Predictive Analytics, Implementation Science, Precision Medicine and Precision Public Health |  Blogs

Predictive Analytics, Implementation Science, Precision Medicine and Precision Public Health | Blogs

Juli 28, 2020 0 Von admin

twp φιγούρες που κοιτάζουν έναν τοίχο γραφημάτων που απεικονίζουν προγνωστικά αναλυτικά στοιχεία, έναν γιατρό με ένα στηθοσκόπιο που έχει ένα μεγεθυντικό φακό σε μια κόκκινη φιγούρα που περιβάλλεται από πολλές άλλες συστάδες φιγούρωνΑυτό το ιστολόγιο είναι μια περίληψη των πρόσφατων μας χαρτί με βάση μια διεπιστημονική ΕΡΓΑΣΤΗΡΙ που συγκλήθηκε από το Εθνικό Ινστιτούτο Καρδιάς, Πνεύμονα και Αίματος να διερευνήσει τη βελτίωση των προγνωστικών αναλυτικών στοιχείων για την έρευνα εφαρμογής. Η χρήση του προγνωστική ανάλυση σε ιατρική ακριβείας (η σωστή παρέμβαση στον κατάλληλο ασθενή τη σωστή στιγμή) είναι καλά καθιερωμένη. Η πιο πρόσφατη ανάπτυξη του δημόσιας υγείας ακριβείας (η σωστή παρέμβαση στον σωστό πληθυσμό τη σωστή στιγμή) εντοπίζει ανάγκες για προγνωστικές αναλύσεις παρόμοιες με τον τομέα της ιατρικής ακριβείας.

Οι Τομείς Δεδομένων για Ιατρική Ακριβείας και Δημόσια Υγεία Ακριβείας

Υπάρχουν τουλάχιστον πέντε τομείς πηγών δεδομένων που μπορούν να επηρεάσουν την ανθρώπινη υγεία: ιατρική/υγειονομική περίθαλψη, γενετική/γονιδιωματική/ολοκληρωτική βιολογία, συμπεριφορές, κοινωνικοί παράγοντες και το φυσικό και κοινωνικό περιβάλλον. Υπάρχει αυξανόμενο ενδιαφέρον όχι μόνο για τη γενετική/γονιδιωματική, αλλά και για τη συμπεριφορική ιατρική και τον ρόλο των κοινωνικών και περιβαλλοντικών καθοριστικών παραγόντων της υγείας. Η συμπερίληψη πολλών τομέων έχει επεκτείνει γρήγορα τις ψηφιακές πληροφορίες που είναι διαθέσιμες για κάθε άτομο (Εικόνα). Στο μέλλον, οι πληροφορίες θα περιλαμβάνουν επίσης ένα πλήρες προφίλ μεταβολισμού, μεταγραφική, επιγονιδιωματική και βιολογία ολοκληρωμένων συστημάτων, που θα μετρούν την αλληλεπίδραση των ανθρώπινων συστημάτων από κύτταρα σε συστήματα οργάνων. Επιπλέον, μεγάλες αυξήσεις στις ψηφιακές πληροφορίες που περιγράφουν κοινωνικούς συσχετισμούς και καθοριστικούς παράγοντες της υγείας και του φυσικού περιβάλλοντος στο οποίο ζουν οι ασθενείς. Ο ψηφιακός φαινότυπος από κινητές και άλλες προσωπικές συσκευές για συνεχή ή διακοπτόμενη φυσιολογική παρακολούθηση θα ποσοτικοποιήσει παθητικά τις ανθρώπινες συμπεριφορές, τις φυσιολογικές αποκρίσεις και τις περιβαλλοντικές εκθέσεις.

Τέσσερις κρίσιμοι τομείς διερευνήθηκαν από τους συμμετέχοντες στο εργαστήριο ως απαραίτητοι για την προώθηση της προόδου στην προγνωστική ανάλυση για τη βελτίωση της υγείας του ατόμου και του πληθυσμού, με έμφαση στις διαταραχές της καρδιάς, των πνευμόνων, του αίματος και του ύπνου. Κάθε στόχος του εργαστηρίου αντιμετωπίστηκε με παρουσιάσεις και περιλάμβανε μια περίπτωση χρήσης, η οποία παρείχε ένα χαρακτηριστικό παράδειγμα συνεχιζόμενων προγραμμάτων.

Στόχος 1: Προσδιορισμός, διαχείριση, οργάνωση και δημιουργία προσιτών διαφορετικών τύπων πληροφοριών/δεδομένων σε κλίμακες κατάλληλες για μεγάλους πληθυσμούς

Στην ιδανική περίπτωση, για να μετατραπούν αυτές οι πληροφορίες σε γνώση που μπορεί να γίνει πράξη, τα δεδομένα πρέπει να είναι ουσιαστικά, έγκυρα, ακριβή, αξιόπιστα, περιεκτικά, αντιπροσωπευτικά, προσβάσιμα, αναπαραγώγιμα και να συλλέγονται επανειλημμένα με την πάροδο του χρόνου. Για να είναι δραστικά, τα προγνωστικά αναλυτικά μοντέλα πρέπει να είναι έγκυρα, χρησιμοποιήσιμα και ενσωματωμένα στις ροές εργασίας με τρόπους που υποστηρίζουν και ενισχύουν την αποτελεσματικότητα διαφόρων οργανισμών υγειονομικής περίθαλψης και κοινοτήτων/υποπληθυσμών. Για παράδειγμα, οι ανάγκες λήψης αποφάσεων των κοινοτήτων (π.χ. γειτονιές, σχολικές περιφέρειες, εργοτάξια κ.λπ.) και γεωπολιτικών περιοχών (π.χ. νομοί, πόλεις, πολιτείες κ.λπ.) βρίσκονται σε επίπεδο πληθυσμού. Οι πληροφορίες των ατόμων μπορούν να συγκεντρωθούν σε γεωγραφικά δεδομένα για να περιγράψουν την υγεία αυτού του πληθυσμού ή οι πληροφορίες της κοινότητας μπορεί να είναι ένας δείκτης της έκθεσης ενός ατόμου. Ομοίως, δεδομένα που χαρακτηρίζουν το κοινωνικό κεφάλαιο μιας κοινότητας, τα επίπεδα κοινωνικής στέρησης, τις ποικίλες περιβαλλοντικές εκθέσεις και τους πόρους κλινικής και δημόσιας υγείας μπορούν να αποτελούν σημαντικά μέρη της κοινότητας. εκθετικός.

Στόχος 2. Ανάπτυξη και εφαρμογή μεθόδων της Επιστήμης Δεδομένων για την αξιολόγηση των καθοριστικών παραγόντων της υγείας και την πρόβλεψη των αποτελεσμάτων σε επίπεδο μεμονωμένου ατόμου και κοινότητας

Η εφαρμογή της επιστήμης δεδομένων στις μεγάλες και σύνθετες πληροφορίες που σχετίζονται τόσο με την υγεία του ατόμου όσο και της κοινότητας πρέπει να αντιμετωπίσει πολλές προκλήσεις. Η πρώτη πρόκληση είναι η ενοποίηση με μεγάλα στοιχεία δεδομένων από διάφορες πηγές, διαφορετικές δομές δεδομένων και μη τυποποιημένο περιεχόμενο σε σχέση με τη σημασία τους. Μια άλλη πρόκληση είναι η σύνθεση δεδομένων από διάφορα σχέδια μελέτης, συμπεριλαμβανομένων των σχεδίων διατομής, ελέγχου περίπτωσης και διαμήκους κοόρτης. Η προγνωστική ανάλυση χρησιμοποιεί στατιστικά μοντέλα και μοντέλα μηχανικής μάθησης για την πρόβλεψη αποτελεσμάτων από δεδομένα παρατήρησης. Μερικά από τα μοντέλα μπορούν να χρησιμοποιηθούν για την επιλογή ενός υποσυνόλου μεταβλητών που συνδέονται στενά με ένα αποτέλεσμα ενδιαφέροντος και τέτοια μοντέλα μπορεί να είναι χρήσιμα για ανακάλυψη ή έλεγχο υποθέσεων. Ωστόσο, τα προγνωστικά μοντέλα δεν είναι απαραίτητα αιτιώδη μοντέλα. Η στατιστική μάθηση και οπτικοποίηση θα μπορούσε να επιτρέψει την ανάπτυξη εργαλείων υποστήριξης κλινικών αποφάσεων για ατομική φροντίδα. Μια παράλληλη αλλά παρόμοια ανάλυση μπορεί να χρησιμοποιηθεί σε κοινότητες, ειδικά χρησιμοποιώντας γεωχωρική μοντελοποίηση για τον καθορισμό του πληθυσμού που περιγράφεται. Αν και δεν είναι ακόμη διαθέσιμος ο γονιδιωματικός έλεγχος σε ολόκληρο τον πληθυσμό, άλλα κλινικά δεδομένα, όπως υπολογισμένοι ορισμοί περιστατικών, θα μπορούσαν να χρησιμοποιηθούν για τον εντοπισμό εστιών οξέων ασθενειών, συστάδων χρόνιων ασθενειών ή συμβάντων που αντιστοιχούν σε ταχεία εξέλιξη της νόσου σε χρόνο και τόπο. Το εργαλείο υποστήριξης αποφάσεων για τις κοινότητες θα προσδιορίσει στη συνέχεια έναν γεωχωρικό πληθυσμό με επιβάρυνση για την υγεία, θα χαρακτηρίσει τα κοινωνικά, συμπεριφορικά, περιβαλλοντικά και κλινικά χαρακτηριστικά του και θα κατασκευάσει μια αρχική στρατηγική βάσει δεδομένων για τον μετριασμό της ανισότητας στην επιβάρυνση των ασθενειών.

Στόχος 3. Εφαρμογή και αξιολόγηση νέων εργαλείων και προγραμμάτων για τη μείωση της βλάβης και του κόστους και τη βελτίωση της προγνωστικής ακρίβειας στην κλινική περίθαλψη και στα προγράμματα που βασίζονται στην κοινότητα

Το Predictive Analytics μπορεί να οδηγήσει σε βελτιωμένη αξιολόγηση κινδύνου, καλύτερο ορισμό υποομάδων ασθενειών με διαφορετική παθοφυσιολογία και φυσική ιστορία και ακριβέστερη χρήση θεραπευτικών για τη μεγιστοποίηση των οφελών και την ελαχιστοποίηση των παρενεργειών. Για μεμονωμένους ασθενείς, προτού αναπτυχθούν ευρέως εργαλεία υποστήριξης αποφάσεων που προέρχονται από πολύπλοκες αναλύσεις, θα πρέπει να εφαρμόζονται με δομημένο τρόπο και να μετρώνται τα οφέλη και οι κίνδυνοι. Παρόμοιες προκλήσεις θα αντιμετώπιζαν με την εφαρμογή κοινοτικών παρεμβάσεων, στις οποίες η επιτήρηση, η εκπαίδευση υγείας, η κοινοτική οργάνωση, η περιβαλλοντική αλλαγή ή οι παρεμβάσεις δημόσιας πολιτικής θα πρέπει να αξιολογούνται αυστηρά ως προς τον βαθμό εφαρμογής καθώς και τα αποτελέσματα για την υγεία. Τα προγνωστικά αναλυτικά στοιχεία μπορούν να ενημερώσουν τις επιλογές και να βοηθήσουν στη λήψη αποφάσεων σχετικά με την τοποθεσία της κλινικής και τις υπηρεσίες υγειονομικής περίθαλψης που θα παρέχονται.

Στόχος 4. Προώθηση της Ποιότητας, της Ποσότητας και της Ποικιλομορφίας του Εργατικού Δυναμικού της Επιστήμης Δεδομένων και της Επιστήμης Δεδομένων «Savviness» των εργαζομένων στον τομέα της Υγείας και της Δημόσιας Υγείας

Επί του παρόντος υπάρχει μια κρίσιμη έλλειψη εργατικού δυναμικού στις ποσοτικές επιστήμες και στην εφαρμογή των μαθηματικών στις βιοεπιστήμες και την υγειονομική περίθαλψη. Με την εμφάνιση μεγάλων ποσοτήτων πολύπλοκων δεδομένων από πολλούς τομείς, υπάρχουν πολύ λίγα άτομα με τις απαραίτητες ικανότητες για τη διαχείριση των δεδομένων και πολύ λίγοι ποσοτικοί επιστήμονες με προηγμένη τεχνογνωσία για τη δημιουργία νέων προσεγγίσεων για την ανάπτυξη αλγορίθμων. Ανάλογα με τις ταχέως αναδυόμενες πολυπλοκότητες δεδομένων, η επέκταση του εργατικού δυναμικού της επιστήμης δεδομένων θα πρέπει να επικεντρωθεί ιδιαίτερα στην ανάλυση ακριβείας και στην ενσωμάτωσή τους με ερευνητικά προγράμματα που εκτελούν κλινική και πληθυσμιακή έρευνα.

Κεντρική απεικόνιση: Η ενσωμάτωση πολυδιάστατων δεδομένων, ανάλυση ακριβείας και έρευνα εφαρμογής στην υγεία ακριβείας

Επιπτώσεις για την Επιστήμη Εφαρμογής

Η επιστήμη της εφαρμογής αναγνωρίζει όλο και περισσότερο το ρόλο των κοινωνικών και φυσικών πλαισίων στα οποία μπορούν να μελετηθούν οι κλινικές παρεμβάσεις και οι παρεμβάσεις στη δημόσια υγεία και τα αποτελέσματά τους. Οι κοινοτικές μελέτες απαιτούν επίσης χαρακτηριστικά των ατόμων και συνοπτικά μέτρα που περιγράφουν την υγεία του πληθυσμού στον οποίο διεξάγεται η έρευνα εφαρμογής. Η επιστήμη της εφαρμογής προσφέρει τα στοιχεία που καταδεικνύουν τη σκοπιμότητα, την αποτελεσματικότητα και την ασφάλεια της επέμβασης με βάση την ανάλυση ακριβείας, το ατομικό ή πληθυσμιακό επίπεδο της παρέμβασης στην οποία είναι αποτελεσματική και τα χαρακτηριστικά της παρέμβασης που σχετίζονται με την αποτελεσματικότητά της.

* Αυτό το ιστολόγιο αναγνωρίζει το έργο των συμμετεχόντων του εργαστηρίου NHLBI όπως αναφέρεται στο Pearson TA, et al. Precision Health Analytics With Predictive Analytics and Implementation Research: JACC State-of-the-Art Review. JACC 2020; 76 (3): 306-320. Για τον πλήρη κατάλογο των συγγραφέων, ανατρέξτε στην έκθεση του εργαστηρίου στη διεύθυνση: https://pubmed.ncbi.nlm.nih.gov/32674794/