Rolul arhivelor digitale de sănătate în facilitarea cercetării datelor mari pentru diabet

Rolul arhivelor digitale de sănătate în facilitarea cercetării datelor mari pentru diabet

Prevalența globală a diabetului a atins proporții epidemice, afectând peste 537 milioane de adulți din întreaga lume, în conformitate cu Federația Internațională a Diabetului. Gestionarea acestei tulburări metabolice complexe necesită monitorizare continuă, ajustări personalizate de tratament, și o înțelegere profundă a progresiei bolii la diverse populații. În acest context, înregistrările medicale digitale (DHR) au apărut ca un instrument de bază nu numai pentru îngrijirea clinică, ci și ca o sursă bogată de date pentru cercetarea pe scară largă. Prin captarea sistematică a datelor structurate și nestructurate ale pacienților în timp, DHR-urile permit cercetătorilor să analizeze modele, să identifice factorii de risc și să evalueze eficacitatea tratamentului la o scară imposibilă anterior cu sisteme pe bază de hârtie.

Înregistrările medicale digitale reprezintă o trecere fundamentală de la documentaţia epizodică, fragmentată de îngrijire la un ecosistem continuu, interoperabil şi bogat în date. Când sunt aplicate cercetării diabetului, aceste înregistrări deblochează potenţialul de analiză a datelor mari de a conduce descoperiri în prevenirea, diagnosticarea şi managementul. Acest articol analizează modul în care înregistrările medicale digitale facilitează cercetarea datelor mari pentru diabet, examinează mecanismele şi beneficiile, abordează provocările şi priveşte înainte la inovaţiile viitoare.

Înțelegerea înregistrărilor digitale de sănătate

Înregistrările medicale digitale, care cuprind înregistrări medicale electronice (EHR) și înregistrări medicale electronice (EMR), sunt repertorii digitale cuprinzătoare ale informațiilor privind sănătatea pacienților. Acestea includ o gamă largă de tipuri de date, cum ar fi datele demografice, diagnostice, medicamente, rezultate de laborator, semne vitale, rapoarte imagistice, istorii imunizarii, și note clinice. Spre deosebire de diagramele de hârtie statică, DHR sunt dinamice, cautabile, și pot fi împărtășite în toate setările de îngrijire cu autorizare corespunzătoare.

Pentru diabetul zaharat specific, DHR captează puncte critice de date, inclusiv nivelurile hemoglobinei A1c, valorile glucozei din sânge, înregistrările administrării insulinei, istoricul medicaţiei orale, indicele masei corporale (IMC), măsurătorile tensiunii arteriale, profilele lipidelor şi rezultatele de screening pentru complicaţii, cum ar fi retinopatie, nefropatie şi neuropatie. De asemenea, acestea documentează factori de stil de viaţă, starea fumatului, consiliere dietetică şi recomandări de activitate fizică. Bogăţia şi granularitatea acestor date fac din DHR o resursă indispensabilă pentru cercetare.

Adoptarea înregistrărilor medicale digitale s-a accelerat dramatic în ultimele două decenii, determinată de stimulentele guvernamentale, progresele tehnologice și recunoașterea valorii acestora în îmbunătățirea calității îngrijirii și siguranței pacienților. Potrivit Biroului Coordonatorului Național pentru Tehnologia Informațiilor în Sănătate, peste 96% din spitalele de îngrijire acută nefederală din Statele Unite au adoptat tehnologia EHR certificată. Această adoptare pe scară largă creează o masă critică de date necesare pentru o analiză semnificativă a datelor de mare amploare.

Peisajul de date al diabetului: De ce contează datele mari

Diabetul este o boală cu utilizare intensivă a datelor. Gestionarea ei necesită în mod eficient urmărirea a numeroase variabile care se schimbă în timp, adesea în moduri complexe și neliniare. Boala se manifestă diferit în rândul populațiilor, cu variații influențate de genetica, mediul, comportamentul și accesul la asistență medicală. Metode tradiționale de cercetare . Cum ar fi studiile controlate randomizate (RCT) . În timp ce esențiale pentru stabilirea de cauzalitate, sunt limitate de dimensiuni ale probelor, durate scurte, și condiții controlate care nu reflectă întotdeauna practica clinică din lumea reală.

Cercetarea de date mari, prin contrast, pârghie mari, diverse seturi de date derivate din îngrijire clinică de rutină. Această abordare oferă mai multe avantaje distincte pentru cercetarea diabetului zaharat:

• Putere statistică: Marimi mari ale probelor permit detectarea efectelor mici, dar semnificative clinic și analiza subgrupurilor care ar fi subalimentate în studii mai mici.
• Dezvăluiri reale ale lumii: Datele provenite de la DHR reflectă practica clinică reală, inclusiv variaţiile în ceea ce priveşte complianţa la tratament, comorbidităţile şi rezultatele care apar în afara mediului controlat al studiilor.
• Adâncime temporală:[ Date longitudinale care durează ani sau decenii permit cercetătorilor să studieze traiectoriile bolilor, efectele pe termen lung ale intervențiilor și istoria naturală a complicațiilor.
• Heterogenitate: Populațiile diferite capturate în DHR permit examinarea disparităților și identificarea factorilor care influențează rezultatele în diferite grupuri demografice, geografice și socioeconomice.
• Eficienţa de consum: Utilizarea datelor clinice existente reduce timpul şi cheltuielile colectării datelor primare, permiţând testarea şi descoperirea unor ipoteze mai rapide.

Convergența analizelor de date mari cu înregistrările medicale digitale a dat deja perspective importante în cercetarea diabetului zaharat, de la identificarea noilor factori de risc la anticiparea progresiei bolii și optimizarea algoritmilor de tratament.

Cum Digital Health Records a activa o analiză de date pentru diabet

Procesul de transformare a datelor clinice brute în perspective de cercetare concrete implică mai multe mecanisme interconectate. Înregistrările digitale de sănătate facilitează această transformare în moduri în care înregistrările de hârtie pur și simplu nu pot.

Capturarea de date cuprinzătoare și structurate

DHR moderne sunt concepute pentru a captura date în domenii structurate ori de câte ori este posibil. Pentru diabet, aceasta înseamnă intrări standardizate pentru valorile de laborator (de exemplu, A1c, glucoză în condiţii de repaus alimentar, creatinină), semne vitale (presiunea sângelui, ritmul cardiac, IMC), comenzi de medicamente (nume de medicamente, doze, frecvenţe, datele de pornire şi oprire), şi diagnostice (coduri ICD-10 pentru tipul de diabet zaharat, complicaţii şi comorbidităţi). Datele structurate sunt citite automat şi pot fi exportate direct în baze de date analitice fără abstractii manuale, reducerea erorilor şi facilitarea procesării automatizate la scară.

Pe lângă datele structurate, DHR captează informații nestructurate, cum ar fi notele clinice, rezumatele de descărcare de gestiune și comunicațiile pacienților. Tehnicile de procesare a limbajului natural (NLP) pot extrage informații valoroase din aceste domenii de text. De exemplu, documentarea evenimentelor hipoglicemice, rezultatele raportate de pacient sau factorii determinanți sociali ai sănătății care nu pot fi capturați în domenii structurate.

Urmărire longitudinală și analiză temporală

Una dintre cele mai puternice caracteristici ale DHR pentru cercetarea diabetului zaharat este capacitatea de a urmări pacienții în timp. Spre deosebire de studii transversale care captează un singur instantaneu, date longitudinale de la DHR permite cercetătorilor să examineze modul în care evoluează diabetul zaharat, modul în care pacienții răspund la tratamente, și atunci când apar complicații. Această dimensiune temporală este critică pentru înțelegerea naturii dinamice a bolii.

De exemplu, cercetătorii pot utiliza date DHR pentru a construi traiectorii ale pacienţilor de la diagnostic prin diferite etape de tratament. De la modificări ale stilului de viaţă la agenţi orali la terapie cu insulină. şi să analizeze modul în care aceste traiectorii se corelează cu rezultatele. De asemenea, ei pot identifica modele în variabilitatea A1c, ceea ce recenta cercetare sugerează că poate fi un predictor independent al complicaţiilor dincolo de controlul mediu al glicemiei.

Setări de integrare a datelor în cadrul îngrijirii

Îngrijirea diabetului zaharat este livrată în mai multe setări: clinici de îngrijire primară, practici endocrinologice, spitale, departamente de urgență, farmacii și sisteme de monitorizare din ce în ce mai mult, bazate pe domiciliu. DHR-urile interoperabile în cadrul acestor setări pot crea un record unificat al pacienților care oferă o imagine completă a îngrijirii medicale. Această integrare este importantă în special pentru pacienții cu diabet zaharat, care au adesea comorbidităţi multiple și necesită îngrijire coordonată din partea diferiților specialiști.

Combinarea datelor DHR cu alte surse . Cum ar fi datele de revendicări, înregistrările farmaciei, bazele de date de laborator, registrele bolilor și factorii determinanți sociali ai valorilor de bază ale sănătății . În plus, aceste seturi de date conexe permit cercetătorilor să examineze continuumul complet al îngrijirii și să identifice lacunele sau disponibilizările în furnizarea serviciilor.

Generarea de dovezi reale

Studiile controlate randomizate rămân standardul de aur pentru stabilirea eficacității tratamentului, dar acestea sunt scumpe, consumatoare de timp, și adesea exclude pacienții cu comorbidităţi complexe . Tocmai pacienții cel mai frecvent observate în practica clinică. DHR-derise reale-lume dovezi (RWE) completează constatările RCT prin furnizarea de informații privind eficacitatea, siguranța și modelele de utilizare în îngrijire de rutină.

În cercetarea diabetului zaharat, RWE de la DHR a fost utilizat pentru a compara eficacitatea diferitelor medicamente antihiperglicemie, a evalua impactul tratamentului intensificarea calendarul, evaluarea modelelor de aderență, și a identifica predictorii de evenimente adverse, cum ar fi hipoglicemia severă sau cetoacidoză diabetică. Agențiile de reglementare, inclusiv FDA au recunoscut din ce în ce mai mult valoarea de RWE pentru informarea deciziilor de etichetare și supravegherea post-market.

Rețelele de cercetare colaborativă și schimbul de date

Puterea deplină a datelor mari este realizată atunci când datele sunt grupate între instituții, regiuni și națiuni. Înregistrările medicale digitale, atunci când standardizate și partajate prin platforme securizate, permit rețele de cercetare colaborative care pot acumula date de la milioane de pacienți cu diabet zaharat. Exemple notabile includ Rețeaua Națională de Cercetare Clinică a Pacienților-Centruși (PCORnet), rețeaua de Științe ale Datelor și Informatică în Sănătate Observațională (OHDSI) utilizând modelul de date comun OMOP și registrul de cercetare a pacienților în diabetul zaharat specific.

Aceste reţele permit cercetătorilor să efectueze studii cu dimensiuni şi diversitate fără precedent, accelerând ritmul descoperirii. Ele permit, de asemenea, replicarea şi validarea rezultatelor în diferite populaţii şi setări de îngrijire, consolidând baza de date pentru luarea deciziilor clinice.

Impactul transformativ asupra cercetării și îngrijirii diabetului zaharat

Aplicarea analizelor de date mari la seturile de date derivate de DHR a produs deja progrese semnificative în cercetarea privind diabetul zaharat. Mai multe domenii ilustrează potențialul de transformare.

Stratificarea riscului și modelarea predicției

Algoritmele de învățare a mașinilor instruite pe datele DHR au demonstrat capacitatea de a prezice debutul diabetului zaharat, progresia, și complicații cu o precizie crescândă. Aceste modele predictive includ o gamă largă de variabile . De exemplu, algoritmii pot identifica pacienții cu risc ridicat de dezvoltare a diabetului de tip 2 ani înainte de diagnosticul clinic, permițând intervenții preventive timpurii. Similar, modele predictive pentru retinopatie diabetică, nefropatie, și evenimente cardiovasculare ajuta clinicienii să acorde prioritate și resurse de tratament pentru cei cu cel mai mare risc.

Un studiu de referinţă publicat în Lancet Digital Health a utilizat date DHR de la peste 2,5 milioane de pacienţi pentru a dezvolta un model de învăţare a maşinilor care a prezis spitalizarea pentru hipoglicemie cu o precizie mai mare decât abordările tradiţionale bazate pe regresie.Aceste modele sunt acum integrate în sistemele de susţinere a deciziilor clinice în cadrul DHR, oferind evaluări ale riscului în timp real la punctul de îngrijire.

Subclasificarea fenotipică și a bolilor

Diabetul a fost clasificat în mod tradițional în tipul 1 și tipul 2, dar această clasificare binară ascunde eterogenitatea substanțială în fiecare categorie. Analiza avansată a datelor DHR a permis cercetătorilor să identifice subfenotipuri distincte de diabet zaharat care diferă în progresia bolii, riscul complicațiilor și răspunsul la tratament. De exemplu, o analiză a datelor din Registrul Național al Diabetului Suedez a identificat cinci grupuri de pacienți cu diabet zaharat cu caracteristici și rezultate distincte, sugerând necesitatea unor abordări terapeutice mai bine direcționate.

Cercetarea privind eficacitatea comparativă

Cu proliferarea medicamentelor antihiperglicemice . Inclusiv metformina, sulfonilureele, inhibitorii DPP-4, agoniştii receptorilor GLP-1, inhibitorii SGLT2 şi insulinele se confruntă cu decizii complexe de tratament. Analizele de date mari derivate de DHR oferă dovezi comparative de eficacitate din lumea reală care completează datele TRC. Aceste studii pot examina rezultatele, cum ar fi reducerea A1c, modificarea greutăţii corporale, evenimentele cardiovasculare, rezultatele renale şi efectele adverse la populaţiile mari, diverse, pe perioade de urmărire extinse.

Cercetarea privind disparitățile în domeniul sănătății

Datele DHR au scos în evidenţă disparităţile persistente în ceea ce priveşte îngrijirea diabetului şi rezultatele în grupurile rasiale, etnice, socioeconomice şi geografice. Analizele au documentat diferenţe în ceea ce priveşte ratele de intensificare a tratamentului, accesul la îngrijirile specializate, complianţa la medicamente şi ratele complicaţiilor. Prin identificarea factorilor modificabili care contribuie la aceste disparităţi, cercetătorii pot informa intervenţiile specifice pentru promovarea echităţii în domeniul sănătăţii. Includerea factorilor determinanţi sociali ai datelor de sănătate în cadrul DHR-urilor . Cum ar fi stabilitatea locuinţelor, nesiguranţa alimentară şi accesul la transporturi creşte capacitatea de a aborda cauzele profunde ale diferenţelor.

Provocări şi consideraţii etice

Deși potențialul cercetării bazate pe DHR pentru diabetul zaharat este imens, trebuie abordate mai multe provocări semnificative pentru a realiza acest potențial în mod responsabil.

Calitatea datelor și caracterul complet

Datele DHR sunt colectate în primul rând pentru îngrijire clinică și facturare, nu pentru cercetare. Ca rezultat, pot conține erori, omisiuni, inconsecvențe și prejudecăți. Datele lipsă sunt o provocare pervazivă . Pacienții pot primi îngrijire la mai multe instituții, care duc la înregistrări incomplete, sau variabile cheie nu pot fi documentate în mod consecvent. Valorile de laborator pot fi înregistrate cu diferite unități sau intervale de referință în toate instituțiile. Datele de medicație pot reflecta mai degrabă prescripții decât dispensații reale sau complianță. Cercetătorii trebuie să aplice metode riguroase de curățare, validare și imputare pentru a aborda aceste probleme, și acestea trebuie să fie transparente cu privire la limitările datelor lor.

Interoperabilitatea și standardizarea

În ciuda progreselor în domeniul interoperabilității informatice în domeniul sănătății, sistemele DHR de la diferiți furnizori și chiar diferite cazuri ale aceluiași sistem pot utiliza formate de date incompatibile, coduri și terminologii. Maparea acestor elemente disparate ale datelor la un model comun de date . Cum ar fi modelul de parteneriat medical observațional "Outcome Parteneriate" (OMOP) "Sustending of Medical Outcomes . Fără standardizare, agregarea și analiza datelor multi-site-ului sunt puternic împiedicate. Eforturile, cum ar fi standardul "Fast Healthcare Interoperabilitate Resurse" (FHIR) îmbunătăţesc schimbul de date, dar adoptarea pe scară largă rămâne o activitate în curs de desfășurare.

Confidențialitate, securitate și consimțământ

Cercetarea datelor mari prin utilizarea DHR ridică probleme importante de confidențialitate și securitate. Informațiile privind sănătatea pacientului sunt sensibile, iar agregarea datelor din surse multiple crește riscul de reidentificare. Cercetătorii trebuie să pună în aplicare cadre solide de guvernanță a datelor, inclusiv tehnici de de identificare sau de anonimizare, controale stricte de acces, și stocarea și transmiterea datelor securizate. Modelele de consimțământ în cunoștință de cauză pentru utilizarea secundară a datelor clinice sunt complexe, în special pentru studiile observaționale la scară largă, în cazul în care obținerea consimțământului individual de la milioane de pacienți poate fi ineficientă. Multe instituții se bazează pe cadre de consimțământ larg sau derogări de la consimțământul acordat de consiliile instituționale de revizuire, cu garanții și transparență corespunzătoare.

Pentru mai multe informații privind cele mai bune practici în materie de confidențialitate a datelor, a se vedea HIPAA Security Guidance from HHS.

Bias și capitaluri proprii algoritmice

Modelele de învăţare a maşinilor instruite pe datele DHR pot perpetua sau amplifica din greşeală disparităţile existente în materie de sănătate dacă datele de formare nu sunt reprezentative pentru populaţia ţintă. De exemplu, dacă datele DHR dintr-un anumit sistem de sănătate nu sunt reprezentate în mod accidental de anumite grupuri rasiale sau socioeconomice, modelele predictive rezultate pot să funcţioneze prost pentru aceste grupuri. Cercetătorii şi dezvoltatorii trebuie să evalueze proactiv pentru prejudecăţi algoritmice, să utilizeze seturi de date de formare diverse şi să implice părţile interesate din comunităţile afectate în dezvoltarea şi validarea modelelor.

Reproducerea și generalizarea

Constatări derivate din analizele de date de mare amploare bazate pe DHR pot fi sensibile la setul de date specific, la alegerile preprocesare și la metodele analitice utilizate. Variațiile practicilor de codificare, ale populațiilor de pacienți și ale modelelor de livrare a asistenței medicale în cadrul instituțiilor pot duce la rezultate diferite. Eforturile de replicare riguroase în cadrul mai multor seturi de date independente și al transparenței metodologice.

Direcţii şi oportunităţi viitoare

Intersecţia registrelor medicale digitale şi cercetarea datelor mari pentru diabet este în evoluţie rapidă, determinată de progresul tehnologic, schimbarea peisajelor de reglementare şi recunoaşterea tot mai mare a valorii dovezilor din lumea reală.

Integrarea datelor continue privind monitorizarea glucozei și purtarea dispozitivului

Monitorele de glucoză continuă (CGM) generează o abundenţă de date de înaltă frecvenţă (DHR) la fiecare câteva minute, care oferă o imagine mult mai bogată a controlului glicemic decât măsurătorile epizodice A1c. Integrarea datelor MGM cu DHR permite cercetătorilor să examineze variabilitatea glucozei, intervalul de timp şi modelele legate de mese, exerciţii fizice şi timp de medicaţie. În mod similar, datele provenite de la trackere de fitness, ceasuri inteligente şi alte dispozitive care pot fi purtate pot oferi măsuri obiective de activitate fizică, calitatea somnului şi variabilitatea ritmului cardiac. Provocarea constă în dezvoltarea platformelor interoperabile care pot ingera şi armoniza aceste fluxuri diverse de date şi le pot face accesibile pentru analize la scară largă.

Inteligenţă artificială şi analize avansate

Progresele în inteligența artificială (AI), inclusiv învățarea profundă, învățarea întărirea, și modele lingvistice mari, deschid noi frontiere pentru cercetarea DHR pe bază de diabet. AI poate identifica modele complexe, neliniare în date de mare dimensiuni pe care metodele statistice tradiționale pot lipsi. De exemplu, modele de învățare profundă aplicate datelor DHR au fost utilizate pentru a prezice debutul retinopatiei diabetice din fotografii retinale, pentru a anticipa riscul de complicații acute din valorile de laborator secvențiale, și pentru a recomanda ajustări de tratament personalizate. Integrarea AI direct în sistemele DHR sisteme de sprijin de decizie clinică .

Aflaţi mai multe despre AI în îngrijirea diabetului zaharat de la American Diabetes Association Research page.

Integrare de date genomice pentru diabet zaharat de precizie

Studiile de asociere la nivel genom (GWAS) au identificat sute de loci genetici asociate cu riscul de diabet zaharat și complicații. Combinarea datelor genomice cu datele fenotipice derivate DHR permite investigarea interacțiunilor geno-mediu, farmacogenomie, și arhitectura genetică a răspunsului la tratament. Pe măsură ce secvențierea genomică devine mai accesibilă și sistemele DHR evoluează pentru a stoca și gestiona date genomice, potențialul de precizie a diabetului zaharat medicamente se va extinde dramatic. Această integrare necesită o atenție atentă la stocarea datelor, confidențialitatea și implicațiile etice ale utilizării informațiilor genetice în cercetare și îngrijire clinică.

Rezultatele raportate de pacient și datele privind sănătatea generate de pacient

Includerea rezultatelor raportate de pacient (PRO) . Cum ar fi calitatea vieții, sarcina simptomelor și satisfacția tratamentului . În DHR oferă o imagine mai centrată pe pacient a diabetului zaharat și gestionarea acestuia. Progresele în aplicațiile de sănătate mobilă (mHealth) și portalurile pacienților fac din ce în ce mai fezabilă colectarea PRO și a altor date de sănătate generate de pacient (PGHD) la scară. Aceste date pot fi legate de datele clinice de la DHR pentru a oferi o imagine cuprinzătoare a impactului bolii și a eficacității tratamentului din perspectiva pacientului.

Considerații privind politica și infrastructura pentru viitor

Realizarea întregului potențial al cercetării bazate pe DHR pentru cercetarea datelor mari în domeniul diabetului va necesita investiții continue în infrastructura IT de sănătate, standarde de date și cadre de guvernanță. Factorii de decizie politică au un rol de jucat în promovarea interoperabilității, sprijinirea inițiativelor de partajare a datelor și asigurarea faptului că protecția vieții private ține pasul cu capacitățile tehnologice. Agențiile de finanțare ar trebui să acorde prioritate cercetării privind metodele de evaluare a calității datelor, detectarea prejudecăților și implementarea etice a AI. Sistemele de sănătate și cercetătorii trebuie să colaboreze pentru a construi încredere cu pacienții și comunitățile, asigurându-se că beneficiile cercetării datelor de mare amploare sunt distribuite în mod echitabil.

Pagina de FDA cu date și dovezi reale oferă informații suplimentare privind perspectivele de reglementare privind utilizarea datelor din lumea reală în dezvoltarea produselor medicale.

Privind înainte, integrarea înregistrărilor medicale digitale cu tehnologii emergente, cum ar fi blockchain pentru schimbul securizat de date, învățarea federală pentru analiza de confidențialitate, și procesarea limbajului natural pentru extragerea de date îmbunătățite va extinde în continuare frontierele cercetării în domeniul diabetului zaharat. Scopul final rămâne clar: valorificarea puterii datelor pentru a îmbunătăți viața persoanelor care trăiesc cu diabet zaharat și pentru a accelera progresul spre prevenire, o mai bună gestionare, și în cele din urmă, un leac.

Concluzie

Înregistrările medicale digitale au transformat fundamental peisajul cercetării în domeniul diabetului prin furnizarea infrastructurii de date necesare pentru analiza datelor de mare amploare. De la captarea datelor cuprinzătoare și structurate la urmărirea longitudinală, integrarea multi-surse și rețelele de cercetare colaborative, DHR-urile permit cercetătorilor să pună și să răspundă la întrebări care nu erau la îndemână anterior. Perspectivele rezultate sunt îmbunătățirea stratificării riscurilor, personalizarea tratamentului și înțelegerea eterogenității bolilor și a disparităților în materie de sănătate.

Cu toate acestea, calea de urmat nu este fără provocări. Calitatea datelor, interoperabilitatea, confidențialitatea, prejudecățile algoritmice și reproductibilitatea sunt aspecte esențiale care necesită o atenție riguroasă din partea comunității de cercetare, a sistemelor de sănătate și a factorilor de decizie politică. Abordarea acestor provocări va necesita un angajament susținut, o colaborare interdisciplinară și o concentrare fermă asupra principiilor etice și a echității.

Pe măsură ce tehnologia continuă să avanseze, viitorul cercetării de date mari, cu ajutorul DHR, pentru diabetul zaharat, pare extrem de promiţător. Prin acceptarea inovaţiei, respectând totodată standarde riguroase de evidenţă şi etică, putem debloca întregul potenţial al înregistrărilor medicale digitale pentru a determina îmbunătăţiri semnificative în domeniul îngrijirii diabetului şi rezultate pentru milioane de oameni din întreaga lume.