月份: 三月 2019

現在最常找文獻的方式，其實就是直接古狗(google)有興趣的詞彙，期待google大神丟給我幾篇大作，其中點進去往往會跑到PMC或是Pubmed的網站，雖然兩個都是在NIH下的，但兩者查到的東西都不太同，那到底有什麼不同呢？

這篇文章可以非常好的回答這個問題：

MEDLINE, PubMed, and PMC: How are they different?

談到PubMed和PMC，也需要提及MEDLINE，因為它們算是有時代關聯的產物，MEDLINE是最早的美國國家生醫文獻資料庫，在1960年代就有，收錄的文獻都有相當完整的編碼，採用MeSH字彙來整理，所以用自然語言或是相關語義搜索的話，能有比較完整且精準的查找能力，但其收錄的文獻相對就少，畢竟需要手工人力去對這些文獻做索引，或是依賴發表者的提交，為了應付文獻快速的飛長，Pubmed的資料庫便在1996年出現，他除了包含了MEDLINE資料庫的內容外，還包括了還未經過索引的文獻，以及相關的引用資料，隨者開源閱讀和免費全文的趨勢，PMC資料庫在2000年出現，主打收錄的文獻都是提供全文閱讀的，有了上述的概念，便知道說，要找資料時，根據你的搜尋策略和目的，便可以有不同的入口。

下面則是原文針對PubMed的收錄原則，有興趣的話可以看一下。節錄台大圖書館的網站文章

1. 處理中的文章，此類文章尚未由專業館員加上MeSH，亦尚未收錄於MEDLINE。
2. MEDLINE收錄的期刊中，不屬於MEDLINE收錄範圍的文章 (例如載於基礎科學期刊裡的板塊構造、天體物理學文章)，此類期刊如果有刊載生命科學相關主題的文章，會標註MeSH。
3. 尚未正式發表的期刊文章，此類文章通常是出版社經由電子方式提交給NLM。
4. 部分尚未更新為近代MeSH辭彙(1966年以前)，且尚未收錄於MEDLINE之OLDMEDLINE資料。
5. 在MEDLINE收錄範圍之外的生命科學領域期刊，如果有提交電子全文予PubMedCentral且經過NLM審核，即可在PubMed上查得。
6. 美國國家衛生研究院 (National Institutes of Health，簡稱NIH)資助之研究者所發表的文章。
7. 收錄於美國國家生物技術資訊中心 (National Center for Biotechnology Information，簡稱NCBI) BookShelf上的大部份圖書。

這裡面真的藏滿人類的珍寶智慧啊xd

閱讀參考：

台大圖書館 MELINE與PubMed差異比較

知乎：PubMed, PMC和MEDLINE的區別和聯繫

先不管人工智慧這詞在這兩年如何延燒，本質上，都只是人類科技的漸進式進步，每一個之間都有脈絡相連，從所謂的統計分析、大數據、機器學習、深度學習到人工智慧，但媒體為了方便讓門外之人來稍微理解，才需要如此用Buzz word下標。

駐：這篇以此文章的角度訴說，其實我的想法中，機器學習只是一個演算法工具，用來作一些預測、分類、判斷。

這邊分享一篇2019三月在AACC裡的一篇新聞式的文章，開頭就是：
Machine Learning and Laboratory Medicine: Now and the Road Ahead，作者是Thomas Durant醫師，目前耶魯大學檢驗醫學的研究醫師，從作者的年紀和談論的主題，可以發現新的一批年輕醫師開始將其他領域的知識引入實驗醫學，這算是一個蠻令人振奮的氛圍，如同長庚醫院檢驗醫學的王信堯醫師最近用機器學習開發的抗藥性菌株辨識演算法，也大大改變了如今臨床上的資料取得的速度。

閱讀完這篇文章後，可以發現其寫作對象應該是其他的檢驗醫學醫師，內容沒有在技術細節琢磨太多，反而在談論檢驗醫學科的醫師如何將機器學習中引入實驗室醫學的角色，甚至帶入臨床場域的角色。

這篇文章主要可以分成三部分：

• 1. 簡介
• 2. 機器學習目前在醫院檢驗室內和外的使用狀況
• 3. 在引入臨床中會遇到的困境

簡介：機器學習足夠成熟和穩定

通常醫院環境是相對保守的地方，可以從其嚴謹的規範看得出來，所有與病人相關的處置，通常都需要經過足夠的臨床試驗和證據支持，才能在醫院內推行，其中醫院檢驗室內的規範，算是其中之最，有許多實驗室的認證需要完成，因為每個檢驗數值都攸關病人的臨床決策和治療，所以導入任何新技術都需要驗證，即使是常規的檢驗方法都有品管在嚴格監測，所以機器學習這技術要導入，必定代表其在其他領域有一定的成熟度，這點可以從每日的新聞和許多身邊的電子器材中感受到，所以如今等待者檢驗醫學的醫師找到一套比較好的方法去導入這技術到檢驗室中，同樣地需要為其找到良好的評估和驗證的方法，這也是導入機器學習於醫院中的第一層挑戰。

機器學習的應用在醫院檢驗室內以及外

這篇所謂的醫院檢驗室內與外，是在用臨床環節來思考和區分的，這邊的臨床環節是指從病人檢體送到檢驗科，檢驗科發出報告，臨床醫師閱讀報告來做臨床治療，這一個流程中，在報告抵達各科臨床醫師前和後中，機器學習如何落地其中，在檢驗科內部，目前有些已經核准的產品如Cellavision, Accelerate Pheno(相關論文一/＝)。

Clinical pathologist suited for the role to guide these types of efforts, owing not only to ML models frequent reliance on laboratory data but also laboratorians’ expertise in validating new technology for clinical purpose

節錄自此篇文章

在實驗室外，則是整合在電子病歷(Electrionic Health Record, EHR)裡頭結合檢驗數值來做臨床決策的工具(Clinical Decision Support, CDS)，這部分則需要有更多相關的規範指引，在2017年美國FDA有發表一個關於臨床決策支持系統(CDS)軟體的規範草稿，這部份可能要等到規範正式後，才比較容易合法的發展。

引入臨床中會遇到的困境

將這些技術引入到臨床中，會遭遇到的問題主要有：1. 資料處理的問題 2. 模型的可概括性 3. 相關規範 4. 臨床醫師的接受度。 這幾個問題，目前都沒有很好的解決辦法，不過這也代表的機會。

Laboratory medicine professionals will need to understand what can be done reliably with the technology, what the pitfalls are, and to establish what constitutes best practices as we introduce ML models into clinical workflows.

節錄自此篇文章