变革医学实践的10大科研技术创新|Medscape

作者:Eric Topol  时间:2018-01-22  热度:1

医学从未停止前进的脚步,而科学技术的创新不仅会推进无数疾病的治疗,也会给医学带来巨大的变革。近期Medscape首席主编Eric Topol则分享了可能引领未来医疗进步的十大创新技术。

这两种生物技术现已用于临床试验治疗一些曾被认为无法治愈的疾病,而且已经有些疾病也颇有成效。

基因治疗和基因编辑

首先,大家要先区分下这两个概念,因为经常会有人将两者给弄混淆。

2017年12月19日,FDA批准了首个针对特定基因突变引起的疾病的基因疗法 。该疗法(voretigene neparvovec-rzyl)通过视网膜下注射来治疗一种罕见的遗传性视力丧失。 

 至于基因编辑,尽管针对白血病和HIV的T细胞体外操作已经进行了很多年,但知道去年11月,基因编辑技术才首次应用于一名44岁患有亨特综合征的病人身上,且目前还不知道治疗效果到底如何。

医学AI放大招,助力诊断皮肤癌

通常皮肤科医生会用皮肤镜(dermatoscope,一种手持显微镜)观察皮肤来诊断相关疾病。而斯坦福大学的Esteva及其同事创造了一个可进行皮肤癌诊断的人工智能诊断算法,在对经确认患皮肤癌的患者进行皮肤损伤识别后,发现其诊断准确率堪比有多年行医经验的“专家级”人类医生。

 

 

计算机辅助分类良性和恶性皮肤疾病的发展能够极大地帮助皮肤科医生改进对高难度疾病的诊断,并向病人提供更好的管理选择。尽管该算法目前用于计算机,但研究团队希望未来它能够兼容于智能手机,让可靠的皮肤癌诊断触手可及,且能将这种可视化诊断技术用于其他领域。

全组学(Panoromic)癌症评估

 

Groupon联合创始人Eric Lefkofsky于2015年建立了Tempus Labs ,并与美国国家癌症研究所的大多数综合癌症中心合作,提供全面的癌症检测:对患者肿瘤和生殖细胞DNA进行测序;无细胞DNA的液体活组织检查;肿瘤的RNA测序;肿瘤和患者的免疫系统表征;药物测试的肿瘤细胞类器官培养; 通过电子病历掌握所有的信息; 病理报告以及医学成像。

智能手表诊断房颤

 2017年11月,AliveCor宣布已经将苹果手表的光电容积描记传感器与深度学习算法进行结合,并可使用心率数据来检测个体是否患有无症状性心房颤动(AF)症状,而房颤容易引发血栓可导致中风和心力衰竭。 

这款智能手表可以跟踪一个人的心率与身体活动比率,并通过数天的数据采集情况来区分心脏节律与其他“杂音”,从而识别心律异常等问题。一旦发现问题,用户的苹果手表和苹果手机上会收到警示信息,如推送通知、心电图补丁以进一步监测病情。

病原体测序

现阶段病原体基因组测序已经可以借助相关工具得以快速实现,比如MinION(Oxford Nanopore Technologies),就可以在疫情爆发期间的任何地方进行应用,从而促进更快的公共卫生反应;测序的其它方法也曾被应用于脓毒症患者中。通过测序进行早期诊断,可能会在未来某天取代对血液培养的需求,且仅需要两天左右的时间就可获得病原体的相关信息。

更好的连续葡萄糖传感器

 雅培和Dexcom公司都引进了新近FDA批准的葡萄糖传感器。雅培的FreeStyle Libre Flash 可轻松的在手臂上使用,且不需要指纹校准。而Dexcom传感器 通常应用于腹部或手臂,可将血糖值发送给智能手表和智能电话,而Libre则有一个小型专用接收机。随着最近获得的FDA批准,这些传感器也可以直接用于检测胰岛素剂量。

CAR-T癌症免疫治疗

 第一批基于嵌合抗原受体(CAR)T细胞的产品于去年秋天获得批准,血液恶性肿瘤的治疗得到了转变。Axicabtagene ciloleucel(Yescarta™; Kite Pharma)获得FDA批准后可用于治疗不适合进行自体干细胞移植的复发性或难治性侵袭性B细胞非霍奇金淋巴瘤患者。随后FDA批准tisagenlecleucel-T(Kymriah™; Novartis)用于治疗患有复发或难治性急性淋巴细胞白血病的儿童和年轻成人患者(年龄3-25岁)。 

这种个体化疗法涉及设计患者的T细胞以表达CAR,以靶向抗原CD19(一种在B细胞淋巴瘤和白血病的细胞表面上表达的蛋白质),随后再将这些细胞重新导入患者体内来靶向癌细胞。目前多数研究工作在拓展CAR-T免疫疗法在实体瘤中的作用,并试图阻止细胞因子释放综合征,并使T细胞针对个体的癌症更加特异和有效。

智能血压手表

 Omron是美国最受欢迎的家用血压设备制造商。它获得了美国FDA批准的第一款智能手表,可通过桡动脉的短暂闭塞来进行血压读数。上图所示的是这款设备的最新版本,而该设备也在拉斯维加斯举行的年度电子行业展会CES2018上亮相。

人工智能用于眼疾

 新计算机程序利用大量的视网膜图像数据集来筛选糖尿病视网膜病变和其他眼疾,而这些“深度学习程序”自从谷歌一年前发布以来一直在不断改进。在一个深的学习系统中,上述计算机没有被告知图像数据哪些特征是重要的; 相反,随着接触到的越来越多的带注释的图像它反而会开发出自己的规则。这些系统的开发人员认为,计算机会将比临床医生做出更准确的诊断,以后的诊断成本会更便宜,也会更有效地检测眼疾。

参考文献:https://www.medscape.com/viewarticle/890982#vp_1

美文.分享

人喜欢

上一篇下一篇
猜你喜欢
点击加载更多内容  ↓