Table of Contents

Роль цифровых медицинских записей в содействии исследованиям больших данных для диабета

Глобальная распространенность диабета достигла эпидемических масштабов, затрагивая более 537 миллионов взрослых во всем мире по данным Международной диабетической федерации. Управление этим сложным метаболическим расстройством требует постоянного мониторинга, персонализированных корректировок лечения и глубокого понимания прогрессирования заболевания среди различных групп населения. В этом контексте цифровые медицинские записи (DHR) появились в качестве основополагающего инструмента - не только для клинической помощи, но и в качестве богатого источника данных для крупномасштабных исследований. Систематично захватывая структурированные и неструктурированные данные пациентов с течением времени, DHR позволяют исследователям анализировать закономерности, выявлять факторы риска и оценивать эффективность лечения в масштабах, ранее невозможных с бумажными системами.

Цифровые медицинские записи представляют собой фундаментальный переход от эпизодической, фрагментированной медицинской документации к непрерывной, совместимой и богатой данными экосистеме. При применении к исследованиям диабета эти записи открывают потенциал для анализа больших данных для достижения прорывов в профилактике, диагностике и управлении. В этой статье исследуется, как цифровые медицинские записи облегчают исследования больших данных для диабета, исследуются механизмы и преимущества, решают проблемы и смотрят в будущее на будущие инновации.

Посмотреть Digital Health Records

Цифровые медицинские записи, охватывающие электронные медицинские записи (EHR) и электронные медицинские записи (EMR), являются всеобъемлющими цифровыми хранилищами информации о здоровье пациентов. Они включают в себя широкий спектр типов данных, таких как демография, диагнозы, лекарства, лабораторные результаты, жизненно важные признаки, отчеты о визуализации, истории иммунизации и клинические заметки. В отличие от статических бумажных карт, DHR являются динамическими, доступными для поиска и могут быть разделены по всем параметрам ухода с соответствующим разрешением.

Для диабета, в частности, DHRs фиксируют критические точки данных, включая уровни гемоглобина A1c, показания глюкозы в крови, записи введения инсулина, истории пероральных лекарств, индекс массы тела (ИМТ), измерения артериального давления, липидные профили и результаты скрининга на осложнения, такие как ретинопатия, нефропатия и нейропатия. Они также документируют факторы образа жизни, статус курения, диетическое консультирование и рекомендации по физической активности. Богатство и гранулярность этих данных делают DHR незаменимым ресурсом для исследований.

За последние два десятилетия внедрение цифровых медицинских записей резко ускорилось, чему способствовали государственные стимулы, технологические достижения и признание их ценности в повышении качества ухода и безопасности пациентов. По данным Управления национального координатора по информационным технологиям здравоохранения, более 96% нефедеральных больниц неотложной помощи в США приняли сертифицированную технологию EHR. Это широкое внедрение создает критическую массу данных, необходимых для значимого анализа больших данных.

Пейзаж данных диабета: почему большие данные имеют значение

Диабет является заболеванием, требующим больших данных. Для эффективного управления им необходимо отслеживать многочисленные переменные, которые меняются со временем, часто сложными и нелинейными способами. Болезнь проявляется по-разному в разных популяциях, с вариациями, на которые влияют генетика, окружающая среда, поведение и доступ к здравоохранению. Традиционные методы исследований, такие как рандомизированные контролируемые исследования (РКИ), хотя и необходимы для установления причинности, ограничены размерами выборки, короткой продолжительностью и контролируемыми условиями, которые не всегда отражают реальную клиническую практику.

В отличие от исследований больших данных, они используют большие, разнообразные наборы данных, полученные в результате обычной клинической помощи. Этот подход предлагает несколько различных преимуществ для исследований диабета:

  • Статистическая сила: Большие размеры выборки позволяют обнаруживать небольшие, но клинически значимые эффекты и анализ подгрупп, которые были бы недостаточно мощны в небольших исследованиях.
  • Доказательства реального мира: Данные DHR отражают фактическую клиническую практику, включая изменения в приверженности лечению, сопутствующие заболевания и результаты, которые происходят за пределами контролируемой среды испытаний.
  • Временная глубина: Продольные данные, охватывающие годы или десятилетия, позволяют исследователям изучать траектории заболеваний, долгосрочные последствия вмешательств и естественную историю осложнений.
  • Неоднородность: Разнообразные популяции, захваченные в DHR, позволяют исследовать неравенства и выявлять факторы, которые влияют на результаты в разных демографических, географических и социально-экономических группах.
  • Эффективность затрат: Использование существующих клинических данных сокращает время и затраты на первичный сбор данных, что позволяет более быстро тестировать гипотезы и открывать их.

Сближение аналитики больших данных с цифровыми медицинскими записями уже дало важные идеи в исследованиях диабета, от выявления новых факторов риска до прогнозирования прогрессирования заболевания и оптимизации алгоритмов лечения.

Как цифровые медицинские записи позволяют анализировать большие данные для диабета

Процесс преобразования необработанных клинических данных в практические результаты исследований включает в себя несколько взаимосвязанных механизмов. Цифровые медицинские записи облегчают эту трансформацию таким образом, что бумажные записи просто не могут.

Комплексный и структурированный захват данных

Современные DHR предназначены для сбора данных в структурированных областях, когда это возможно. Для диабета это означает стандартизированные записи для лабораторных значений (например, A1c, глюкоза натощак, креатинин), жизненно важные признаки (давление крови, частота сердечных сокращений, ИМТ), заказы лекарств (названия лекарств, дозы, частоты, даты начала и остановки) и диагнозы (коды ICD-10 для диабета типа, осложнений и сопутствующих заболеваний). Структурированные данные могут быть непосредственно экспортированы в аналитические базы данных без ручной абстракции, уменьшения ошибок и обеспечения автоматизированной обработки в масштабе.

В дополнение к структурированным данным, DHRs захватывают неструктурированную информацию, такую как клинические заметки, резюме выписок и сообщения пациентов. Методы обработки естественного языка (NLP) могут извлекать ценную информацию из этих текстовых полей, например, документирование гипогликемических событий, сообщаемых пациентами результатов или социальных детерминант здоровья, которые могут не быть захвачены в структурированных полях.

Продольное отслеживание и временный анализ

Одной из наиболее мощных особенностей DHR для исследований диабета является способность отслеживать пациентов с течением времени. В отличие от перекрестных исследований, которые фиксируют один снимок, продольные данные DHR позволяют исследователям исследовать, как прогрессирует диабет, как пациенты реагируют на лечение и когда возникают осложнения. Это временное измерение имеет решающее значение для понимания динамической природы заболевания.

Например, исследователи могут использовать данные DHR для построения траекторий пациента от диагностики до различных стадий лечения - от модификаций образа жизни до пероральных агентов до инсулинотерапии - и анализировать, как эти траектории коррелируют с результатами. Они также могут идентифицировать закономерности в изменчивости A1c, которые, как показывают недавние исследования, могут быть независимым предиктором осложнений за пределами среднего контроля глюкозы.

Интеграция данных через настройки ухода

Диабетическая помощь оказывается в нескольких условиях: клиниках первичной помощи, эндокринологических клиниках, больницах, отделениях неотложной помощи, аптеках и все чаще в домашних условиях. ДЗУ, которые совместимы в этих условиях, могут создать единую запись пациента, которая обеспечивает полную картину ухода. Эта интеграция особенно важна для пациентов с диабетом, которые часто имеют множественные сопутствующие заболевания и требуют скоординированного ухода от разных специалистов.

Слияние данных DHR с другими источниками, такими как данные о претензиях, аптечные записи, лабораторные базы данных, реестры заболеваний и социальные детерминанты наборов данных о здоровье, еще больше обогащает аналитический потенциал. Эти связанные наборы данных позволяют исследователям исследовать полный спектр услуг и выявлять пробелы или увольнения в предоставлении услуг.

Поколение реальных доказательств

Рандомизированные контролируемые исследования остаются золотым стандартом для установления эффективности лечения, но они дороги, трудоемки и часто исключают пациентов со сложными сопутствующими заболеваниями - именно пациентов, наиболее часто встречающихся в клинической практике. DHR-производные реальные данные (RWE) дополняют результаты RCT, предоставляя понимание эффективности, безопасности и моделей использования в обычном уходе.

В исследованиях диабета RWE из DHRs использовался для сравнения эффективности различных антигипергликемических агентов, оценки влияния времени интенсификации лечения, оценки моделей приверженности и выявления предикторов неблагоприятных событий, таких как тяжелая гипогликемия или диабетический кетоацидоз.Регулирующие органы, включая FDA, все чаще признают ценность RWE для информирования о решениях по маркировке и пострыночном надзоре.

Обмен данными и совместные исследовательские сети

Полная мощь больших данных реализуется, когда данные объединяются в учреждениях, регионах и странах. Цифровые медицинские записи, когда они стандартизированы и передаются через безопасные платформы, позволяют создавать совместные исследовательские сети, которые могут объединять данные миллионов пациентов с диабетом. Известные примеры включают Национальную сеть клинических исследований пациентов (PCORnet), сеть наблюдательных медицинских данных и информатики (OHDSI) с использованием общей модели данных OMOP и реестр пациентов с диабетом.

Эти сети позволяют исследователям проводить исследования с беспрецедентными размерами выборки и разнообразием, ускоряя темпы открытия. Они также позволяют тиражировать и валидировать результаты в разных популяциях и условиях ухода, укрепляя доказательную базу для принятия клинических решений.

Трансформационное воздействие на исследования и уход за диабетом

Применение анализа больших данных к наборам данных, полученных из DHR, уже привело к значительным достижениям в исследованиях диабета.

Стратификация рисков и моделирование прогнозирования

Алгоритмы машинного обучения, обученные на данных DHR, продемонстрировали способность прогнозировать начало, прогрессирование и осложнения диабета с большей точностью. Эти прогностические модели включают широкий спектр переменных - демографических, клинических, лабораторных, фармакологических и поведенческих - для присвоения индивидуализированных оценок риска. Например, алгоритмы могут идентифицировать пациентов с высоким риском развития диабета 2 типа за годы до клинической диагностики, что позволяет проводить ранние профилактические вмешательства. Аналогичным образом, прогностические модели диабетической ретинопатии, нефропатии и сердечно-сосудистых событий помогают клиницистам расставлять приоритеты в скрининге и лечебных ресурсах для лиц с наибольшим риском.

Одно знаковое исследование, опубликованное в The Lancet Digital Health, использовало данные DHR более 2,5 миллионов пациентов для разработки модели машинного обучения, которая предсказывала госпитализацию при гипогликемии с более высокой точностью, чем традиционные подходы, основанные на регрессии. Такие модели теперь интегрируются в системы поддержки клинических решений в рамках DHR, предоставляя оценки риска в реальном времени в точке ухода.

Фенотипирование и субклассификация болезней

Диабет традиционно классифицируется на тип 1 и тип 2, но эта двойная классификация заслоняет значительную неоднородность в каждой категории. Продвинутый анализ данных DHR позволил исследователям идентифицировать различные подфенотипы диабета, которые различаются по прогрессированию заболевания, риску осложнений и ответу на лечение. Например, анализ данных из Шведского национального регистра диабета выявил пять кластеров пациентов с диабетом с различными характеристиками и результатами, что указывает на необходимость более целенаправленных терапевтических подходов.

Сравнительные исследования эффективности

С распространением антигипергликемических агентов, включая метформин, сульфонилмочевину, ингибиторы DPP-4, агонисты рецепторов GLP-1, ингибиторы SGLT2 и инсулины, клиницисты сталкиваются со сложными решениями в области лечения. Анализ больших данных, основанный на DHR, предоставляет реальные доказательства сравнительной эффективности, которые дополняют данные RCT. Эти исследования могут исследовать такие результаты, как снижение A1c, изменение веса, сердечно-сосудистые события, результаты почек и неблагоприятные эффекты в больших, разнообразных популяциях в течение длительных периодов наблюдения.

Исследования неравенства в здравоохранении

Данные DHR проливают свет на сохраняющиеся различия в лечении диабета и его результатах в расовых, этнических, социально-экономических и географических группах. Анализы документально подтвердили различия в показателях интенсификации лечения, доступе к специализированной помощи, приверженности лекарствам и коэффициентах осложнений. Выявив модифицируемые факторы, способствующие этим различиям, исследователи могут информировать целевые мероприятия по содействию равенству в отношении здоровья. Включение социальных детерминант данных о здоровье в DHRs - таких как стабильность жилья, отсутствие продовольственной безопасности и доступ к транспорту - еще больше повышает способность устранять коренные причины неравенства.

Проблемы и этические соображения

Хотя потенциал исследований больших данных для лечения диабета, основанных на DHR, огромен, необходимо решить несколько важных проблем, чтобы реализовать этот потенциал ответственно.

Качество и полнота данных

Данные DHR собираются в основном для клинической помощи и выставления счетов, а не для исследований. В результате они могут содержать ошибки, упущения, несоответствия и предубеждения. Пропавшие данные являются повсеместной проблемой - пациенты могут получать помощь в нескольких учреждениях, что приводит к неполным записям, или ключевые переменные могут не быть последовательно документированы. Лабораторные значения могут быть записаны с различными единицами или контрольными диапазонами в разных учреждениях. Данные о лекарствах могут отражать рецепты, а не фактические разрешения или приверженность. Исследователи должны применять строгие методы очистки данных, проверки и вычисления для решения этих проблем, и они должны быть прозрачными в отношении ограничений своих данных.

Совместимость и стандартизация

Несмотря на прогресс в области взаимодействия ИТ-инфраструктуры в области здравоохранения, системы DHR от разных поставщиков и даже различные экземпляры одной и той же системы могут использовать несовместимые форматы данных, коды и терминологии. Сопоставление этих разрозненных элементов данных с общей моделью данных, такой как модель партнерства по результатам наблюдений в области медицины (OMOP), требует значительных усилий и опыта. Без стандартизации агрегация и анализ данных на нескольких сайтах серьезно затруднены. Такие усилия, как стандарт Fast Healthcare Interoperability Resources (FHIR), улучшают обмен данными, но широкое внедрение остается в стадии разработки.

Конфиденциальность, безопасность и согласие

Исследования больших данных с использованием DHR поднимают важные проблемы конфиденциальности и безопасности. Информация о здоровье пациентов чувствительна, а агрегация данных из нескольких источников увеличивает риск повторной идентификации. Исследователи должны внедрять надежные рамки управления данными, включая методы деидентификации или анонимизации, строгие средства контроля доступа и безопасное хранение и передачу данных. Модели информированного согласия для вторичного использования клинических данных сложны, особенно для крупномасштабных обсервационных исследований, где получение индивидуального согласия от миллионов пациентов может быть неосуществимым. Многие учреждения полагаются на широкие рамки согласия или отказы от согласия, предоставленного институциональными наблюдательными советами, с соответствующими гарантиями и прозрачностью.

Для получения дополнительной информации о лучших практиках конфиденциальности данных см. Руководство по безопасности HHS .

Алгоритмические предубеждения и справедливость

Модели машинного обучения, подготовленные на основе данных DHR, могут непреднамеренно увековечить или усилить существующие диспропорции в отношении здоровья, если данные обучения не являются репрезентативными для целевой группы. Например, если данные DHR из конкретной системы здравоохранения недопредставляют определенные расовые или социально-экономические группы, полученные в результате прогностические модели могут работать плохо для этих групп. Исследователи и разработчики должны активно оценивать алгоритмические искажения, использовать различные наборы данных обучения и привлекать заинтересованные стороны из затронутых сообществ к разработке и валидации моделей.

Воспроизводимость и обобщаемость

Результаты, полученные в результате анализа больших данных на основе DHR, могут быть чувствительны к конкретному набору данных, выборам предварительной обработки и используемым аналитическим методам. Изменения в практике кодирования, группах пациентов и моделях предоставления медицинских услуг в разных учреждениях могут привести к различным результатам. Жесткие усилия по репликации в нескольких независимых наборах данных и методологической прозрачности, включая обмен кодом, определениями и аналитическими планами, необходимы для укрепления уверенности в надежности и обобщенности результатов.

Будущие направления и возможности

Стык цифровых медицинских записей и исследований больших данных для диабета быстро развивается, обусловленный технологическими достижениями, меняющимися нормативными ландшафтами и растущим признанием ценности реальных доказательств. Появляется несколько перспективных направлений.

Интеграция непрерывного монитора глюкозы и данных носимых устройств

Непрерывные глюкозомониторы (CGM) генерируют множество высокочастотных данных - показания глюкозы каждые несколько минут - которые обеспечивают гораздо более богатую картину гликемического контроля, чем эпизодические измерения A1c. Интеграция данных CGM с DHR позволяет исследователям изучать изменчивость глюкозы, время в диапазоне и закономерности, связанные с приемом пищи, физическими упражнениями и временем приема лекарств. Аналогичным образом, данные фитнес-трекеров, умных часов и других носимых устройств могут обеспечить объективные измерения физической активности, качества сна и вариабельности сердечного ритма. Задача заключается в разработке совместимых платформ, которые могут принимать и гармонизировать эти разнообразные потоки данных и сделать их доступными для крупномасштабного анализа.

Искусственный интеллект и продвинутая аналитика

Достижения в области искусственного интеллекта (ИИ), включая глубокое обучение, обучение с подкреплением и большие языковые модели, открывают новые границы для исследований диабета на основе DHR. ИИ может идентифицировать сложные, нелинейные модели в высокоразмерных данных, которые могут упустить традиционные статистические методы. Например, модели глубокого обучения, применяемые к данным DHR, использовались для прогнозирования возникновения диабетической ретинопатии из фотографий сетчатки, для прогнозирования риска острых осложнений из последовательных лабораторных значений и для рекомендации персонализированных корректировок лечения. Интеграция ИИ непосредственно в системы DHR - в качестве инструментов поддержки клинических решений - обещает для перевода исследовательских идей в прикроватное действие.

Узнайте больше об ИИ в лечении диабета на странице исследования Американской диабетической ассоциации .

Геномная интеграция данных для точного диабета

Исследования ассоциаций генома (GWAS) выявили сотни генетических локусов, связанных с риском и осложнениями диабета. Сочетание геномных данных с данными фенотипа, полученными из DHR, позволяет исследовать взаимодействия генной среды, фармакогеномику и генетическую архитектуру ответа на лечение. По мере того, как секвенирование генома становится более доступным и развиваются системы DHR для хранения и управления геномными данными, потенциал для точной медицины диабета значительно расширится. Эта интеграция требует тщательного внимания к хранению данных, конфиденциальности и этическим последствиям использования генетической информации в исследованиях и клинической помощи.

Результаты, о которых сообщают пациенты, и данные о здоровье, полученные пациентами

Включение результатов, о которых сообщают пациенты (PRO), таких как качество жизни, бремя симптомов и удовлетворенность лечением, в DHR обеспечивает более ориентированное на пациента представление о диабете и его лечении. Достижения в мобильных приложениях для здоровья (mHealth) и порталах пациентов делают все более возможным сбор PRO и других данных о здоровье, полученных пациентами (PGHD) в масштабе. Эти данные могут быть связаны с клиническими данными из DHR, чтобы обеспечить всеобъемлющую картину воздействия заболевания и эффективности лечения с точки зрения пациента.

Политика и инфраструктурные аспекты будущего

Для реализации полного потенциала исследований больших данных для лечения диабета на основе DHR потребуются постоянные инвестиции в ИТ-инфраструктуру здравоохранения, стандарты данных и рамки управления. Политики должны играть роль в содействии совместимости, поддержке инициатив по обмену данными и обеспечении того, чтобы защита конфиденциальности шла в ногу с технологическими возможностями. Финансирование учреждений должно уделять приоритетное внимание исследованиям методов оценки качества данных, выявления предвзятости и развертывания этичного ИИ. Системы здравоохранения и исследователи должны сотрудничать для создания доверия с пациентами и сообществами, обеспечивая справедливое распределение преимуществ исследований больших данных.

Страница данных и фактических данных FDA Real-World предлагает дополнительную информацию о перспективах регулирования использования реальных данных в разработке медицинских продуктов.

Заглядывая в будущее, интеграция цифровых медицинских записей с новыми технологиями, такими как блокчейн для безопасного обмена данными, федеративное обучение для аналитики, сохраняющей конфиденциальность, и обработка естественного языка для расширенного извлечения данных, будет способствовать дальнейшему расширению границ исследований диабета. Конечная цель остается ясной: использовать возможности данных для улучшения жизни людей, живущих с диабетом, и ускорить прогресс в направлении профилактики, лучшего управления и, в конечном итоге, лечения.

Заключение

Цифровые медицинские записи коренным образом изменили ландшафт исследований диабета, предоставив инфраструктуру данных, необходимую для масштабной аналитики больших данных. От всеобъемлющего и структурированного сбора данных до продольного отслеживания, интеграции с несколькими источниками и совместных исследовательских сетей, DHR позволяют исследователям задавать и отвечать на вопросы, которые ранее были недоступны. Полученные результаты улучшают стратификацию рисков, персонализацию лечения и наше понимание неоднородности заболеваний и различий в состоянии здоровья.

Однако путь вперед не лишен проблем. Качество данных, совместимость, конфиденциальность, алгоритмическая предвзятость и воспроизводимость являются критическими вопросами, которые требуют пристального внимания со стороны исследовательского сообщества, систем здравоохранения и политиков. Решение этих проблем потребует постоянной приверженности, междисциплинарного сотрудничества и постоянного внимания к этическим принципам и справедливости.

По мере развития технологий будущее исследований больших данных для диабета с поддержкой DHR выглядит исключительно многообещающим. Приняв инновации, поддерживая строгие стандарты доказательств и этики, мы можем раскрыть весь потенциал цифровых медицинских записей для достижения значимых улучшений в лечении диабета и результатов для миллионов людей во всем мире.