精准医疗健康管理的用户画像构建

精准医疗健康管理的用户画像构建演讲人目录01.引言：精准医疗时代的用户画像价值07.未来发展趋势03.用户画像的核心构建维度05.用户画像在精准健康管理中的应用场景02.用户画像的定义与核心价值04.用户画像构建的技术支撑体系06.用户画像构建的挑战与应对策略08.结论精准医疗健康管理的用户画像构建01引言：精准医疗时代的用户画像价值引言：精准医疗时代的用户画像价值在医疗健康领域，我们正经历从“标准化治疗”向“个性化健康管理”的范式转变。精准医疗的核心逻辑，是通过整合个体的生物信息、临床数据、行为模式等多维度特征，实现疾病预防、诊断、治疗的精准化。而这一转变的基石，便是构建科学、动态、多维度的用户画像——正如我在参与某省级慢病管理项目时深刻体会到的：当我们仅凭“高血压患者”这一单一标签制定干预方案时，患者的依从性不足40%；而通过整合基因数据、生活习惯、心理状态等构建的个性化画像，针对性调整干预策略后，依从性提升至75%。用户画像不仅是“标签的集合”，更是连接数据与临床、技术与人文的桥梁，它让健康管理从“被动响应”转向“主动预测”，从“群体平均”走向“个体独特”。本文将从定义辨析、构建维度、技术支撑、应用场景、挑战应对及未来趋势六个维度，系统阐述精准医疗健康管理中用户画像构建的完整体系。02用户画像的定义与核心价值1精准医疗用户画像的内涵辨析传统医疗中的“用户画像”多基于人口学特征（年龄、性别）和疾病诊断（如“2型糖尿病患者”），是一种静态、单维的标签集合，难以反映个体的复杂性。而精准医疗背景下的用户画像，是以“个体健康全周期数据”为基础，通过多源数据融合与算法建模，形成的动态、多维、可预测的数字孪生体。其核心特征可概括为“三维动态性”：-时间维度：覆盖从健康状态、高危前期、疾病发生到康复管理的全生命周期，例如通过纵向数据追踪糖尿病前期患者的血糖变化轨迹；-空间维度：整合临床数据（电子病历、检验检查）、生物数据（基因组、蛋白组）、行为数据（可穿戴设备、饮食记录）、环境数据（地理信息、污染物暴露）等多源异构数据；-预测维度：基于历史数据建模预测未来健康风险（如5年内心血管疾病发生概率）或干预效果（如某降压药对特定基因型患者的有效率）。2用户画像的核心价值体现用户画像的价值不仅在于“描述个体”，更在于“赋能精准决策”。在我的临床实践中，曾遇到一位45岁男性患者，常规体检显示“血脂异常”，但通过画像分析发现其载脂蛋白E基因型为ε4/ε4（阿尔茨海默病风险升高）、同时存在睡眠呼吸暂停（夜间血氧饱和度最低78%），结合其长期高脂饮食和久坐行为，最终诊断为“混合型高脂血症+认知功能障碍前期”，针对性制定睡眠干预、饮食调整及他汀类药物治疗后，6个月后血脂达标且认知评分改善。这一案例印证了用户画像的三重核心价值：2用户画像的核心价值体现2.1优化临床决策路径传统诊疗依赖医生经验，易受“认知偏差”影响（如过度依赖典型症状而忽视非典型特征）。用户画像通过整合多维数据，为医生提供“循证决策支持”：例如在肿瘤治疗中，基于基因画像的肿瘤突变负荷（TMB）和微卫星不稳定性（MSI）状态，可精准预测免疫检查点抑制剂的治疗响应率，避免无效治疗带来的副作用和经济负担。2用户画像的核心价值体现2.2实现主动健康干预传统健康管理多为“疾病发生后的被动应对”，而用户画像通过风险预测模型，可识别“健康高危人群”并提前干预。例如在某社区高血压管理项目中，通过构建包含血压变异性、盐敏感性基因、心理应激水平的画像，筛选出“隐性高血压高危人群”（诊室血压正常但24小时动态血压升高），通过家庭血压监测和生活方式干预，使该人群的1年高血压发病率下降28%。2用户画像的核心价值体现2.3提升医疗资源利用效率医疗资源分配不均是全球性难题，用户画像可通过“风险分层”实现资源精准投放：例如对慢性病患者，根据画像中的并发症风险（如糖尿病肾病风险评分）、自我管理能力（如血糖监测频率）分层，高风险患者由专科医生管理，低风险患者由社区医生和家庭医生签约，使优质医疗资源覆盖更多需要的人群。03用户画像的核心构建维度用户画像的核心构建维度构建精准医疗用户画像，需遵循“数据驱动、临床导向、动态更新”原则，从六个核心维度整合数据，形成“360度健康视图”。每个维度的数据采集需兼顾“科学性”与“可行性”，例如基因数据需通过规范化的实验室检测获取，行为数据需通过患者可接受的方式（如智能手环、APP记录）采集。1基础人口学与临床维度这是用户画像的“基石”，反映个体的基本健康背景和疾病状态，数据主要来源于电子病历（EMR）、医院信息系统（HIS）等结构化数据，包括：-人口学特征：年龄、性别、民族、职业、教育程度、婚姻状况等，例如老年患者可能因多病共存需要更复杂的用药管理；-临床病史：现病史（如糖尿病病程、血糖控制情况）、既往史（如手术史、过敏史）、家族史（如高血压、肿瘤的遗传背景），例如家族性高胆固醇血症患者需早期启动降脂治疗；-检验检查数据：血常规、生化指标（如血糖、血脂）、影像学报告（如CT、MRI）、病理结果等，例如通过糖化血红蛋白（HbA1c）判断糖尿病患者的长期血糖控制水平。1基础人口学与临床维度关键挑战：临床数据常存在“碎片化”问题（如不同医院间的数据不互通），需通过标准化（如ICD-11疾病编码、LOINC检验编码）实现数据整合。2生物标志物维度1这是精准医疗的“核心密码”，反映个体的生物学特征和疾病易感性，数据来源于基因组学、蛋白组学、代谢组学等高通量检测技术：2-基因组数据：SNP（单核苷酸多态性）、CNV（拷贝数变异）、基因突变（如EGFR突变、BRCA1/2突变），例如携带BRCA1突体的女性乳腺癌风险比普通人高40%-80%；3-蛋白组数据：炎症标志物（如CRP、IL-6）、肿瘤标志物（如AFP、CEA）、药物代谢酶（如CYP2D6基因型影响药物代谢速度），例如CYP2D6慢代谢型患者服用三环类抗抑郁药时需减量；4-代谢组数据：小分子代谢物（如血糖、血脂、氨基酸）、肠道菌群组成，例如肠道菌群多样性降低与肥胖、糖尿病的发生密切相关。2生物标志物维度个人经验：在参与某药物基因组学项目时，我们发现通过检测CYP2C19基因型（影响氯吡格雷代谢），可指导冠心病患者选择抗血小板治疗方案，使主要心血管不良事件发生率降低23%。3行为与生活方式维度1这是影响健康最“可干预”的维度，反映个体的日常行为模式，数据来源于患者自报、可穿戴设备、物联网设备等：2-饮食行为：膳食结构（如碳水化合物、脂肪比例）、饮食习惯（如三餐规律、进食速度）、特殊饮食偏好（如素食、低盐饮食），例如高钠饮食是高血压的重要危险因素；3-运动行为：运动类型（有氧运动、抗阻训练）、运动频率（每周≥3次）、运动强度（如最大心率的60%-70%），例如规律运动可使2型糖尿病患者的胰岛素敏感性提高30%；4-睡眠行为：睡眠时长（成人7-9小时）、睡眠质量（如入睡时间、夜间觉醒次数）、睡眠障碍（如失眠、睡眠呼吸暂停），例如长期睡眠不足（<6小时/天）会增加肥胖和糖尿病风险；3行为与生活方式维度-物质使用：吸烟（吸烟量、戒烟年限）、饮酒（饮酒类型、日均饮酒量）、药物滥用（如阿片类药物依赖），例如吸烟是COPD和肺癌的主要危险因素。数据采集技巧：为提高数据准确性，需结合“客观数据”（如智能手环记录的步数、睡眠监测设备记录的睡眠分期）和“主观数据”（如饮食日记APP记录的食物种类和分量），避免单一数据源的偏倚。4心理与社会因素维度健康不仅是“生理无疾病”，更是“心理社会适应良好”，这一维度的数据常被传统医疗忽视，但对健康管理效果至关重要：-心理状态：焦虑（如GAD-7评分）、抑郁（如PHQ-9评分）、压力水平（如生活事件量表评分），例如抑郁症患者糖尿病的患病风险比非抑郁者高37%；-社会支持：家庭支持（如家人是否协助健康管理）、社会支持网络（如朋友数量、社区参与度），例如独居老人的慢性病管理依从性显著低于有家人支持者；-健康素养：健康知识水平（如对糖尿病并发症的认知）、自我管理能力（如血糖监测技能、用药依从性），例如健康素养不足的患者更难理解医嘱，导致用药错误。案例分享：在某社区老年高血压管理项目中，我们通过心理量表发现部分患者存在“焦虑性高血压”（因担心疾病而产生紧张情绪导致血压波动），通过心理疏导结合降压治疗，血压达标率提升至65%。321455环境与暴露维度个体的健康受环境因素深刻影响，这一维度需整合宏观环境（地理、气候）和微观暴露（污染物、职业暴露）数据：-地理环境：居住地区（如城市vs农村）、海拔高度、气候条件（如寒冷地区易发生高血压），例如农村地区因医疗资源有限，高血压的知晓率低于城市；-环境暴露：空气污染物（PM2.5、NO2）、重金属（铅、汞）、职业暴露（如粉尘、化学物质），例如长期暴露于PM2.5会增加哮喘和肺癌的风险；-社会经济因素：收入水平、医疗保险类型、居住环境（如是否拥挤、卫生条件），例如低收入人群因经济压力更难坚持长期药物治疗。数据来源：可对接环境监测部门（如中国环境监测总站）、民政部门（如社会经济统计数据）获取宏观环境数据，通过问卷调查获取微观暴露信息。321456数字化健康行为维度0504020301随着移动互联网和可穿戴设备的普及，数字化健康行为数据成为用户画像的重要组成部分，反映患者对健康管理的“参与度”和“依从性”：-医疗APP使用行为：登录频率、功能使用情况（如血糖记录、用药提醒）、用户停留时长，例如频繁使用血糖管理APP的患者血糖控制效果更好；-可穿戴设备数据：心率、血压、血氧饱和度、步数等生理指标的实时监测数据，例如通过智能手环记录的夜间心率变异性可反映自主神经功能；-互联网健康信息搜索行为：搜索关键词（如“高血压饮食”）、信息来源（如权威医学网站vs非正规平台），例如搜索正规健康信息的患者更可能采取正确的自我管理行为。注意事项：数字化数据需注意“数据质量”问题，例如智能设备的测量误差（如血压计袖带佩戴不当导致数值偏差），需通过数据清洗算法剔除异常值。04用户画像构建的技术支撑体系用户画像构建的技术支撑体系用户画像的构建不仅是“数据的堆砌”，更需要“技术的赋能”。从数据采集到最终画像应用，需经历“数据整合-算法建模-可视化呈现”的全流程技术支撑，每个环节都需解决特定的技术难题。1多源数据采集与标准化技术多源数据采集是画像构建的第一步，需解决“数据孤岛”和“异构数据整合”问题：-数据来源：包括医疗机构（EMR、HIS、LIS）、基因检测机构（NGS数据）、可穿戴设备厂商（智能手环、血糖仪）、公共卫生系统（慢性病监测数据）、患者自报数据（PROs问卷）等；-标准化技术：通过统一的数据标准实现数据互通，如临床数据采用ICD-11（国际疾病分类第11版）和SNOMEDCT（系统医学术语集），基因数据采用HGVS（人类基因组变异命名标准），可穿戴设备数据采用FHIR（快速医疗互操作性资源）标准；-数据接口：通过API（应用程序接口）、ETL（抽取、转换、加载）工具实现数据对接，例如医院HIS系统与健康管理平台通过HL7（卫生信息第七层协议）接口交换数据。1多源数据采集与标准化技术实践案例：在某区域医疗健康大数据平台建设中，我们通过建立“数据中台”，整合了5家三甲医院、23家社区中心、2家基因检测机构的数据，实现了“一人一档”的标准化数据存储，为用户画像构建奠定了数据基础。2数据清洗与质量控制技术原始数据常存在“缺失、异常、重复”等问题，需通过数据清洗技术保证数据质量：-缺失值处理：根据数据缺失比例和类型采用不同方法，例如少量缺失用均值/中位数填充，大量缺失用多重插补法（MultipleImputation）；-异常值检测：通过统计学方法（如Z-score、IQR）或机器学习算法（如孤立森林）识别异常值，例如某患者血压记录为“220/120mmHg”但无临床症状，需核实是否为录入错误；-数据一致性校验：检查不同数据源之间的逻辑一致性，例如电子病历中“性别”为“男”，但基因检测数据中“性染色体”为“XX”，需核实是否存在数据录入错误。技术工具：可采用Python的Pandas库、R语言的dplyr包进行数据清洗，或使用专业的数据质量管理平台（如Informatica、Talend）。3算法模型与机器学习应用算法模型是用户画像的“大脑”，通过机器学习算法从海量数据中挖掘“模式”和“关联”：-聚类算法：用于用户分群，如K-means算法可根据血糖控制水平、饮食行为、运动习惯将糖尿病患者分为“稳定控制型”“波动型”“高危型”，针对不同类型制定差异化干预方案；-分类算法：用于疾病预测，如逻辑回归、随机森林、XGBoost可预测高血压的发生风险，输入特征包括年龄、BMI、家族史、盐敏感性基因等；-深度学习算法：用于处理复杂模式数据，如卷积神经网络（CNN）可分析医学影像（如CT、MRI）与临床特征的关联，循环神经网络（RNN）可分析时间序列数据（如血糖波动趋势）；3算法模型与机器学习应用-自然语言处理（NLP）：用于分析非结构化数据，如从电子病历的“病程记录”中提取患者症状、体征信息，从患者自报的“健康日记”中提取情绪状态。算法选择原则：需根据数据类型和预测目标选择合适算法，例如结构化数据（如检验指标）适合用XGBoost，非结构化数据（如病历文本）适合用NLP，时间序列数据（如血糖监测）适合用LSTM。4隐私保护与安全共享技术1用户健康数据涉及“个人隐私”，需在数据共享和应用中保护数据安全：2-数据脱敏：通过去除或替换个人识别信息（如姓名、身份证号）保护隐私，如采用“k-匿名”技术（使记录在准标识符上不可区分）；3-联邦学习：在不共享原始数据的情况下训练模型，例如多家医院通过联邦学习联合构建糖尿病预测模型，数据保留在本地，仅交换模型参数；4-区块链技术：用于数据溯源和访问控制，通过区块链记录数据的访问日志，确保数据使用可追溯，防止未授权访问。5法规遵循：需严格遵守《个人信息保护法》《医疗健康数据安全管理规范》等法规，例如基因数据属于“敏感个人信息”，需单独取得患者书面同意方可使用。5可视化与交互呈现技术用户画像的最终价值需通过“可视化”呈现给医生和患者，实现“数据到决策”的转化：-医生端可视化：通过仪表盘展示用户画像的核心指标（如风险评分、关键数据异常），例如展示糖尿病患者的“血糖控制趋势图”“并发症风险雷达图”；-患者端可视化：通过APP界面以通俗易懂的方式呈现健康信息，例如用“颜色预警”表示血压水平（绿色正常、黄色偏高、红色危险），用“任务清单”提醒患者用药和复查；-交互式分析：支持医生和患者通过交互操作探索数据，例如医生可点击“血糖异常”查看具体时间点的饮食、运动记录，患者可查看“某项指标改善”对应的干预措施。技术工具：可采用Tableau、PowerBI等商业可视化工具，或ECharts、D3.js等开源库开发定制化可视化界面。05用户画像在精准健康管理中的应用场景用户画像在精准健康管理中的应用场景用户画像的价值最终需通过“应用场景”体现，从疾病预防、诊断治疗到康复管理，用户画像正在重塑健康管理的全流程。结合我在多个项目中的实践经验，以下五个场景最具代表性：1慢性病的精准管理慢性病（如高血压、糖尿病、慢性肾病）具有“长期管理、多因素影响”的特点，用户画像可实现“个体化干预方案”：-风险分层：通过画像中的风险评分（如糖尿病并发症风险评分）将患者分为“低危、中危、高危”，例如高危患者（视网膜病变风险>20%）需每3个月复查眼底，低危患者每年复查1次；-干预方案定制：根据画像中的行为特征调整干预策略，例如“高钠饮食+久坐”的高血压患者，重点干预限盐（每日<5g）和增加有氧运动（如快走30分钟/天）；-效果评估与动态调整：通过画像中的生理指标变化（如血压、血糖）评估干预效果，例如某患者经3个月干预后血压仍未达标，通过画像发现其“用药依从性差”（漏服率30%），调整为智能药盒提醒后达标率提升至85%。1慢性病的精准管理案例数据：在某全国糖尿病管理项目中，基于用户画像的精准管理使患者的糖化血红蛋白达标率（<7%）提升至68%，并发症发生率下降22%。2肿瘤的精准诊疗肿瘤是精准医疗应用最成熟的领域，用户画像（尤其是基因画像）可指导“靶向治疗、免疫治疗、化疗”的精准选择：-肿瘤基因画像：通过NGS检测肿瘤组织的基因突变（如EGFR、ALK、ROS1突变），指导靶向药物选择，例如EGFR突变的非小细胞肺癌患者使用奥希替尼的中位无进展生存期（PFS）可达18.9个月，显著优于化疗（PFS6.0个月）；-免疫治疗疗效预测：通过肿瘤突变负荷（TMB）、微卫星不稳定性（MSI）、PD-L1表达水平预测免疫检查点抑制剂的治疗响应，例如MSI-H/dMMR的结直肠癌患者使用帕博利珠单抗的客观缓解率（ORR）可达40%；-治疗副作用管理：通过基因画像预测药物不良反应，例如携带HLA-B1502基因的患者使用卡马西平易发生Stevens-Johnson综合征，需避免使用。2肿瘤的精准诊疗个人体会：在参与某肺癌精准治疗项目时，一位晚期患者通过基因画像发现ALK融合突变，使用靶向治疗后肿瘤缩小80%，生存期从预期6个月延长至2年，这让我深刻体会到用户画像对肿瘤患者“生命质量”的改善价值。3健康风险预警与早期干预用户画像的核心优势是“预测”，通过识别“健康高危人群”实现“早预防、早干预”：-慢性病风险预测：通过机器学习模型预测5年内高血压、糖尿病的发生风险，例如Framingham高血压模型结合基因数据（如盐敏感性基因）可提高预测准确率至85%；-传染病风险预测：结合流行病学数据（如当地流感疫情）、个体行为数据（如是否接种疫苗）、免疫状态数据（如抗体水平）预测流感感染风险，例如抗体水平<1:40且未接种疫苗的人群为“高危人群”，需提前接种；-突发疾病预警：通过实时监测数据（如可穿戴设备记录的心率、血压）预警突发疾病，例如心率突然升高（>120次/分）伴血压下降（<90/60mmHg）可能提示急性心肌梗死，需立即就医。3健康风险预警与早期干预应用案例：某互联网健康平台通过用户画像预测“糖尿病前期”风险（空腹血糖受损+糖耐量减低），对高风险人群发送“饮食+运动”干预方案，1年内糖尿病发病率下降35%。4个性化健康干预方案的制定1用户画像的最终目标是“为每个人制定最适合的健康干预方案”，实现“千人千面”的管理：2-饮食干预：根据基因画像（如ApoE基因型）和饮食行为定制饮食方案，例如ApoEε4基因型患者需限制饱和脂肪酸摄入（每日<7%总能量），以降低心血管风险；3-运动干预：根据运动习惯和生理指标定制运动方案，例如“久坐型”肥胖患者从低强度运动（如散步20分钟/天）开始，逐步增加到中强度运动（如快走40分钟/天）；4-心理干预：根据心理状态（如焦虑、抑郁）制定心理干预方案，例如焦虑患者采用认知行为疗法（CBT），抑郁患者采用正念疗法（Mindfulness）结合药物治疗。5数据支持：研究表明，基于用户画像的个性化干预方案比“标准化方案”的依从性提高50%，效果提升30%。5医疗资源的优化配置用户画像可通过“风险分层”实现医疗资源的精准投放，解决“资源错配”问题：-分级诊疗：根据画像中的疾病严重程度和自我管理能力，将患者分配到不同级别的医疗机构，例如稳定期高血压患者由社区管理，急危重症患者转诊至三甲医院；-家庭医生签约服务：根据画像中的健康需求，为不同人群制定差异化签约服务包，例如老年人重点提供慢性病管理和上门服务，儿童重点提供疫苗接种和生长发育监测；-公共卫生资源投放：根据区域画像中的疾病谱和风险因素，优化公共卫生资源投放，例如某区域“高盐饮食+高血压高发”，可增加低盐食品供应和高血压筛查力度。案例效果：某试点城市通过用户画像指导分级诊疗，社区医院的慢性病管理覆盖率提升至80%，三甲医院的普通门诊量下降15%，医疗资源利用效率显著提升。06用户画像构建的挑战与应对策略用户画像构建的挑战与应对策略尽管用户画像在精准医疗中展现出巨大价值，但在实际构建和应用中仍面临诸多挑战，需通过“技术、政策、人文”多维度协同解决。1数据孤岛与碎片化问题挑战表现：医疗机构、基因公司、可穿戴设备厂商等数据主体间存在“数据壁垒”，数据格式不统一（如医院的DICOM影像格式与可穿戴设备的JSON格式），导致数据难以整合。应对策略：-建立区域医疗健康大数据平台：由政府牵头，整合区域内医疗机构、公共卫生机构的数据，通过数据中台实现数据互通；-推广数据标准：强制推行ICD-11、FHIR等国际标准，鼓励企业采用统一的数据格式；-探索数据共享激励机制：通过“数据确权、收益分成”机制，鼓励数据主体参与共享，例如基因检测机构共享数据可获得模型使用权。2数据质量与完整性问题挑战表现：临床数据存在“缺失率高”（如电子病历中吸烟史缺失率约40%）、“准确性低”（如患者自报身高体重与实际测量存在偏差）、“时效性差”（如检验数据未及时更新）等问题。应对策略：-建立数据质量评估体系：制定数据质量标准（如完整性≥90%、准确率≥95%），定期对数据进行质量检查；-多源数据交叉验证：通过临床数据与可穿戴设备数据、患者自报数据交叉验证，提高数据准确性；-实时数据更新机制：建立“数据实时采集”流程，例如检验结果生成后自动同步至电子病历，确保数据时效性。3伦理与隐私保护问题挑战表现：基因数据等敏感个人信息存在“泄露风险”（如基因数据可能被用于保险歧视、就业歧视），患者对数据共享存在“信任危机”。应对策略：-完善法律法规：制定专门的医疗健康数据保护法规，明确数据采集、使用、共享的边界；-强化知情同意：采用“分层知情同意”机制，明确告知数据用途、共享范围、风险及权益，允许患者随时撤回同意；-技术保护：采用联邦学习、差分隐私等技术，在数据共享中保护隐私，例如差分隐私可通过添加噪声使个体信息不可识别。4动态更新与时效性问题挑战表现：用户健康状态是动态变化的（如患者从“糖尿病前期”进展为“糖尿病”），但传统画像多为“静态更新”（如每半年更新一次），难以反映实时变化。应对策略：-建立动态画像更新机制：通过实时数据流（如可穿戴设备数据、APP记录）实现画像的“实时更新”，例如每日更新血糖、血压数据；-设定关键指标阈值：当关键指标（如血糖、血压）超过阈值时自动触发画像更新，确保画像的时效性；-长期随访数据整合：通过定期随访（如电话随访、门诊随访）收集长期数据，补充实时数据的不足。5多学科协作不足问题挑战表现：用户画像构建需临床医生、数据科学家、伦理学家等多学科协作，但现实中存在“学科壁垒”（如医生不了解算法原理，数据科学家不了解临床需求）。应对策略：-组建跨学科团队：在项目初期组建包含临床医生、数据科学家、伦理学家、患者代表的团队，定期召开沟通会议；-建立“翻译”机制：通过“临床需求文档”将医生的需求转化为数据科学家的技术指标，通过“算法解释工具”将算法结果转化为医生可理解的语言；-患者参与：邀请患者参与画像构建过程，了解患者的真实需求（如希望看到哪些健康指标、如何理解风险评分），提高画像的“用户友好性”。07未来发展趋势未来发展趋势随着技术的进步和理念的更新，精准医疗健康管理的用户画像将向“更精准、更智能、更人文”的方向发展，以下五个趋势值得关注：1多组学数据深度融合未来的用户画像将整合“基因组、蛋白组、代谢组、微生物组”等多组学数据，