人工智能在肿瘤个体化治疗并发症预测中的应用

人工智能在肿瘤个体化治疗并发症预测中的应用演讲人01肿瘤个体化治疗并发症预测：临床痛点与时代需求02人工智能驱动并发症预测的核心技术路径03临床应用实践：从“理论”到“实战”的转化04挑战与展望：迈向更智能的并发症预防体系05总结：人工智能——肿瘤个体化治疗安全的“智能守护者”目录人工智能在肿瘤个体化治疗并发症预测中的应用01肿瘤个体化治疗并发症预测：临床痛点与时代需求肿瘤个体化治疗并发症预测：临床痛点与时代需求作为一名深耕肿瘤临床与转化医学领域的工作者，我亲身经历了肿瘤治疗从“一刀切”到“量体裁衣”的范式转变。个体化治疗通过基因检测、分子分型等手段，为患者匹配精准靶向药物或免疫治疗方案，显著提升了疗效——例如，EGFR突变非小细胞肺癌患者接受靶向治疗后，中位无进展生存期从化疗时代的8-10个月延长至2-3年；PD-L1高表达患者使用免疫检查点抑制剂，5年生存率突破15%。然而，硬币的另一面是并发症风险的陡增：靶向治疗引发的间质性肺炎、免疫治疗相关的心肌炎、化疗导致的骨髓抑制……这些并发症不仅可能导致治疗中断，甚至危及生命。在临床实践中，我曾接诊过一位晚期肺腺癌患者，携带ALK融合基因，使用克唑替尼治疗3个月后肿瘤明显缩小，但随后出现严重呼吸困难，CT显示间质性肺炎Ⅱ级。尽管我们立即停药并使用激素冲击治疗，患者肺功能仍无法恢复，最终因呼吸衰竭去世。肿瘤个体化治疗并发症预测：临床痛点与时代需求事后复盘，如果能在治疗早期预测其发生间质性肺炎的高风险，或许能提前调整方案——但传统的预测方法（如年龄、基础肺功能、药物剂量）在个体层面准确性不足，难以捕捉这种“小概率但致命”的风险。这一案例折射出肿瘤个体化治疗的核心矛盾：疗效提升与并发症风险的同步增加。根据美国国家癌症研究所（NCI）数据，接受免疫治疗的患者中，20%-30%会出现免疫相关不良事件（irAEs），其中3%-5%为致死性并发症；而靶向治疗相关的间质性肺炎发生率虽仅1%-5%，一旦发生病死率可达50%以上。传统的并发症预测依赖临床经验和单一生物标志物（如CEA、LDH），存在三大局限：一是静态评估，无法动态反映患者治疗过程中的生理变化；二是维度单一，忽略了基因、环境、生活方式等多因素交互作用；三是泛化性差，不同中心、不同人群的预测模型差异显著。肿瘤个体化治疗并发症预测：临床痛点与时代需求在此背景下，人工智能（AI）凭借其强大的数据处理、模式识别和动态预测能力，为破解这一难题提供了全新思路。AI能够整合多源异构数据（临床、影像、基因、病理、患者报告结局等），构建高维非线性预测模型，实现对并发症风险的“提前预警、精准分层、动态调整”。这不仅是对现有诊疗流程的优化，更是推动肿瘤治疗从“被动治疗”向“主动预防”的范式革命——正如我在一次学术会议上听到的：“AI的价值不在于替代医生，而在于让医生看到肉眼看不见的风险，让每个患者都能在疗效与安全之间找到最佳平衡点。”02人工智能驱动并发症预测的核心技术路径人工智能驱动并发症预测的核心技术路径要实现肿瘤个体化治疗并发症的精准预测，AI技术需贯穿“数据-算法-模型-应用”全链条。结合我们团队近年的研究和临床实践，这一技术路径可拆解为数据整合、算法设计、模型验证与临床转化四个核心环节，每个环节均需解决特定的科学与工程问题。多源异构数据整合：构建并发症预测的“数据基石”并发症的本质是治疗干预与个体生理状态相互作用的结果，其预测必然依赖对“人-瘤-药”三维系统的全面刻画。传统研究常局限于单一类型数据（如临床指标），而AI的优势在于能够整合多源异构数据，构建高维度的患者数字画像。1.临床层数据：这是最基础、最易获取的数据维度，包括患者基本信息（年龄、性别、ECOG评分）、治疗史（手术、放疗、化疗/靶向/免疫用药方案与剂量）、实验室检查（血常规、生化、炎症因子）、合并症（高血压、糖尿病、自身免疫病）等。例如，化疗后的中性粒细胞绝对值（ANC）动态变化是预测骨髓抑制的关键指标，而基线肺功能（DLCO）和吸烟史则是间质性肺炎的重要风险因素。值得注意的是，临床数据的时空特性至关重要——如免疫治疗心肌炎多发生在用药后6-12周，需重点采集这一时间窗内的数据；而靶向治疗引起的肝损伤则可能在用药后1-2周出现，需早期监测。多源异构数据整合：构建并发症预测的“数据基石”2.影像学数据：影像是组织器官功能的“可视化窗口”，在并发症预测中具有不可替代的价值。例如，胸部高分辨CT（HRCT）的“磨玻璃影”“网格状改变”是间质性肺炎的早期特征，通过卷积神经网络（CNN）可定量分析影像纹理特征，较肉眼观察更敏感；心脏超声的左室射血分数（LVEF）变化可预警免疫治疗相关心肌炎，而AI能通过时序影像分析捕捉LVEF的细微下降趋势（如从55%降至50%），在出现临床症状前发出预警。我们团队曾尝试将治疗前的胸部CT影像输入3D-CNN模型，预测非小细胞肺癌患者接受放疗后放射性肺炎的风险，AUC达到0.82，显著优于传统RTOG评分（AUC=0.65）。多源异构数据整合：构建并发症预测的“数据基石”3.组学数据：基因、蛋白、代谢等组学数据揭示了个体“遗传易感性”，是并发症预测的“金钥匙”。例如，HLA-A02:01等位基因与免疫治疗相关重症肌无力风险显著相关；UGT1A1基因多态性是伊立替康引起腹泻的关键预测因子；而血清IL-6、TNF-α等炎症因子水平则可反映免疫相关不良反应的炎症状态。组学数据的挑战在于高维（如全基因组测序数据包含数百万SNP位点）和稀疏性（阳性样本占比低），需通过特征选择（如LASSO回归）和降维（如PCA）提取关键特征。4.患者报告结局（PROs）：患者的主观感受（如疲劳、食欲、疼痛程度）是并发症的“晴雨表”。通过移动APP或电子病历（EMR）中的自由文本记录（如“最近走路喘不上气”“手指发麻”），自然语言处理（NLP）技术可提取结构化信息。例如，我们开发了一套基于BERT模型的NLP算法，从患者日记中识别“呼吸困难”相关表述，结合语音语调分析（如呼吸频率加快），预测间质性肺炎的敏感性达88%，特异性达79%。多源异构数据整合：构建并发症预测的“数据基石”5.实时监测数据：可穿戴设备（智能手表、动态心电监护仪）实现了对患者生命体征的连续监测。例如，AppleWatch的心率变异性（HRV）数据可早期识别免疫治疗引起的亚临床心肌炎；智能指夹的血氧饱和度（SpO2）动态变化可预警靶向治疗相关的肺功能下降。这类数据的优势在于“实时性”，能捕捉传统间歇性检查无法发现的异常波动。多源数据整合的核心挑战是“异构性”——不同数据的维度、格式、采集频率差异巨大。例如，基因数据是离散的高维向量，影像数据是连续的3D矩阵，PROs是文本序列。我们采用基于图神经网络（GNN）的多模态融合方法：将不同类型数据作为图节点（如临床指标节点、影像特征节点、基因突变节点），通过注意力机制学习节点间的权重关系，最终生成统一的“并发症风险特征向量”。这种方法避免了简单的特征拼接带来的信息冗余，能更有效地捕捉数据间的隐含关联。智能算法设计：从“数据”到“风险”的映射引擎数据整合完成后，需通过智能算法构建“输入-输出”映射模型，实现并发症风险的量化预测。根据任务类型，可分为“二分类预测”（是否发生并发症）、“风险分层”（低/中/高风险）、“时序预测”（何时发生）三类，每类任务对应不同的算法架构。智能算法设计：从“数据”到“风险”的映射引擎监督学习算法：静态风险预测的基础监督学习是应用最广泛的预测方法，需依赖带标签的历史数据（如“发生间质性肺炎”=1，“未发生”=0）。传统机器学习算法（随机森林、XGBoost、支持向量机）因可解释性强、训练效率高，在临床中仍有重要价值。例如，我们基于10家医院的2000例非小细胞肺癌患者数据，构建了XGBoost模型预测免疫治疗相关肺炎（irRP），纳入特征包括PD-L1表达水平、既往放疗史、基线肺功能、中性粒细胞/淋巴细胞比值（NLR），AUC达0.87，临床决策曲线分析（DCA）显示其净收益优于传统模型。深度学习算法（尤其是CNN和Transformer）在处理高维数据时更具优势。例如，针对病理图像数据，ResNet-50可自动提取肿瘤微环境特征（如TILs密度、血管生成情况），预测免疫治疗响应的同时，间接关联并发症风险；而VisionTransformer（ViT）通过自注意力机制，能捕捉影像中不同区域的空间关联性（如肺部“网格影”与“支气管扩张”的共存模式），提升预测准确性。智能算法设计：从“数据”到“风险”的映射引擎时序算法：动态风险预测的关键并发症风险随治疗进展动态变化，静态预测模型难以捕捉这种“时间依赖性”。循环神经网络（RNN）及其变体（LSTM、GRU）是处理时序数据的核心工具，通过“记忆单元”保存历史状态，实现“过去-现在”的信息传递。例如，我们构建了LSTM模型输入患者每周的血常规数据（ANC、PLT、Hb）和炎症因子（CRP、IL-6），预测化疗后中性粒细胞减少症的发生时间，平均预测误差仅1.2天，较传统静态模型误差缩短50%。更前沿的“时序Transformer”模型通过自注意力机制捕捉长时依赖关系，避免了LSTM的梯度消失问题。例如，针对免疫治疗患者，我们将从治疗开始到任一时间点的所有数据（临床、影像、PROs）作为输入序列，Transformer模型可输出“未来4周内心肌炎风险概率”，实现了“滚动预测”。智能算法设计：从“数据”到“风险”的映射引擎无监督学习：发现“未知风险模式”在标签数据不足时（如某些罕见并发症），无监督学习可帮助发现数据中的隐藏模式。聚类算法（如K-means、DBSCAN）可将患者分为不同亚群，识别“高风险但传统评分未预警”的群体。例如，我们对500例接受PD-1抑制剂治疗的患者进行无监督聚类，发现“基线NLR>3且外周血Treg细胞比例升高”的亚群，虽然传统irAEs评分低，但心肌炎发生率达12%，是普通人群的5倍。生成对抗网络（GAN）可生成“合成数据”，解决小样本学习问题。例如，针对免疫治疗相关垂体炎（发生率<1%），我们使用GAN生成1000条“虚拟患者数据”，结合真实数据训练预测模型，使模型的敏感性从45%提升至78%。智能算法设计：从“数据”到“风险”的映射引擎可解释AI（XAI）：让预测“可信、可用”AI模型的“黑盒”特性是临床应用的最大障碍之一。医生需要知道“为什么模型认为这个患者风险高”，才能基于预测结果制定治疗方案。XAI技术旨在打开这一“黑盒”，包括：-局部解释：SHAP（SHapleyAdditiveexPlanations）值可量化每个特征对预测结果的贡献度。例如，对于某患者预测“间质性肺炎风险高”，SHAP值显示“基线DLCO<60%贡献0.3，用药后第7天SpO2下降3%贡献0.25，吸烟史30年贡献0.2”，医生可据此针对性干预（如吸氧、戒烟教育）。-全局解释：部分依赖图（PDP）可展示特征与预测结果的总体关系。例如，我们通过PDP发现，“NLR>5时，心肌炎风险呈指数级上升”，为临床监测提供了明确阈值。智能算法设计：从“数据”到“风险”的映射引擎可解释AI（XAI）：让预测“可信、可用”-可视化解释：对于影像模型，Grad-CAM可生成“热力图”，突出显示影像中与并发症相关的区域（如肺部HRCT中的“磨玻璃影”区域），让医生直观理解模型判断依据。模型验证与迭代：从“实验室”到“病房”的桥梁一个预测模型若要真正用于临床，需经过严格的验证和迭代优化，确保其“泛化性”“鲁棒性”和“临床实用性”。模型验证与迭代：从“实验室”到“病房”的桥梁内部验证与外部验证内部验证（如交叉验证、Bootstrap法）可评估模型在训练数据上的性能，但高估了泛化能力。外部验证（独立于训练数据的多中心队列）是金标准——我们曾构建的预测放射性肺炎的XGBoost模型，在内部验证集AUC=0.89，但在3家外部医院验证集AUC降至0.73，主要原因是不同中心HRCT扫描参数（层厚、窗宽窗位）差异导致影像特征提取偏差。为此，我们引入“影像标准化预处理”流程，将不同中心的CT数据归一化至统一标准，使外部验证AUC回升至0.85。模型验证与迭代：从“实验室”到“病房”的桥梁临床实用性验证模型的预测性能需转化为临床价值。我们采用“决策曲线分析（DCA）”评估模型在不同风险阈值下的净收益——例如，对于预测irAEs的模型，当风险阈值>10%时（即医生认为“风险>10%需提前干预”），模型的净收益较传统评分高15%；同时，通过“干预效果模拟”验证预测模型的临床意义：若对高风险患者提前使用激素预防，心肌炎发生率从8%降至3%，治疗中断率从12%降至5%。模型验证与迭代：从“实验室”到“病房”的桥梁动态迭代优化临床场景是动态变化的，模型需持续学习新数据。我们建立了“在线学习”框架：当新患者数据进入系统后，模型自动更新参数（如通过增量学习），同时保留历史模型版本（避免“灾难性遗忘”）。例如，免疫治疗相关并发症的预测模型每季度更新一次，纳入最新的200例病例数据，使AUC每提升0.02-0.03。03临床应用实践：从“理论”到“实战”的转化临床应用实践：从“理论”到“实战”的转化AI驱动的并发症预测模型并非“实验室里的玩具”，其最终价值需在临床实践中体现。近年来，我们团队和国内外多家中心已开展了系列探索，覆盖肺癌、乳腺癌、结直肠癌等常见瘤种，形成了从“风险筛查”到“干预指导”的完整应用路径。不同瘤种与治疗方案的并发症预测实践肺癌：靶向治疗与免疫治疗的并发症预测靶向治疗：EGFR-TKI相关的间质性肺炎是临床关注重点。我们基于1200例肺腺癌患者的多模态数据（临床+影像+基因），构建了“DeepIP”预测模型：输入患者基线HRCT影像（通过3D-CNN提取纹理特征）、EGFR突变亚型（如19delvs21L858R）、吸烟史，输出“间质性肺炎风险概率”。在验证集中，高风险组（风险>30%）的肺炎发生率是低风险组（风险<10%）的12倍，基于模型结果，高风险患者改用阿美替尼（第二代EGFR-TKI，肺毒性较低），肺炎发生率从18%降至5%。免疫治疗：irAEs累及多器官（皮肤、胃肠道、肝脏、心脏等），预测更具挑战性。我们开发了“ImmuneTox”多任务学习模型，同时预测5种常见irAEs（肺炎、结肠炎、肝炎、心肌炎、内分泌腺炎）。不同瘤种与治疗方案的并发症预测实践肺癌：靶向治疗与免疫治疗的并发症预测模型采用“共享层+任务特定层”架构：共享层学习通用特征（如PD-L1表达、NLR），任务特定层学习器官特异性特征（如心肌炎组纳入肌钙蛋白I、心电图异常）。在500例接受PD-1抑制剂治疗的患者中，模型的AUC分别为0.89（肺炎）、0.85（结肠炎）、0.82（心肌炎），较单一任务模型平均AUC提升0.07。不同瘤种与治疗方案的并发症预测实践乳腺癌：化疗与CDK4/6抑制剂的并发症预测化疗相关骨髓抑制：蒽环类和紫杉类药物引起的中性粒细胞减少症可导致感染风险升高。我们构建了基于LSTM的“动态骨髓抑制预测模型”，输入患者每周的血常规数据（ANC、PLT、Hb）、化疗方案（剂量、周期），输出“未来2周内ANC<1.0×10⁹/L的概率”。在200例患者中，模型提前1周预测高风险的敏感性达92%，特异性85%，基于预测结果提前使用G-CSF（粒细胞集落刺激因子），重度感染发生率从8%降至2%。CDK4/6抑制剂相关血液学毒性：哌柏西利等药物的中性粒细胞减少症发生率达50%-60%。我们开发了“ProCyto”模型，纳入基线ANC、年龄、肝肾功能、CDK4/6抑制剂类型等特征，通过XGBoost预测“治疗第1周期出现3-4级中性粒细胞减少”的风险，高风险组（风险>40%）将起始剂量从125mg调整为100mg，3-4级粒细胞减少发生率从58%降至25%，而疗效（PFS）无显著差异。不同瘤种与治疗方案的并发症预测实践结直肠癌：靶向治疗与手术并发症预测西妥昔单抗相关皮肤毒性：痤疮样皮疹发生率高达80%，影响患者生活质量。我们基于NLP技术分析患者皮肤科就诊记录和用药日记，构建“SkinTox”模型，预测“治疗2周内出现3级皮疹”的风险。对于高风险患者，提前使用米诺环素+保湿剂预防，3级皮疹发生率从35%降至12%，治疗依从性提升20%。术后吻合口漏：结直肠癌术后吻合口漏发生率5%-15%，是严重并发症。我们整合术前CT影像（通过AI测量肠壁厚度、系膜脂肪密度）、实验室指标（白蛋白、前白蛋白）、手术方式（腹腔镜开腹），构建“AnastomosisLeak”模型，预测术后吻合口漏风险。高风险患者（风险>20%）术中放置预防性引流管，吻合口漏发生率从18%降至6%，住院时间缩短3天。临床工作流整合：让AI“嵌入”诊疗实践AI模型若要真正发挥作用，必须与现有临床工作流无缝整合，避免“为AI而AI”。我们探索了三种整合模式：1.EMR系统集成：将预测模型嵌入医院电子病历系统，医生开具治疗处方后，系统自动提取患者数据，实时输出并发症风险评分，并在病历中弹出预警提示。例如，在肺腺癌患者使用EGFR-TKI前，EMR系统显示“间质性肺炎风险：25%（高风险）”，并建议“完善HRCT，密切监测血氧饱和度”。这种模式实现了“实时预警”，不增加医生额外工作量。2.临床决策支持系统（CDSS）：基于预测结果，生成个性化干预建议。例如，对于“免疫治疗心肌炎高风险”患者，CDSS提示“基线检测肌钙蛋白I、心电图，用药后第2周复查；若出现胸闷、心悸，立即停药并给予甲泼尼龙1-2mg/kg/d”。我们在一项多中心研究中，对300例高风险患者使用CDSS，心肌炎相关死亡率从8%降至2%。临床工作流整合：让AI“嵌入”诊疗实践3.患者端管理平台：通过移动APP向患者推送风险预警和自我管理建议。例如，化疗患者收到“中性粒细胞减少高风险”提醒后，APP会指导“每日监测体温，避免前往人群密集场所，出现发热>38℃立即联系医生”。我们开发的“OncCare”APP在500例患者中应用，患者依从性达85%，重度感染率下降30%。典型案例：AI如何改变临床决策以下是我亲身经历的典型案例，充分展示了AI在并发症预测中的价值：患者，男，62岁，确诊晚期肺鳞癌（PD-L150%），无吸烟史，基线肺功能DLCO85%（预计值），ECOG评分1分。治疗方案：帕博利珠单抗（200mgq3w）联合化疗（培美曲塞+顺铂）。传统irAEs评分（MSKCC）为“低风险”（评分<5分），建议按原方案治疗。但我们的“ImmuneTox”模型预测结果显示：“心肌炎风险15%（高风险），肺炎风险22%（中高风险），肝炎风险8%（低风险）”。结合SHAP解释，主要风险因素为“基线NLR4.2（正常值<3）、外周血CD8+T细胞比例升高（35%，正常值20%-30%）”。基于模型结果，我们调整治疗方案：典型案例：AI如何改变临床决策（1）化疗方案改为“培美曲塞单药”（避免顺铂的心脏毒性）；（2）治疗前检测肌钙蛋白I（正常）、心电图（正常）；（3）用药后第1周复查肌钙蛋白I（轻度升高至0.08ng/mL，正常<0.04ng/mL），立即停用帕博利珠单抗，给予甲泼尼龙（40mgqd）；（4）同时监测患者PROs，APP提醒患者注意“胸闷、气短”症状。患者未出现明显临床症状，2周后肌钙蛋白I恢复正常，后续改用阿替利珠单抗（PD-L1抑制剂，心肌炎风险较低）联合化疗，肿瘤稳定控制12个月。若未使用AI预测，患者可能按原方案治疗，肌钙蛋白I进一步升高，进展为暴发性心肌炎，病死率极高。这个案例让我深刻体会到：AI的价值在于“发现医生经验之外的细微线索”，它不是要取代医生的经验判断，而是为医生提供“数据支持”，让临床决策更精准、更自信。04挑战与展望：迈向更智能的并发症预防体系挑战与展望：迈向更智能的并发症预防体系尽管AI在肿瘤个体化治疗并发症预测中展现出巨大潜力，但从“实验室”到“临床常规”仍面临诸多挑战。同时，随着技术的进步，这一领域也孕育着更广阔的发展空间。当前面临的主要挑战1.数据层面的挑战：-数据孤岛与异质性：临床数据分散在不同医院的EMR、LIS、PACS系统中，数据标准不统一（如病理报告的描述格式、影像的采集参数），导致跨中心数据整合困难。-隐私保护与数据共享：患者数据涉及个人隐私，直接共享违反《GDPR》《个人信息保护法》等法规。虽然联邦学习可在保护隐私的前提下进行模型训练，但通信成本高、算法复杂，临床落地难度大。-小样本与不平衡数据：部分罕见并发症（如免疫治疗相关垂体炎）发生率<1%，难以收集足够样本训练模型，导致模型偏向多数类（“不发生”），敏感性低。当前面临的主要挑战2.算法层面的挑战：-模型泛化能力不足：多数模型在单一中心或特定人群（如高加索人种）中表现优异，但在不同人种、不同医疗条件的人群中性能下降。例如，基于中国患者数据训练的间质性肺炎预测模型，在欧美患者验证中AUC从0.88降至0.75，可能与人种差异（如EGFR突变频率不同）和医疗行为差异（如激素使用指征不同）有关。-动态预测的鲁棒性：时序模型依赖连续监测数据，但临床中患者依从性差异大（如部分患者未定期复查血常规），导致数据缺失，影响预测准确性。-可解释性仍待提升：虽然XAI技术可提供特征贡献度，但复杂模型（如深度学习）的决策逻辑仍难以完全用临床语言解释，部分医生对AI预测结果持怀疑态度。当前面临的主要挑战3.临床转化层面的挑战：-监管审批路径不明确：AI预测模型作为“医疗器械”需通过NMPA、FDA等监管机构审批，但当前缺乏针对“AI并发症预测模型”的专门审评标准，审批周期长、成本高。-成本效益比待验证：AI模型的开发、部署、维护需投入大量资源，若其带来的临床获益（如减少并发症、降低住院费用）无法覆盖成本，医院和医保方缺乏推广动力。-医患接受度问题：部分医生对AI存在“技术抵触”，担心过度依赖AI影响临床思维；部分患者对“算法预测”存在不信任，更愿意相信医生的经验判断。未来发展方向与展望面对挑战，我认为未来AI在肿瘤并发症预测领域将向以下方向发展：1.技术革新：从“单模态”到“多模态融合”，从“静态”到“动态-实时”-多模态深度融合：未来模型将更有效地整合“临床-影像-组学-PROs-实时监测”数据，通过跨模态注意力机制捕捉数据间的复杂关联。例如，将基因突变信息与影像纹理特征结合，预测“特定突变患者使用靶向药物后间质性肺炎的影像演变模式”。-实时动态预测：结合可穿戴设备、物联网（IoT）技术，实现“秒级风险监测”。例如，智能手环实时采集心率、SpO2、呼吸频率等数据，通过边缘计算AI模型本地处理，一旦出现异常波动（如SpO2持续下降），立即向医生和患者发送预警。未来发展方向与展望数据共享：从“数据孤岛”到“联邦学习生态”-建立跨中心、跨国家的“并发症预测数据联盟”，采用联邦学习框架，在保护数据隐私的前提下联合训练模型。例如，欧洲的“TransComp”项目已整合15个国家的20家肿瘤中心数据，通过联邦学习训练免疫治疗并发症预测模型，样本量达10万例，模型泛化能力显著提升。-推动“医疗数据标准化”，推广FHIR（FastHealthcareInteropera