数十年来，血压、体温及糖化血红蛋白等生物标志物一直是疾病追踪的关键。尽管对慢性病管理至关重要，但这些指标通常仅定期采集，难以可靠检测早期变化。此外，血液检测过程不适、成本高昂且时效性不足。
过去，持续监测生命体征需住院进行。如今，通过可穿戴设备收集的数字生物标志物，为医疗提供者提供了海量数据，有助于精确监测甚至预测疾病轨迹。随着云端服务器及廉价复杂传感器的普及，结合人工智能（AI）与机器学习技术，居家监测效果有望优于医院。
数字生物标志物的机遇
数字生物标志物在应对神经退行性疾病（如轻度认知障碍、阿尔茨海默病和帕金森病）方面潜力巨大。由于缺乏易获取的诊断指标，此类疾病成为开发重点。目前阿尔茨海默病的确诊依赖PET或MRI等昂贵检查，且准确性并非总是可靠。
成本节约及其他益处
数字生物标志物有望通过早期检测和延缓疾病发展，为医疗方、企业及患者释放巨大价值。识别早期迹象并通过认知康复阻止进展，可显著改善预后和生活质量。例如，轻度认知障碍（MCI）常在阿尔茨海默病发病前数年出现，约33%的病例可通过相关数字生物标志物提前启动治疗路径。
基于眼球运动、数字绘图、纸牌游戏及步态分析来检测阿尔茨海默病早期迹象的研究已取得鼓舞性进展。尽管仍需更多临床试验验证其准确性与可靠性，但其应用前景比以往任何时候都更为明朗。
心理健康与行为健康
精神与行为健康疾病的追踪同样面临挑战。重度抑郁症或广泛性焦虑症缺乏血液检测手段，精神分裂症虽有多种诊断工具，但尚无经证实的生理生物标志物。
数字工具可有效填补这一空白。在获得同意的前提下，医疗科技公司可利用智能手机被动持续收集数据，结合定期调查，辅助评估疗法有效性并预测病情。例如，加州大学洛杉矶分校的研究发现，AI驱动的技术能通过语音反应准确识别病情恶化迹象。
人工智能如何改变游戏规则
- 远程高效采集：数据主要通过云端远程收集并由医疗方分析，消除了昂贵的门诊就诊，提高了患者参与度。结合互动式移动活动，被动数据采集使患者更易坚持管理计划。
- 高度个性化评估：AI数据引擎综合患者病史、人口统计特征及百万级相似患者数据进行分析，实现对患者状况的实时个性化评估，显著提升预测准确性。
综上所述，这些因素使得数字生物标志物能够以完全可扩展的方式部署。
局限性与挑战
技术发展迅速，但围绕数字生物标志物的问题亟待解决：
- 数据安全与隐私：如何在保障HIPAA合规及防范网络攻击的同时，确保医患间数据畅通？现有法规尚未适应技术公司直接共享受保护健康信息的生态，必须解决隐私安全疑虑才能获得医疗方信任。
- 证据基础薄弱：相比传统生物标志物，数字生物标志物作为21世纪概念，在被医生、药企及监管机构广泛采纳前，需建立更深厚的证据基础。
- 报销机制缺失：目前尚无明确的报销结构或财务激励。尽管其在临床研究及远程监测中的价值公认，但支付标准、时机及主体等问题仍待明确。美国CMS、FDA等机构正探索阿尔茨海默病及糖尿病等相关数字生物标志物的价值评估与付费模式。
未来在家
新冠疫情证明了居家医疗服务的安全性与有效性。随着循证可靠的数字生物标志物涌现，居家护理将持续演进。这将腾出重症床位，降低系统成本，并极大改善患者及其家人的就医体验。