现代医学中基于传感器的诊断

也许比其他学科更重要的是，仪器诊断学使医生能够在检查患者时增强和客观化他们的感官，从而使医学界受益。医生可以精确测量温度、血压、肺容量、骨折移位、炎症、心律和大量其他生物标志物，这些生物标志物与症状和患者病史一起描绘出患者的健康状况。由于传感器和人工智能的进步，客观测试、测量和解释正在取代过去的主观测试。让我们看看这些进步，这些进步能够改进在家测试并将患者数据与实证研究联系起来。

启用客观测试和测量

脑震荡等损伤的评估和诊断说明了客观测试如何取代主观测试。根据疾病控制和预防中心的数据，美国每年有超过 300,000 名运动员被诊断出患有与运动和娱乐相关的脑震荡。脑震荡及其严重程度的主要衡量标准是瞳孔光反射评估。传统上，医生将一盏灯照射在眼睛上，然后观察瞳孔的收缩和扩张作为反应。当然，这种方法的问题在于患者之间存在显着差异，并且不同的医生对主观瞳孔大小和反应的解释不同。

正在测试使用一系列复杂技术和传感器的复杂的计算机辅助替代方案，以取代瞳孔测量中的手动评估。例如，内置于智能手机或虚拟现实耳机中的微型高分辨率相机现在可以以每秒数百帧的速度记录眼睛。为实时分析优化的计算机视觉过程从图像中提取眼睛组件的特征，例如巩膜、虹膜和瞳孔。人类无法察觉的红外光谱大大简化了这种分割。复杂的数学模型然后将此像素数据传输到三维眼模型，以导出真实世界的测量单位，例如毫米。最后，机器学习 (ML) 算法从数据中去除噪声，识别时间序列中的模式，建立对参数在总人口中的估计分布的参考，并展示这些结果。该管道提供准确的测量，消除主观性，并将医生的责任转移到验证、解释结果和向患者传达发现。

管道，例如上述管道，可以针对特定的医疗保健应用进行优化，并最终实现以前不可能实现的客观诊断。例如，现代热像仪越来越多地被用于使用先进的降噪算法检测炎症甚至乳腺癌。与传统应用的 X 射线乳房 X 光检查不同，实际检查在癌症的早期阶段可能更加精确，并且既不使用具有潜在危险的辐射，也不使用任何形式的触摸。在大规模发烧测试期间，例如与 COVID-19 的斗争中，这些技术为高效、无需干预的测试提供了巨大的机会，其结果比基于接触的方法准确得多。

在家启用实时测试

微型技术，特别是小型可穿戴测试设备，可以在非临床场所进行测试。例如，需要心电图 (ECG) 的患者无需前往医疗机构，而是可以在日常生活中佩戴动态心电图监测器来收集长期心电图数据。动态心电图监测器的大小与带有电极的小型相机差不多，可佩戴 24 至 48 小时。尽管监测器体积庞大并且会抑制患者的某些活动，但与在医疗设施中进行的测试相比，它们可以更广泛地了解患者的心律。

技术的进一步小型化继续加速医学进步。内置于健身手环和智能手表中的新一代光学传感器有望显着提高舒适度，同时提供越来越有用的数据。尽管数据质量可能还无法与基于电极的同类产品相媲美，但苹果公司最近展示了智能手表在检测某些形式的心律失常方面的潜在用途，引起了专家以外的轰动。除了此类测量心血管系统部分的设备外，其他传感器还针对大量其他模式。例如，与其在不熟悉的睡眠实验室中观察患者，睡眠面罩形式的现代便携式脑电图 (EEG) 耳机可能已经用于粗略捕捉家庭卧室中的大脑活动。

将患者数据与研究和标准联系起来

医生面临的一个重要问题是利用临床试验、研究、存储库、注册库等来获取与其患者相关的信息。临床试验和其他资源有一些标准化，但不是跨组织、医学学科或地理区域。缺乏标准阻碍了医生查找、访问和使用研究成果的能力。满足医生对这些信息的需求面临双重挑战：开发一个系统，使医生能够查找和访问相关信息，同时允许跨医疗保健信息系统的互操作性。

为满足这些需求，标准不断涌现，利用可查找、可访问、可互操作和可重用 (FAIR) 且人工干预最少的数据。例如，医学临床术语系统化命名法 (SNOMED CT) 是一个计算机友好的医学代码、术语、同义词、发现、症状、疾病、程序、设备等的集合，旨在提供一种一致的索引方式、存储、检索和汇总医疗数据。同样，逻辑观察标识符名称和代码 (LOINC) 是用于识别医学实验室观察结果的数据库和标准。

这些标准中的元数据要求使医生能够访问和使用跨数据集得出的数据和见解。NFDI4Health 等项目将经验健康数据（例如生物标志物）嵌入到疾病和病症元数据中，随后可以使用机器学习算法对广泛不同的患者群体进行分析。即使是以前难以或不可能客观诊断的疾病和失调——例如精神病学方面的疾病和失调——现在也在传感器和机器学习算法的帮助下建立在一个新的、基于生物标志物的基础上。

结论

患者诊断与医生使用测量仪器增强感官的能力密切相关。只有通过这样的仪器，才能明确地定义距离，才能精确测量温度，才能突然识别肉眼不可见的物体和生物。医疗传感器和人工智能通过提供客观数据、支持在患者环境中进行测试以及整合患者数据和研究结果，正在彻底改变仪器诊断。

Christopher Gundler 是一位认知科学家和医学计算机专家。他的研究重点是传感器数据的数学建模，以用于诊断。目前，他负责 eyeTrax 背后的机器学习和计算机视觉，这是一种用于轻度创伤性脑损伤临床评估的解决方案。

审核编辑黄宇