2018年5月，发表在《JAMA》的一项由美国和荷兰学者进行的综述，介绍了大数据和预测分析面临的问题和挑战，以及未来对患者个体和整个医疗保健系统的影响。

随着医院、健康系统和医师临床实践中电子病历（EHRs）的日常使用，在过去10年间，卫生保健数据的可利用性取得了快速增长。除了EHRs的结构性数据，自然语言处理之类的新方法还可以从非结构性数据中获取意义，允许捕获嵌入临床记录中的大量临床信息。此外，注册登记和医保数据的可获得性的增长以及所有这些数据之间的链接，为卫生保健创建出一个大规模的广阔平台。

同时，新的计算机器学习方法使得预测达到前所未有的精准。Google和Watson的奇迹，摩尔定律的冷酷（每2年，在相同的成本下，计算能力翻一翻）显示，未来机器将向信息科学转变，临床决策将超越个体医师的知识和理解，可以根据备选疗法的结局预测得到优化。

然而，尽管大数据面临当前和今后的创新，医学中的定量风险预测已有数十年的历史，基于更具结构性数据源，更为经典的统计学学习。尽管报告指出，风险模型的预后准确性优于医生，但其在实际临床实践中的应用仍然有限。例如，已经开发和编目的心血管临床预测模型超过1000个，但仅有少量的模型被日常用于支持临床治疗决策的制定。在机器学习研究中通常表现出来的辨别能力的逐步提高，似乎不太可能最终推动临床治疗的重大转变。以这种观点，研究者描述了有效风险预测的4个主要障碍，这些障碍不易被机器学习中的新方法所克服，有些情况可能在大数据时代更难克服。

因为数据的广泛可获取和预测分析，开发预测模型变得前所未有的简单。实施的方案随着HER可用性而增加。这些发展强调需要进行严格的研究，评估预测模型对医疗决策和患者结局的影响，包括成本和治疗质量。

大数据和预测分析具有巨大潜力支持更好、更有效的治疗，尤其是图像分析最近取得显著的进步。然而，通过及时现场治疗错误信息的误传，预测影响决策的潜力也意味着潜在的危害。在盈利驱动的市场中，未充分验证模型造成的这种潜在风险表明需要进行监督。公众要求对新型医疗技术，如药物和设备，进行监督。

医师也应经过许可要求和董事会认证。尽管准备不足的医师一次只对一名患者出错，但是错误的算法会影响到更多的患者。将其应用于临床实践，认证预测模型与方法的独立机构具有能力应对这些挑战，可能有助于确保预测分析实现承诺，对患者个体和整个医疗保健系统表现出更大的价值和更好的结果。

（选题审校：易湛苗 编辑：吴星）

（本文由北京大学第三医院药剂科翟所迪教授及其团队选题并审校，环球医学资讯编辑完成。）

（专家点评：人工智能在医学中的应用发展极其迅速，给质量评价和监管提出了挑战。国家食品药品监督管理总局的直属事业单位——中国食品药品检定研究院目前承担了医疗人工智能产品质量评价与研究的工作。）