本文是已公开发表的论文，转载须经杂志社书面同意。
国务院《"健康中国2030"规划纲要》提出：以提高人民健康水平为核心，以体制机制改革创新为动力，以普及健康生活、优化健康服务、完善健康保障、建设健康环境、发展健康产业为重点[1]。国家健康战略规划从救死扶伤为重点的临床医学开始迈向提高人民健康水平为核心的健康医学，这与社会文明进步和人群结构变化是相适应的。
二十世纪之前，在2000多年内，全球人均寿命从20岁增长到30岁，每200年增加约1岁。近100年来，由于食物营养、科学技术和社会文明的快速进步，寿命增长速度大幅度提高，特别是21世纪后，文明地区的人均寿命每3年增加约1岁。2017年中国人均寿命已经超过75岁，到2030年，中国人均寿命期望达到80岁，届时25%以上人口将超过50岁。原本在50岁之前不是主要问题的慢性代谢性疾病、心脑血管意外和恶性肿瘤等非感染性疾病，便成为常见病和多发病，构成急诊、门诊、住院、和死亡的主要原因。这些疾病通常需要终生治疗和照护，特别是当并发多脏器损害后，临床诊疗需要更加频繁，导致临床机构和医护人员负担加大，社会财富和医疗资源逐渐耗竭。自21世纪以来，医疗保险开支增加速度已超过GDP增长。此外，慢性疾病和严重并发症也大大增加个人和家庭的痛苦指数，并使得失能调整后寿命（disability-adjusted life year, DALY）缩短。
临床医学的实践主体是各级医疗机构，注重基于病因学分析的疾病诊断和临床治疗。在患者出现能够实施临床干预的典型症状之前，这些医疗机构通常并不介入。有人估计，社会中被确诊有器质性病变的患者人群约占15%，完全没有任何主诉不适和生理生化指标异常的健康人群约15%，其余约70%人群被标识为亚健康状态，即没有失代偿器质性病变，但有失眠、疼痛、乏力等非特异性主诉，或出现血糖、血压、血脂、体重、血尿酸、胆固醇、心率等指标异常。没有出现临床失代偿症状或危及生命等严重问题之前，临床机构一般不会对这类人群进行跟踪和管理。因此，对于占大多数的亚健康人群，社会并没有科学的健康应对模式，而是依靠民间养生验方。同时，医学院校等高等教育机构也不对这类健康从业人员进行科学的系统培训。事实上，亚健康在现代医学中尚无清晰定义、评估标准和干预指南，检查方法仍然是传统生理生化等体检指标[2,3]。多数人在出现生理生化指标异常时可以没有任何主诉；而出现非特异性主诉时生理生化指标却往往正常，因此对定量评估健康状态并没有明显帮助。另一些评估健康状态采用自评量表或调查问卷[4,5]，受主观因素影响也难以精确量化。
普遍认为，疾病控制越早期效果越好，成本也越低。预防得病的健康成本效益(cost-effectiveness)最高，发生疾病后早期治疗和控制的预后也较好；出现并发症或者侵犯多脏器后，不仅治疗成本高而且效果差；任何情况下，急救成本均最高并且后遗症最严重。非传染性疾病的影响因素除了遗传外，主要为饮食习惯、生活方式、心理情绪、环境污染。这些影响伴随一生，每日每时每分都可影响健康状态。探索定量评估健康状态的技术手段并用于社会人群健康指导，填补临床医学服务空白，是未来健康医学的挑战和机遇。健康医学有别于临床医学，在于其任务不再注重疾病的诊断和治疗，而是分析健康数据并探索评估健康状态的技术手段，指导人群保持健康的心理情绪、饮食习惯、生活方式、及时避开不良环境，籍此来降低疾病风险、延长健康寿命、减少因疾病产生的负担。专业培训健康医学专家，为更广泛的社会人群提供健康指导、健康管理和疾病预警，将是未来健康医学的核心任务。
遗传因素、饮食结构、运动锻炼、睡眠与心脏安全的健康影响研究进展
人类基因组DNA序列变异数据研究为个人健康体质和疾病易感性提供了遗传学证据，这类研究采用遗传关联分析(Genome-Wide Association Study, GWAS)手段，可以筛查出肿瘤和慢性代谢性疾病的易感人群[6]，构成精准医疗(Precision Medicine)基础。应用单核苷酸多态性(Single Nucleotide Polymorphisms, SNP)为遗传标记参考集, 能够大大提高遗传易感性的检出[7]。目前开展的疾病检测疾病已超过千种而且还在不断增加，但如果参考集的样本量较小，会出现最显著关联的SNP被遗漏的情况，评估结果误差较大，可重复性也不好。基因组学技术将随着数据不断补充而越来越准确，为精确定量评估健康状态提供有价值参考。另一方面，即使遗传基因组分析提供了疾病易感性图谱，健康状态仍然受其他因素包括饮食、运动、睡眠、环境、心脏等多重因素的影响，而且这些因素对健康的影响程度亦受遗传因素左右。
目前已经明确的人体七大营养要素分别为：蛋白质、脂类、碳水化合物、维生素、水、矿物质、纤维素。中国营养学会于2016年新推荐《中国居民膳食指南》[8]，包括：食物多样，谷类为主；吃动平衡，健康体重；多吃蔬果、奶类、大豆；适量吃鱼、禽、蛋、瘦肉；少盐少油，控糖限酒；杜绝浪费，兴新食尚。然而，近十年发表的一系列研究结果显示这个饮食结构是否健康值得商榷，指南受到质疑。一项多达13.5万人的跨洲前瞻性城乡流行病学调查(PURE)研究显示，提高饮食中脂肪与碳水化合物比例，能降低全因死亡率和心血管相关死亡率[9]。美国膳食指南2015-2020已经明确指出不再限制食物中胆固醇[10,11]，甚至有研究发现药物降低胆固醇并不能预防冠心病，反而会加速血管老化[12]。代谢性疾病与饮食密切相关，其持续暴发样增长的势态提示目前日常生活存在问题。营养膳食指南与新近社会人群健康调查研究结果不符合，提示社会人群日常饮食结构并不符合健康原则。
适量运动锻炼被公认有益健康。经常性运动锻炼的好处包括有：增强肌肉与肌耐力；增进心肺功能，使心脏输出量增加、降低静息心率；提高代谢能力，延缓身体机能老化，促进体内毒素排出；诱发内啡肽释放，减轻心理压力，缓解紧张情绪；使收缩压/舒张压下降和血糖平稳；提升健康储备能力。运动剂量过低不能获得锻炼应有好处，而过量会增加心脏意外风险并有害健康。传统估计运动强度的最常用方法包括：以运动心率(Exercise Heart Rate, EHR)估计个体心肺耐受能力、以代谢当量(Metabolic Equivalent，MET)估计实际运动强度。由于个人健康储备不同以及对运动耐受能力不同，根据EHR和MET仍然无法准确计算个人最佳运动剂量，而心脏意外风险在运动过程中大大增加，更多检测技术开始应用，如运动心电监护(Exercise Cardiac Monitoring, ECM)、心率恢复时间(Heart Rate Recovery, HRR)测评、和心率变异性(Heart Rate Variability, HRV)分析等，希望由此提供更加精确的运动剂量评估信息[13-16]。
普遍认为，睡眠对健康的影响至关重要，能够消除疲劳感、恢复精力、增强免疫力、减轻代谢性疾病、延缓老年痴呆、有利于疾病治疗和康复。大多数人都有过睡眠不良和失眠的痛苦经历，能切身感受到失眠对健康的损害。失眠与疼痛和焦虑密切相关，长期可致抑郁症[17]，或增加慢性代谢性疾病如肥胖症、心脏病、高血压和糖尿病的风险[18-21]。根据WHO数据，长期失眠困扰全球30%以上人群[22]，已经成为影响人类健康的主要问题。睡眠状态分快速眼动(Rapid Eyes Movement, REM)睡眠和非快速眼动(Non-Rapid Eyes Movement, NREM)睡眠，其成因和生理学含义至今仍不清楚。足够睡眠时间对健康的帮助是显而易见的，统计数据显示，人类睡眠时间在6-9小时含4-6个REM-NREM睡眠周期，死亡率和患病率均最低。睡眠有助于清除大脑中的代谢产物[23]，但这对慢性代谢性疾病似乎无关，也无法完整解释其健康价值。许多非药物方法被用于改善睡眠，例如白噪声睡眠环境[24]、生物反馈诱导[25]、适宜的饮食搭配和时间[26]、运动锻炼[27]等。睡眠与饮食和运动互为因果并且同时影响健康状态，但他们之间的相互关系不清楚，已发表的研究文献普遍建议需要更多的数据分析。
几乎所有健康影响因素包括饮食、运动、睡眠等，以及各种代谢性疾病最终都会影响心脏并危害生命安全。在医疗机构和诊疗中心，心脑血管疾病是目前最主要的病源；在社区和家庭，心脑血管疾病也是最主要健康威胁，还是最主要的急诊原因和死亡原因。心脏停搏(cardiac arrest)往往是各种突发意外和各种疾病并发症的最致命后果，房颤(atrial fibrillation)则是诱发脑卒中的重要原因之一。因此，心脏功能的随身监测尤其重要。除了传统心电(ECG)分析能够揭示心脏节律性与供血问题，新兴的HRV分析不仅可以评估个人的心脏疾病易感性的遗传影响因素[28]，预测心肌梗塞和慢性心衰的死亡风险[29-31]，也可用于建议日常饮食内容[32-34]、评估运动安全、运动强度和运动康复[35-38]、建立运动剂量[15, 35, 39]。另外，HRV与高体重、高血糖和高血压人群的日常饮食和运动锻炼有显著相关性[40-44]。不过，HRV分析的参数有时域、频域、非线性域指标十几个之多，每项指标的个体差异性很大，并且可能出现重复性差的问题，也容易受到多种因素的干扰，用于健康和疾病风险评估需要谨慎。
健康大数据及其人工智能分析
个人健康数据采集是实现健康评估的第一步。除了基因组学分析结果稳定不变而无需动态监测，饮食、运动、睡眠、心脏等数据采集都应当是日常动态的。个人健康数据采集需要满足如下的要求：1）数据采集的密度应高于健康变化的频度，这类数据主要来自个人日常生活而不是年度体检或医院床边；2）数据采集的方式以高精度、无伤害、不扰民、简单便利、能够动态持续记录为原则；3）由于个人健康数据的来源噪声可能很大，为获取其中有效信息需要有数据清洗手段剔除干扰；4）数据趋势分析比单个时间点分析更能反映个人健康状态和疾病风险；5）数据管理必须满足相关法律法规和私密性要求，并与监管标准GxP (Good x Practice)兼容；6）由于个人的移动特点，其数据必须能够在个人与健康管理中心之间进行及时可靠传输。
众多研究显示，与有显著差别的临床数据不同，传统的实验室数据结果往往不显示清晰稳定的健康改变。究其可能原因，首先，健康状态变化虽然在主观感觉和行为表现上已经明显，但由于人体巨大的代偿能力，数据改变并不像疾病时那样大。其次，传统的评估方法对于健康状态的描述既不敏感特异性也不高，而真正重要的信息可能湮没在数据中，传统人工比较几乎不可能识别这样的健康信息。再者，如果数据涨落波动的确很大，干扰因素多或数据容易被污染，在样本量小的情况下容易出现分析结果的随机偏差，影响对健康状态的准确评估。
大数据分析(Big Data Analytics, BDA)为解决这些困扰因素提供了一个有效手段。个人健康大数据来自量化的反复检查结果，有准确性和精度描述，具可验证真实性特征，呈单向增量累积，类型有向量和标量、有参和无参、低维和高维之分，可做四则运算和定量分析。与健康相关的数据量巨大，欧盟的一家普通医院每年生成的数据量在10^13-10^15字节范围[45]，在美国的健康保险业，十多年前数据量已经达到10^18[46]。这种量级的健康数据已经无法进行人工分析，甚至对于个人计算机也构成挑战[47]，需要借助云储存和云计算方法。如果健康数据来源成为个人日常生活的一部分（被称为体检生活an examined life）[48]，例如进行个人心脏健康管理，产生的数据量每天大约为10^7-10^9字节，其年数据生成量为10^10-10^12字节左右，对于一个万人社区来说，数据增量已经超过一家医院。
已有健康大数据中，许多重要的健康信息目前并没有被分析挖掘出来，这与缺乏有效的认识和算法有关。大数据分析最困难之处，在于如何根据生物医学理论模型来建立数据分析的预期目标，并选择有效的分析技术以实现其应用价值[49]。例如，虚拟生理人(virtual physiological human, VPH)使用生理数据代入，以期再现个人健康状态的变化过程[50]。从数据的归属来看，健康大数据可分个人健康大数据和群体健康大数据，前者来自个人健康数据的不断获取和积累，后者为个人健康大数据的汇总。群体健康大数据不仅能够反映区域内群体的健康变化趋势，还能够成为个人健康状态评估的基线，而个人健康大数据则是个人健康状态评估的依据。健康大数据往往是以多参数（高维度）形式出现，以心电ECG数据为例，不仅有P波、QRS波、T波的幅值参数和时间关系参数以及导联参数，还含有时域参数、频域参数、非线性域参数等信息，每个维度均映射出独特的心脏功能信息以及健康储备信息。即使是单调的血糖数据，一旦进入动态监测并且与高维度的饮食和运动数据耦合，其定量分析也无法手工实现，只能借助于人工智能(Artificial Intelligence, AI)和机器学习(Machine Learning, ML)等计算机算法来实现自动分析和评估[51]。可以确认的是，应用大数据分析手段，不仅能够揭示并发症进程的病理机制及其诱发病因的相互作用关系、基因组学和药物敏感性、24/7全天候监护的价值，也改善公共预防和健康管理体系的精准性[52]。
实现AI分析的前提是根据生理学的数据映射特征来建立聚类模型(clustering model)和预测模型(prediction model)，这在高维度数据结构中尤其困难。在理论上，AI可以应用于临床医学和健康医学的每一个领域，但目前似乎以图像分析最为成功，包括在病理组织学读片[53]和医学影像分析[54-56]。AI和ML正在快速渗透到健康领域的各个角落，研究论文不计其数，近十年内会在大健康领域形成普遍应用的势态，并引发新的医学概念和理论。一项多维度（包括心血管、代谢、免疫、肾脏、肝脏、牙龈、肺）的健康大数据分析结果可描述健康状态的生物年龄(Biological Age)，以区别于以出生计算的日历年龄（Chronological Age）[57]，有可能成为未来对亚健康的定量描述。人群的生物年龄呈正态分布，一些人为逆龄态，而另一些人则表现为老龄态。生物年龄为逆龄管理(anti-aging management)提供了一种有效的客观测量依据。
移动互联网时代的定量个人健康管理
个人健康管理于20世纪50年代末在美国开始推行，医疗保险机构通过对客户（包括疾病患者或高危人群）开展系统的健康管理，以期达到有效控制疾病的发生发展、提高人群健康指标、减少实际医疗支出、降低医疗保险赔付损失、减轻政府财政负担之目的。传统的健康管理，是指根据健康检查结果，建立专属健康档案，给出健康状况评估，设计健康管理方案，并由健康管理专家进行咨询指导和跟踪辅导服务，使客户从社会、环境、心理、营养、运动等多个角度得到全面的健康维护和保障服务。然而，一对一模式的跟踪咨询需要健康管理专家面对面参与，价格贵效率低，无论是在发达社会还是发展中国家，难以普及。
移动互联网时代的健康管理，借助智能设备进行自动数据采集，通过高速数据传输至云存储和云计算，以实现BDA和AI健康评估，突破了传统健康管理的低效率问题，使得大量的社会人群能够在极低成本的条件下同步获得健康指导。同时，AI使得健康管理的范围和精细程度大大增加。这尤其适用于亚健康人群和慢性代谢性疾病的远程健康管理上，也为疾病风险提供早期预警。移动互联网时代的健康管理有如下特征[48]：个人(personalized)、主动(participatory)、精准(precise)、预防(preventive)、预测(predictive)、先发干预(preemptive)。健康管理应包括这几个方面：健康体检和健康定量评估、健康风险管理计划制定、健康生活方式的知识宣传、个人健康数据的动态采集、健康趋势定量分析、健康行为指导、疾病风险预警与快速干预。我们的研究发现，随身监测设备累积的个人健康数据，可用于健康储备指数的动态分析，不仅能够定量评估个人的健康状态和变化趋势、计算其健康年龄，还能指导逆龄健康管理，并用于评估其有效性。这个健康年龄概念与生物年龄概念近似[57]，但评估方法简单无创还可以每天动态跟踪，可以敏感监测日常睡眠、运动、创伤和疾病等因素对健康状态的影响，甚至可以检测消耗性疾病的发生。
只有精准定量评估健康状态和指导健康行为，健康管理才会有好的成本效益。精准定量的健康管理的最大价值在于：通过健康教育和健康处方，让广大社会人群获取可视化的健康评估和指导，不仅能规范日常生活的健康行为，还能及早预警恶性疾病风险，避免重大灾难降临。建立起客观定量的健康医学，用数据来评价健康管理机构的实际效果，能有效地规范整个大健康产业，并且提高社会整体健康水平、降低医疗支出、缓解医疗机构压力，也将是医学教育发展的未来方向。
参考文献 [略]
网友评论