為了推進數據整合和信息共享、發展以數據為基礎的醫療健康服務體系，11月28日至29日，“2015中國醫療健康大數據峰會”在北京召開，此次會議圍繞“開放、變革、發展”的主題，邀請主管部門、科研機構、醫療機構、優秀企業、市場研究機構等領導與專家、高層及800余位行業精英參與，深入探討科學推進醫療健康大數據的應用和價值挖掘、推動醫療健康大數據依法有序開放、醫療健康大數據互聯互通、數據標準與安全等醫療健康大數據相關熱點議題，為我國醫療健康的數據的發展提供前瞻的思想與觀點，為研究制定促進健康醫療大數據應用的政策和戰略獻計獻策。
在28日下午舉辦的醫療健康大數據應用與創新論壇上，北京大學統計科學中心聯席會主任耿直教授作了題為《醫學大數據的復雜機制：因果推斷》的精彩演講，以下為演講實錄：
我今天的報告是針對醫學大數據的復雜機制，因果推斷。
首先，2013年美國要做醫學大數據。目的是要把數據轉換成知識，我們從數據怎么提煉出知識。這是美國國防部提出的計劃，大機制計劃。就是尋找在大數據中的為什么。目標是解釋驅動復雜系統的因和果，提出超越當代大數據分析的方法論。當代大數據的分析，或者說當代所用的統計方法，主要是建立在相關的基礎上，做相關性的問題。
因和果的模型是科學研究未來要探討的事情，我們給了一個例子，1854年倫敦的霍亂，就出了大數據。是一個地圖，上面有直方圖。這個教授有一個靈感，發現水泵是導致霍亂的原因。這個大計劃的機制里講，人類缺乏從關聯性跳躍到因果的靈感。目前的數據分析怎么然后因果的靈感，人在做一些數據分析的時候，容易傳統一些錯誤的靈感，人們產生正確的靈感，我們主要討論這個事情。
臺灣的健保資料庫，大陸也可以看到，他們訪問這樣的網頁。我和他們進行了交流，這是他們建的健保大數據數，醫院、醫師、處方。用不同的關鍵字連接起來，數據庫和數據庫的連接不行。要做一個頂層設計，建庫的時候要討論庫和庫之間用什么建去給它連起來，這時候才有真正的大數據，否則是一個孤島，這是臺灣的大數據。
后面是數據分析里注意的機制問題，什么時候可能會發生錯誤。第一個機制是數據的選擇機制。你的數據庫是什么樣的數據來的，應該怎么樣做分析。治療方面A，對一個疾病Y，看它有沒有效果。數據庫里你搜集的數據都是存活的嬰兒，你去治療A和疾病，是小兒天生心臟病的治療。即使它沒有效果，因為你是一個存活孩子的數據庫，所以你可能得到一個虛假的相關。因為這個存活的小孩有的是你做了隨機化，有的吃藥存活的，有的沒吃藥就存活。這兩類孩子做比較的時候，可能會產生一種偏移。你需要建立數據的選擇機制。
第二個是數據缺失機制。醫學數據里經常有一些缺失的數據，數據為什么缺失，你調查人工資的時候，工資越高越不告訴你。你能不能得到人群的工資收入分布，需要建立一種數據的缺失機制。在做醫學分析的時候，有些病人中途退出醫院，因為病治好了，有些退出是因為他知道治不好。你怎么分析療效，數據的缺失機制需要建立。
你做數據分析的時候會產生錯誤的知覺，Simpson悖論，我們知道混雜因素，因為有一個公共的原因忽略掉以后你可能得到虛假的相關。美國探討如何用大數據探討因果的關系，我們知道數據的機制是誰產生了誰。在做疾病，或病因、或療效評價的時候，要建立一種暴露機制。什么樣的人吸煙年齡大的吸煙，還是什么人吸煙，工作性質的吸煙。要建立一種吸煙的機制，才能分析出波爐的作用。這是第三個機制。
另外一種直覺，叫傳遞性的直覺，講到一本《致命的藥物》的一本書。為什么成千上萬的美國人死于最慘重的藥物災難，醫生有一個常識，心律失常促使的主要癥狀，心律市場就作為替代指標，醫學上叫做替代物。美國批準了三種藥，這三種藥不但不能預防猝死，還似更多人死于猝死，比越南戰爭死的人還多。治療可以使得心律正常，心律正常可以避免他猝死。但是這種治療可能使得更多人提早死亡。
治療和中間的S，就是替代物，Y是真正的終點指標，這是替代指標悖論的現象。
后面是Pearl有一篇論文，科學知識對政策的分析是有用還是沒用。我們知道吸煙有害，所以就宣傳大家不要吸煙、要禁煙。但是這種政策是不是可以降低肺癌這件事，也是不一定，吸煙可以導致更多人得肺癌，你宣傳大家不要吸煙，可以使更多人不吸煙。當然這種政策決策的時候，可能導致更多人得肺癌，知識對于決策怎么使用。
另一方面，醫學腦神經元調控結構。根據數據分析腦神經的調控，也在做工作。把每一個變量，每一個因素跨到因果上，腦神經元的調控網絡。怎么學習這樣一個網絡，可以用盲人摸象的方法。不同的數據庫，三個不同的數據庫，每一個數據庫都不完整，他們學的都是局部的知識，局部的知識可能都有錯誤。但是我們把三個有錯誤的東西合在一起，能不能得到一個正確的東西，通過局部學習的方法。三個不同的數據庫，可能學到三個不同的調控網絡，可能都有錯誤，如何把網絡合并起來得到一個網絡，這是做到的盲人摸象的方法。
調控網絡的時候有時候需要敲出一個基因，基因敲出在什么地方，把一個相關的關系變成一個因果的關系，綱舉目張的方法。
在做政策和決策的時候，Heckman得過諾貝爾獎。一是評價歷史上做過的相關干預政策。二是在一個環境中執行過的政策，如果換了一個環境，比如說北京的政策拿到上海，將會有什么樣的結果。三是最有挑戰性的，他說歷史上從來沒有過的干預政策，如果執行的話它將會產生什么樣的后果。這是認知的基本問題，經濟學家做，我們也會做到底會產生什么效果。
因果和相關之間的差別，這個地方描述的是肺癌的基因網絡。肺癌是紫顏色的，導致肺癌可能是吸煙，也可能是基因。得了肺癌以后，他可能會咳嗽，也可能會疲勞。這樣的網絡，如果用傳統的統計相關性的模型，逐步回歸，或其他的方法，選擇紫顏色Y的變量，其他的黃顏色全不進來。就用這些藍色的預測他得不得肺癌，這個做診斷可以。但是我要減少疾病的發生，做決策的時候要做一些干預政策。紅顏色的圈是干預的地方，我們也可以讓這個人變得很精神，給他吃人參。能不能減少對肺癌發病率，這是傳統相關性不能做。我們必須知道肺癌的原因是什么，它的結果是什么，我們做決策的時候要干預原因。
下面如何去區別原因，你給我一個目標變量以后，我怎么找到它的原因。公雞打鳴，太陽出來，這是相關人做的事情。怎么找到變量的原因是什么，變量的結果是什么。通過基因網絡，這個變量有很多X，我們找到誰是原因，誰是結果，我們提出尋找原因的方法。首先做傳統的變量建模，你先出兩個變量，一個X1，一個X2，你要順著X1找結果，把3選進來，但還不知道誰是因果。你拿X2做變量選擇、X3、X4、X5、X6做變量選擇。選到X6的時候你發現一個靈感，后面可能有X7、X8，你沒有靈感。5和6獨立，但是給了4以后5和6就不獨立，你就發現誰是因果。兩個獨立的原因在給定結果的時候，它會變得不獨立。一個人鬧肚子有兩個原因，一是吃了臟東西，二是著涼。給定這個人鬧肚子的情況下，他沒有吃臟東西就是著涼了。知道誰是因，誰是果，產生一種靈感。如果2是4的原因，當初2和6他就能發現是獨立的現象，但是當初沒有發現過，就確定4是2的原因。順藤摸瓜，我們就知道4是2的原因、3是2的原因，得出目標1、2是目標T的原因，而不是結果。在大數據里我們學會怎么找原因的時候，它是在數據庫里逐步展開的。人工智能加上數據挖掘的方法，自動搜尋數據里的數據庫，才發現誰是原因，誰是結果。大的網絡要尋找變量，18的原因是什么，結果是什么。一步步，最后看出原因是什么，它的結果是什么。
我們做過時間序列的基因的調試，44個時間序列，怎么把基因的調控網絡學出來。找了數據集，做了三個T細胞的，誰調控了它，它又調控了誰，這樣的局部網絡。這是我們曾經和協和做中風的，根據臨床實驗數據發現，哪些癥狀之間有這樣的網絡關系，一個中風癥狀的網絡關系。中醫藥開藥材不是一個個開，是一組組開。哪些藥材是一組組開的，和藥的關系，找到這樣的關系。
這是中醫的癥狀，腎陽虛癥狀，做聚類。每一個類里，怎么做癥狀之間因果的網絡，再去做因果的網絡。
介紹了幾種機制，你手上拿到的數據是怎么來的，一是數據有缺失，還有因果數據的機制，因果網絡的機制。
搜索“智醫療”
或掃描二維碼
