Table of Contents

Вступ: Революція даних в дослідженнях діабету

Дебетати мельєзнавців впливає на більш ніж пів мільярдів людей по всьому світу, а його тягар непропорційно падає на громади з обмеженими ресурсами. Захворювання формується щільна мережа соціально-економічних умов та мідаш; втілювати, житло, доступ до догляду та мідаш; і індивідуальні поведінки, такі як дієта, фізична активність та медикаментозне дотримання. До недавнього часу дослідники спираються на опитування та невеликі клінічні випробування, щоб зрозуміти ці дії, способи, які часто пропустили складність та масштаби реальних взаємодій. Виникнення великої аналітики даних, що генеруються електронними акциплями здоров'я (EHR), зносними ускладненнями, пов'язками, що пов'язуються, що пояснюються, що та адміністративні та потенційними показниками, що змінені, що потенційні дані, що потенційні, що змінені.

Розширення Всесвіту даних діабету

Великі дані в галузі охорони здоров'я характеризуються об'ємом, швидкістю, різноманітністю і верасі. Для діабету в екосистемі даних входять:

  • Електронний запис здоров'я (EHR): Структура клінічних даних, таких як значення лабораторії (HbA1c, креатиніну), діагностику, медикаментозні накази, і життєві ознаки, поєднані з неструктурованим текстом з клініко-патологічних нот.
  • Зовнішні пристрої та безперервні монітори глюкози (CGMs): Реальні струмки рівня глюкози, основні підрахунки, рівень серця, якість сну та навіть показники стресу.
  • Фармування та затискачі даних: Записи рецептурних наповнювачів, інтервали заправок та страхових вимог, які показують закономірності використання та дотримання медикаментів.
  • Patient-Generated Data from Apps and Portals: Журнали харчування, симптомні щоденники, настройки, і пацієнт-перепортовані результати.
  • Соціальні медіа та інтернет-спільноти: Форуми, як Р/діабет червоний і Facebook групи, забезпечують неструктурований текст, насичений пацієнтом, занепокоєння та копінг-стратегії.
  • Публічні та адміністративні дані: Дані Census, індекси середовища харчових продуктів, транспортні мережі та кліматичні дані, які описують соціальний та фізичний контекст.

Коли ці різноманітні джерела пов'язані і проаналізовані колективно, вони виявляють асоціації, які будуть невидимими в будь-якій одиночній заміській даних. Наприклад, 2022 дослідження поєднує дані КГМ з сусідами соціально-економічні показники виявили, що особи в низькокомерційних областях досвідчені 30% більше часу в гіперглікемії протягом вечірок і вихідних, що пропонують посилання між графіками роботи, харчовим доступом і щоденним контрольом глюкози. Такі гранульовані інсайти допомагають переходити за середні середовища, щоб зрозуміти жили досвід діабету.

Як Соціоекономічний статус Випадки

Соціально-економічний статус (SES) є одним з найбільш послідовних предикаторів цукрового діабету і прогресування. За даними Світової організації охорони здоров'я ризик розвитку цукрового діабету 2 – 4 рази вище серед найбідніших у порівнянні з найбагатшими в багатьох країнах. Великі дані дозволяють дослідникам диссектифікувати механізми, які рухаються цим диспарентом.

Дохід, слон, матеріал

Низький дохід створює декілька бар’єрів для самостійного лікування діабету. Люди з обмеженими фінансовими ресурсами часто стикаються з торгово-офісами між покупкою їжі, платою за ліки, і наданням транспорту в клініку візитів. Великі дані аналізуються за допомогою пов’язаних податкових та медичних записів у Великобританії показали, що особини в найнижчому дохіді хінтиль значно частіше госпіталізовані для гіпоглікемії, потенційний знак інсулінного раціонування. Дослідження США за допомогою лікарських засобів та мікромедіанних даних доходів виявили, що зниження доходу 10% пов’язана з 6% вищою ставкою ампутації меншої небезпеки. Ці дози-репонси зв’язки забезпечують переконливі витрати, що забезпечують переконливі умови, що свідчать про консування, як доказів, як докази, так і для доказової політики.

Освіта та здоров’я

Освітній затримок впливає на те, як добре хворі навігують систему охорони здоров'я та інтерпретують медичну інформацію. Природна обробка мови (НЛП) повідомлень порталу пацієнта виявляють, що індивіди з рівнем освіти використовують менше медичних умов і менш ймовірні, щоб запитати уточнення питань, які можуть призвести до непорозуміння про дозування інсуліну або дієтичних рекомендацій. Широко масштабний аналіз даних EHR з багатошпилькової системи виявили, що пацієнти без диплому вищої школи мали рівень HbA1c, які були, в середньому, 0,8% вище, ніж ті, з рівнем коледжу, навіть після контролінгу за віком, секс, та коморбідність. Школа- datalevel, пов'яза, пов'яза, пов'язані з медичних програм, може інформувати результати, де можуть бути здоров'язані з охорони здоров'язані з освітнього середовища, або здоров'язувати здоров'язані, або здоров'язані з освітнього середовища, або здоров'я.

Доступ до охорони здоров'я та географії оппортуності

Геопросторовий аналіз став потужним інструментом виявлення проміжків доступу. За перекриттям курсу на поширеність цукрового діабету з місцями ендокринологів, цукрових діабетів, роздрібних аптек, дослідники можуть фіксувати «пошукові пустелі». У сільських районах США пацієнти можуть знадобитися більше 50 миль на спеціалізований візит, а дані про скарги свідчать, що така дистанція прогнозує пропущені прийоми і вищі показники діабезного кетоацидозу. Крім того, клініко-ліцензійні дані про час очікування і наявність призначення, коли поєднаний з типом страхування, виявляє, що хворі Медикади часто відчувають значно довше очікування нових пацієнтів, ніж у приватних медичних закладах.

Поведінкові візерунки, що захоплюються в шкалі

В той час як соціально-економічний контекст встановлює етап, щоденні поведінки визначають, чи зустрінеться цілі глюкози. Великі дані дозволяють безперервно, об’єктивне вимірювання цих поведінок, замінюючи епізометричні саморепорти з високою роздільною здатністю.

Дієта та фізична активність в режимі реального часу

Інтеграція CGMs з фітнес-трекерами та дієтологічними додатками створила нове поле «харчової поведінкової аналітики». Наприклад, дослідження користувачів 10,000 CGM показали, що прийом 15-хвилинної ходьби після обіду зменшено ноктурний глюкозний шипшина в середньому на 22%. Машинне навчання наноситься на журнали харчування з популярного додатка, ідентифіковано, що сніданки з більш ніж 30 грам вуглеводів сильно пов'язані з наступним середнім гіперглікемією, але цей ефект пом'якшувався, коли страва також міститься не менше 15 грам білка. Ці візерунки можуть генерувати персоналізовані рекомендації, доставлені повідомленнями смартфона.

Аспірантура лікарських засобів: поза саморепортами

Традиційні дослідження щодо прихильності, спираються на опитування пацієнтів, які неординарно неточні. Великі дані пропонують більш надійні проксі: ставки заправки аптек, електронний контроль відкриття пляшки та смарт-інсулін, які записують кожну ін'єкцію. Аналіз заправних даних з великої аптечної мережі виявило, що дотримання крапель на 20% протягом останнього тижня місяця, що відповідає фінансовим обмеженням. Аналіз соціальних медіа додає ще один шар: НВП постів на форумах цукрового діабету виявлених слів, як «збиток», «необхідний» як сильні предиктори наступних недотримання, з використанням яких можна відправляти три рази

Паління, алкоголь та інші ризики способу життя

Зазначені дані дозволяють дослідникам відстежувати довгостроковий вплив куріння та вживання алкоголю на ускладнення діабету. Дослідження поєднує в собі дані про тютюнові дані рівня рівня рівня рівня з обліковими записами в США виявили, що збільшення $1.00 у податку на дозатор був пов'язаний з зменшенням 4% при зниженні цукрового діабету, що пов'язані з незначними ампутаціями дворічного віку пізніше. Аналогічно, аналіз даних EHR, збагачених балами алкоголю, показали, що пацієнти, які повідомляють про великогабаритне пиття (≥4 напої / день для чоловіків, ≥3 для жінок) мали 50% вищу фізичність діабетичної ретинопатії більше п'яти років, після коригування гліко-гетичного тиску та з цимичного з'яного тиску.

Аналітичні методи побудови соціально-економічних та благословних даних

Реальна нова інноваційна система полягає в синтезі цих дискретних типів даних. Розширена аналітика необхідна для обробки даних, відсутніх даних, складних взаємодій.

  • Machine Learning for Risk Прогнозування: Gradient boosting and нейромережі, що навчаються на структурованих змінних даних EHR, а також для визначення 1-річного ризику госпіталізації з високою точністю. Наприклад, модель, розроблена на Kaiser Постійно використовується функції, як кількість пропущених призначень, частота парі коду та попередній рівень HbA1c для виявлення пацієнтів з п'ятикратним ризиком відвідування аварійних відділів.
  • Природні мовні обробки клінічних нот: Системи, такі як CTAKES (Apache Клінічний аналіз та система вилучення знань) можуть вилучити соціальні детермінанти, такі як «розбір їжі» або «живо окремо» від нот. Коли ці особливості додали до стандартних клінічних моделей, прогнозні показники для отримання читань, покращилися на 12% в одному дослідженні.
  • Технології інфункції: Оскільки соціально-економічний статус не випадковим чином присвоюється, спостережні дослідження можуть бути упереджені. Методи, такі як інструментальний мінливий аналіз (наприклад, використання відстані до продуктового магазину як проксі для доступу до їжі) і відмінності-в-знак (зберігаючи зміни з часу між групами) допомагають оцінити причинні ефекти. Нездатне застосування було оцінкою програми СНАП (програма допомоги з харчуванням) зростає, де дослідники виявили, що 10% збільшення переваг, що призвело до зменшення навантаження на HbA1c серед дорослих одержувачів з діабетом.
  • Аналіз та соціальні визначення: Mapping social support мережі з записів даних дзвінків або участі програми спільноти може виявити, як і ізоляції сприяє поганим результатам. У одному пілоті мережевий аналіз пацієнтів в онлайн-спільноті цукрового діабету виявило, що з низькою центральністю (приєднаннях) мали нижчу активність у самоменеджменті.

Запрошення інсайтів в дію: Клініко-соціальне здоров’я

Знання, отримані від великих даних, не просто теоретичні, це вже практика та політика.

Персоналізоване забезпечення ризиків та прийняття рішень

Інтегровані інформаційні платформи можуть генерувати в реальному часі сповіщення для клінік. Наприклад, панель з використанням даних EHR з геокодованими окружними показниками бідності та атегорією аптек може зафіксувати пацієнта як «високий ризик для медикаментозного недостатку» і запропонувати консультації з соціальної роботи. Такі системи керуються в рахункових організаціях, з рано показами, що показують зменшення госпіталізації.

Призначення політики та розміщення ресурсів

У Чикаго геопросторовий аналіз поширеності цукрового діабету, карт для харчової пустелі та публічних транзитних шляхів призвело до розміщення центрів охорони здоров’я громад, які доступні на автобусі. Дані про страхові дані використовували для відображення, що усунення комісій для інсуліну в державних службових планах знизили важкі події гіпоглікемії на 30%, підказки зміни політики.

Екологія та алгоритмічна феєрія

Великі дані є двостороннім мечем. Вирокові моделі, що навчаються на зміщених даних, можуть занурювати диспарації. Наприклад, алгоритм, який використовує останні медичні витрати для прогнозування потреб майбутнього, може систематично недооцінювати потреби хворих, які не допустили догляду. Дослідники тепер розвиваються алгоритми справедливості-дослідження, які явно регулюються змінами, такими як раса, дохід, географію для запобігання зміщених результатів. Національний інститут діабету та дайвінг та хвороби Kidney започаткував ініціативи, щоб просування рівноважного AI в дослідження діабету. &[[[[[F2tbets;

Етичні та конфіденційності

Збір та зв’язок конфіденційних даних підвищують важливі побоювання: поінформована згода, деідентифікація даних та потенціал для дискримінаційного використання. Наприклад, страховики можуть використовувати поведінкові дані для регулювання преміальних премій. Функції управління Робуст, такі як ті, які використовуються . Всі програми досліджень , включають в себе політики нагляду за громадою та прозорі політики використання даних. <!-- зовнішній зв’язок, що є власником --> (]Всі програми досліджень )

Напрями майбутнього: Від даних до інтерввенції

У наступному хвилі інновацій передбачає закриття петлі між даними та дією. В режимі реального часу аналітика з носіїв та CGM можуть викликати поведінкові нагородження через смартфони програми. Наприклад, система, яка відстежує тенденції глюкози та дані про розташування, може надсилати повідомлення: «Ваша глюкоза зростає, і ви знаходитесь біля магазину з продуктами. Розглянемо вибір низької закуски.» Мережа підтримки Peer-support, що відповідає соціально-економічним фоном, проходять випробування [MSa] [Медіа-Центр], що дозволяє підтримувати ці послуги [Медіа-Центр], що забезпечують більш широкий спектр послуг, які забезпечуються в рамках EHRs—

Ще один передній - це використання federated Learning, де кілька установ, які навчають моделі на комбінованих даних без фізичного доступу до інформації пацієнта, зберігаючи конфіденційність при цьому, дозволяючи масштабному аналізу. Цей підхід використовується в дослідницьких мережах діабету.

Висновки: підвищення ефективності здоров’я через дані

Великі дані забезпечили безпрецедентне вікно в реально-світні драйвери результатів діабету. Ми зараз знаємо, що zip-код пацієнта і дохід часто більш передбачувані їх HbA1c, ніж будь-які клінічні значення лабораторії. Поведінкові візерунки, захоплені безперервно носіями та цифровими інструментами, додають інший вимір, що дозволяє персоналізованим, своєчасним втручанням. Однак потужність цих інструментів повинна бути роз'ясненим. Якість даних, алгоритмічна прозорість, і прихильність до рівності є важливим для того, щоб забезпечити, що аналітична служба для зменшення невідповідностей, а не заглиблюється їх. При розгортанні також, велика аналітика даних пропонує більш ефективний підхід до подальшого здоров'ядження, і не тільки майбутнього, де все більше, де все більше, де все більше, де все більше, де все більше, ніж у всьому здоров'я, ніж просто не потрібно, де все більше, ніж у всьому здоров'я, що не потрібно, ніж у всьому здоров'я, що не потрібно, ніж у всьому здоров'я, ніж у всьому здоров'я, ніж у всьому здоров'я, що не потрібно, незалежно від того, де все

Вибрані ресурси для подальшого розширення