；還能夠比心理醫(yī)生更好地預(yù)測自殺。這些技能主要用于模式識別，機器通過在數(shù)十萬乃至數(shù)百萬樣本中進(jìn)行訓(xùn)練后，能夠?qū)W習(xí)這些模式?；谖谋尽⒄Z音和圖像數(shù)據(jù)的學(xué)習(xí)使得這些系統(tǒng)越變越好，其錯誤率遠(yuǎn)低于5%，超過了人類的閾值（見圖1-3）。盡管深度學(xué)習(xí)必然會有局限，但我們目前尚未觸及。人類會疲倦，會有不順的時候，會受情緒波動、睡眠不足或心煩意亂的影響；但機器不會，它們很穩(wěn)定，可以夜以繼日、毫不間斷地工作，而且從不抱怨。因此，這也會引發(fā)我們對未來醫(yī)生角色的思考，以及對人工智能可能會帶來的不可預(yù)見的影響的思考。圖1-3人工智能與人類在圖像（左圖）和語音（右圖）解釋方面的對比資料來源：左圖改編自V.Szeetal.,“EfficientProcessingofDeepNeuralNetworks:ATutorialandSurvey,”ProceedingsoftheIEEE(2017)：105(12)2295-2329；右圖改編自“PerformanceTrendsinAI,”WordPressBlog(2018)。我認(rèn)為，基于深度學(xué)習(xí)的人工智能不能解決當(dāng)前醫(yī)療健康領(lǐng)域的所有問題，但表1-1所呈現(xiàn)的人工智能的廣泛應(yīng)用著實讓人期待。隨著時間的推移，人工智能將幫助我們實現(xiàn)這些目標(biāo)，但這必將是一場沒有終點的馬拉松。表1-1醫(yī)療行業(yè)對人工智能的大膽期望（部分）目前，深度學(xué)習(xí)的應(yīng)用范圍還非常狹窄，如抑郁癥的預(yù)測模型并不適用于皮膚病的診斷。通過訓(xùn)練，神經(jīng)網(wǎng)絡(luò)算法能夠識別模式，這非常適合那類十分依賴圖像分析的醫(yī)生，如看掃描影像的放射科醫(yī)生和分析病理片子的病理科醫(yī)生，我將這類醫(yī)生稱為“有模式”的醫(yī)生。從某種意義上說，所有臨床醫(yī)生的工作中都會涉及一些圖像化的任務(wù)，這些工作在未來都有可能靠人工智能算法來實現(xiàn)。大多數(shù)已發(fā)表的深度學(xué)習(xí)應(yīng)用案例，只是計算機模擬的結(jié)果或基于計算機的驗證，這與基于人群的前瞻性臨床研究截然不同。其中，最顯著的不同之處在于：分析現(xiàn)有數(shù)據(jù)集與在真實臨床環(huán)境中收集數(shù)據(jù)完全不同。計算機模擬的回顧性研究結(jié)果通常代表的是最好、最樂觀的情況，而并非真正意義上的前瞻性試驗?；仡櫺匝芯康臄?shù)據(jù)非常適合提出假設(shè)，再通過開展前瞻性試驗來驗證，尤其是當(dāng)假設(shè)能夠獨立重復(fù)得到驗證時。我們剛步入智能醫(yī)學(xué)時代，人工智能尚未滲透到常規(guī)的醫(yī)療實踐中，有人將計算機技術(shù)人員進(jìn)入醫(yī)學(xué)領(lǐng)域這一現(xiàn)象稱為“硅谷化”（SiliconValleydation）。醫(yī)學(xué)界對人工智能醫(yī)學(xué)的不屑態(tài)度依然很常見，這也是導(dǎo)致該領(lǐng)域發(fā)展緩慢的原因之一。因此，當(dāng)世界上大多數(shù)領(lǐng)域都進(jìn)入了以應(yīng)用人工智能為中心的第四次工業(yè)革命，醫(yī)學(xué)仍處于第三階段早期，即首次普及計算機和電子產(chǎn)品的使用時期（見圖1-4）。如今，MP3格式的文件已經(jīng)與所有品牌的音樂播放器兼容，但在醫(yī)學(xué)領(lǐng)域，能廣泛兼容且好用的電子健康檔案的普遍應(yīng)用卻遙遙無期，這一領(lǐng)域仍需進(jìn)一步變革。圖1-4人類的四次工業(yè)革命資料來源：改編自A.Murray,“CEOs:TheRevolutionIsComing,”Fortune(2016)。深度醫(yī)療的三大組成部分一直以來，醫(yī)學(xué)界在接受新技術(shù)方面都顯得很被動。我在《顛覆醫(yī)療》（CreativeDestructionofMedicine）一書中，描繪了傳感器、測序、圖像、遠(yuǎn)程醫(yī)療以及許多其他技術(shù)機遇，如何幫助實現(xiàn)人類數(shù)字化和醫(yī)學(xué)數(shù)字化轉(zhuǎn)型。在《未來醫(yī)療》（ThePatientWillSeeYouNow）\h\h(4)一書中，我描述了醫(yī)學(xué)如何消除“家長式作風(fēng)”，從而實現(xiàn)醫(yī)學(xué)的民主化——消費者不單是生產(chǎn)數(shù)據(jù)，更應(yīng)該擁有自己的數(shù)據(jù)，并且獲得更多的醫(yī)療數(shù)據(jù)，最終對自己的健康負(fù)責(zé)。而本書將描述下一階段，即數(shù)字化（Digitizing）和民主化（Democratizing）之后的第三個“D”，也是最具影響力的一個——深度學(xué)習(xí)（DeepLearning）。不管我對新技術(shù)的興趣給大家留下了何種印象，一直以來，我都夢想著激發(fā)醫(yī)學(xué)實踐中必不可少的人文因素。通過深度學(xué)習(xí)，我們將形成醫(yī)學(xué)根基培養(yǎng)的一個基本框架：人與人之間的紐帶。雖然我們至今未能在醫(yī)學(xué)領(lǐng)域?qū)崿F(xiàn)數(shù)字化或民主化，但它們已經(jīng)處于緩慢發(fā)展中。我堅信，我們不僅會實現(xiàn)它們，還會將人工智能技術(shù)運用于醫(yī)學(xué)的核心。我將這一過程的巔峰稱為“深度醫(yī)療”，它有三大“深度”組成部分（見圖1-5）。圖1-5深度醫(yī)療模型的三大主要組成部分資料來源：（左圖）改編自E.Topol,“IndividualizedMedicinefromPrewombtoTomb,”Cell(2014):157,241-253。第一部分是深度表型分析，即運用一切相關(guān)數(shù)據(jù)深度識別個體的能力。它也可叫作數(shù)字化人類的本質(zhì)，包括所有人的醫(yī)療數(shù)據(jù)、社交數(shù)據(jù)、行為習(xí)慣、家族史，以及人的生物學(xué)數(shù)據(jù)：解剖學(xué)數(shù)據(jù)、生理學(xué)數(shù)據(jù)及人體環(huán)境數(shù)據(jù)等。我們的生物組學(xué)包括許多組成部分：基因組學(xué)、RNA組學(xué)、蛋白質(zhì)組學(xué)、代謝組學(xué)、免疫組學(xué)、微生物組學(xué)、表觀基因組學(xué)等。生物醫(yī)學(xué)研究領(lǐng)域經(jīng)常使用的術(shù)語是“深度表型分析”，前面提到的癲癇持續(xù)發(fā)作的新生兒的治療，就是用了這一分析方法。深度表型分析既有深度又有廣度，它覆蓋了我們能想到的多種類型的數(shù)據(jù)，而且時間跨度很廣，能盡可能多地覆蓋我們的生命長度，因為許多指標(biāo)都是動態(tài)的，會隨著時間的推移不斷變化。幾年前，我寫了一篇評論，里面提到，我們需要“從胚胎到死亡”（fromprewombtotomb）的完整的醫(yī)療數(shù)據(jù)。3而有位前輩則對我說，應(yīng)該把這叫作“從性欲萌生到入土成灰”（fromlusttodust）?？傊?，其核心理念都是我們需要擁有集深度、長度和廣度為一體的數(shù)據(jù)。第二部分是深度學(xué)習(xí)，它將在未來醫(yī)療中扮演重要角色。在醫(yī)生診斷時，深度學(xué)習(xí)不僅會用到模式識別和機器學(xué)習(xí)，還將有更廣泛的應(yīng)用，如引導(dǎo)消費者更好地管理自身健康和醫(yī)療狀況的虛擬醫(yī)療助手。深度學(xué)習(xí)還能提高醫(yī)院的效率，如利用機器視覺來提高患者的安全和照護(hù)質(zhì)量，最終利用便利的遠(yuǎn)程家庭監(jiān)控設(shè)備減少對醫(yī)院病房的需求。盡管深度學(xué)習(xí)在醫(yī)學(xué)方面的產(chǎn)出具有相當(dāng)大的潛力，并且在過去幾年中一直在加速發(fā)展，但仍處于最初階段。50多年前，威廉·施瓦茨（WilliamSchwartz）在《新英格蘭醫(yī)學(xué)雜志》上發(fā)表了一篇名為《醫(yī)學(xué)和計算機》（MedicineandtheComputer）的文章。4他推測，計算機和醫(yī)生在未來將“經(jīng)常進(jìn)行對話，計算機將不斷記錄病史、體檢結(jié)果、實驗室數(shù)據(jù)等，提醒醫(yī)生最可能的診斷方案，并給出最合理、最安全的治療方案建議”。今天，我們對50多年前的這一預(yù)測有哪些交代呢？令人感到沮喪的是，并沒有太多。雖然我們已經(jīng)聽聞一些關(guān)于利用搜索功能解鎖疑難雜癥的奇聞，但通過檢索簡單癥狀來診斷疾病的方法，從未被證實是準(zhǔn)確可靠的，相反，這些檢索正是引發(fā)諸多焦慮和網(wǎng)絡(luò)疑病癥的根本原因?？梢韵胂?，人工智能在未來將解決醫(yī)學(xué)中的各種困境，如診斷不準(zhǔn)確、工作（如開賬單或編碼等基礎(chǔ)性工作）流程效率低下等，但這些目前都尚未實現(xiàn)。對于與臨床醫(yī)生、計算機科學(xué)家和其他學(xué)科（如行為科學(xué)、生物倫理學(xué)等）的研究人員有合作的企業(yè)來說，這是一個非常好的機會，可以幫助人們將人工智能與醫(yī)療健康進(jìn)行恰當(dāng)?shù)厝诤?。第三部分是最重要的部分，即醫(yī)患之間的深度共情和深度聯(lián)結(jié)。40多年前我還在醫(yī)學(xué)院時就已經(jīng)發(fā)現(xiàn)，醫(yī)生對患者就診整個過程的參與度越來越低（見表1-2）。隨著時間的推移，醫(yī)療已成為一個巨大的產(chǎn)業(yè)，到2017年甚至已成長為美國最大的產(chǎn)業(yè)。目前在美國，這一領(lǐng)域擁有的雇員最多，已超過零售業(yè)。從任何一個指標(biāo)都可以發(fā)現(xiàn)，人們的醫(yī)療支出在飛速增長?？蔁o論是診所還是醫(yī)院，即使算上各科室所有醫(yī)護(hù)人員，算上人均所有的醫(yī)藥費，醫(yī)患溝通的時間仍然在逐步減少——醫(yī)生們太忙了。有時，高達(dá)近5000美元一天的住院費可能只包含幾分鐘的查房時間（其他服務(wù)需另外付費）。當(dāng)醫(yī)療領(lǐng)域正在發(fā)生技術(shù)革新時，如電子健康檔案、管理式醫(yī)療模式、健康維護(hù)機構(gòu)，以及相對價值單位（relativevalueunit）等，醫(yī)生們卻變得越發(fā)消極和被動。如今，醫(yī)護(hù)人員出現(xiàn)過勞和抑郁的比例創(chuàng)歷史新高，因為他們難以為患者提供切實的照護(hù)，而這原本才是他們職業(yè)的根本！表1-2美國醫(yī)療行業(yè)在過去40多年中的部分指標(biāo)變化現(xiàn)今醫(yī)療領(lǐng)域中最大的問題，就是忽視了照護(hù)。醫(yī)生通常不能為患者提供足夠的照護(hù)，患者也覺得他們未能獲得應(yīng)有的照護(hù)。人工智能帶來的巨大機遇并不是避免犯錯、減少工作量或者治愈癌癥，而是重建醫(yī)患之間長久且有人情味的寶貴聯(lián)結(jié)與信任。醫(yī)生不僅要花更多的時間陪伴患者，與患者深度溝通、感同身受，還要對錄取和培養(yǎng)醫(yī)生的模式進(jìn)行改革。幾十年來，我們總會嘉獎那些“厲害的醫(yī)生”，然而機器的普及正在不斷提高醫(yī)生的診斷能力，豐富他們的醫(yī)學(xué)知識。最終，醫(yī)生會接受人工智能及算法成為自己的工作伙伴。醫(yī)學(xué)評價體系也終將建立新的標(biāo)準(zhǔn)：錄取并教育情商更高的醫(yī)學(xué)生。亞伯拉罕·維基斯是我的同事兼朋友，在我心里，他是一個具有偉大人文主義思想的人。他在寫給本書的推薦序里強調(diào)了這些重點，希望讀者朋友們能仔細(xì)閱讀，這也是深度醫(yī)療所要探討的內(nèi)容。為了建立“深度醫(yī)療”的概念框架體系，我將從以下問題來切入：目前醫(yī)學(xué)是如何開展實踐的，為什么我們亟須找到新方案來解決誤診、出錯、低產(chǎn)出、成本流失等問題。從某種程度上來講，這些問題也是基于當(dāng)今醫(yī)學(xué)是如何做出診斷而形成的。為了解人工智能的優(yōu)勢和風(fēng)險，本書將從游戲和自動駕駛汽車中探索人工智能的成功先例。也許更重要的是對人工智能局限性的演繹，比如對人類的偏見、擴大現(xiàn)有的不公平、潛在的暗箱操作，以及隱私安全問題等。劍橋分析公司（CambridgeAnalytica）曾將數(shù)千萬人的數(shù)據(jù)從Facebook上轉(zhuǎn)移到人工智能設(shè)備中，并對這些數(shù)據(jù)進(jìn)行系統(tǒng)分析，這一過程也預(yù)示了醫(yī)療健康領(lǐng)域可能會面臨的一大關(guān)鍵問題。深度醫(yī)療是醫(yī)療的未來我們即將步入以人工智能為工具的醫(yī)療時代?？梢灶A(yù)見，機器模式的引入將對放射科醫(yī)生、病理科醫(yī)生、皮膚科醫(yī)生等基于數(shù)據(jù)分析的醫(yī)生產(chǎn)生巨大的影響；同時，人工智能也會“打通”所有的醫(yī)學(xué)學(xué)科，影響那些不以數(shù)據(jù)分析為主的臨床醫(yī)生和外科醫(yī)生。心理健康領(lǐng)域是另一個特別迫切需要新方法、新突破的領(lǐng)域，訓(xùn)練有素的專業(yè)人員太少，抑郁癥等心理疾病卻越來越多，并且在其治療和預(yù)防方面已出現(xiàn)了巨大的缺口。因此，人工智能在未來的心理健康領(lǐng)域也同樣可能發(fā)揮重要作用。不過，人工智能，尤其是深度學(xué)習(xí)，并不僅僅會影響醫(yī)療實踐，它還會改變生物醫(yī)學(xué)：促進(jìn)新藥的研發(fā)；分析復(fù)雜數(shù)據(jù)集并提供解析，如解析數(shù)百萬的全基因組序列、復(fù)雜的人類大腦；實時分析多個生物傳感器中輸出的復(fù)雜數(shù)據(jù)流。雖然這些都屬于醫(yī)療服務(wù)上游領(lǐng)域的嘗試，但隨著基礎(chǔ)科學(xué)的不斷進(jìn)步和新藥的開發(fā)，它們終將對臨床醫(yī)學(xué)產(chǎn)生重大影響。人工智能還將顛覆與醫(yī)療相關(guān)的方方面面。飲食，就是其中一大方面。迄今為止，機器學(xué)習(xí)的一個意外成果，也是很實用的成果之一，就是為定制飲食提供了科學(xué)基礎(chǔ)。這是一項令人興奮的進(jìn)步——機器知道哪些人最適合吃哪些食物?，F(xiàn)在，我們可以在未患有糖尿病的健康人群中預(yù)測出哪些特定食物會刺激血糖飆升。這一進(jìn)步帶來的好處遠(yuǎn)大于籠統(tǒng)的傳統(tǒng)飲食理論，如經(jīng)典的食物金字塔，或流行的阿特金斯減肥法和南海灘減肥法，這些方法至今都沒有可靠的證據(jù)。而通過人工智能，我們可以收集大量有關(guān)身體的數(shù)據(jù)，并且預(yù)測需要特定營養(yǎng)成分的部位。許多先進(jìn)的居家設(shè)備也將會成為虛擬醫(yī)療助手，它們多半可以通過語音進(jìn)行控制，如Siri、Alexa和谷歌家庭（GoogleHome），只是可能不會再在屏幕上顯示柱狀音頻或波形音頻了。我猜它們可能會以虛擬人或全息圖的形式出現(xiàn)，如果有人偏愛其他形式，它們還可能以簡潔的短信或電子郵件的形式出現(xiàn)。虛擬醫(yī)療助手會不間斷地收集所有數(shù)據(jù)，不斷更新并深度學(xué)習(xí)，結(jié)合已知的醫(yī)學(xué)知識來提供反饋和指導(dǎo)。此類系統(tǒng)最初將在特定疾病中試行，如糖尿病或高血壓，但它終將覆蓋整個醫(yī)療平臺，以幫助預(yù)防并更好地管理疾病。然而，數(shù)據(jù)濫用將會導(dǎo)致這一藍(lán)圖付諸東流。這不僅包括網(wǎng)絡(luò)盜竊、敲詐勒索（向醫(yī)院勒索數(shù)據(jù)贖金）和黑客行為等眾所周知的諸多罪行，還包括大規(guī)模惡意銷售和使用數(shù)據(jù)。此外還有一個令人擔(dān)憂且難以接受的新問題，那就是保險公司或雇主在掌握了某個人的所有數(shù)據(jù)之后，對這些數(shù)據(jù)進(jìn)行深度學(xué)習(xí)，然后基于數(shù)據(jù)學(xué)習(xí)結(jié)果對個人的保額、保險費、工作等做出判定。為了避免這些可怕的情況發(fā)生，我們還有很長的路要走。本書旨在探索患者、醫(yī)生、機器之間的平衡。如果我們能夠發(fā)掘機器的潛能，并找到一個更好的互助模式，就能夠解決至今依然困擾醫(yī)療界的諸多難題。通過本書，我希望大家能夠認(rèn)識到，深度醫(yī)療是可行且深得人心的。結(jié)合人類和人工智能的智慧，利用人類和機器的力量，醫(yī)療將到達(dá)一個新的高度。當(dāng)然，這條路并不好走，終點遙遙無期，且有很多艱難險阻。但只要方向正確，我們終將抵達(dá)。效率的提高、流程的簡化，不僅可以解放不少醫(yī)療工作者，還可以造?；颊撸梦磥淼募夹g(shù)帶回過去的美好。造?；颊哌€需要更多的人文關(guān)懷，尤其是來自臨床醫(yī)生的關(guān)懷。醫(yī)療工作人員需要做好準(zhǔn)備，與強大的既得利益者做斗爭，不要像過去很多人一樣，錯過以照護(hù)患者為首要前提的機會。機器的興起應(yīng)該伴隨著更高的人性化，讓醫(yī)生有更多的時間陪伴患者、感同身受，這才是真正地實現(xiàn)優(yōu)質(zhì)醫(yī)療。當(dāng)下，我們首先要重新確立的就是照護(hù)患者的重要性，并不斷向前推進(jìn)。在我們開始深度醫(yī)療之旅之前，先來了解另一個問題：淺度醫(yī)療?！搬t(yī)生說我需要做個手術(shù)，把心臟里的一個洞給堵上?！币晃幻辛_伯特的患者在首診時對我說。羅伯特是一家商店的店長，雖然已經(jīng)56歲了，但一直都很健康，直到幾年前突發(fā)心臟病。好在他及時做了支架植入術(shù)，因此疾病未對心臟造成太大的損傷。從那之后，他改變了自己原來的生活習(xí)慣，開始極其自律地堅持每天鍛煉，并成功瘦身十多公斤。有一天下午，羅伯特突然覺得自己看不清東西，臉部肌肉出現(xiàn)麻木。之后，他到附近醫(yī)院的急診室做了加急腦部CT、血液檢查，還拍了胸片，并做了心電圖。在整個過程中，他沒有接受任何治療，但癥狀逐漸好轉(zhuǎn)，眼睛能看清了，麻木感也消失了。醫(yī)生告訴他，他剛剛“只是”經(jīng)歷了一次輕度卒中，或者說短暫性腦缺血，只需要按之前的方式用藥，即每天吃一片阿司匹林就可以了。沒有任何新的應(yīng)對策略，用藥也不需要進(jìn)行調(diào)整，這讓羅伯特感到很不安。幾周后，他去看了神經(jīng)科醫(yī)生，希望可以找到病根。神經(jīng)科醫(yī)生為羅伯特進(jìn)行了一些新的檢查，包括腦部磁共振和頸動脈超聲檢查，然而，并未找到他卒中的原因。于是，神經(jīng)科醫(yī)生向羅伯特介紹了一位心臟病醫(yī)生。這位心臟病醫(yī)生給羅伯特做了超聲心動圖，結(jié)果顯示他的卵圓孔未閉。卵圓孔是左右心房隔膜上的小孔。在胎兒期，每個人的卵圓孔都是開放的，肺循環(huán)出現(xiàn)之前，血液通過這個孔流入肺中。當(dāng)我們發(fā)出第一聲啼哭時，這個孔就會關(guān)閉。不過，依然有15%～20%的成年人存在卵圓孔未閉的情況?！鞍?！”心臟病醫(yī)生歡呼起來，“問題就出在這個回音上。”這位醫(yī)生認(rèn)為，一定是某個血塊從這里穿過心室，進(jìn)而影響到了大腦，導(dǎo)致了羅伯特出現(xiàn)輕度卒中。而想要避免再次發(fā)生卒中，羅伯特需要做手術(shù)來堵上卵圓孔。手術(shù)被預(yù)約在10天之后。不過，羅伯特對這個解釋并不是很信服，認(rèn)為自己并非必須做這個手術(shù)。他和摯友討論了一番，便來我這里尋求進(jìn)一步的意見。我很擔(dān)憂，因為根據(jù)他的卵圓孔掃描影像來看，其大小與正常情況差別并不大，很難斷定那次卒中就是由此引起的。在考慮卵圓孔未閉為病因之前，醫(yī)生需要排除所有其他的可能性。很多卒中患者都有卵圓孔未閉的情況，但他們的卒中很少是由卵圓孔未閉引起的。如果它可以導(dǎo)致卒中，那么15%～20%存在卵圓孔未閉的那部分人甚至更多的人，都會發(fā)生卒中。此外，對于隱源性卒中，目前具體原因未明，已經(jīng)開展的多項隨機試驗結(jié)果全部顯示，雖然治療可以減少卒中復(fù)發(fā)次數(shù)，但手術(shù)和植入物會導(dǎo)致并發(fā)癥。總的來看，治療益處并不大。對于羅伯特而言，是否要接受手術(shù)更是有待商榷，因為他未出現(xiàn)完全卒中，而且檢查做得還不夠充分，不足以讓我們做出隱源性卒中的默認(rèn)診斷結(jié)果。最后，我們共同做了一個決定：繼續(xù)尋找其他可能導(dǎo)致輕度卒中的原因。其中一種常見的原因就是心律不齊，也被稱為心房顫動。為了驗證這一可能性，我訂購了一種像創(chuàng)可貼一樣外形小巧且無異物感的貼片式動態(tài)心電圖監(jiān)測儀Zio（由iRhythm公司研制），讓羅伯特佩戴在胸前10～14天。在羅伯特佩戴期間，貼片中的芯片會捕捉他的每一次心跳，從而形成心電圖。羅伯特佩戴了12天，幾周后我得出了結(jié)論。在那12天里，他果然出現(xiàn)了幾次無癥狀的心房顫動。他本人對此毫無感覺，因為心跳速度沒有過快，還有幾次發(fā)生在他睡著時。心房顫動比卵圓孔未閉更有可能是引發(fā)輕度卒中的原因。口服抗凝藥物可以很好地預(yù)防類似情況的發(fā)生，完全不需要做手術(shù)去堵住那個洞。當(dāng)然，抗凝藥物的確可能會導(dǎo)致出血，但它在預(yù)防卒中方面有著更積極的意義。在跟羅伯特分析檢查結(jié)果、討論治療方案及預(yù)后效果后，他釋然了。羅伯特的故事結(jié)局盡管比較完美，但也揭露出當(dāng)今醫(yī)療中的諸多問題。從他初入急診室到去看心臟病醫(yī)生，我把這一過程稱作“淺度醫(yī)療”。因為在整個過程中，他跟醫(yī)生之間鮮有情感聯(lián)系，充滿絕望的患者和疲憊不堪的醫(yī)生之間幾乎沒有深度溝通。同時，還存在誤診和過度診斷的系統(tǒng)性問題，這些都會導(dǎo)致巨大的經(jīng)濟(jì)浪費和人身傷害。事實上，醫(yī)患溝通的缺失與醫(yī)療誤診息息相關(guān)：與患者的膚淺接觸會導(dǎo)致更多的誤診，從而增加非必要的檢查及無效治療。誤診導(dǎo)致錯誤的治療在美國，誤診非常常見。一篇綜合三項超大型調(diào)查的文獻(xiàn)綜述指出，美國每年大約有1200萬次重大誤診。1這些誤診由多種因素引起，包括未能做正確的檢查、錯誤解讀檢查結(jié)果、未實施正確的鑒別診斷，以及忽略異常情況等。顯然，羅伯特的案例就占了多項：不完整的鑒別診斷（可能存在的心房顫動）、未能做正確的檢查（心率監(jiān)測），以及錯誤解讀檢查結(jié)果（將病因歸因于卵圓孔未閉），三重因素導(dǎo)致了最終的誤診。然而，美國的現(xiàn)實情況更加嚴(yán)峻，因為誤診會直接導(dǎo)致錯誤的治療。在羅伯特這個案例中，他原本將接受卵圓孔閉合術(shù)。在過去的幾年里，這樣的手術(shù)屢見不鮮，更令人震驚的是，高達(dá)1/3的手術(shù)都是不必要的！為了解決這一問題，美國曾發(fā)起兩大倡議計劃。第一項計劃叫作“明智選擇”（ChoosingWisely），該計劃始于2012年。美國內(nèi)科學(xué)基金會與9家專業(yè)醫(yī)療機構(gòu)聯(lián)合發(fā)布了一份清單，題為《醫(yī)生和患者應(yīng)該質(zhì)疑的5件事》（FiveThingsPhysiciansandPatientsShouldQuestion），這份清單列出了5大被嚴(yán)重過度施行或非必要的檢查和操作。2雖然各大醫(yī)療機構(gòu)最初都不太愿意加入，但在接下來的幾年里，該計劃獲得了歷史性的成功。最終，美國有超過一半的醫(yī)療機構(gòu)加入其中，并且根據(jù)其風(fēng)險和花費，在清單中添加了幾百項醫(yī)療收益極低的操作和檢查項目。到目前為止，最常被濫用的檢查是針對小毛病，如腰痛或頭痛的醫(yī)學(xué)影像掃描。舉個具體的例子：在美國，每100名65歲及以上的就診者每年會進(jìn)行超過50次CT掃描、50次超聲檢查、15次MRI檢查和10次PET掃描\h\h(5)。而據(jù)估計，在8000萬次CT掃描中，有30%～50%是不必要的。3雖然這份誤用操作清單給醫(yī)學(xué)界帶來了巨大震蕩，但實際上收效甚微。不久之后收集的美國國家樣本依然顯示，有7種低收益的操作仍然被頻繁使用，盡管患者實際上并不需要。導(dǎo)致該項目失敗的主要原因有兩個：第一個原因是“治療錯覺”，該定義由賓夕法尼亞大學(xué)的戴維·卡薩雷特（DavidCasarett）醫(yī)生提出。他指出，醫(yī)生往往會夸大自己診斷的益處。4醫(yī)生會出現(xiàn)認(rèn)知偏差，因為他們在潛意識中認(rèn)為自己提出的操作或檢查會產(chǎn)生極好的效果；操作完成后，他們會繼續(xù)加深這一認(rèn)知，即便沒有證據(jù)能直接證明其效果的積極性。第二個原因是缺乏監(jiān)管醫(yī)生行為的制度。雖然“明智選擇”計劃與《消費者報告》（ConsumerReports）合作，將清單內(nèi)容打印成冊及在線上宣傳，但長長的清單很難引起大眾的警醒，也就失去了由患者自動選擇更好、更明智的檢查方式的民眾基礎(chǔ)。更糟糕的是，美國內(nèi)科學(xué)基金會沒有能力追蹤醫(yī)生們的處方，無法得知他們開了哪些處方以及為何開這些處方。因此，該基金會也就沒有辦法獎勵那些減少了不必要操作的醫(yī)生，也沒有辦法處罰那些依然在進(jìn)行過度治療的醫(yī)生。2017年，波士頓勞恩研究所（LownInstitute）組織了一個名為“正確照護(hù)聯(lián)盟”（RightCareAlliance）的國際項目，提出了第二項計劃。該項目在《柳葉刀》雜志上發(fā)表了一系列重要論文，對多個國家的非必要操作進(jìn)行了量化，其中美國高居首位，高達(dá)60%。5果不其然，對背痛等癥狀開具的醫(yī)療影像檢查再次登上榜首。該項目還調(diào)查了一些合理但未被運用的操作，不過這些問題在對比中被淡化了。與“明智選擇”項目想要改變醫(yī)生的行為一樣，“正確照護(hù)聯(lián)盟”也希望收集到的大量數(shù)據(jù)可以被納入未來的醫(yī)學(xué)實踐中，以促進(jìn)醫(yī)療發(fā)展，但目前還沒有數(shù)據(jù)顯示這一愿景已經(jīng)實現(xiàn)。淺度證據(jù)導(dǎo)致淺度醫(yī)療我們又一次被打回了原地：醫(yī)生總是無法明智地選擇，也不能為患者提供正確的照護(hù)。2017年，ProPublica網(wǎng)站的戴維·愛潑斯坦（DavidEpstein）就此話題寫了一篇精彩的文章——《當(dāng)證據(jù)說不，但醫(yī)生說是》（WhenEvidenceSaysNo,ButDoctorsSayYes）。6文章中提到的一個例子是為某些心臟病患者安裝動脈支架，愛潑斯坦認(rèn)為：“給病情穩(wěn)定的患者安裝支架，沒有預(yù)防心臟病發(fā)作的效果，而且絲毫沒能延長患者的壽命?！彼€總結(jié)了關(guān)于支架及許多其他操作的共性：“這些研究結(jié)果并非證明這些手術(shù)操作本身毫無意義，只不過對大多數(shù)接受了這些操作的患者來說，它們毫無益處?！睂τ谶@一問題，部分原因是治療方案與證據(jù)相悖，另一部分原因則在于決定實施這些治療方案的證據(jù)。在醫(yī)學(xué)治療中，我們經(jīng)常依賴于所謂的替代終點的變化，而不是真正終點的變化。比如，在治療心臟病時，我們可能會根據(jù)血壓變化調(diào)整治療方案，因為我們并不能直接看到治療是否真正改變了心臟病發(fā)作、卒中或死亡的概率。再比如，我們會通過監(jiān)測糖化血紅蛋白A1c的變化來評估糖尿病的治療效果，而不是根據(jù)預(yù)期壽命或被大眾認(rèn)可的生活質(zhì)量測試。雖然替代癥狀對整體目標(biāo)來說似乎很合理，但這些替代指標(biāo)很少能夠通過嚴(yán)格的論證。不管怎么說，這些不牢靠的證據(jù)都是導(dǎo)致醫(yī)生關(guān)注替代指標(biāo)的原因，從而進(jìn)一步導(dǎo)致過度檢查、非必要的操作，以及藥物濫用的行為。無論是對個體患者沒有進(jìn)行充分的檢查，還是只從醫(yī)學(xué)文獻(xiàn)中尋找案例，淺度證據(jù)（不可靠的證據(jù)）都導(dǎo)致了淺度醫(yī)療（不可靠的醫(yī)療實踐），進(jìn)而引發(fā)了大量誤診和非必要的操作。這不是一個小問題。2017年，美國心臟協(xié)會和美國心臟病學(xué)會更改了對高血壓的定義。這一改動沒有任何可靠證據(jù)的支持，卻導(dǎo)致被診斷患有高血壓的美國人新增了3000多萬。7這是多么大規(guī)模的誤診！然而，即使沒有這些中心指令，“一對一”的醫(yī)療實踐也會導(dǎo)致許多誤診。在美國的診所中，復(fù)診患者的平均就診時間是7分鐘，首診患者是12分鐘。而這種夸張的就診時間不足的現(xiàn)象，并不局限于美國。幾年前，當(dāng)我訪問韓國三星醫(yī)療中心時，我的領(lǐng)隊告訴我，那里醫(yī)生的平均問診時間只有2分鐘。難怪誤診率那么高！患者和醫(yī)生雙方都認(rèn)為醫(yī)生的問診時間太短了。最近，亞拉巴馬大學(xué)伯明翰分校的醫(yī)療中心做了一項調(diào)查，請患者用兩個詞來描述他們的醫(yī)生。8我將調(diào)查結(jié)果做成了一個“詞云”（見圖2-1）。圖2-1描述醫(yī)生的“詞云”資料來源：改編自B.Singletaryetal.“PatientPerceptionsaboutTheirPhysicianin2Words:TheGood,theBad,andtheUgly,”JAMASurg(2017):152(12),1169-1170。電子健康檔案在應(yīng)用中缺陷明顯從圖2-1中可以看出，就診時長存在許多問題，且由于電子健康檔案的普及，醫(yī)患之間的眼神交流也變少了。哈佛大學(xué)的拉塞爾·菲利普斯（RussellPhillips）醫(yī)生說：“電子健康檔案將醫(yī)生變成了數(shù)據(jù)錄入員。”9醫(yī)生對著計算機工作，而不是直面患者，被認(rèn)為是導(dǎo)致醫(yī)療工作者高抑郁率、高疲憊率的罪魁禍?zhǔn)?。在美國，幾乎有一半的醫(yī)療工作者出現(xiàn)了過勞的癥狀，每年還有數(shù)百例自殺事件。10一篇來自47項研究、涉及4.2萬名醫(yī)生的分析報告指出：過勞會導(dǎo)致醫(yī)療事故的發(fā)生概率翻倍，而這反過來又會導(dǎo)致醫(yī)生的職業(yè)倦怠和抑郁。這是一個惡性循環(huán)。11正如亞伯拉罕·維基斯在推薦序中指出的：人工智能所扮演的“侵入者”角色在未來會廣泛影響醫(yī)生的心理健康，進(jìn)而悄然影響他們對患者照護(hù)的質(zhì)量。使用電子健康檔案還催生了一系列其他的問題。檔案中存儲的數(shù)據(jù)通常極不完整，甚至是錯誤的，使用起來也不便捷。檔案中大約80%的信息純粹是把以前的記錄復(fù)制粘貼過來，因此先前出現(xiàn)的數(shù)據(jù)輸入錯誤極有可能一直延續(xù)到后面的檔案中。12更糟糕的是，調(diào)取不同醫(yī)生或醫(yī)療系統(tǒng)中的患者的信息非常困難，部分原因是系統(tǒng)不兼容：醫(yī)療系統(tǒng)會使用專門的文件格式綁定檔案信息，從而幫助鎖定患者。我的朋友所羅伯·杰哈（SaurabhJha）曾做過一個形象的描述：“當(dāng)你去偏遠(yuǎn)國家遠(yuǎn)游時，你的銀行卡依然可以被讀??；而在美國就算你只是去了街對面的另一家醫(yī)院，你的電子健康檔案卻無法被識別?！?3此外，“一次性”的醫(yī)療服務(wù)模式加劇了電子健康檔案的不完整性。之所以用“一次性”這個詞，不僅是因為當(dāng)下的醫(yī)患互動非常簡短和低頻，還因為目前的檔案系統(tǒng)尚未將患者真實世界的生活信息納入其中，對他們的生活、工作、休息等狀態(tài)一無所知。在簡短的門診過程中，醫(yī)生能獲取的信息十分有限，并且就診中的患者狀態(tài)通常不太自然。像羅伯特那樣被要求佩戴貼片式動態(tài)心電圖監(jiān)測儀的情況非常少，在大多數(shù)情況下，醫(yī)生完全不了解患者在日常生活中的醫(yī)療數(shù)據(jù)，如血壓、心率和情緒狀態(tài)等。事實上，即使醫(yī)生能得到一些患者的真實世界的生活數(shù)據(jù)，他們也無從下手，無法做出有實用價值的分析比較，因為他們甚至不知道對于真實世界中的人們來說，什么樣的健康數(shù)據(jù)才算是正常的數(shù)據(jù)。在美國，很多醫(yī)生依然在使用過時的通信方式與診所外的患者進(jìn)行溝通，甚至根本不溝通，而這只會使情況更加惡化。據(jù)調(diào)查，曾有超過2/3的醫(yī)生不愿意通過郵件、短信等方式與患者保持聯(lián)系，他們把這種“不愿意”歸因于自己沒有足夠的時間、對醫(yī)學(xué)法律的擔(dān)憂，以及沒有補償。但我認(rèn)為，這是醫(yī)患之間“淺度醫(yī)療”的另一個體現(xiàn)。這就是當(dāng)下的現(xiàn)狀：患者處于一個缺乏數(shù)據(jù)、時間、連續(xù)性和參與度的世界。換句話說，患者處于一個淺度醫(yī)療的世界。淺度醫(yī)療導(dǎo)致醫(yī)療資源浪費和對患者的傷害淺度醫(yī)療帶來的后果還有無謂的浪費與傷害。在美國，50多歲的女性都會被建議每年做一次乳房X線檢查，而每年僅篩查的總費用就超過了100億美元。更糟糕的是，每年對10000名50～60歲的女性進(jìn)行乳房X線檢查，最終只有5名（0.05%）女性可以避免由乳腺癌導(dǎo)致的死亡，而超過6000名（60%）的女性至少會出現(xiàn)一次假陽性結(jié)果。14后者可能會導(dǎo)致許多不必要的醫(yī)療操作，如活檢、手術(shù)、放療、化療等，這些操作不僅會對身體產(chǎn)生傷害，還會產(chǎn)生諸多費用。即使避免了這一系列操作，假陽性結(jié)果也會給這部分女性帶來極大的恐懼和焦慮。與乳房X線檢查類似的是使用前列腺特異性抗原（PSA）篩查男性前列腺癌的情況。2013年，盡管美國泌尿協(xié)會已建議取消常規(guī)使用前列腺特異性抗原進(jìn)行篩查，但該方法仍被廣泛采用。美國每年約有3000萬名男性接受篩查，其中600萬人顯示前列腺特異性抗原升高；100萬人接受前列腺活檢，其中約18萬人（18%）被診斷出患有前列腺癌；但也有同樣數(shù)量的男性患者沒能通過活檢查出前列腺癌。15此外，還有一個已被充分證實卻常被忽視的事實：大多數(shù)前列腺癌都是良性的，并且永遠(yuǎn)不會威脅患者的生命。如今已有多項研究表明，對具有侵略性和擴散傾向的腫瘤基因標(biāo)記進(jìn)行鎖定已成為可能，但這些研究成果仍未被納入臨床實踐。16總的來說，每1000名接受篩查的男性中，僅有一人能避免因前列腺癌而導(dǎo)致的死亡。17當(dāng)然我們可以總結(jié)說：該篩查的價值是女性乳房X線檢查（每1000例中有0.5例）的兩倍！但從另一個角度來看數(shù)據(jù)，還可以得到如下結(jié)論：相比救回一條命，男性被前列腺特異性抗原異常誤診的可能性高出了120～240倍，進(jìn)行非必要的放射治療或手術(shù)的可能性高出了40～80倍。癌癥篩查幾乎顯示出淺度醫(yī)療帶來的所有問題。早在1999年，韓國就推行了針對多種癌癥的全國篩查計劃。該計劃除了對高收入人群會收取名義上的小額自費金額，其他人都是免費的，韓國很多人參與了該計劃。其中一項測試是甲狀腺超聲檢查。在短短十幾年的時間里，超過4萬韓國人被確診患有甲狀腺癌，確診率提高了15倍。甲狀腺癌成為韓國最常見的癌癥。這聽起來像是一場勝利，但實際上卻毫無意義。除了確診人數(shù)大量增加，結(jié)果并沒有變化，韓國的甲狀腺癌死亡率一如既往。18甲狀腺癌篩查的故事后來也在美國上演。10多年前，美國出現(xiàn)了不少“檢查你的脖子”的廣告，并配有如下文字：“甲狀腺癌才不管你是否健康。人人都可能得甲狀腺癌，包括你。這就是它成為美國增長最快的癌癥的原因！”19結(jié)果，這成了一個自我暗示的預(yù)言，導(dǎo)致美國甲狀腺癌的發(fā)病率大幅上升（見圖2-2左圖）。超過80%的人做了甲狀腺切除術(shù)，然后不得不通過服用激素藥物來彌補甲狀腺激素的缺失，另外幾乎有50%的人接受過頸部放射治療。正如韓國的例子一樣，除了放射治療本身的危險之外，沒有跡象表明這種積極的診斷和治療能對最終結(jié)果產(chǎn)生任何影響。圖2-2大規(guī)模篩查后甲狀腺癌與乳腺癌的發(fā)病率增長情況資料來源：左圖改編自H.Welch,“CancerScreening,Overdiagnosis,andRegulatoryCapture,”JAMAInternMed(2017):177(7),915-916。右圖改編自H.Welchetal.,“Breast-CancerTumorSize,Overdiagnosis,andMammographyScreeningEffectiveness,”NEnglJMed(2016):375(15),1438-1447。達(dá)特茅斯學(xué)院的研究人員繪制出了與甲狀腺癌折線圖非常類似的乳腺癌過度診斷折線圖（見圖2-2右圖）。201975—2010年，乳房X線檢查的普及導(dǎo)致乳腺癌確診人數(shù)增加了30%，但在同一時期，并沒有出現(xiàn)轉(zhuǎn)移性乳腺癌發(fā)病率降低的跡象。就癌癥而言，腫瘤本身不是致死的原因，而是轉(zhuǎn)移癌。如今我們已經(jīng)知道，轉(zhuǎn)移可以發(fā)生在癌癥早期。早期診斷會改變癌癥的自然進(jìn)展并預(yù)防不良后果，這一觀點已然受到了挑戰(zhàn)。這幾十年來，我們在醫(yī)學(xué)院里學(xué)到的是，癌癥需要數(shù)年甚至數(shù)十年的時間才能形成：它先要經(jīng)過一個緩慢的細(xì)胞生長分裂過程，最終形成一個腫塊；然后經(jīng)歷另一個較長的階段，腫瘤細(xì)胞才變得具有侵入性，并擴散到身體的其他部位。最近的一項研究挑戰(zhàn)了這一教科書式的理論。該研究顯示，在一些患者身上，腫瘤在早期階段就會出現(xiàn)擴散。21這項突如其來的事實動搖了篩查的核心本質(zhì)：癌癥的早期診斷會改善結(jié)果。這進(jìn)一步暴露了醫(yī)學(xué)預(yù)測能力的不足，而這也是導(dǎo)致死亡和殘疾的主要原因之一。如果醫(yī)生肯花時間確定患者是否有患某種疾病的風(fēng)險，那么很多類似的問題就都可以避免了，檢查和操作也可以更加智能地進(jìn)行。貝葉斯定理是一種在醫(yī)學(xué)中具有廣泛影響力卻經(jīng)常被忽略的重要工具，它可以揭示對某件事可能發(fā)生的條件的了解將如何影響事件最終發(fā)生的概率。因此，盡管我們知道大約有12%的女性會患乳腺癌，但這并不意味著每位女性患乳腺癌的概率均為12%。眾所周知，具有某些乳腺癌基因突變和高遺傳風(fēng)險評分的女性更容易患乳腺癌。如果絲毫不考慮具體的家族史（就診時間不足的另一個結(jié)果），就對所有女性進(jìn)行篩查，那么選擇已知的與乳腺癌相關(guān)的特定基因變異無疑會導(dǎo)致出現(xiàn)許多假陽性結(jié)果。同理，對健康人群進(jìn)行全身掃描或MRI檢查也會導(dǎo)致出現(xiàn)大量的假陽性結(jié)果，艾薩克·科恩（IsaacKohane）將其稱為“意外癌”（incidentalomas）。22同樣，對沒有癥狀的健康人群進(jìn)行運動負(fù)荷試驗，也會導(dǎo)致高比率的異常結(jié)果，最終這部分人免不了要進(jìn)行不必要的血管造影。美國各地的許多機構(gòu)都會迎合甚至利用健康人群對疾病的擔(dān)憂，打出“早期診斷可以挽救生命”的口號。許多著名的診所會對公司高管進(jìn)行篩查，費用3000～10000美元不等，往往還會加入很多不必要的檢查。這些無根據(jù)的檢查使得假陽性率成倍增長。更具有諷刺意味的是，由假陽性引發(fā)的后續(xù)病情檢查可能會危及患者生命。例如，有研究者發(fā)現(xiàn)，40%的醫(yī)療保險受益人在參保后的前5年內(nèi)都進(jìn)行過腹部CT掃描，這導(dǎo)致他們被診斷為腎癌并接受腎臟摘除術(shù)的概率增加了。這聽起來可能很荒謬，但其中有4%的患者在手術(shù)后90天內(nèi)便死亡了。而且，即使有些患者在手術(shù)中幸存了下來，其整體的癌癥存活率也并沒有提高。23我們不應(yīng)該進(jìn)行任何無中生有、毫無計劃的檢查。相反，我們應(yīng)該在患者的患病風(fēng)險和適合程度的評估基礎(chǔ)上，來判斷檢查有無必要。淺度醫(yī)療導(dǎo)致無效的醫(yī)療支出如今，美國每年在醫(yī)療上的花費已經(jīng)超過3.5萬億美元。如表2-1所示，2015年，美國排名第一的醫(yī)療支出項目為住院照護(hù)費用，約占所有支出的1/3。24另外，幾十年來，與醫(yī)生相關(guān)的醫(yī)療支出相對穩(wěn)定，約占總支出的1/5。處方藥方面的支出則處于失控狀態(tài)，2015年已超過3200億美元，預(yù)計到2021年將超過6000億美元。25其中治療癌癥和罕見病的新型特藥，常規(guī)售價為每療程或每年10萬美元，最高可達(dá)每年100萬美元。表2-12015年美國各項醫(yī)療支出導(dǎo)致醫(yī)療支出增長的部分原因是，患者和醫(yī)生都認(rèn)為藥物具有顯著的療效，特別是非常昂貴的藥物。當(dāng)醫(yī)生開出藥品處方時，他們在主觀上就已經(jīng)認(rèn)定自己所開的藥品會有效，患者也相信這種藥會起作用。大量隨機臨床試驗顯示，被分配到安慰劑組的患者，即使他們服用的是惰性物質(zhì)，其治療效果通常也比預(yù)期更好。幾年前，與我同在美國斯克利普斯研究所（ScrippsResearchInstitute）的前研究員尼古拉斯·朔爾克（NicholasSchork），根據(jù)總銷售額羅列了排名前10位的藥物，并統(tǒng)計了其反應(yīng)性，即預(yù)期臨床反應(yīng)。26如圖2-3所示，患者對這些藥物無反應(yīng)的比例遠(yuǎn)遠(yuǎn)超出了大眾的普遍認(rèn)知。以安律凡（Abilify）為例，只有20%的患者真正因服用該藥物而受益?？傮w而言，在服用這些藥物的患者中，有75%的患者并未獲益或未達(dá)到預(yù)期效果。其中，一些藥物每年的銷售額超過100億美元，如修美樂（Humira）、恩利（Enbrel）、類克（Remicade）等，我們可以想象這其中存在多少浪費。圖2-32014年美國銷售總額前10名的藥物與產(chǎn)生臨床反應(yīng)的人數(shù)（灰色小人代表產(chǎn)生臨床反應(yīng)者，黑色小人代表無反應(yīng)者）資料來源：N.Schork,“PersonalizedMedicine:TimeforOne-PersonTrials,”Nature(2015):520(7549),609-611。①NEULASTA在國內(nèi)尚未上市，無中文商品名，其藥品通用名為培非格司亭?！g者注這些數(shù)據(jù)并不能簡單地說明藥物不起作用，或只是為了牟取某種暴利。相反，在大多數(shù)情況下，這些藥物不起作用的原因是，醫(yī)生未能預(yù)測出哪類人群會對該藥物產(chǎn)生反應(yīng)，或未能獲取足夠多的患者信息，無法得知患者是否屬于有積極反應(yīng)的人群。從不明智的診斷到治療，這些臨床實踐問題如今被不斷地延續(xù)和加劇：普遍存在的醫(yī)療錯誤、非必要的介入治療和藥物濫用。除了這些已經(jīng)明確且可能已經(jīng)給患者造成傷害的非必要檢查和治療、誤診之外，我們再來了解一下衡量醫(yī)療健康的三個最重要的指標(biāo)：壽命、嬰兒及兒童死亡率，以及孕產(chǎn)婦死亡率。在美國，這些指標(biāo)看起來都很糟糕，并且明顯比經(jīng)濟(jì)合作與發(fā)展組織（簡稱“經(jīng)合組織”）的其他19個成員方都更糟糕（見圖2-4和圖2-5）。當(dāng)然還有其他理由可以解釋這些異常值，如美國國內(nèi)持續(xù)惡化的社會經(jīng)濟(jì)不均衡現(xiàn)象，這似乎是導(dǎo)致黑人產(chǎn)婦死亡率異常高的一個非常重要的因素。27圖2-41970—2017年美國與其他24個國家的預(yù)期壽命和人均醫(yī)療支出對比資料來源：改編自M.Roser,“LinkBetweenHealthSpendingandLifeExpectancy:USIsanOutlier,”O(jiān)urWorldinData(2017)。圖2-5美國與其他國家的嬰兒及兒童死亡率（左圖）和孕產(chǎn)婦死亡率（右圖）對比資料來源：左圖改編自：Thakraretal.,“ChildMortalityintheUSand19OECDComparatorNations:A50-YearTime-TrendAnalysis,”HealthAffairs(2018):37(1),140-149。右圖改編自：GBDMaternalMortalityCollaborators,“Global,Regional,andNationalLevelsofMaternalMortality,1990-2015:ASystematicAnalysisfortheGlobalBurdenofDiseaseStudy2015,”Lancet(2016):388(10053)。我并不是說其他國家都在實行深度醫(yī)療，而是想說美國過度沉迷于淺度醫(yī)療，且證據(jù)確鑿，這不止體現(xiàn)在那些基本醫(yī)療都無法保證的低社會經(jīng)濟(jì)地位人群之中。美國的預(yù)期壽命在“經(jīng)合組織”中是唯一在下降的，而美國的醫(yī)療支出卻一直在增加，這非常令人擔(dān)憂。多年來，衛(wèi)生經(jīng)濟(jì)學(xué)家一直在談?wù)摗案淖兦€”，想讓成本變得更低，讓效果相同甚至更好。但在過去的幾年里，美國人的壽命曲線逐漸走低，開支曲線急劇持續(xù)走高。我們確實在改變曲線，不過是朝著錯誤的方向！我想說的是，我們今天的淺度醫(yī)療會導(dǎo)致大量浪費、不理想的結(jié)果和不必要的傷害。淺度醫(yī)療是非智能醫(yī)療。這與信息時代的大背景大相徑庭，因為我們已經(jīng)有能力為任何個人生成并處理大量的數(shù)據(jù)。我們還要更深入、更長遠(yuǎn)、更透徹地研究健康數(shù)據(jù)。每個個體的大數(shù)據(jù)，都有可能用于提高診斷和治療的準(zhǔn)確性。由于它的體量遠(yuǎn)遠(yuǎn)超過任何人、任何醫(yī)生的處理能力，所以我們還不能很好地使用它。這也就是為什么我們需要改變醫(yī)學(xué)診斷的方式，以及改變臨床醫(yī)生的基本決策過程。接下來，就讓我們一同來探討這個問題。在醫(yī)學(xué)院的第三個學(xué)年年初，我在紐約羅切斯特的思創(chuàng)紀(jì)念醫(yī)院（StrongMemorialHospital）擔(dān)任臨床見習(xí)醫(yī)生，當(dāng)時我就像身處棒球賽開幕日首局上半場一樣激動。我所在的小組有10個人，導(dǎo)師是亞瑟·莫斯（ArthurMoss）博士，他是羅切斯特大學(xué)的一位備受追崇的心臟病專家和老師，也是我的偶像導(dǎo)師之一。在查房前，我們會在會議室先進(jìn)行熱身訓(xùn)練。莫斯醫(yī)生看上去十分令人難忘：他眼珠漆黑，盯著我們時會瞇起眼睛，一頭黑發(fā)中有些許銀絲。他穿著長到膝蓋以下的白色外套、木炭褲、黑色襪子和黑色翼尖鞋。那天早上，他要教我們進(jìn)行疾病診斷的基礎(chǔ)知識。莫斯醫(yī)生走到黑板前，開始在黑板上書寫患者的一些相關(guān)特征。他首先寫了“男性，66歲，出現(xiàn)在急診室”，然后問道：“如何進(jìn)行鑒別診斷？”初看起來，這很奇怪，因為提供的信息太少，根本無從下手。但莫斯醫(yī)生認(rèn)為，醫(yī)生每次在評估病例時，對每一條信息都不能放過，無論是某種癥狀、體征，還是某項實驗室檢查結(jié)果，然后要迅速找出最合理的病因。我們這群缺少經(jīng)驗又渴望成為醫(yī)生的醫(yī)學(xué)生給出的答案有：心臟病、癌癥、卒中、意外事故等。接著，莫斯醫(yī)生又寫下一種癥狀：胸痛。小組的討論結(jié)論是，患者肯定是心臟病發(fā)作。莫斯醫(yī)生冷漠地看著我們，然后說我們都錯了，讓我們考慮導(dǎo)致這位患者胸痛的其他原因。于是，我們又提出了其他可能性，如主動脈夾層、食管痙攣、胸膜炎、心包炎、心臟挫傷等。莫斯醫(yī)生繼續(xù)在黑板上寫“胸痛已輻射到頸背部”。我們于是又將診斷聚焦到心臟病發(fā)作和主動脈夾層上。隨后莫斯醫(yī)生補充說，患者剛才突然昏倒了。我們終于做出了診斷：主動脈夾層。他終于微笑著說：“正確?！蹦贯t(yī)生告訴我們，當(dāng)遇到胸痛患者時，永遠(yuǎn)不能忘記主動脈夾層的可能性。這種情況經(jīng)常被漏診，而這往往是一個致命的錯誤。接下來的挑戰(zhàn)更難了。擦除黑板上的字跡后，莫斯醫(yī)生寫下：女性，33歲，被送進(jìn)醫(yī)院。我們的回答有乳腺癌、懷孕并發(fā)癥、意外事故等。莫斯醫(yī)生對我們給出的貧乏的答案很失望。他又寫下另一個癥狀：皮疹。我們的鑒別診斷擴展到感染、藥物不良反應(yīng)、昆蟲或動物咬傷、毒葛反應(yīng)\h\h(6)等。莫斯醫(yī)生對我們的答案再次感到失望，不得不提供另一種癥狀來幫助我們：面部皮疹。但這似乎并沒有引導(dǎo)我們走上正軌，我們?nèi)员焕г谙嗤蔫b別疾病名單中。之后，他又給這位神秘的患者追加了一條描述：非裔美國人。小組里的一位組員低聲說：“狼瘡？”她答對了。因為她知道狼瘡在有非洲血統(tǒng)的年輕女性中尤為常見，其中一個標(biāo)志便是患者面部有蝶形紅斑。這就是我們學(xué)習(xí)醫(yī)學(xué)診斷的方法。它是自上而下的，需要我們立即對一些通用描述做出反應(yīng)，并迅速提出一系列假設(shè)、推測和階段性結(jié)論。我們被灌輸了“常見病高發(fā)”這樣的觀點，這也是貝葉斯定理的邏輯基礎(chǔ)。我們會程式化地利用直覺，而不是分析技能。但貝葉斯定理依賴于先驗，而我們作為缺乏經(jīng)驗的醫(yī)學(xué)生，雖然飽覽群書，但親歷的患者很少，所以常常無法繼續(xù)下去。對于這種方法，那些診治過數(shù)千名患者的老醫(yī)生更具優(yōu)勢?，F(xiàn)代醫(yī)療診斷方法的缺陷我們正在學(xué)習(xí)的這種診斷方法，在丹尼爾·卡尼曼看來，可以被視為“第一系統(tǒng)思維”（或稱系統(tǒng)1）的一個例子。這種思維是自動的、快速的、直覺的，通常毫不費力。1它使用啟發(fā)法（heuristics）或經(jīng)驗法則：通過反思，繞過分析過程，快速找到問題的解決方案。相比之下，“第二系統(tǒng)思維”（或稱系統(tǒng)2）是一個涉及大量分析的、緩慢的思考過程，它發(fā)生在大腦的另一區(qū)域，甚至和“第一系統(tǒng)思維”有著不同的代謝需求。有人可能會認(rèn)為主診醫(yī)生更依賴于“第二系統(tǒng)思維”，而實際上并非如此。多項研究表明，他們的專長主要源于混合了直覺、經(jīng)驗和知識的啟發(fā)法。事實上，40多年前，醫(yī)生們被教授的方法是快速反思假設(shè)生成法，以此方法為代表，“第一系統(tǒng)思維”被認(rèn)為是獲得正確診斷的范本。如果一位醫(yī)生在會診患者的5分鐘內(nèi)完成了診斷，其準(zhǔn)確率是驚人的98%；但如果他沒能在5分鐘內(nèi)獲得診斷思路，那么最終的診斷準(zhǔn)確率只有25%。2然而，這種診斷方法在急診室卻備受挑戰(zhàn)。急診時，醫(yī)生必須迅速評估每位患者，然后將其收治入院或令其回家。一次錯誤的診斷可能導(dǎo)致患者出院后很快死亡。在美國，每年有近20%的人會被送往急診室，處于高風(fēng)險的人群相當(dāng)巨大。一項關(guān)于Medicare\h\h(7)患者急診室評估的大型研究顯示，美國每年有超過一萬人在被送回家后一星期內(nèi)死亡。在這些人當(dāng)中，既有曾被診斷出患有重病的，也有完全未被診斷出疾病的。3實際上，這種情況并非急診室獨有。4另外，根據(jù)美國國家科學(xué)院在2015年發(fā)布的一項具有里程碑意義的報告顯示，大多數(shù)人在其一生中將至少經(jīng)歷一次誤診。5上面的這些數(shù)據(jù)暴露了臨床醫(yī)生誤診所導(dǎo)致的嚴(yán)重問題?！暗谝幌到y(tǒng)思維”（我稱之為“快速醫(yī)學(xué)”）經(jīng)常失效，要想獲得精確的診斷，許多習(xí)慣性的診斷方法都需要改進(jìn)。之后我們可以推進(jìn)“第二系統(tǒng)思維”?？崧f過：“阻止源于‘第一系統(tǒng)思維’的錯誤方法原則上很簡單：意識到你處于認(rèn)知雷區(qū)的跡象后，減速，并從‘第二系統(tǒng)思維’借力?！?但迄今為止，盡管研究有限，試圖用“第二系統(tǒng)思維”補充“第一系統(tǒng)思維”的嘗試都不太成功：要求醫(yī)生進(jìn)入分析模式，再有意識地放慢思考速度，最后診斷的準(zhǔn)確性并未得到明顯的提高。7其中一個主要原因是，使用“第一系統(tǒng)思維”或“第二系統(tǒng)思維”并不是唯一的相關(guān)變量，其他因素也會對診斷產(chǎn)生影響，比如在醫(yī)學(xué)教育中缺乏對診斷技能的重視。美國內(nèi)科醫(yī)學(xué)認(rèn)證委員會為研究生醫(yī)學(xué)教育制定的22個里程碑中，只有兩個與診斷技能有關(guān)。8一旦醫(yī)生受過培訓(xùn)，其診斷水平會與他的整個職業(yè)生涯息息相關(guān)。令人驚訝的是，沒有任何系統(tǒng)可供醫(yī)生在其職業(yè)生涯中獲得有關(guān)其診斷技能的反饋。在《超預(yù)測》（Superforecasting）一書中，菲利普·泰洛克（PhilipTetlock）說道：“如果沒有得到反饋，自信心的增長會遠(yuǎn)快于準(zhǔn)確性的提高?！?相較于對診斷技能缺乏重視，另一個導(dǎo)致診斷失誤的問題更容易被忽視，那就是缺乏對深層認(rèn)知偏差和扭曲的認(rèn)識。而這些，至今仍未被納入醫(yī)學(xué)院診斷教學(xué)之中。在《思維的發(fā)現(xiàn)：關(guān)于決策與判斷的科學(xué)》（TheUndoingProject:AFriendshipThatChangedOurMinds）一書中，邁克爾·劉易斯（MichaelLewis）寫了關(guān)于加拿大醫(yī)生唐納德·雷德爾邁耶（DonaldRedelmeier）的故事。雷德爾邁耶年少時曾受到阿莫斯·特沃斯基（AmosTversky）和丹尼爾·卡尼曼的啟發(fā)。10在森尼布魯克醫(yī)院（SunnybrookHospital）創(chuàng)傷中心實習(xí)期間，雷德爾邁耶要求同事們放慢速度，克服“第一系統(tǒng)思維”，盡量避免判斷中的心因錯誤。“當(dāng)一個可以一次性完美解釋所有事情的簡單診斷忽然出現(xiàn)在你腦海中時，你要非常小心。這時候你需要做的是，停下來審視一下這一想法?！?1曾有一名患者因心律不齊而被誤診為甲狀腺功能亢進(jìn)，最后卻發(fā)現(xiàn)他是肋骨骨折和肺部塌陷。雷德爾邁耶稱這一誤診為代表性啟發(fā)法（representativenessheuristic）的一個例子。代表性啟發(fā)法是一種基于過去經(jīng)驗而做出決策的思維捷徑，最早特沃斯基和卡尼曼曾對此進(jìn)行過描述。認(rèn)知偏差問題在許多醫(yī)生身上普遍存在，代表性啟發(fā)法之類的思維模式就是一個例子。人類通常會遇到的偏見形形色色、種類繁多，但我只想強調(diào)一些會影響診斷準(zhǔn)確性的偏見。12需要說明的一點是，醫(yī)學(xué)上這些根深蒂固的認(rèn)知偏差只是人的天性，與是否在做診斷或推薦治療無關(guān)。但一旦關(guān)乎醫(yī)療決策，其影響便會攸關(guān)生死。事實上，一些導(dǎo)致誤診的認(rèn)知偏差是非常容易預(yù)測的。人類目前大約有一萬種疾病，醫(yī)生不可能記住關(guān)于這些疾病的所有要點。如果在做鑒別診斷時，醫(yī)生記不住所有可能的相關(guān)信息，那么他們就只能根據(jù)記憶中“可得”的部分進(jìn)行診斷，而這最終可能導(dǎo)致診斷錯誤。這就是“可得性偏差”。還有一類偏差，往往是由醫(yī)生每次只與一位患者打交道導(dǎo)致的。1990年，雷德爾邁耶和特沃斯基在《新英格蘭醫(yī)學(xué)雜志》上發(fā)表的一項研究表明，由于每位醫(yī)生診療接觸的患者相當(dāng)有限，他們的醫(yī)學(xué)判斷可能會受某些個別患者的影響，尤其是最近接觸過的患者。13醫(yī)生們的親身經(jīng)歷往往可以推翻來自大樣本人群的硬數(shù)據(jù)，例如，在判斷一位患