Úvod: Data Revolution in Diabetes Research

Diabetes mellitus postihuje viac ako pol miliardy ľudí na celom svete a jeho záťaž neúmerne klesá na komunity s obmedzenými zdrojmi. Ochorenie je formované hustou sieťou sociálno-ekonomických podmienok a dýchačov; príjmy, vzdelanie, bývanie, prístup k starostlivosti a dash;a individuálne správanie, ako je diéta, fyzická aktivita a dodržiavanie liekov. Donedávna sa výskumníci spoliehali na prieskumy a malé klinické skúšky, aby pochopili tieto vplyvy, metódy, ktoré často premeškali zložitosť a rozsah interakcií v reálnom svete. Vznik veľkých dátových analytík, poháňaných elektronickými záznamami o zdraví (EHR), nositeľnými senzormi a prepojenými administratívnymi súbormi, to zmenili. V súčasnosti je možné analyzovať milióny dátových bodov, aby sa odhalili vzory, ktoré vysvetľujú, prečo niektoré populácie majú v manažmente cukrovky úspechy, zatiaľ čo iné čelia ničivým komplikáciám. Tento článok skúma, ako veľké dáta transformujú naše chápanie sociálno-ekonomických a behaviorálnych determinantov výsledkov cukrovky a čo to znamená pre budúcnosť starostlivosti.

Rozširovanie vesmíru cukrovky dát

Veľké dáta v zdravotnej starostlivosti sa vyznačuje objemom, rýchlosťou, rozmanitosťou a pravdivosťou. Pre cukrovku, dátový ekosystém zahŕňa:

  • [Elektronické zdravotné záznamy (EHR):[] Štruktúrované klinické údaje, ako sú laboratórne hodnoty (HbA1c, kreatinín), diagnózy, lieky a vitálne príznaky, kombinované s neštruktúrovaným textom z poznámok lekára.
  • Vlastné pomôcky a kontinuálne monitory glukózy (CGM):[:1]] V reálnom čase prúdy glukózy, počty krokov, tepová frekvencia, kvalita spánku a dokonca aj ukazovatele stresu.
  • Dátum o havárii a tvrdeniach:] Záznamy o vypĺňaní predpisov, intervaloch dopĺňania a poistných nárokoch, ktoré odhaľujú vzory používania zdravotnej starostlivosti a dodržiavania liekov.
  • [Patrient-Generalated Data from Apps and Portals:[:1]] Potravinárske denníky, denníky symptómov, naladovačky a výsledky hlásené pacientom.
  • [Sociálne médiá a online komunity:] Fóra ako Reddit
  • Verejné a administratívne súbory údajov: Sčítanie údajov, indexy životného prostredia potravín, dopravné siete a klimatické údaje, ktoré opisujú sociálny a fyzický kontext.

Keď sú tieto rôznorodé zdroje prepojené a analyzované spoločne, odhaľujú združenia, ktoré by boli neviditeľné v každom jednotlivom súbore údajov. Napríklad, štúdia 2022 kombinujúca údaje CGM so sociálno-ekonomickými indexmi v okolí zistil, že jednotlivci v oblastiach s nízkymi príjmami zažili o 30% viac času v hyperglykémii počas večerov a víkendov, čo naznačuje súvislosť medzi pracovnými rozvrhmi, prístupom k jedlu a každodennou kontrolou glukózy. Takéto podrobné poznatky pomáhajú pohybovať sa za priemermi, aby pochopili skúsenosti so životom v diabete.

Ako sociálnoekonomický stav formuje výsledky cukrovky

Socioekonomický stav (SES) je jedným z najkonzistentnejších predpovedí výskytu cukrovky a progresie. Podľa Svetovej zdravotníckej organizácie, riziko vzniku cukrovky typu 2 je 2 chuligánov v porovnaní s najbohatšími v mnohých krajinách. Veľké dáta umožňuje výskumníkom pitvať mechanizmy, ktoré riadia tento rozdiel.

Príjem, bohatstvo a materiálna námaha

Nízky príjem vytvára mnoho prekážok pre seba-riadenie cukrovky. Ľudia s obmedzenými finančnými zdrojmi často čelia kompromisy medzi nákupom potravín, platenie liekov, a ponúkanie dopravy na návštevy kliniky. Big analýzy dát pomocou prepojených daňových a zdravotných záznamov v Spojenom kráľovstve ukázali, že jednotlivci v najnižšom príjmovom kvintile sú výrazne viac pravdepodobné, že hospitalizovaný pre hypoglykémiu, potenciálny znak inzulín prídel. Americká štúdia pomocou Medicare nároky a susedstve medián príjmov dát zistil, že 10% zníženie príjmov bolo spojené s 6% vyššou mierou amputácie nižšej extrémnosti. Tieto dávkovo-odpoveď vzťahy poskytujú presvedčivý dôkaz pre politické intervencie, ako je inzulín cenových stropov.

Vzdelávanie a gramotnosť v oblasti zdravia

Výsledky vzdelávania ovplyvňujú, ako dobre pacienti navigujú systém zdravotnej starostlivosti a interpretujú lekárske informácie. Spracovanie prirodzeného jazyka (NLP) portálových správ pacientov odhaľuje, že jednotlivci s nižšou úrovňou vzdelania používajú menej lekárskych termínov a sú menej náchylní klásť objasňujúce otázky, čo môže viesť k nedorozumeniam o dávkovaní inzulínu alebo stravovacích odporúčaniach. Rozsiahla analýza údajov EHR z multi-hospitalizačného systému zistila, že pacienti bez vysokoškolského diplomu mali hladiny HbA1c, ktoré boli v priemere o 0,8% vyššie ako tí s vysokoškolským titulom, dokonca aj po kontrole veku, pohlavia a zaťaženia komorbiditou. Údaje na úrovni školy súvisiace so zdravotnými výsledkami môžu informovať o tom, kde nasadiť komunitných zdravotníckych pracovníkov alebo vzdelávacích programov.

Prístup k zdravotnej starostlivosti a geografia príležitosti

Geopriestorová analýza sa stala účinným nástrojom na identifikáciu nedostatkov v prístupe. Tým, že prekrývajúce sa miery prevalencie cukrovky s miestami endokrinológov, pedagógov cukrovky, a maloobchodných lekární, výskumníci môžu bodovať chearte púští.

Vzorce správania zachytené na stupnici

Zatiaľ čo sociálno-ekonomický kontext stanovuje fázu, každodenné správanie určuje, či sú splnené ciele glukózy. Veľké dáta umožňuje kontinuálne, objektívne meranie týchto správania, nahrádza epizodické samosprávy s vysokým rozlíšením sledovania.

Diéta a fyzická aktivita v reálnom čase

Integrácia CGM s fitness trackermi a diétnymi aplikáciami vytvorila novú oblasť chutí analytiky správania.

Dodržiavanie liekov: Mimo sebaspráv

Tradičný výskum lipnutia spoliehal na pacientov prieskumy, ktoré sú známe nepresné. Veľké dáta ponúka spoľahlivejšie proxies: lekáreň doplňovanie cien, elektronické monitorovanie otvorov fliaš tabletky, a inteligentné inzulínové perá, ktoré zaznamenávajú každú injekciu. Analýza znovu naplniť dáta z veľkej lekárne reťazca odhalil, že dodržiavanie klesá o 20% počas posledného týždňa v mesiaci, v súlade s finančnými obmedzeniami. Analýza sociálnych médií pridáva ďalšiu vrstvu: NLP príspevkov na diabetes fórach identifikované slová, ako je chromé, chutí, chutí, a chápať si ako silné predpovede následného non-adhistore, s pocitom skóre korelujúce s HbA1c zmeny v priebehu nasledujúcich troch mesiacov. Tieto poznatky umožňujú včasnú identifikáciu pacientov, ktorí by mohli mať prospech z behaviorálnej poradenstvo alebo finančnej pomoci programy.

Fajčenie, alkohol a ďalšie riziká životného štýlu

Prepojené súbory údajov umožňujú výskumníkom sledovať dlhodobý vplyv fajčenia a užívania alkoholu na komplikácie súvisiace s cukrovkou. Štúdia, ktorá spája údaje o dani z tabaku na úrovni štátu so záznamami o vypúšťaní z nemocnice v Spojených štátoch, zistila, že zvýšenie spotrebnej dane z cigariet o 1,00 USD bolo spojené so znížením amputácií s nižším výskytom cukrovky o 4% po dvoch rokoch. Podobne analýza údajov EHR obohatená o skóre skríningu alkoholu ukázala, že pacienti, ktorí zaznamenali nadmerné pitie (≥4 nápoje/deň u mužov, ≥3 u žien) mali o 50% vyšší výskyt diabetickej retinopatie počas piatich rokov po úprave na kontrolu glykémie a krvný tlak. Tieto zistenia podporujú integráciu skríningu používania látok do starostlivosti o cukrovku.

Analytické metódy na kombinovanie sociálnoekonomických a behaviorálnych údajov

Skutočná inovácia je v syntéze týchto rôznorodých dátových typov. Pokročilá analytika je potrebná na zvládnutie mätúcich, chýbajúcich dát a zložitých interakcií.

  • [Učenie sa na základe požiadaviek na riziko:[] Klesavé posilňujúce a neurálne siete vyškolené na štruktúrované údaje EHR plus premenné sčítacích traktov môžu predpovedať 1-ročné riziko hospitalizácie s vysokou presnosťou. Napríklad model vyvinutý v spoločnosti Kaiser Permanente používa funkcie, ako počet neprijatých termínov, miera chudoby zipového kódu a predchádzajúca variabilita HbA1c na identifikáciu pacientov s päťnásobným rizikom návštev na pohotovosti.
  • [Prírodné jazykové spracovanie klinických poznámok: Systémy ako cTAKES (Apache Klinické Text analýzy a znalosti extraktový systém) môžu extrahovať sociálne determinanty, ako je
  • [[Pokyny kauzálnej inferencie:[] Vzhľadom na to, že sociálno-ekonomický stav nie je náhodne priradený, pozorovacie štúdie môžu byť skreslené. Metódy ako inštalačná analýza premenných (napr. pomocou vzdialenosti od obchodu s potravinami ako náhrada za prístup k potravinám) a rozdiely (porovnávanie zmien v čase medzi skupinami) pomáhajú odhadnúť kauzálne účinky. Významnou aplikáciou bolo hodnotenie SNAP (Supplemental Nutrition Assistance Program) prínosu, kde výskumníci zistili, že 10% zvýšenie výhod viedlo k zníženiu HbA1c o 0,3% u dospelých príjemcov s cukrovkou.
  • [ Analýza siete a sociálne determinanty:[ Mapovanie sietí sociálnej podpory zo záznamov o volaní alebo účasť na programe Spoločenstva môže odhaliť, ako izolácia prispieva k zlým výsledkom. V jednom pilotnom projekte, sieťová analýza pacientov v online diabete komunity identifikovala, že tí s nízkou centralitou (málo spojení) mal nižšie zapojenie do činností samoriadenia.

Preklad Insights do akcie: Klinické a verejné zdravotné dôsledky

Poznatky získané z veľkých dát nie sú len teoretické; už pretvárajú prax a politiku.

Osobné varovania a podpora rozhodovania

Integrované dátové platformy môžu generovať v reálnom čase upozornenia pre lekárov. Napríklad, prístrojová doska kombinujúca EHR dáta s geokódovaným susedstvom indexy chudoby a lekárne znovu naplniť histórie môžu označiť pacienta ako

Cielenie politiky a prideľovanie zdrojov

Oddelenie verejného zdravia používať veľké dáta na identifikáciu optimálnych miest pre nové programy prevencie cukrovky. V Chicagu, geopriestorová analýza prevalencie cukrovky, mapy potravín v púšti, a cesty verejnej dopravy viedol k umiestnenie komunitné zdravotné centrá, ktoré sú prístupné autobusom. Poisťovacie nároky dáta boli použité na preukázanie, že odstránenie spoluplaty za inzulín v štátnych zamestnanec plánov znížiť závažné hypoglykémie udalosti o 30%, čo podnieti zmenu politiky.

Majetková a algoritmus korektnosti

Veľké dáta sú dvojsečný meč. Prediktívny model vyškolený na skreslené dáta môžu pretrvávať rozdiely. Napríklad algoritmus, ktorý využíva minulé náklady na zdravotnú starostlivosť na predpovedanie budúcich potrieb môže systematicky podceňovať potreby pacientov s nízkym príjmom, ktorí sa vyhýbali starostlivosti. Výskumníci teraz vyvíjajú spravodlivé algoritmy, ktoré explicitne upravujú premenné, ako sú rasa, príjem a geografia, aby zabránili neobjektívnemu výstupom. Národný inštitút pre cukrovku a choroby tráviacich a obličkových ochorení[[FLT: 1]] začal iniciatívy na podporu spravodlivej AI vo výskume cukrovky. <!- externý link placeholder -- > (NIDDK: sociálne problémy a cukrovky))

Etické a osobné úvahy

Zhromažďovanie a prepojenie citlivých údajov vyvolávajú dôležité obavy: informovaný súhlas, de-identifikácia údajov a potenciál diskriminačného použitia. Napríklad, poisťovatelia môžu použiť behaviorálne údaje na úpravu poistného. Robustný rámec riadenia, ako sú tie, ktoré používa [Všetky z nás Výskumný program, zahŕňajú politiku dohľadu nad komunitou a transparentného využívania údajov. < - externý vlastník odkazu -- > (Všetky z nás Výskumný program )

Budúce pokyny: Od údajov k intervencii

Ďalšia vlna inovácií zahŕňa uzavretie slučky medzi dátami a akcie. Analytika v reálnom čase z nositeľov a CGMs môže vyvolať behaviorálne nudges prostredníctvom smartphone aplikácií. Napríklad systém, ktorý monitoruje trendy glukózy a lokalizačné údaje by mohol vyslať správu:

Ďalšou hranicou je používanie federovaného učenia, kde viaceré inštitúcie školia modely o kombinovaných údajoch bez toho, aby si fyzicky vymieňali informácie o pacientoch, pričom zachovávajú súkromie a zároveň umožňujú rozsiahlu analýzu. Tento prístup sa riadi v sieťach výskumu cukrovky.

Záver: Dosiahnutie zdravotného kapitálu prostredníctvom údajov

Veľké dáta poskytli nebývalé okno do reálneho sveta ovládače výsledkov diabetu. Teraz vieme, že pacient zip kód a príjem sú často viac prediktívne ich HbA1c ako akékoľvek klinické laboratórne hodnoty. Behaviorálne vzory, zachytené nepretržite nositeľmi a digitálne nástroje, pridať ďalší rozmer, ktorý umožňuje personalizované, včasné zásahy. Avšak, sila týchto nástrojov musí byť riadený zodpovedne. Kvalita dát, algoritmická transparentnosť, a záväzok k rovnosti sú nevyhnutné pre zabezpečenie, že analytika slúži na zníženie rozdielov, skôr než ich prehĺbiť. Pri nasadení s starostlivosťou, veľké dáta analytika ponúka cestu do budúcnosti, kde je nielen efektívnejšie, ale aj viac spravodlivý a rozvážny, kde každý pacient, bez ohľadu na pozadie, má podporu potrebnú na dosiahnutie optimálnych zdravotných výsledkov.

Vybrané zdroje pre ďalšie prieskumy