拉丁美洲数字医疗进展

拉丁美洲的数字医疗：以巴西和墨西哥为例

DOI:10.1145/3423923

作者：莫妮卡·滕托里、阿图尔·齐维亚尼、德博拉·C·穆查卢特‐萨阿 德以及耶稣·法韦拉

THE HEALTHCARE SYSTEM在拉丁美洲（LATAM）过去几十年中取得了显著进步。然而，该地区仍面临重大挑战，包括医疗保健服务获取不足、资源匮乏以及健康方面的不平等，这些问题可能导致预期寿命下降、生活质量降低以及经济增长乏力。

数字医疗（DH）推动了创新技术与神经科学、医学及公共卫生政策最新进展的融合。a在本文中，我们讨论了若干关键的数字医疗举措，这些举措有助于应对医疗保健领域的一些挑战。

a https://bit.ly/36l8J6O

系统在拉丁美洲专注于两个国家：巴西和墨西哥。

我们选择在巴西和墨西哥的背景下研究数字健康，因为这两个国家都是拉丁美洲医疗系统状况的良好代表，并与其他拉丁美洲国家面临相似的挑战。巴西和墨西哥是该地区经济体量最大的国家，约占拉丁美洲人口和地理领土的一半。11

巴西和墨西哥各自拥有政府运营的公共医疗系统，其中巴西为全民覆盖，而墨西哥则呈现碎片化。大多数巴西人和墨西哥人完全依赖公共医疗系统，而有能力负担的人通常会额外购买私人健康保险。巴西和墨西哥的人口统计特征给医疗保健带来了重大挑战。

尽管近年来预期寿命显著提高，但不健康的生活方式、较差的环境卫生以及治疗依从性低等因素已使死亡原因转向慢性疾病。因此，巴西和墨西哥对未补偿的非正式护理的需求不断上升，其程度高于发达国家所报告的水平；亟需降低诊断和治疗成本。

巴西和墨西哥在数字健康领域的研究工作包括从远程医疗到数学建模的多样化活动。本文讨论了若干研究项目，展示在拉丁美洲背景下，如何利用主要的计算机科学范式通过数字健康提升医疗服务交付的效率。

医疗分析

尽管医疗分析是一种全球趋势，但在拉丁美洲，由于其在人口、社会经济方面以及所采用的医疗系统的特殊性，这一趋势具有特别重要的意义。医疗分析能够针对拉丁美洲的实际情况开展不同的项目，例如公共卫生政策评估、大数据公共卫生研究分析，或医疗保健系统的数据驱动分析。

一个正在巴西进行的用于评估公共医疗保健政策的项目实例，是评估基于医院的母乳喂养干预措施对婴儿健康的影响。巴西每年有超过三百万出生，其中10%为早产儿。b约25%的巴西医院至少实施了三项促进产科医院母乳喂养举措中的一项。该进行中的项目3由科学与技术传播和卫生信息研究所/Fiocruz牵头，国家科学计算实验室（LNCC）和里约热内卢联邦教育、科学和技术中心（CEFET‐RJ）作为合作伙伴，评估母乳喂养项目（单独或综合采用）对新生儿死亡率的影响，特别是考虑到母乳喂养可为新生儿提供更强的抵御传染病的保护。2此项评估使用整合了流行病学、统计学和数据科学工具的时空分析方法。为此，该项目分析了巴西妇产医院20多年来的6000多万次分娩和约32万新生儿死亡案例，以更好地了解这些促进母乳喂养的公共政策综合采用的成本效益。研究结果因此有助于制定未来实施这些举措的综合指南。

巴西的另一个进行中的项目侧重于数据驱动分析，该项目通过使用时变图和流程挖掘工具来评估患者在医疗系统中的患者轨迹。为此，该研究项目由国家计算科学实验室（LNCC）、茹伊斯迪福拉联邦大学和巴西卫生部的合作伙伴研究人员共同参与，涵盖了2014–2015年两年间圣保罗市约650万名独特患者接受的近六千万次医疗咨询或医疗程序的数据。在一个案例研究中，该项目分析了患者在医疗系统中的轨迹，涉及近25,000名孕妇的系统。研究结果有助于深入了解该系统的使用情况、存在的瓶颈及其产生位置，从而为改进管理和资源分配提供可借鉴的知识。

利用数据驱动分析和数学模型来分析流行病学数据的研究在墨西哥也十分活跃。由墨西哥国立自治大学（UNAM）的应用数学与系统研究所牵头的一项进行中的项目，包括与墨西哥卫生部的合作，探索使用时变流行病学模型对流感6和新冠肺炎疫情的发展趋势进行可靠预测。结果表明，公共卫生措施在减少疫情暴发方面具有潜力。

总体而言，这些项目有助于评估公共卫生政策，以最终应对由于经济收入和资产分配不均在拉丁美洲普遍存在的医疗差距。

人工智能在医疗保健中的应用

人工智能（AI）在医疗保健的关键领域中正展现出日益重要的影响，主要涉及不同健康障碍的筛查和早期检测。筛查是卫生主管部门采用的一种策略，旨在早期发现健康问题并实现早期干预。然而，目前作为金标准的筛查方法存在多种局限性，包括假阳性分类率较高，或使用依赖临床医生解读的数据，而这些数据往往不准确且带有偏见。此外，由于拉丁美洲医院设备有限，用于筛查的专业检查（如乳腺X光摄影、磁共振（MR）或计算机断层扫描（CT）等影像检查）难以获得，因此迫切需要替代性的低成本检查方法。

朝着这一方向，弗鲁米嫩塞联邦大学（UFF）的VisualLab开展的一项研究项目提出利用人工智能技术对热成像图像进行处理，以用于乳腺癌筛查。乳腺癌是

在巴西和墨西哥，乳腺癌是女性癌症死亡的首要原因，几乎占两国癌症死亡总数的30%。由于癌变组织的温度通常高于健康的周围组织，热成像技术通过生成显示皮肤表面热量分布的图像，被认为是一种有前景的乳腺癌筛查方法。9

VisualLab开发了图像分析方法，利用动态红外热成像来评估乳腺癌风险，16该方法用于监测热刺激后皮肤温度的动态响应。对弗鲁米嫩塞联邦大学医院患者的乳腺图像进行分析以构建时间序列。这些温度时间序列随后通过k‐means算法进行聚类，并由聚类验证指标进行评估。将指标值作为特征进行特征选择处理。最后一步是基于每位患者的特征向量进行分类。该方法使用FLIR S C620热像仪获取的1400张图像（来自70名不同患者，其中35名为健康者，35名患有乳腺异常）进行了测试。在多种分类器中，K‐Star取得了最佳结果，通过十折交叉验证达到了98.57%的准确率。17

墨西哥自治都市大学‐伊斯塔帕拉帕分校的神经影像实验室是墨西哥医疗保健领域图像和信号处理方面的领先团队，该实验室还展示了如何通过脑电图记录识别大脑的结构与功能连接，从而利用图像处理技术进行认知衰退的筛查和监测。1

随着深度学习在医学图像处理领域的不断渗透，能够解释机器学习算法结果的能力——这一领域被称为可解释人工智能（XAI）——变得至关重要，并已成为数字健康系统的重要趋势。例如，由弗鲁米嫩塞联邦大学MídiaCom实验室开展的一个进行中的项目，涉及利用人工智能对轻度认知障碍（MCI）患者进行早期检测，以促进早期干预并预防痴呆。由于在巴西公立医院就诊的患者通常没有磁共振（MR）或计算机断层扫描（CT）影像检查时，所提出的动态决策模型使用临床数据，包括症状和神经心理学测试。

定期运行机器学习流程，评估不同种类的人工智能技术，结合对现有患者数据集应用的离散化和平 衡方法，以选择性能最佳的更新版决策模型。该模型在里约热内卢联邦大学阿尔茨海默病中心和弗鲁米嫩塞联邦大学老年健康护理中心的319名患者数据上进行了训练和测试，准确率达到94%。除了提供诊断概率外，所提出的决策模型还会告知医生哪些测试结果对系统决策影响最大，以及可以进行哪些额外测试来提高诊断概率。

此类项目展示了如何在拉丁美洲利用机器学习和图像处理技术进行早期、低成本、非侵入式的乳腺癌、阿尔茨海默病和轻度认知障碍筛查。来自巴西的项目是国家科学与计算辅助医学科技研究所研究网络的一部分，涵盖了与数字健康相关的多种活动。

普适医疗

十多年以来，拉丁美洲的普适医疗（PH）研究一直致力于开发和试点测试普适传感解决方案、自然用户界面以及远程护理管理。一些研究人员提出了移动与可穿戴传感平台，通过用户或环境的仪器化手段，收集与临床病例评估相关的患者数据，并可用于训练机器学习模型，以实现对不同疾病与障碍的早期检测和诊断。最近的一个趋势是使用数字生物标志物来量化通过可穿戴与移动传感，或通过追踪与数字设备的交互模式所收集的生理和行为数据。

一个例子是墨西哥自闭症网络的一个进行中的项目，该项目部署了首个活体实验室10，在一所专业学校诊所的日常活动中积极使用普适医疗技术。该网络目前由恩塞纳达高等科研中心（CICESE）牵头，成员包括高等技术教育中心大学、墨西哥国立自治大学（UNAM）以及位于墨西哥西北部的多所公立和私立学校。该项目旨在探索弹性显示器能否揭示与力相关的手势交互，从而作为支持自闭症筛查的数字生物标志物。

由墨西哥恩塞纳达高等科研中心（CICESE）的移动与普适计算实验室开发的弹性显示屏BendableSound，运行着一个基于太空元素的三维背景，当用户触摸这些元素时会发出声音。5一项针对自闭症儿童和神经典型儿童的研究显示

使用BendableSound发现了自闭症儿童在使用的力量大小和手势交互方面的异常情况。利用更显著的特征和更相关手势的机器学习模型，在区分自闭症儿童与神经典型儿童时表现出良好的性能，精确率和召回率均达到97.3%。

拉丁美洲的其他研究计划已提出使用远程医疗、社交媒体和众包进行远程护理管理，因为巴西和墨西哥地域广阔，存在大量偏远农村和无规划的大都市地区，难以覆盖。这项研究表明，公共健康可用于改善患者‐临床医生沟通，并支持远程患者监测。远程医疗服务在巴西和墨西哥长期面临监管问题，但在2020年大流行期间，巴西突然实施了相关监管，并向居家社会隔离的人群提供此类服务。c

拉丁美洲的公共卫生研究也积极研究使用自然用户界面来支持治疗干预。解决方案包括使用脑机接口和手势疗法，18这一术语由国家天体物理、光学和电子研究所的机器人实验室提出，旨在缩小成本与可及性之间的差距，降低治疗成本，并减轻拉丁美洲非正式护理人员的负担。

一个成功案例是使用社交辅助机器人（SARs）协助护理患有痴呆的老年人。社交辅助机器人（SARs）是交互式智能系统，采用非接触式社交互动策略，包括使用语音、面部表情和交流性手势，以在特定的医疗保健环境中提供帮助。

由墨西哥CICESE移动与普适计算实验室开发的机器人Eva，是一款开源社交辅助机器人，采用如阿尔茨海默病协会等组织提出的针对痴呆患者的对话策略。7 Eva依靠对用户知识的了解，包括其能力和偏好，通过音乐、回忆等活动来个性化并引导认知刺激治疗。认知游戏和放松。每次使用后，机器人都会融入从用户那里获取的新知识。尽管遵循的脚本在一定程度上有限，但具有个性化特点，机器人能够自主引导治疗会话，且极少出现对话中断。过去三年中，该机器人已在一家养老院对轻度至中度痴呆患者进行了评估。结果显示，患有痴呆的老年人仅需一到两次会话即可学会与Eva互动，无需事先培训。经过九周的Eva使用后，患有痴呆的老年人与痴呆相关的神经精神症状显著减少，生活质量得到提高。8社交机器人在痴呆症领域广泛使用面临的一些技术挑战包括：根据疾病进展制定适当的适应策略，以及推断用户情绪。此外，通过副语言或言语分析，持续使用对话代理还可用于评估疾病进程和干预措施的有效性。

这些努力代表了展示公共健康如何使数字医疗解决方案在拉丁美洲的家庭、养老院和学校诊所中日益普及的项目。

挑战与趋势

由于墨西哥和巴西在人口统计、文化、经济和地理领土方面的特殊性，数字健康研究在两国具有代表性。本文展示了医疗分析、人工智能和公共健康如何改善其医疗系统。在此，我们讨论了主要挑战，以此作为拉丁美洲数字健康新关注点的跳板。

健康数据收集非常具有挑战性且成本高昂。拉丁美洲的背景对收集和维护包含一致且可靠信息的大型公共数据集带来了重大不足。当前的关键挑战包括统一不同水平的数据质量和准确性，以及整合来自不同来源的数据片段。展示此类大型数据集当前价值的关键在于将大数据转化为有价值的洞察这一艰巨过程，该过程可能由于现有人工智能模型中的病例数量较少、类别不平衡以及非均匀分类错误，其应用受到限制。在实验室环境与自然情境下收集数据所存在的矛盾带来了相关风险，导致在现实场景中应用时，因使用不可靠的数据而表现不佳，解决方案也脱离了实际应用。

通过个人日常使用的创新技术，才有可能在日常活动中收集健康数据。这为创建自然且直观的交互形式以及创新设备提供了机会，从而便于在自然条件下进行数据收集以及对大型数据集的分析。开发挑战包括通过定制的可穿戴和传感设备探索新型输入输出机制、利用自然用户界面测量新颖的手势交互，以及间接推断健康数据的技术。在拉丁美洲，医疗机构和医院的设备有限，若缺乏适当的信息技术基础设施，则难以部署创新技术；了解使用内置传感器和创新技术所需的基础设施和架构，将有助于医疗保健提供者应对扩展和可扩展性方面的困难。

此外，现有的数字健康解决方案尚未针对拉丁美洲公民多样化的医疗保健需求进行开发。大多数数字健康解决方案通常采用“一刀切”的方式，很大程度上忽视了根据患者的具体需求和能力对医疗服务个性化。当前人工智能领域的一个趋势是开发用于不同医疗保健场景的预测性和自适应决策模型。然而，将特定模型应用于不同的数据集时，其本身无法实现自我调整；这些模型的主要缺陷之一在于未考虑其使用情境以及用户所处的背景。

关于数字健康在具体场景中的开发与实证研究的描述十分稀缺且亟需。数字健康在医疗系统基础设施中的实际部署带来了各种社会、文化、法律和政策问题。该地区在医疗保健方面的平均投资低于发达国家。d特别是，在具体场景中用于开发和影响评估的临床与计算方法也有所不同。试点研究中招募的参与者数量较少，以及缺乏重复性研究，也降低了说服临床医生和制药行业将研究项目产出的数字健康解决方案转化为商业产品的可能性，同时也在限制医疗分析和人工智能领域的研究进展。

在撰写本文时，巴西和墨西哥与世界其他地区一样，正面临新型冠状病毒（SARS‐CoV‐2）的暴发。在这场引发的健康、经济和社会危机中，除了对流行病学监测与模型、药物和疫苗开发以及多组学分析等明显需求外，人们还迫切呼吁将信息和通信技术应用于医疗保健。一些倡议正在研究通过基于人工智能的肺部影像分析检测新冠肺炎的可行性，或探讨人工智能如何加速in silico药物设计进程。这些只是众多可能性中的部分示例。尽管形势严峻，这场危机已使应用于医疗保健的计算技术处于前沿地位，推动了巴西和墨西哥数字健康的跨越式发展，创新技术在提供更优质且低成本的医疗服务和援助方面发挥了关键作用。