当今医疗健康领域最大的问题是人口老龄化导致成本不断攀升。新的数据来源和创新技术能为实验室提供患者护理的新洞察与能力，从而帮助解决这一问题。
随着传感器灵敏度提升，我们将获得前所未有的海量数据来理解健康轨迹。我们将越来越多地通过分析语音算法、面部识别、社交媒体等新型数据源，运用技术手段实现疾病诊断、预测和预防。凭借丰富的数据类型和更低廉的处理成本，实验室将在预防性与个性化医疗转型中扮演更重要的角色。
三大技术定律驱动着这场数据革命。摩尔定律指出同等成本下算力每18个月翻倍， Kryder定律则适用于存储容量，而梅特卡夫定律—— 网络效应法则 ——表明网络价值与用户数量的平方成正比。
我们正见证这三大定律在医疗领域的融合。基因组测序成本从2001年的27亿美元降至2018年的200美元就是明证[1]。有预测称到2020年代中期可能跌破5美分 [2] —— 比冲马桶还便宜。届时测序服务将无处不在，推动大规模预防医学发展。
这些趋势也推动着人工智能(AI)与自动化技术的进步。中国某工厂90%的工人已被自动化设备取代[3] 。产能提升超160%，次品率从25%降至5%。若你是住院患者，难道不希望医疗差错率也这样大幅降低？
AI算法与机器人已应用于医疗领域，某些任务上机器比人类表现更优。部分外科手术中机器人比人类更可靠，某些诊断测试中机器视觉能捕捉人眼忽略的细节。放射科医生已运用AI诊断心脏病、肝病、骨病等多种病症。更多应用场景必将接踵而至。
这些进步通过促进疾病早期检测，改善了优质医疗资源的可及性。例如乳腺癌早期检测传感器[4]准确度已接近乳腺X线摄影，最终将实现家庭检测与早期干预。
当我们将此类技术引入实验室和商业领域时，需将AI视为人类能力的放大器。医疗的未来或许是数字化的，但现实是AI永远无法取代人类。我们的思维方式应着眼于增强而非替代。
对于实验室而言，关键在于思考如何利用人工智能降低诊断成本、实现工作流程自动化并提升运营效率，以及如何从海量数据中获取新的临床洞见。这个过程需要创造性思维和实验精神。如果成功，这将有助于提高各地患者获得医疗保健服务的机会，并降低医疗成本。
[1] Now You Can Sequence Your Whole Genome for Just $200, Wired, 2018
[2] Soon, It Will Cost Less To Sequence A Genome Than To Flush A Toilet — And That Will Change Medicine Forever, Business Insider, 2014
[3] Man versus machine: 9 human jobs that have been taken over by robots, BT, 2018
[4] Laser-sonic scanner aims to replace mammograms for finding breast cancer, Science Daily, 2018
本文基于在 2018 年中国广州举行的罗氏效率日(RED) REDefining Perspective 大会上发表的题为“从补救到预防的医疗保健创新”的演讲。
