跳到主要內容

物聯網與大數據時代下的個人化精準醫療


Source: idownload blog

2014年,當致力於電子病歷(Electronic Medical Record, EMR)分析,藉以尋找癌症機轉與治療方法的大數據公司Flatiron Health獲得Google創投(Google Ventures)高達1.3億美元投資後[1],個人化精準醫療(personalized medicine)隨即成為火紅的熱門主題,這樣一股氣勢發展,讓美國總統歐巴馬(Obama)更在今年提出精準醫療計劃(Precision Medicine Initiative),並投入2016年預算高達2.15億美金之譜[2]


在精準醫療這般的強勢展開下,不僅僅只有過去生物資訊上基因體學、轉錄體學上的資料探勘或是電子病歷醫療健康數據分析,物聯網(Internet of Thing)的發展也同時透過行動裝置與消費型穿戴式裝置大舉進入個人化健康促進與醫學上疾病研究領域。在這機電感測裝置快速發展下,各種輕巧卻具備多種感測裝置的隨身穿戴式裝置逐漸普及於消費電子商品市場,各家廠商發展出豐富的產品功能不僅能記錄活動頻率,更能偵測活動強度、睡眠狀態、作息規律,更甚至能取得穿戴者24小時的心跳狀態與壓力疲勞狀態,並利用這些生理數據進行健康促進的提醒與建議。




EHA945 Berlin, Germany. 9th Mar, 2015. Journalists test the new so-called Apple Watch of computer and software manufacturer Apple at the Apple Store in Berlin, Germany, 9 March 2015. Photo: Kay Nietfeld/dpa/Alamy Live NewsSource: Nature

然而向來以創新設計為圭臬的蘋果公司,在這一波趨勢的發展下當然不會缺席,除了在2015年正式上市首款穿戴式裝置『Apple Watch』智慧手錶外,更針對醫學健康研究,大舉開放iPhone應用程序接口(Application Programming Interface, API),推出開放源碼的軟體架構ResearchKit[3,4],透過ResearchKit,研究人員與軟體開發人員得以在iOS系統中快速開發App並且直接存取iPhone具備的各項感測器。ResearchKit的精神,在於透過iPhone的普及進行大量自願者的招募參與研究實驗,藉由更多人的個人化健康、醫療大數據蒐集,進行規模更大更多元的研究。

Figure 1. 知情同意書個人簽章功能
Figure 1. 知情同意書個人簽章功能

ResearchKit的功能主要分為三大類別[5],問卷調查(Surveys)、知情同意書(Consent)與活動測驗(Active Tasks)模組,研究人員可以透過問卷調查模組快速設計研究問卷並且藉由App發布與統計記錄,而知情同意書模組更貼心的讓研究人員能自訂研究知情同意條文並提供志願者進行數位簽名以確保研究的進行符合人體實驗規範的要求。此外活動測驗(Active Tasks)模組更是研究人員極佳的調查工具,透過iPhone的內建功能,便可以透過iPhone 5, iPhone 5s, iPhone 6, iPhone 6 PlusiPod touch每天甚至每小時頻繁、規律地採集數據,記錄人們的日常作息與生活變化,並且搭配內建的GPS、加速感應器、氣壓計與陀螺儀等先進感應器甚至是Apple Watch,可以更客觀、正確與精準的將數據量化並且傳送至ResearchKit app,這是過去醫療保健、公共衛生研究人員從未有過取得如此鉅量量化數據的機會[6]
Table 1. ResearchKit活動測驗模組
Active tasks in ResearchKit
Category
Task
Sensor
Data collected
Motor activities
Gait and balance
Accelerometer
Gyroscope
Device motion
Pedometer
Tapping speed
Multi-Touch display
Accelerometer (optional)
Touch activity
Fitness
Fitness
GPS
Gyroscope
Device motion
Pedometer
Location
Heart rate
Timed walk
GPS
Gyroscope
Device motion
Pedometer
Location
Cognition
Spatial memory
Multi-Touch display
Accelerometer (optional)
Touch activity
Correct answer
Actual sequences
Paced auditory and/or visual serial addition test (PSAT)
Multi-Touch display
Addition results from user
Tower of Hanoi
Multi-Touch display
Every move taken by the user
Reaction time
Accelerometer
Gyroscope
Device motion
Voice
Sustained phonation
Microphone
Uncompressed audio
Audio
Tone audiometry
Minimum amplitude for the user to recognize the sound




透過與ResearchKit共同合作的研究發佈,可以看到各種醫學研究的創意,如西奈山伊坎醫學院(Icahn School of Medicine at Mount Sinai)與康乃爾大學威爾醫學院(Weill Cornell Medical College)推出的Asthma Health[7,8],透過iPhone裝置記錄個人位置、個人每日活動與志願者記錄每日氣喘觸發原因,並提供地區氣溫與空氣汙染資訊以及衛教資訊供志願者進行參考。此外約翰霍普金斯大學(Johns Hopkins University)則透過ResearchKit整合iPhoneApple Watch所獲得的資訊,開發出應用App: EpiWatch[9],針對罹患癲癇疾病的志願者進行生理數據偵測,記錄志願者於癲癇發作時的生理、心跳數據,藉以做為未來癲癇發作的預警與預防。此外羅徹斯特大學(University of Rochester) 則是與 Sage Bionetworks 共同合作,透過ResearchKit開發出 mPower app[10],量測志願者的靈活性、平衡性、記憶力與步伐等,藉以了解個人的生理資訊變化與帕金森氏症之間的關聯。

個人化精準醫療,這個過去無數研究學者憧憬期盼卻遙不可及的夢想,在現今儀器設備、網路通訊與大數據分析處理技術大躍進的時代裡,已經逐漸成為可以實現的目標,相信不久的未來也終將普及於健康促進與醫療模式中。

Pan


參考文獻

1.          Flatiron Health Raises $130 Million Series B Round Led by Google Ventures and Agrees to Acquire Leading Cloud-Based EMR Company Altos Solutions(2014-05-07): http://www.flatiron.com/press/seriesB
2.          The Precision Medicine Initiative (2015): https://www.whitehouse.gov/precision-medicine
3.          Apple ResearchKit: http://www.apple.com/researchkit/
4.          ResearchKit open source framework: http://researchkit.org/
5.          ResearchKit Framework Programming Guide:  http://researchkit.org/docs/docs/Overview/GuideOverview.html
6.          Apple ResearchKit launches in the UK: Here's everything you need to know (2015-08-06): http://www.pocket-lint.com/news/133132-apple-researchkit-launches-in-the-uk-here-s-everything-you-need-to-know
7.          Asthma Mobile Health Study: http://apps.icahn.mssm.edu/asthma/
8.          More than 75,000 People have Enrolled in Health Studies using Apple's HealthKit (2015-07-28): http://www.patentlyapple.com/patently-apple/2015/07/more-than-75000-people-have-enrolled-in-health-studies-using-apples-healthkit.html
9.          Apple Brings to Light that new Research Studies have begun for Epilepsy, Autism & Melanoma using ResearchKit (2015-10-15): http://www.patentlyapple.com/patently-apple/2015/10/apple-brings-to-light-that-new-research-studies-have-begun-for-epilepsy-autism-melanoma-using-researchkit.html

10.      mPower: Mobile Parkinson Disease Study (2015): http://parkinsonmpower.org/

留言

這個網誌中的熱門文章

醫學健康跨領域合作的開始:資料工程

一直都很喜歡在會議上與跨領域的專家、醫師、學者分享我們在數據工程與分析應用上的發展經驗。 許多的專家學者,對於大數據應用的認知都仍侷限在一個超大型結構化資料集的子集合應用,在規劃好的條件設定下,針對特定的目標(疾病、行為)進行篩選,將數據narrow down到可以被個人電腦或是單一伺服器架構處理的小型資料集。 這樣的半手工處理方式,對於專一(Specific)領域主題的資料追蹤計算或許已經十分足夠,但當中倘若資料清理方式有改變、篩選條件增減,所有的數據都要從raw重新處理,不僅造成大量的時間與人力浪費,對於專案計畫進度的延宕更是麻煩。這些還不包含

Google 資料庫方案–Spreadsheet–(1)資料呈現

HEMiDEMi 的標籤: Google , Google SpreadSheet , 雲端 早在規劃『 教育,意義! 』project時, 便有打算將整個網站建立過程撰寫一篇教學,讓有興趣以google 服務為基礎進行開發的朋友參考。 沒想到這個想法擺著就拖了好幾個月, 好在學生提出了問題,就趁這機會寫一寫吧。 基本上『 教育,意義! 』網站的架構完全建立在Google提供的服務, 廣義來說也是個雲端的系統, 所有的資料是分散在不同的服務架構下,再用GAE, Javascrript將服務資訊串接起來, 由Blogspot 統一呈現。 省了租主機的費用,或架站的硬體、電費, 最好的地方在於不用管理主機維運的問題, 只要專心做我的創意、嘗鮮就好了!!   多棒! 若將『 教育,意義! 』網站依功能層次來分類,可以分為三層結構, 當中的層次與使用技術大致如下: UI 介面層 服務 : Blogspot (網站介面) , Picasa (相簿空間), Google Apps 技術 : Javascript , AJAX ( JQuery ) App應用層  服務 : Google App Engine (GAE) 技術 : Java, Java Server Page (JSP) 資料層 服務 : Google Docs (文件), Google Spreadsheet (試算表) 技術/函式庫 : Java, Google Data APIs 本篇文章將著重在介紹以Google Spreadsheet 做為雲端資料庫, 其他主題將會陸續推出。 若對Google API 與 Google App Engine 初步建置有興趣, 可以參考之前文章: 佛心來著的 Google Data API – for JAVA 雲端的開始:Netbeans 無痛 Google App Engine Java 服務開發 Google Spreadsheet 做為資料庫系統 對於小型的資料系統來說, 採用Google Spreadsheet做為應用程式資料庫(如問卷調查或線上系統) 也算堪用, 目前的儲存限制為 : 40 萬個儲存格 每張工作表最多...

當咒術成真 - 文字生成的虛擬世界

  2024/02  這幾天灌爆各大ai社群的,不外乎就是文字生成高清畫質影像的OpenAI Sora , 讓人驚艷的細膩表現,自動化的場景生成與運鏡效果,縱使這個概念並不是多創新的模式,但Open AI始終很懂得抓住大家眼球  (Sora的各種生成影片: https://openai.com/sora  ) 關於Sora 的技術與介紹,不妨看看chatGPT 對它的描述: OpenAI Sora文字-視訊生成模型 在視頻數據上進行大規模訓練生成模型,具體而言,OpenAI聯合訓練了文本條件擴散模型,處理不同持續時間、解析度和長寬比的視頻和圖像。利用了一種在視頻和圖像潛碼的時空塊上操作的轉換器架構。受到Srivastava等人(2015年)在使用LSTMs進行視頻表示學習的無監督學習的啟發,OpenAI的最大模型Sora擴展了這些概念,能夠生成一分鐘的高保真度視頻。此外,Chiappa等人(2017年)描述的循環環境模擬器方法與我們的方法論框架相一致,表明擴大視頻生成模型的規模是建立通用物理世界模擬器的一條有希望的道路。 一、技術創新 OpenAI 的 Sora 模型在技術創新上主要融合了 diffusion models 與 transformer models 的特點,這一結合代表著從文字描述到視覺內容生成的一大進步。根據 Goodfellow et al. (2014) 的研究,Generative Adversarial Nets (GANs) 開創了使用機器學習生成圖像的新方法,而 diffusion models 則透過逆向的擴散過程從隨機噪聲中逐步建構出有意義的圖像,提供了一種不同於傳統 GANs 的新途徑。另一方面,Vaswani et al. (2017) 提出的 transformer 模型,通過其自注意力機制有效處理長距離依賴關係,已廣泛應用於語言模型中。Sora 模型的創新之處在於將這兩種技術融合應用,實現了從簡單文本提示生成高質量視覺內容的能力,這不僅展示了機器學習技術的新高度,也為未來的影像生成、自然語言處理和人機交互開啟了新的可能性。 二、物理現象與現實世界的模擬 Sora 的另一大進步是在模擬現實世界物理現象方面的表現。雖然現有模型如 Raissi et al. (2019) 所提出的 Physi...