现在，我们很多人都熟悉“可穿戴”技术，如运动跟踪器和智能手表。这些设备提供的连续的“实时”数据带来了绝佳的机会，可更好地了解我们的健康和幸福。但要做到这一点，我们需要计算机软件工具，以便在这些数据中寻找模式，了解一些新的或有意义的东西。这就是机器学习的目的，为计算机提供一个大型数据集，计算机的任务是在没有明确指令的情况下找到模式 [1]。这样，我们就能够建立一组规则（算法），计算机可在未来使用这些规则通过新的数据识别类似的趋势。通过这种方式，计算机可分析数据并作出决策——也就是说，它拥有人工智能 (AI)。

 全球正在投入巨大的精力，利用机器学习和 AI 来发现健康和医疗数据中的模式，以更多地了解健康和疾病[2]。其中的许多工作都集中在利用来自大量人群的数据，发现特定疾病的总体趋势，但在 Eskofier 教授的机器学习和数据分析实验室，他们正在寻求以一种高度个性化的方式使用这些数据。

 Eskofier 表示：“我的愿景是，使用数字工具来建立一个更好的医疗保健体系。如果您能让一名慢性病患者的生活变得更好，那就是一种成就。”

 他的实验室致力于研究新的方法，使不可评估的疾病变得可评估。“大约在 120 年前，有两项发明打开了新的诊断窗口：W.C.Röntgen 发明的 X 射线以及 W.Einthoven 发明的心电图。这两项发明首次使某些疾病变得可见并可评估，后来被授予诺贝尔生理学或医学奖。我们在研究通过将传感器技术与 AI 相结合，使帕金森综合症等疾病的评估成为可能。”

医生通常会使用一种称为“统一帕金森综合症评定量表”的标准问卷来评估帕金森综合症的病情和治疗反应，该量表将评估诸如行动迟缓、肌肉僵硬、不自主震颤和步态不稳等症状。但一个关键的限制是，这些评估是主观的。

Eskofier 表示：“如果一名患者经过三位医生的诊断，您会得到三种不同的评定。但有了传感器，您就能够客观地评估疾病。”

2013 年，Eskofier 的实验室与埃尔朗根大学医院密切合作，利用安装在患者鞋子内的传感器，构建了一个有关帕金森综合症患者的步态分析数据库——eGaIT，并利用该数据库开发了可预测症状严重程度的算法 [3]。近 700 个步态特征被用来构建 eGaIT，当测试该数据库是否能够预测一组新患者的疾病严重程度时，它成功地将帕金森综合症患者与对照组区分开来，对最严重患者的预测准确率达到 91% [3]。该算法后来得到改进，例如用于患者的真实行走 [4,5]。

“AI 总是依赖于数据质量，我们现在拥有最大的帕金森综合症步态分析数据库之一。”Eskofier 解释道，“通过我和他人共同创立的一家初创公司，我们现在正将这些数据知识和算法开发成一个数字医疗保健解决方案，有望很快提供给德国的每一名帕金森综合症患者。”

德国全新的《数字医疗保健法案》加快了这一进程，这意味着，经医学批准的传感器或应用程序现在可由医生开出，并通过医疗保险系统报销。“对于像我们这样的初创公司，这是一个重大的改变游戏规则的因素，因为在那之前，还不确定如何才能让数字健康工具得到报销。”

想到这种方法不仅限于帕金森综合症，还适用于实时患者支持可能有用的任何疾病，真的令人兴奋。Eskofier 表示：“它可用于怀孕期间的家庭超声波检查，还可用于心肌肥大患者的家庭心脏功能测量。它总是从测量开始，所以我们关注的是传感器或可穿戴设备可表明患者在家的情况的任何领域，以及我们如何利用该测量数据来优化患者的护理。”

任何数字健康技术都必须提供有意义的见解，并能让最终用户使用，这意味着 Eskofier 实验室的每个人都需要一些医学知识。“我的所有研究临床医学问题的博士学生都必须在医院工作过，因为我们需要了解患有某种疾病的患者如何生活，以及医生如何进行治疗。这涉及到将算法应用到所研究的医疗保健领域。”

对于医务人员和患者的可用性也很重要。“很多人都可编写算法，但关键的是从用户的角度出发。”Eskofier 表示，“了解传感器和算法的工作原理会很困难，但如果患者和/或医生无法理解如何使用和解释工具，这对任何人都没有帮助。”

成功的数字健康的另一个要素是信任，许多人都对分享任何类型的个人数据持怀疑态度，这是可理解的。“如果我问您有多少不同的实体知道您的个人地址，您可能无法回答我。我们的很多数据已被传送到一个数字空洞，而我们却感觉无法追踪这些数据的后续处理。但根据欧洲 GDPR 法律，您有权知道谁在使用您的数字数据。”Eskofier 介绍道，“因此，我们正在开发‘个人健康数据空间’；在这里，人们可确切地看到谁在访问他们的数据，这些数据被用于哪些出版物和研究，我们还提供了随时收回数据的选项。”