冠狀病毒疫情強調了醫療機構與癌癥作斗爭的重要教訓：如果先進的工具不能在臨床環境中廣泛應用，那么對于研究來說無濟于事。

這場疫情凸顯了醫療保健行業一些效率低下的方面。例如，在冠狀病毒爆發之初，引起了人們對呼吸機和個人防護設備緊缺的關注。然后，人們看到美國的低收入群體和弱勢群體更容易受到疫情的影響，最后，疫情還凸顯了美國各州疫苗接種分布不均的問題。

[[392553]]

為了應對這些危機，一些醫療機構已經采用與大數據相關的技術，例如人工智能技術、自然語言處理、數據管理等。一些醫學研究人員和醫生已經部署了這些工具，以針對那些最有可能感染病毒的人員進行測試，重新分配資源給最脆弱的患者;并加快開發和生產疫苗的速度。

盡管對于全球一流的實驗室和醫療機構來說已經采用一些先進技術，但對于美國大多數醫院和癌癥治療中心采用的醫療工具來說，它們不是標準的功能，這些用于治療冠狀病毒患者或包括癌癥在內的主要威脅生命的重大疾病。

在癌癥治療中心采用的數字醫療技術正在廣泛使用。雖然這項技術可以使醫療系統更有彈性和有效性，但這可能會影響到已經過度緊張的臨床環境。當人們希望在疫情消退之后恢復對美國醫療衛生系統的信心時，需要采用更好的先進技術，但前提是臨床醫生能夠使用它。摒棄花哨的功能而采用實用性技術應該成為指導方針。

用于癌癥的研究試驗

由于發生疫情，使癌癥的研究工作也受到嚴重的影響。癌癥試驗通常是癌癥患者的最大也是最后的希望，但在醫院的試驗資源有限時，如何識別和招募志愿者卻面臨著挑戰。

甚至在發生疫情之前，由于難以找到足夠的患者，這種研究和試驗也常常失敗。在去年4月，醫療數據服務提供商Medidata公司開展的1,500項試驗的試驗者注冊率下降了70%。這個數字在去年6月開始回升，但隨著美國冠狀病毒病例的激增，注冊率再次下降。

現在，數以萬計的癌癥患者對于腫瘤專家和研究人員有著更多的期待。與對抗冠狀病毒一樣，利用現有技術來支持和加快科學家和醫生的研究工作也有巨大的機會。

盡管推出了許多人工智能解決方案，但是使用機器學習或自然語言處理的挑戰是，人們不能確保獲得計算能力或完美的算法。隨著云計算和軟件的飛速發展，做到這些會更容易。腫瘤研究人員的重點應放在與臨床環境無縫匹配的解決方案上，也就是醫生及其員工將使用的工具。這就是生成患者數據的關鍵，而患者數據是推動醫療保健系統技術發展的引擎。

更輕松地提取數據

成功促使患者進行臨床試驗的解決方案將集成到現有系統和工作流程中，而不會給不堪重負的醫生或其支持人員帶來摩擦或過多的任務。許多人工智能解決方案將采用電子醫療記錄，要求醫生進行額外的輸入來創建數據。現實情況是，醫生和面向患者的工作人員沒有足夠的時間和帶寬來做到這一點。

大多數腫瘤專家表示，他們每次探視病人可能只花費13到24分鐘的時間。與此同時，醫生通常只將約15%的時間花費在患者身上，他們花費更多的時間分析患者的數據。開發這些工具的研究人員應該致力于將醫生騰出更多的時間，而不是對他們提出額外的要求。因此，研究機構設計了支持人工智能的平臺，以挖掘現有的結構化數據源，例如電子病歷(EMR)和腫瘤患者的登記。同時，研究人員也專注于提取其他臨床相關數據，這些數據對于那些進行試驗以尋找可能匹配項的人員來說是必不可少的。其中包括非結構化數據，例如來自醫生的患者記錄、來自外部來源的實驗室報告，或者傳真和掃描文件，其中可能包含與復雜的臨床試驗的納入或排除標準相匹配的關鍵信息。

與在腫瘤學領域試用許多技術和產品不同，如今看到了積極的成果。從去年3月到6月，由于許多臨床試驗處于暫停狀態，試驗人數急劇下降，例如采用這種技術的一個癌癥治療中心只招募了10名癌癥患者。

數據提取過程使用自然語言處理來解鎖隱藏在非結構化來源中的數據，查找患者癌癥的組織學和行為、基因組成、階段、患者是否做過手術。

如果有時間的話，醫療專業人員也可以開展這項工作。得益于云計算和數據處理的巨大進步，這項技術篩選了成千上萬個臨床試驗標準中的數萬個排列方法，這項任務如果人工處理的話，實際上需要花費數周的時間。

盡管該技術無法最終確定是否適合的志愿者，但重要的是它顯著縮小了研究范圍，為醫生找到符合臨床試驗要求的患者提供了更多機會。

研究表明，每20名成年癌癥患者中只有1人參加臨床試驗，這可能是患者的猶豫或者面臨經濟方面的障礙，這是一些最重要的因素，這主要是缺乏信息或醫生轉診。醫生認為臨床試驗是一種正確的做法，試驗可以為患者提供高質量的治療和護理。

招募患者的困難歸結為時間有限和臨床方面繁瑣的后勤工作。人們需要認識到這一現實，并為醫生克服這些困難提供幫助。