也許比其他學科更重要的是，儀器診斷學使醫生能夠在檢查患者時增強和客觀化他們的感官，從而使醫學界受益。醫生可以精確測量溫度、血壓、肺容量、骨折移位、炎癥、心律和大量其他生物標志物，這些生物標志物與癥狀和患者病史一起描繪出患者的健康狀況。由于傳感器和人工智能的進步，客觀測試、測量和解釋正在取代過去的主觀測試。讓我們看看這些進步，這些進步能夠改進在家測試并將患者數據與實證研究聯系起來。

啟用客觀測試和測量

腦震蕩等損傷的評估和診斷說明了客觀測試如何取代主觀測試。根據疾病控制和預防中心的數據，美國每年有超過 300,000 名運動員被診斷出患有與運動和娛樂相關的腦震蕩。腦震蕩及其嚴重程度的主要衡量標準是瞳孔光反射評估。傳統上，醫生將一盞燈照射在眼睛上，然后觀察瞳孔的收縮和擴張作為反應。當然，這種方法的問題在于患者之間存在顯著差異，并且不同的醫生對主觀瞳孔大小和反應的解釋不同。

正在測試使用一系列復雜技術和傳感器的復雜的計算機輔助替代方案，以取代瞳孔測量中的手動評估。例如，內置于智能手機或虛擬現實耳機中的微型高分辨率相機現在可以以每秒數百幀的速度記錄眼睛。為實時分析優化的計算機視覺過程從圖像中提取眼睛組件的特征，例如鞏膜、虹膜和瞳孔。人類無法察覺的紅外光譜大大簡化了這種分割。復雜的數學模型然后將此像素數據傳輸到三維眼模型，以導出真實世界的測量單位，例如毫米。最后，機器學習 (ML) 算法從數據中去除噪聲，識別時間序列中的模式，建立對參數在總人口中的估計分布的參考，并展示這些結果。該管道提供準確的測量，消除主觀性，并將醫生的責任轉移到驗證、解釋結果和向患者傳達發現。

管道，例如上述管道，可以針對特定的醫療保健應用進行優化，并最終實現以前不可能實現的客觀診斷。例如，現代熱像儀越來越多地被用于使用先進的降噪算法檢測炎癥甚至乳腺癌。與傳統應用的 X 射線乳房 X 光檢查不同，實際檢查在癌癥的早期階段可能更加精確，并且既不使用具有潛在危險的輻射，也不使用任何形式的觸摸。在大規模發燒測試期間，例如與 COVID-19 的斗爭中，這些技術為高效、無需干預的測試提供了巨大的機會，其結果比基于接觸的方法準確得多。

在家啟用實時測試

微型技術，特別是小型可穿戴測試設備，可以在非臨床場所進行測試。例如，需要心電圖 (ECG) 的患者無需前往醫療機構，而是可以在日常生活中佩戴動態心電圖監測器來收集長期心電圖數據。動態心電圖監測器的大小與帶有電極的小型相機差不多，可佩戴 24 至 48 小時。盡管監測器體積龐大并且會抑制患者的某些活動，但與在醫療設施中進行的測試相比，它們可以更廣泛地了解患者的心律。

技術的進一步小型化繼續加速醫學進步。內置于健身手環和智能手表中的新一代光學傳感器有望顯著提高舒適度，同時提供越來越有用的數據。盡管數據質量可能還無法與基于電極的同類產品相媲美，但蘋果公司最近展示了智能手表在檢測某些形式的心律失常方面的潛在用途，引起了專家以外的轟動。除了此類測量心血管系統部分的設備外，其他傳感器還針對大量其他模式。例如，與其在不熟悉的睡眠實驗室中觀察患者，睡眠面罩形式的現代便攜式腦電圖 (EEG) 耳機可能已經用于粗略捕捉家庭臥室中的大腦活動。

將患者數據與研究和標準聯系起來

醫生面臨的一個重要問題是利用臨床試驗、研究、存儲庫、注冊庫等來獲取與其患者相關的信息。臨床試驗和其他資源有一些標準化，但不是跨組織、醫學學科或地理區域。缺乏標準阻礙了醫生查找、訪問和使用研究成果的能力。滿足醫生對這些信息的需求面臨雙重挑戰：開發一個系統，使醫生能夠查找和訪問相關信息，同時允許跨醫療保健信息系統的互操作性。

為滿足這些需求，標準不斷涌現，利用可查找、可訪問、可互操作和可重用 (FAIR) 且人工干預最少的數據。例如，醫學臨床術語系統化命名法 (SNOMED CT) 是一個計算機友好的醫學代碼、術語、同義詞、發現、癥狀、疾病、程序、設備等的集合，旨在提供一種一致的索引方式、存儲、檢索和匯總醫療數據。同樣，邏輯觀察標識符名稱和代碼 (LOINC) 是用于識別醫學實驗室觀察結果的數據庫和標準。

這些標準中的元數據要求使醫生能夠訪問和使用跨數據集得出的數據和見解。NFDI4Health 等項目將經驗健康數據（例如生物標志物）嵌入到疾病和病癥元數據中，隨后可以使用機器學習算法對廣泛不同的患者群體進行分析。即使是以前難以或不可能客觀診斷的疾病和失調——例如精神病學方面的疾病和失調——現在也在傳感器和機器學習算法的幫助下建立在一個新的、基于生物標志物的基礎上。

結論

患者診斷與醫生使用測量儀器增強感官的能力密切相關。只有通過這樣的儀器，才能明確地定義距離，才能精確測量溫度，才能突然識別肉眼不可見的物體和生物。醫療傳感器和人工智能通過提供客觀數據、支持在患者環境中進行測試以及整合患者數據和研究結果，正在徹底改變儀器診斷。

Christopher Gundler 是一位認知科學家和醫學計算機專家。他的研究重點是傳感器數據的數學建模，以用于診斷。目前，他負責 eyeTrax 背后的機器學習和計算機視覺，這是一種用于輕度創傷性腦損傷臨床評估的解決方案。

審核編輯黃宇