编者按：在第62届欧洲肾脏协会年会上，荷兰格罗宁根大学医学中心博士后研究员Tamas Szili-Torok博士分享了其在新兴交叉学科——临床数据科学领域的前沿探索。作为医学与数据科学交叉学科的研究者，他聚焦机器学习与人工智能在肾脏病学中的应用，尤其致力于通过机器学习算法预测慢性肾病患者的临床结局。肾医线记者邀请Tamas Szili-Torok博士就此话题进行了深度分享。

跨学科研究：从临床数据到智能预测模型

“我们采用了一种极具创新性的机器学习算法，它在临床适用性方面潜力巨大。”Szili-Torok博士介绍道，鉴于其对技术与医学相结合的浓厚兴趣，在所在科室导师的支持下，他们成立了一个新的临床数据科学研究小组，旨在采用更现代的方法（如机器学习等），对格罗宁根医学中心普通人群研究和肾脏移植受者的海量数据，来预测肾脏病相关的患者结局。例如，其团队利用该技术对肾脏移植受者的术后糖尿病风险、移植物衰竭等结局进行预测，同时结合代谢组学、蛋白质组学等高维度数据，挖掘与疾病结局相关的生物标志物，为未来的靶向治疗提供理论基础。因此，他们的研究兴趣主要集中于“预测”，并深度利用代谢组学等高维度数据集来解释病理生理学机制。

值得关注的是，他与学生共同开发了针对医学需求的特征选择新方法，这种机器学习方法不仅包括医学中常见的生存分析，还加入了共线性检验，从而解决了传统机器学习在医学数据应用中的局限性。

方法论革新：机器学习与传统数据分析的范式差异

处理组学数据时，通常会多次进行单变量分析，然后进行多重检验校正。谈及机器学习与传统关联分析的区别，Szili-Torok以“足球队协作”作比喻：“单个球员（特征）表现优异，但组合后可能因互动不佳而失效；反之，个体表现普通的球员组合可能产生强大合力。”特征组合也可能如此。因此，在特征选择过程中考虑这些复杂的交互作用，我们实际上能选出更好的特征。而机器学习的优势在于能捕捉特征间的复杂交互作用。

建模方面，传统方法通常假设线性关联。而在医学或生物领域，我们研究的很多关联并非线性。机器学习模型则可以自动考虑这种非线性关系，真正对这些非线性关联进行建模，即无需预设线性关联假设，可自动拟合U型、指数型等非线性关系。传统方法虽然也可以通过多次尝试实现建模，但存在过拟合的风险。

跨学科人才：破解临床机器学习落地难题的关键枢纽

对许多临床医生来说，使用这些机器学习模型非常困难，这正是临床数据科学的主要价值所在。对于临床医生关心的“技术落地”问题，Szili-Torok博士强调了跨学科背景的重要性。医学博士有医学背景，如果兼具数据科学知识，则既能提出有临床价值的问题，又能搭建适用于医疗场景的模型，这是推动领域发展的关键。当然，我们不能指望临床医生成为数据科学或应用数学专家，因而他认为，拥有医学背景并接受过数据科学培训的人才，是为该领域做出贡献的关键。其自身经历颇具代表性——新冠疫情期间自学编程，将技术与医学研究深度融合，开创了肾脏病学研究的新路径。

未来展望：临床数据科学的专业化与中国机遇

“我认为未来应设立一个新的医学专科——‘临床数据科学’，以推动数据科学与医学的系统性融合。”Szili-Torok博士展望道，随着医学数据爆炸式增长，机器学习将在两大方向凸显价值：一是基于大规模人群研究实现个体化医疗预测，二是通过数据驱动加速靶向药物研发，改变传统“偶然发现”的药物开发模式。

值得关注的是，他近期申请了“国家自然科学基金海外优秀青年科学基金项目”，计划在中国进一步拓展机器学习在个体化医疗中的应用。“中国具备基础设施、高质量数据和人才储备三大优势，必将成为临床数据科学领域的重要力量。”他指出，中国在该领域的战略投入与创新生态，为跨学科研究提供了理想土壤，而他期待在这一进程中贡献力量，推动机器学习在肾脏病学乃至整个医学领域的深度落地。