N Engl J Med | 我們身處數據金礦，為何仍為醫學證據所困？

黃金的幻象：為何我們的數據海洋難解「證據之渴」？

讓我們先來描繪一下這片「數據海洋」的廣闊。根據聯邦數據，高達96%的美國醫院已經採用了電子健康記錄 (electronic health records, ehrs) 系統。從理論上講，這是一個巨大的寶庫。每一次診療都可能成為一個研究數據點，無數患者的真實診療歷程可以彙集成強大的證據，幫助我們比較不同療法的優劣，發現罕見藥物副作用，甚至預測疾病的暴發。這遠比傳統的、耗資巨大且耗時漫長的臨床試驗 (clinical trials) 更高效，也更貼近真實的臨床環境。

然而，這篇文章一針見血地指出，我們看到的很可能只是黃金的幻象。問題的根源在於這些系統的「出身」——它們從誕生之初，就不是為了科學研究而設計的。

ehrs：一部為「賬單」而寫的病歷，而非為「科學」而作的筆記

想像一下兩本筆記的區別。一本是商人的賬本，它清晰地記錄了賣出了什麼商品，收了多少錢。它的核心目標是確保交易無誤、利潤最大化。另一本是研究人員的實驗記錄本，它不僅記錄成功的結果，更會詳盡地描述失敗的嘗試、意外的觀察、以及所有可能影響實驗結果的環境變數。它的核心目標是無限逼近真相。

不幸的是，我們當今的ehrs系統，更像是前一本——商人的賬本。它們的核心驅動力是醫療支付 (reimbursement)。醫生在系統中錄入信息，首要目的是為了確保提供的醫療服務能夠獲得保險公司的最高額度報銷。這意味著，那些與計費直接相關的信息，比如診斷編碼、實施的手術、開具的藥物，會被相對準確地記錄。但那些對於研究至關重要，卻與當次支付無直接關聯的信息，則常常被忽略或粗略帶過。

例如，一位因急性心肌梗死入院的患者，他的診斷、用藥、支架植入等信息會被詳細記錄。但他的吸煙史、飲食習慣、精神壓力、甚至社會經濟狀況等關鍵的風險因素 (risk factors)，如果沒有成為本次計費的明確項目，就可能記錄得非常不完整，甚至完全缺失。數據質量也因此參差不齊，常常是「低質量且不全面」的。當研究人員試圖利用這些數據來分析心肌梗死背後的深層原因時，他們面對的就是一堆充滿了「信息蟲洞」的資料。

更糟糕的是，許多重要的暴露 (exposures) 和結局 (outcomes) 甚至沒有被可靠地記錄下來。比如，一個新葯上市後，患者是否因為微小但持續的不良反應而自行停葯？一位慢性病患者的生活質量在接受新療法後是提升了還是下降了？這些對於評估醫療干預真實效果至關重要的信息，在以計費為中心的ehrs系統中往往無處尋覓。

因此，直接利用這些原始的rwd進行觀察性研究 (observational studies)，就如同在布滿哈哈鏡的房間里測量身高——你總能得到一個讀數，但那個讀數離真相有多遠，你很難有把握。研究中的「混雜偏倚」 (confounding) 問題變得異常棘手，我們很難分清觀察到的結果究竟是治療本身的效果，還是那些未被記錄的、潛藏的病人特徵所導致的。建立因果關係 (causality) 變得異常困難，這直接削弱了rwe的「證據」成色。

破碎的鏡子：如何拼湊出一個完整的「健康人」？

即便我們能奇蹟般地解決單個醫院的數據質量問題，一個更嚴峻的挑戰也隨之而來：數據是極度碎片化的。在現代醫療體系中，一個人的健康檔案並非一本完整的書，而是散落各處的、無數張破碎的紙片。

你可能在社區診所看感冒，在專科醫院治療慢性病，在另一家影像中心做檢查。每一次互動都產生一個數據孤島。這些孤島共同構成了一個「你」，但沒有任何一個單一的系統能夠看到完整的你。這種無法獲得「縱向的、全人維度的 (longitudinal, whole-person)」數據的困境，是rwd發揮其潛力的第二大障礙。

數據孤島的「三國演義」

文章為我們剖析了構成這幅破碎圖景的幾個關鍵數據源，以及它們各自的局限：

1. 電子健康記錄 (ehrs)：這是信息最豐富但也最分散的源頭。每個醫療機構都像一個獨立的王國，守護著自己的數據城池。即便它們都使用標準化的系統，但將數據安全、高效地連接起來，形成一個患者的終身健康視圖，仍然是一個巨大的技術和政策挑戰。

2. 醫保理賠數據 (claims data)：這像是連接各個王國的「商業航線」。它記錄了患者在不同地方接受的醫療服務支付信息，能夠幫助研究人員串聯起一部分碎片。但它的問題在於，信息維度相對單一（主要與錢有關），且當患者更換保險計劃時，這條航線就斷了。支付方通常不會主動分享用戶的歷史數據。因此，文章提出了一個極具前瞻性的政策建議：建立並資助一個全國性的「全支付方理賠資料庫」 (national all-payer claims database)。這個資料庫將整合來自所有支付方（公共和私人保險）的數據，為研究提供一個前所未有的完整支付視角。這雖然需要立法和資金支持，且困難重重，但其潛在價值是巨大的。文章中提及的以色列，正是憑藉其全國性的資料庫，在新冠疫苗接種後迅速發現了罕見的心肌炎副作用，這就是一個有力的例證。

3. 死亡數據 (mortality data)：知道誰活著，誰去世了，以及去世的時間和原因，這是所有長期健康研究的基石。然而，在美國，獲取這一基礎數據卻出奇地困難。文章指出了一個鮮明的對比：在英國的recovery試驗中，研究人員可以快速接入國家死亡數據，從而在新冠大流行期間迅速評估了多種療法的有效性。而在美國，最權威的美國國家死亡資料庫 (national death index, ndi)，其數據更新頻率曾經是每年一次（儘管正在努力提升至每月一次），而且使用費用高昂。這種延遲和成本，對於需要快速響應公共衛生危機的研究來說，幾乎是致命的。這筆高昂的「用戶費」用於補償各州收集數據的成本，但卻成為了限制其科學價值的枷鎖。聯邦政府需要投入資金，降低使用門檻，並改善整個死亡數據的基礎設施。

超越傳統邊界：鏈接未來的數據維度

文章的視野並未止步於此。它進一步提出，要構建「全人健康」的圖景，我們甚至需要超越傳統的醫療數據。想像一下，在獲得參與者明確同意 (consent) 的前提下，研究人員可以將健康數據與金融服務提供商的數據進行鏈接。這將為營養學研究開闢全新的天地，我們可以真實地看到人們的購物和餐飲習慣如何影響他們的健康。這需要建立能夠管理和鏈接海量數據集的專業組織，例如文中提到的「以患者為中心的臨床研究網路」 (national patient-centered clinical research network, pcornet) 和各類專業學會的註冊登記系統，它們可以成為數據鏈接的樞紐，支持更廣泛、更創新的研究設計，包括干預性試驗。

ai書記官的困境：數據採集的雙刃劍

面對數據採集質量不高和醫生文書工作負擔過重這對「孿生難題」，人工智慧 ，特別是大語言模型 (large language models, llms)，似乎是天降的「救星」。

文章設想了一個美好的場景：ai可以作為「環境智能書記官」 (ambient ai scribes)，在醫生與患者交流時，自動捕捉對話內容，並實時生成結構化的病歷草稿。這無疑能將醫生從繁重的鍵盤敲擊中解放出來，讓他們有更多時間與患者進行真正的溝通。同時，通過預設的模板，ai理論上可以比疲憊的人更不知疲倦地採集更完整、更標準化的數據。

然而，這篇文章也冷靜地指出了這把雙刃劍鋒利的另一面，即「ai書記官的困境」。

「幻覺」與「沉默」的陷阱

首先，ai無法記錄那些「未被討論」的信息。如果醫生因為時間緊張或認為不重要而沒有詢問患者的飲食習慣，那麼再智能的ai也無法憑空創造出這些數據。數據的完整性瓶頸，最終還是取決於臨床工作流 (care workflows) 的設計和醫生的行為。

其次，也是更危險的，是ai可能產生「虛構數據」 (fictitious data)。這是大語言模型固有的「幻覺」 (hallucination) 問題在醫學領域的致命體現。一個ai模型可能會在沒有足夠信息的情況下，錯誤地「推斷」出一個它認為「合理」的癥狀或體征，並將其寫入病歷。例如，它可能聽到患者提到「有點累」，就自動在病歷里添加了「乏力」這一標準醫學術語，但患者的「累」可能只是前一晚沒睡好，遠未達到醫學上「乏力」的診斷標準。這些看似微小的不準確，一旦匯入rwd的汪洋大海，就會成為污染研究結果的「毒素」，導致錯誤的科學結論。

因此，簡單的技術堆砌並不能解決問題。文章強調，像美國國立衛生研究院 (nih) 和衛生高級研究計劃局 (arpa-h) 這樣的資助機構，應該大力投資於設計能夠巧妙利用ai工具的全新臨床工作流程。這需要採用「以人為本的設計」 (human-centered-design) 理念，目標是在確保數據被準確、完整記錄的同時，真正減輕臨床醫生和患者的負擔。這不僅僅是一個技術問題，更是一個系統工程和流程再造的挑戰。

穿越制度迷宮：重塑遊戲規則

即使我們擁有了高質量、全流程的數據，並有ai加持，如果不能穿越監管和倫理的制度迷宮，rwd的潛力依然會被牢牢鎖住。文章的最後一部分，將矛頭指向了那些亟待演進的「遊戲規則」。

為研究打開「數據交換」的大門

美國衛生與公眾服務部 (hhs) 推動建立了一個名為「受信交換框架和通用協議」 (trusted exchange framework and common agreement, tefca) 的網路，旨在實現全國範圍內的健康信息交換。這無疑是打破數據孤島的重要一步。然而，文章指出了一個關鍵的限制：目前的tefca框架，並不允許數據「僅僅為了研究目的」 (solely for research purposes) 而進行交換。必須優先考慮修訂tefca，使其明確支持並促進以研究為目的的數據交換，為rwd的流動打開合法合規的「高速公路」。

現代化監管機構：讓監管跟上時代

作為美國藥品和醫療器械的「守門人」，美國食品藥品監督管理局 (fda) 的角色至關重要。fda已經發布了一些關於在監管決策中使用rwd/rwe的指導文件，這是一個積極的信號。但文章坦言，並非所有fda的部門都對這些創新的證據模式抱有同樣開放和熟練的態度。更深層次的問題在於，fda自身的信息技術系統已經「過時」 (outdated)，這使得管理機構知識、推廣新方法變得異常困難。

同時，fda也缺乏足夠的專業知識和資金來主動應對ai（尤其是llms）這類飛速發展的技術，並為其在監管科學中的安全應用制定規則。近期hhs系統內的人員裁減和預算削減提案，更是雪上加霜，威脅到衛生機構吸引和留住相關領域專家的能力，從而可能阻礙監管科學的進步。

重新定義「風險」：為低風險研究鬆綁

最後，文章觸及了一個深刻的倫理學問題：現行的「人類受試者保護條例」 (regulations governing human-subjects protections) 如何影響rwd研究。

當前的倫理審查體系，傾向於用「絕對術語」 (absolute terms) 來定義研究風險。這意味著，無論研究設計如何，只要涉及人類數據，都會啟動一套複雜的審查流程。然而，rwd研究的風險譜系是極為寬廣的。一項利用匿名的、回顧性的rwd進行兩種已上市藥物效果比較的研究，其給參與者帶來的風險，可能僅僅是微乎其微的隱私泄露風險。這與一項讓患者試用全新化合物的i期臨床試驗相比，風險完全不在一個量級。

文章提出了一個更巧妙、更具適應性的倫理審查框架：將研究風險定義為「增量風險」 (incremental risks)。也就是說，風險應該是「參與研究相對於接受標準治療所額外增加的風險」。對於許多rwd研究而言，患者本身就在接受標準治療，研究只是在後台對他們的數據進行分析，其增量風險非常低。採用這種新的風險定義，可以大大簡化和加速那些對患者幾乎沒有額外風險、但卻能產生巨大公共價值的比較效果研究 (comparative-effectiveness trials)，讓倫理審查回歸其保護受試者的本質，而不是成為高效研究的障礙。

從碎片到智慧：繪製通往「學習型醫療」的藍圖

通讀全文，我們彷彿完成了一次對未來醫學的深度勘探。文章為我們揭示了rwd這座金礦的真實面貌——它光芒四射，卻也深埋於層層岩石之下。要開採它，需要的是系統性的變革，而非零敲碎打的修補。

作者們最後為我們清晰地描繪出了一條通往未來的路徑圖，它由三大支柱構成：

第一，強化源頭激勵：改革支付模式，將高質量的數據採集與醫療支付掛鉤。讓數據質量不再是醫生的額外負擔，而是其專業價值的體現。正如文中所建議的，可以擴大和加強cms的「以證據開發為基礎的覆蓋」項目，讓參與證據生成成為獲得醫保覆蓋的前提。

第二，構建信息基建：大力投資於國家層面的數據基礎設施，包括建立全支付方理賠資料庫、改造升級國家死亡資料庫，並扶持像pcornet這樣的數據鏈接中心。這相當於為國家建設一套「健康信息高速公路網」。

第三，革新治理規則：推動監管和倫理框架的現代化。讓tefca為研究敞開大門，讓fda擁有與時代同步的技術和人才，並建立一個更靈活、更聰明的倫理審查體系，能夠準確識別並管理不同研究的真實風險。

歸根結底，我們追求的不僅僅是數據本身，而是數據背後蘊含的智慧。我們的最終目標，是建立一個能夠持續學習和自我優化的「學習型醫療系統」 (learning healthcare system)。在這個系統中，每一次臨床實踐都能為科學證據添磚加瓦，而每一項科學新知都能迅速反哺臨床決策，最終惠及每一位患者。這條路雖然漫長且充滿挑戰，但正如這篇文章所昭示的，為了一個更健康、更長壽的未來，每一步的努力都至關重要。