自20世纪迈入信息大爆炸时代以来, 各行各业都在主动或踊跃地窜改其财打造内容, 伴同而来的问题也愈来愈多，我们需要这么多信息吗? 准确性如何? 咱们再也不担心信息匮乏, 却需要更多地养育自身理解信息和阐发问题的才力。
一、医学信息学概要
医学信息学包括医学与计较机科学、临床信息学, 图形信息学和生物药物信息学等学科，是通过研讨医疗老本、试验设计与方式, 高效获取医学信息, 并进行办理与合理利用信息的。
1965年由美国国家医学藏书楼开拓使用的Medline是天下上第一个面向公众，信息单方面的线上医学数据检索平台，且被始终因循至今。90年月海外上少许尊长周边医疗机构都曾经初步运用电子病历琐屑(ePR)， 包括北美、香港等。 21世纪以来, 跟着电子信息技艺的高速进行, 医学信息学已再也不仅仅用于信息筹画层面， 更多的是辅助大夫进行常日诊疗任务, 例如短途医疗技艺, 手术机器人等。
二、循证医学研究门径
循证医学实践 (Evidence-Based Medicine，EBM)是以现实医学证据为根柢的, 推进推动医疗举动决议计划的钻研现实。在该实践模子下, 古板医学常识的乐天知命已不如实际上医学证据所供给的价格高。该实践对种种真实医学证据做出了证据品质分级，此中Meta 综合、琐细综述与随机病例研讨(RCT)属于较高质量类型。
图1 证据品级金字塔
EBM研究共包括5个顺序:（1）将不必定性转化为可以回应的标题，个中要搜罗批驳性，执行设计和证据等第；（2）细碎化地检索可找到的最佳证据；（3）评述性地评价证据的无效性与正确性；（4）将发现的到底运用到实践中；（5）使用中成绩的赏析评价。
简言之，EBM 研讨是 “定义标题问题—搜寻证据—价格评价—实践应用—成效综合”的流程闭环，此中最首要的要害是定义问题和征采证据。在筹办阶段，钻研者必须对标题问题的理解和思路保障绝对的明晰，才可以正确且高效地完成后续步调。在素材搜集阶段，只有保证了高品格的证据，才可能获得有价格的论断，否再如何美化执行过程和毕竟解析，也是白搭。
三、PICOS是什么?
为了将标题分化得愈加明晰熟习， 也为了更精准地找到符合可用的证据，研讨者们总结出了不少种的思惟模型， 而个中最具代表性和实用性的就是 PICO(s)，其中 P指Participants (研究对象)，I 指 Intervention (干与手段)，C 指 Comparator/Control (对比对照)， O 指 Outcome (研讨结果,绝顶)，S 指 Study design (研究设计)。经过 PICO(s)的标题问题描写和要素分解, 时常烦复且艰涩的病例研讨问题均可以迎刃而解。
例如, 作为肿瘤二线疗法的单抗类药物是相比抢手的钻研领域, 若是咱们想知品德瓦鲁单抗(Durvalumab, 阿斯利康)在遭受过放化疗的非小细胞肺癌患者(NSCLC)中的治疗的效果, 如何分化标题呢?
起首对于研讨对象（P） 需要梳理出两个特色, 其一是NSCLC, 其二是也曾接收过放化疗且需要后续医治的患者;对付干预手段（I）I, 我们可以熟识这个问题中的首要研究药物为Durvalumab; 对于 对照对比（C）, 咱们可以定义其为其他二线医治手段, 或没有蒙受二线治疗的患者; 关于研讨尽头（O）, 通常会用留存率指标与疾病减缓指标来界说肿瘤领域的药物治疗的效果。
通过题目标组织化梳理后, 我们提炼出了精准的标题问题框架, 负面的文献检索进程就会变得明晰容易。在利用层面, 咱们需要做的就是联络特定文献检索器材的逻辑毗邻词(例如MeSH), 将 PICO(s) 转化成检索策略, 实现证据搜集。
四、大数据与家养智能手艺助力创新科研
对付斯时的医疗从业者来说，除了病例实践以外，不断进修与翻新科研也是必需的工作内容，不然很容易被新常识新技术所镌汰，而且这方面本领也是大夫职称评级的需求规范。
据Medscape发布，2015年美国专科大夫匀称收入为 28.4 万美元，据统计，中国医生2015年均付给为 7.7 万元。中国大夫工资酬金对照低，但工作压力较大，在美国大夫眼里，中国医生一天看100多个病人的方式是可想而知的，2 min内看一团体吵嘴常不当真任的，不过这类环境是由国情所决定，且膨胀了中国医生可用于进修与科研的年华物质。在何等的靠山下，如何救援医生更快地、无效地去学习和科研也是人工智能手艺在医学领域的一个探索倾向。
1.科学文献具有多言语性、内容专业、有用涉猎存在难度等妙技壁垒。
先无论文献的多措辞性对知识获取的难度抬举，即使是母语系的临床文献，也比其他种类的翰墨制作物加倍艰涩难明，而且信息量更大。但科学文献的优势也很显著，主要有结构相对固定、基本要素全面残破。利用文献共性，假设读者可以神速定位何况直接提取自己所感乐趣的信息，那么多么读守信息的依顺是很高的，所以我们需要PICO(s)来成为读者获取信息的指南针。
2.使用人工智能武艺可放慢选题、检索、数据获取与整合的速度。
一般读懂 1 篇 3000 字文章最多需要20~30 min，而有方针性的数据读取只要要3~5 min就可以实现。如果咱们将规定转化成总计机说话，那末这一部分工作彻底可以由机器代工，整体速率快要一步升职，3~5 min虚假家养智能去挑选并提取上百篇上述类型文献的信息与数据。
相对的，在做科研与写文献的过程当中，PICO(s)可以作为概要来率领作者的设想和选题，正手其高效获取并有用整顿素材。例如，经由进程保守的野生方式，好的回归性数据综合需要4～6个月的时日周期去实现，其中选题需要约1个月，数据获取需要约2个月，数据剖析与论文撰写还需要约2个月。利用PICO(s)的思维去美化这个进程可以进步苦守，削减因选题不许和数据不足引发的返工率，在此根本上，说合人工智能的PICO(s)体系将可以进一步加快选题，检索，数据获取与整合的速度。
3.医学信息领域中运用家养智能手艺的手段依然不足美满，实际应用中具备一定的限定。
即即是被誉为业界垂老哥的IBM Watson也在往年初期传出与安德森癌症钻研焦点休止分工的动静，况且其营收也终止了增加。IBM Watson曾取得过很多的得胜：
2011年，Watson(沃森)就在智力竞赛节目Jeopardy 中获胜，此后IBM 就在始终积极声张沃森。在与巴罗神经学钻研所协作的进程中，Watson颠末涉猎2500万篇文献摘要，100万篇残缺论文与400万专利文献，创立了模型去猜想RBPs与ALS的相干性。
有研讨者为了测试其模子的预想才干，起首将IBM Watson的常识库制约在2013年之前的学术出版物上，并申请Watson使用这些可用的信息来猜测与ALS相关的其他RBPs。
在2013—2017年时期，Watson在对4个招致突变的RBPs给出了高度评价，证明了模子的有效性。而后，Watson对基因组中一切的RBPs进行遴选，并获胜鉴定在ALS中篡改的5种新型RBPs。而这仅仅是Watson在药物发明方面的测验考试之一，除此之外另有与多家研究/当局机构在卫生保健方面的业务合作和拓展。
IBM Watson以后涌现低谷的启事，首要是运用人工智能进修人类教诲，分析标题问题、意料历程中是有诸多限定要素：
（1）AI的材干凹凸取决于数据量级大小：数据越多，模子越准确。（2）AI的阐发本领基于过往数据——人类无奈理解也许未呈现过的事宜，AI也无从精通。（3）AI进修的内容是由人来灌注的——AI可以成为“最聪颖的人”，却没法跨越“人”的规模。
因而，咱们应该将AI看做人类的东西，使用它去汲引工作屈从，而不是成为自力个别去冷静任务。IBM Watson恰好是由于将自己定位成“大夫”，而非“大夫助手”，却始终无奈到达何等的高度，从而跌入低谷。
4. 人工智能与循证医学的分手更加天然与合理
循证医学本身就是溯源回归性的总结赏析，汗青上沉淀的少量数据不有被整合或挖掘过，利用机械的运作方式高效地处置这些信息或可失掉新的智慧，探索出一定的规律，进而更好的救命医生去并吞医学艰巨。
基于 PICO(s) 的框架形式，通过建设智能化医学信息处事平台，整合数据源，将研讨标题具体化，提供智能文献检索和企图，输入图表与阐发呈报。见图2～4。
图2 发文趋势的可视化图表样例
图3 热点变卦的可视化图表样例
图4 厂商分布可视化图表样例
五、小结
综上所述，平凡纯人工PICO(s)内容下的EBM钻研周期耗时较长，任务效率很低。谈到智能化医学， 许多人想到的但凡辅助诊疗，其实若能将AI妙技运用到PICO(s) 领域，医学信息研究者可以大大前进工作质量与机能。
其余，完整的PICO(s)是由多个标签组成的, 这些标签可以被 AI 利用形成学习逻辑，并颠末大量文献的贯注， AI可以高速粗略地提取我们需要的信息，将野生烦琐的检索与涉猎光阴大大飞腾。
当前智能化医学信息管事平台是基于 PICO(s) 的框架模式，整合大都据源，将钻研标题问题详细化，供给智能的文献检索与计划，终极可输出可视化图表与赏析报告。
*声名：本文由入驻sina医药新闻作者撰写，概念仅代表作者本人，不代表新浪医药新闻立场。
