Как цифровые медицинские записи могут облегчить продольные исследования диабета и деменции

Цифровые медицинские записи (DHR) меняют ландшафт медицинских исследований, предоставляя непрерывные реальные данные из обычной клинической помощи. Для продольных исследований - тех, которые следуют за участниками в течение многих лет или десятилетий - DHRs предлагают беспрецедентное окно в медленное, сложное прогрессирование хронических заболеваний, таких как диабет 2 типа и деменция. Эти условия имеют переплетенные биологические пути, и понимание их долгосрочного взаимодействия требует массивных высококачественных наборов данных, которые традиционные методы исследования пытаются доставить. Используя силу DHR, исследователи теперь могут задавать вопросы, которые ранее были не поддаются ответу, от выявления ранних маркеров риска до разработки профилактических вмешательств, адаптированных к индивидуальным траекториям.

Трансформационный потенциал цифровых медицинских записей для продольных исследований

Долгосрочные исследования долгое время были золотым стандартом для исследования причинно-следственных связей и прогрессирования заболевания. Тем не менее, их классическая форма - периодические личные визиты, опросы и абстракции на ручных картах - печально известна как дорогая, медленная и уязвимая для отсева и смещения памяти. Цифровые медицинские записи (часто используемые взаимозаменяемо с электронными медицинскими записями или EHR) преодолевают многие из этих ограничений. Они захватывают данные в качестве побочного продукта ухода, автоматически регистрируют диагнозы, лекарства, результаты лабораторных исследований, жизненно важные признаки и даже неструктурированные клинические заметки. Когда надежно связаны между больницами, клиниками и аптеками, DHR создают продольную ткань данных, которая охватывает десятилетия жизни пациента.

Преодоление традиционных барьеров в исследованиях

Одно из самых больших преимуществ DHRs - это чистая шкала, которую они предлагают. В то время как традиционное когортное исследование может включать несколько тысяч субъектов, хорошо разработанное исследование DHR может включать сотни тысяч или даже миллионы пациентов. Эта статистическая мощность позволяет исследователям обнаруживать тонкие ассоциации, которые в противном случае были бы потеряны в шуме. Например, Национальные институты здравоохранения [FLT: 1] [FLT: 2]] использовали DHR из крупных систем здравоохранения [FLT: 3] для выявления факторов риска деменции за десятилетия до клинического начала. Кроме того, поскольку данные собираются в режиме реального времени, DHRs практически устраняют предвзятость при отзыве - пациентам больше не нужно запоминать прошлые симптомы или изменения в лекарствах. Они также снижают затраты: как только инфраструктура существует, сбор данных для тысяч пациентов намного дешевле, чем проведение многолетнего проспективного исследования с выделенными координаторами.

Другим ключевым барьером, на который направлены ДПЧ, является репрезентативность. Традиционные исследования часто включают добровольцев, которые здоровее, богаче и более образованы, чем население в целом — явление, известное как «предвзятость здорового добровольца». ДПЧ собирают данные от всех пациентов, которые обращаются за медицинской помощью, в том числе из недостаточно обслуживаемых общин, при условии, что эти пациенты имеют доступ к системе здравоохранения. Эта реальная выборка делает результаты более обобщенными для более широкого населения, хотя неравенство в доступе остается проблемой (обсуждается позже).

Богатство данных и интеграция

Современные DHR гораздо больше, чем цифровые шкафы для хранения данных. Они объединяют широкий спектр типов данных - лабораторные результаты (HbA1c, креатинин, липиды), списки лекарств, отчеты о визуализации (МРТ, ПЭТ-сканирование), результаты генетических тестов и все чаще данные о здоровье, генерируемые пациентами, из носимых устройств, таких как непрерывные мониторы глюкозы и умные часы. В сочетании со структурированными данными из страховых требований, аптечных записей и даже социальных детерминант здоровья (например, индексы депривации области), исследователи могут построить многомерную картину прогрессирования заболевания, которая ранее была невозможна.

Например, стандарт FLT:0 Fast Healthcare Interoperability Resources (FHIR) позволяет осуществлять бесшовный обмен данными DHR между учреждениями, что делает возможным сотрудничество крупномасштабных исследовательских сетей, таких как Национальная сеть клинических исследований, ориентированная на пациентов (PCORnet) и Observational Health Data Sciences and Informatics (OHDSI). Эти сети гармонизируют данные из сотен больниц, позволяя проводить мета-анализы, которые могут обнаруживать невидимые шаблоны в любом отдельном сайте.

Распаковка связи сахарного диабета и деменции с помощью долгосрочных данных

Диабет и деменция являются двумя наиболее обременительными хроническими состояниями старения, и они глубоко связаны. Диабет 2 типа удваивает риск развития болезни Альцгеймера и также сильно связан с сосудистой деменцией. Механизмы многогранны — резистентность к инсулину нарушает метаболизм глюкозы в мозге, хроническая гипергликемия повреждает мелкие кровеносные сосуды, а передовые конечные продукты гликирования способствуют нейровоспаленению. Разпутывание этих путей требует данных, которые охватывают десятилетия между ранними метаболическими нарушениями и поздним когнитивным снижением. DHRs обеспечивают именно этот продольный взгляд.

Выявление ранних биомаркеров и траекторий риска

Используя DHR, ученые определили ключевые прогностические биомаркеры, которые появляются за годы до диагностики деменции. Например, исследования показали, что большая вариабельность в HbA1c — не только средний уровень — является сильным предиктором будущих когнитивных нарушений у людей с диабетом. Анализ 2019 года более 250 000 пациентов с управлением здравоохранения ветеранов обнаружил, что каждое увеличение вариабельности HbA1c на 1% было связано с 15% более высоким риском деменции. DHR также позволяют исследователям исследовать, как различные методы лечения диабета влияют на когнитивные результаты. Бигуаниды (метформин) могут оказывать защитное действие, в то время как сульфонилмочевины и инсулин могут быть связаны с повышенным риском деменции — хотя смешивание с тяжестью заболевания усложняет интерпретацию.

Помимо глюкозы в крови, DHR позволяют интегрировать результаты нейровизуализации с метаболическими данными. Исследователи из Ассоциации Alzheimer использовали базы данных визуализации, связанные с DHR, чтобы показать, что атрофия гиппокампа коррелирует с продолжительностью плохо контролируемого диабета. Комбинируя серийные МРТ с лабораторными значениями, они могут оценить траекторию потери объема мозга и сопоставить ее с клиническими событиями, такими как диабетическая нейропатия или ретинопатия. Эти идеи прокладывают путь для ранних испытаний вмешательства, направленных на метаболические факторы.

Информирование клинической практики и стратегий общественного здравоохранения

Продольные исследования DHR не просто генерируют знания — они напрямую информируют руководящие принципы. Американская диабетическая ассоциация теперь включает рекомендации по когнитивному скринингу для пожилых людей на основе данных из больших когорт DHR, показывающих, что непризнанное когнитивное снижение является распространенным явлением и приводит к ухудшению самоконтроля диабета. Агентства общественного здравоохранения также используют данные DHR для моделирования влияния профилактики диабета на уровень населения на заболеваемость деменцией. Например, Центры по контролю и профилактике заболеваний По оценкам, снижение распространенности диабета на 10% может снизить случаи деменции более чем на 300 000 в Соединенных Штатах к 2050 году. Такие прогнозы основаны на продольных данных, которые фиксируют отставание между фактором риска и результатом.

Кроме того, DHR позволяют прагматически рандомизированным исследованиям , встроенным в клиническую помощь. Программа Национального института по проблемам старения «Встроенные прагматические клинические испытания AD / ADRD (ePACT)» использует DHR для проверки того, снижает ли интенсивный контроль глюкозы в среднем возрасте снижение когнитивных функций позже — что было бы непомерно дорого с традиционными методами исследования. Путем рандомизации на уровне клиники и следования за пациентами через их электронные записи, исследователи могут достичь больших размеров выборки с минимальными дополнительными затратами.

Проблемы реализации и критические соображения

Несмотря на свои огромные перспективы, продольные исследования на основе DHR сопряжены со значительными препятствиями. Исследователи должны ориентироваться в ландшафте фрагментированных систем, переменного качества данных и строгих правил конфиденциальности. Эти проблемы, если их игнорировать, могут подорвать обоснованность и справедливость результатов исследования.

Конфиденциальность данных и безопасность

Наиболее насущная проблема заключается в защите конфиденциальности пациентов. DHRs содержат очень конфиденциальную информацию - не только медицинские условия, но и социальную историю, генетические данные и даже поведенческие модели. Продольные исследования усугубляют риск, потому что данные накапливаются в течение многих лет и могут быть повторно идентифицированы путем связывания нескольких записей. В Соединенных Штатах Закон о переносимости и подотчетности медицинского страхования (HIPAA) устанавливает основные правила, но исследователи также должны соблюдать институциональные наблюдательные советы, соглашения об использовании данных и, все чаще, законы штата, такие как Закон о конфиденциальности потребителей. [Удаление 18 конкретных идентификаторов] и [Дополнительный статистический шум] [Добавление статистического шума] Департамент здравоохранения и социальных служб предоставляет подробное руководство , но балансировка полезности данных с конфиденциальностью остается напряжением в каждом исследовании.

Совместимость и гармонизация данных

Другим основным барьером является совместимость или ее отсутствие. Запись пациента может быть распространена на дюжину различных систем - первичный уход, специалисты, больницы, аптеки - каждая с использованием разных кодов и форматов. Считывание артериального давления в одной системе может храниться в виде целого числа (например, 120/80), в то время как в другой - это сцепленная строка (например, «120/80»). Аналогичным образом, диагнозы могут быть записаны с использованием ICD-9, ICD-10, SNOMED CT или свободного текста. Даже простая концепция, такая как «диабет», может быть закодирована по-разному на сайтах. Управление национального координатора по здравоохранению ИТ (ONC) подтолкнуло к принятию FHIR , но устаревшие системы все еще доминируют. Исследователи должны вкладывать значительные средства в очистку данных, картирование и валидацию - задачи, которые могут потреблять 80% бюджета исследования.

Качество данных и выбор вариантов

Данные DHR собираются для клинических, а не исследовательских целей. Это означает, что недостающие данные, ошибка измерения и путаница по показаниям являются распространенными. Например, пациент с легкими когнитивными нарушениями может прекратить посещение врача, создавая систематическое отсев. Аналогично, лабораторные тесты упорядочены на основе клинического подозрения - поэтому измерения HbA1c могут быть более частыми у более больных пациентов, предвзятые продольные тенденции. Исследователи должны использовать статистические методы, такие как множественные вычисления, обратный вес вероятности или продвинутые модели причинного вывода (например, маргинальные структурные модели) для устранения этих предубеждений. Но даже тогда DHR не могут фиксировать то, что не документировано - например, факторы образа жизни, безрецептурные лекарства или социальная поддержка - приводя к остаточному смешению.

Этические и справедливые проблемы

Менее обсуждаемой, но критической проблемой является алгоритмическая справедливость. Модели машинного обучения, обученные на данных DHR, часто неэффективны для расовых и этнических меньшинств, отчасти потому, что эти группы недопредставлены в записях или потому, что социальные детерминанты не измеряются. Например, если модель, обученная в основном белым популяциям, прогнозирует риск деменции с использованием HbA1c и артериального давления, она может упустить тот факт, что афроамериканские пациенты имеют разные базовые когнитивные показатели и различные профили осложнений диабета. Национальная академия медицины призвала к строгой проверке в различных популяциях до того, как будет развернут любой инструмент, полученный из DHR. Исследователи должны убедиться, что сами данные, используемые для улучшения справедливости в отношении здоровья, не случайно расширяют различия.

Впереди дорога: новые технологии и совместные рамки

Несмотря на эти проблемы, будущее продольных исследований с поддержкой DHR яркое. Быстрые достижения в области искусственного интеллекта, федерации данных и вовлечения пациентов открывают новые границы. Ключом будет балансирование инноваций с гарантиями, чтобы полученные результаты приносили пользу всем.

Искусственный интеллект для Pattern Discovery

Машинное обучение, особенно глубокое обучение, может выявить нелинейные, зависящие от времени модели, которые традиционная статистика может пропустить. Для исследований диабета-деменции сети длинной кратковременной памяти (LSTM) и трансформаторные модели обучаются последовательности HbA1c, артериального давления, лекарств и госпитализаций, чтобы предсказать будущее когнитивное снижение за несколько лет. Обработка естественного языка (NLP) может извлечь скрытые фенотипы из клинических заметок, таких как тонкие упоминания жалоб на память, падений или ошибок в лекарствах, которые предшествуют формальным диагнозам деменции. Исследование 2023 года с использованием NLP на заметках более чем 2 миллионов пациентов обнаружило раннее когнитивное снижение на целых три года раньше, чем диагностические коды.

Тем не менее, модели ИИ хороши только в той мере, в какой они обучены. Усилия, подобные Все исследовательские программы США , создают чрезвычайно разнообразные наборы данных, связанные с DHR, включая геномные, носимые и данные опросов, в частности, для обучения надежных, справедливых моделей. Требуя данные от популяций, которые исторически были исключены, All of Us стремится производить идеи, которые являются обобщаемыми и справедливыми.

Федеративное обучение и конфиденциальность-сохранение аналитики

Одним из наиболее перспективных разработок является федеральное обучение, которое позволяет алгоритмам обучаться в нескольких больничных системах без перемещения исходных данных. Вместо этого каждое учреждение вычисляет обновления моделей локально и делится только зашифрованными параметрами. Этот подход значительно снижает риски конфиденциальности и позволяет сотрудничать через границы, которые в противном случае были бы заблокированы законами о защите данных. Совместное исследование OHDSI использовало федеративную аналитику для проведения глобального исследования сердечно-сосудистых эффектов различных лекарств от диабета, объединяя данные DHR от более чем 50 миллионов пациентов в 15 странах. Аналогичные усилия в настоящее время направлены на деменцию, связывая реестры диабета с данными клиники памяти для понимания тенденций на уровне населения.

Интеграция социальных детерминантов и результатов, сообщенных пациентами

Продольные исследования DHR все чаще включают данные за пределами клиники. Геокодирование позволяет исследователям связывать пациентов с данными о доступности для пешеходов, доступе к пище и загрязнении. Некоторые системы здравоохранения внедряют скрининг социальных рисков (например, отсутствие продовольственной безопасности, нестабильность жилья) в свои DHR, создавая целостное представление о факторах заболеваний. Результаты, о которых сообщают пациенты (такие как когнитивные жалобы, настроение и качество жизни), также собираются через приложения для смартфонов и интегрируются с DHR. Эти многомерные наборы данных обещают более глубокое понимание того, как диабет и деменция взаимодействуют с живой средой.

Создание устойчивой инфраструктуры цифровых исследований

Для реализации полного потенциала DHR для продольных исследований требуются инвестиции в инфраструктуру: стандартизированные модели данных (например, OMOP Common Data Model), облачные аналитические платформы и обучение персонала. Национальный институт по проблемам старения финансирует несколько научно-исследовательских сетей на основе DHR, таких как Alzheimer’s Disease Data Initiative (ADDI) , целью которых является создание федеративного общего доступа к данным, связывающего DHR, исследования биомаркеров и клинические испытания. Между тем, предложение European Health Data Space направлено на создание общеевропейской инфраструктуры для вторичного использования данных о здоровье в исследованиях, включая продольные исследования хронических заболеваний.

Устойчивость также требует, чтобы исследователи с самого начала привлекали пациентов и сообщества. Донорство данных, прозрачность использования данных и возвращение результатов участникам (например, персонализированные отчеты о рисках) укрепляют доверие и улучшают удержание. Когда пациенты видят ценность своего вклада - возможно, они получают ранние предупреждения о когнитивных изменениях - они становятся партнерами в исследовательском предприятии, а не пассивными субъектами.

В конце концов, цифровые медицинские записи не являются панацеей. Они никогда не заменят тщательный дизайн клинических испытаний или глубину качественных исследований. Но для понимания медленного, кумулятивного повреждения диабета и деменции они не имеют себе равных. Превращая миллиарды рутинных клинических событий в богатое, продольное повествование, DHR дают нам возможность выявлять сигналы на ранней стадии, точно вмешиваться и, в конечном итоге, изменять траекторию этих разрушительных заболеваний. Задача сейчас состоит в том, чтобы использовать эту силу ответственно, гарантируя, что данные каждого пациента вносят вклад в знания, которые приносят пользу всем.