在2015年美国临床肿瘤学会（ASCO）年度会议来临之际，ASCO主席Peter Yu教授在采访中简要介绍了今年会议计划的主要主题之一——大数据，并概述了ASCO牵头的大数据项目CancerLinQ™的未来。此外，他还为ASCO与会者推荐了一些重要的会议主题，并对为什么恰好是肿瘤科医生引领医药领域大数据发展的情况做了解释。
Peter P. Yu教授
记者：Peter P. Yu博士，请问您为什么会选择“启示与创新：将数据转换为知识”作为今年的主题？
Dr Yu：我们正处在一个信息时代，我们正在受到大量的信息、大量的数据不断地冲击。任何一位参与电子医疗病例（EHRs）的医生已经成为全天候的工作者。这方面的数据是非常有效率的，一旦你开出了检查，它能马上落实并且反馈结果。你需要处理并决定的是“对此，接下来我该怎么办？”既往在你开出检查到获悉结果思考下一步治疗方案之间有几天的间隔时间。而现在它是即刻完成的。医生几乎要被数据及其衍生出来的数据所淹没。现实问题是，你将要如何处理这些所有数据，如何理解它？
同样地，就精确医学和分子医学而言，科学发现的积累速度已经大大地加快。我们将要面临数据爆炸的时代。如果你因为不确定下一步的最佳治疗方案而为肿瘤患者订购了新一代的测序面板，那你可能会得到一份在10或12个不同的基因突变上的300400个不同的遗传热点的报告。拥有这些数据当然好，但它对你有什么提示呢，对病人又意味着什么呢？因此，我们需更加睿智、更加灵活地对待这些数据，理解并从中获得知识，作出正确的决策，改善患者的预后。新一代的肿瘤专家将要处理越来越多的数据，并且需尝试如何从数据的理解中获取知识。
这就是本次ASCO年会中我们所做的。与会者带着从他们过去一年的研究工作中获得的数据，在芝加哥展现他们的数据。他们展现不仅仅是数据，还有结论——从他们的数据提取出来的知识——向癌症界发出声音，“你是否同意我的观点？”同行的肿瘤学家互相探讨，并在某些情况下这些发现将改变临床实践，转化为我们已知的东西。
但是我认为数据只是它的一个开始；接着我们需要一个过程来理解，之后我们从数据告知我们的内容中发掘知识和建立模型，再在年会上进行知识讨论与争辩。与会者通过此获得某些结论，这就是他们所真正学到的。所以，在会议上我们所需要做的是展现数据并将其转换为实际的知识。在不断增长的大量的数据中，现在我们只从分子和临床的角度来处理。
记者：最近几年“大数据”在肿瘤学中已然成为一个时髦词。然而，在社区肿瘤科医生中对于这个词的含义仍有一些困惑。对于执业肿瘤医师来说，“大数据”包括那些内容？
Dr Yu：这是一个时髦词，而像其它的时髦词一样，经过了几年使用，它开始失去它本来的意义，成为了只是一个包罗万象的短语。现在我要说的是“大数据”术语没有其它的含义，它就是指创建大型数据集和挖掘该数据集的能力。在这一点上，我们尚未真正建立起这些大型数据集。我们已经拥有电子医疗病例（EHRs）；这是数据的数码展现。是我们的第一步。
但电子病历间彼此尚未连接。互通性差，即从一台电脑系统访问另一台计算机系统的能力差。即使你拥有了——目前我们还未拥有——那做这些基础是什么？谁是合适的代理人？采用什么机制来搜集所有的数据？
现在说肿瘤学“大数据” 是一个毫无意义的词。这就是开展CancerLinQ项目的原因所在。 ASCO正在创建一个平台，基于这个平台医师们可以开始分享数据。我们要创建一个大的数据集，并借此达到发掘大数据的目的。为此，ASCO启动了CancerLinQ，它可以将EHRs转入ASCO的数据库。这些数据将被去标识和汇总。然后，我们将创建大数据，可供我们发掘这些数据并达到学习的目的。
记者：社区肿瘤科医生对大数据需尽快了解的基本看法或概念是什么？
Dr Yu：他们应该去ASCO展览大厅，其中有一个专设的展位为我们的会员解释和呈现——解释数据共享的概念，通过CancerLinQ创建大型数据库，和培养发掘数据的能力。
数据发掘具有多种用途。它在分析如何参考全国平均水平进行基准测试的医疗实践中非常实用。我们可以对肿瘤医生的行为进行汇总，然后给出在既定的情况下你会如何行事。该基准测试可用于过程质量的改进。还可用于就诊效率的分析。例如，安排PET扫描还是MRI扫描，医生在临床实践中的差异有多大？这些是否会抬高你的医疗费用？有潜在的效率改进空间吗？
从现实出发，就医疗实践而言，它在保证质量的同时需兼顾成本效益，这是一项医疗实践得以存在的本质。众所周知，最好的医疗实践是以最低的成本达到最佳效果，当病人的诊疗不只有一个候选方案时，我们可以为临床医师提供决策帮助。就临床实践而言，这是务实的一面。
这是对我们从临床试验中得到的知识的一个补充。临床试验之于医学，就像面包和黄油之于我们一样重要。在临床试验中，我可以设计问题，以一个科学的方式，比较不同的治疗方法或不同的组。随机临床试验是金标准，是一级证据。
但你不能运用临床试验来回答每一个重要的问题。我们需要一种有效的方法从已有的实践中获取知识，而不是仅仅依赖于临床试验，因为临床试验不能回答我们所有的问题。因耗时长耗资巨，所以我们没有足够的时间和经费来通过临床试验来回答每一个问题。临床试验有明确的入组和排除标准，其试验对象是一组同质的人群。但当你尝试应用到现实生活中的病人时，他们往往不符合临床试验的标准。研究结果并不适用于一般的患者人群。在实践中，我们会看到当肿瘤医师想要减少使用剂量，或者更改治疗的日程安排时，他们无从着手。而大数据弥补了我们从临床试验中获得的知识的不足，可以快速地帮助我们了解如何治疗现实生活中的患者。
