📄 Quick Note¶

摘要概述¶

Antman 和 Loscalzo 在这篇 Nature Reviews Cardiology 综述中系统阐述了 precision medicine 在心血管领域的愿景、现状与路径。文章指出传统"one size fits all"的 RCT 范式忽略了个体在病因、病理生理与治疗反应上的异质性，而组学（genomics、proteomics、metabolomics、epigenomics）、电子病历、移动健康设备、计算生物学等技术的汇聚为精准医学提供了基础设施。作者提出"precision participant descriptor"概念，主张从六个维度（omic 数据、医疗系统数据、患者生成数据、行为与动机、微生物组、exposome 与社会决定因素）动态刻画个体健康状态，并强调预测性富集策略（predictive enrichment）可让临床试验更高效、更个体化。文章最后讨论了实现精准医学面临的技术与社会政治障碍，以及医学教育与跨学科协作的需求，认为心血管社区应率先建设数字生态系统和学习型医疗体系。

关键图表¶

Figure 1（精准医学系统架构与目标）：描绘 recruit → describe → curate → analyse → report 的闭环，系统目标为促进发现科学、提高临床研究效率、验证发现、提供更精确的健康信息——这是整篇文章的总体框架图。
Figure 2（个体描述的六个维度 → precision participant descriptor）：将个体健康状态分解为 omic 数据、医疗系统数据、患者生成数据、行为与动机、微生物组、exposome/社会决定因素六维，汇聚成动态表型，是文章最具操作性的概念贡献。
Box 2（疾病生物学连续谱 vs 传统 RCT vs 精准医学目标）：对比理想健康→风险因素→疾病的连续分布、当前 RCT 将人群简化为单一表型的局限、以及精准医学旨在刻画个体治疗反应变异性的目标，直击 reductionist 范式的核心问题。

与我的关联¶

文章强调个体异质性与动态表型，这一框架为患者特异性计算生物力学建模提供了临床动机——我的 SMC G&R 模型本质上正是在刻画个体/亚群层面的力学表型演化，可与"precision participant descriptor"中的力学/影像维度互补。此外，文章对"biological continuum"与个体变异的强调，提示 G&R 模型应从群体平均参数走向个体化参数标定，这对我后续工作有方法论启发。