О больших данных (big data) мы в последнее время много слышим. Но для большинства из нас – это что-то очень далекое от нас, никоим образом на нашей жизни не сказывающееся. Так или это на самом деле? Какую пользу могут принести большие данные, например, в здравоохранении? Это уже что-то более жизненное. Ведь все мы когда-то чем-то болеем. Особенно сейчас, с этой экологией и той едой, что потребляем… Читайте дальше в тексте – что улучшится, если современные способы обработки данных войдут и в систему здравоохранения.
Большие данные - это очень большие объемы данных, которые слишком сложны для традиционных инструментов обработки данных. В секторе здравоохранения все больший объем данных, поступающих как из традиционных медицинских учреждений, так и из других источников, потенциально может способствовать принятию решений.
Генетическая революция и гаджеты способствовалb появлению больших данных
Существует множество источников таких данных, помимо медицинской документации, которые являются традиционными источниками данных в области здравоохранения. Так, генетическая революция привела к появлению все более крупных наборов геномных и фармакогеномных данных.
Кроме того, обнаружение носимых устройств, данных, генерируемых пользователями (например, с помощью веб-поиска или сообщений в социальных сетях) или личных данных (таких как использование мобильных телефонов или операции с кредитными картами) являются источниками информации, которые при использовании более традиционных источников могут обеспечить мощные аналитические и прогнозные возможности для медицинских работников и политиков.
Улучшить процесс принятия решений
Использование больших массивов данных в здравоохранении может улучшить процесс принятия решений и устранить недостатки в экосистеме здравоохранения. Большие объемы данных можно использовать для разработки научно обоснованных моделей оказания точной медицинской помощи и оплаты.
К сожалению, из-за размера, скорости накопления, сложности и неоднородности этих данных возникают трудности с их использованием с помощью существующих инструментов и систем. Кроме того, рост объема больших данных также создает проблемы в области конфиденциальности, безопасности, владения данными, управления данными и их рационального использования.
Возникнут альтернативные системы оплаты лечения
Например, большие данные по рациональному уходу. На долю расходов на здравоохранение в США приходится более 18% ВВП, причем, по оценкам, треть (1 трлн долл. США в год) тратится впустую. Эта тенденция будет продолжать ухудшаться отчасти из-за старения населения и роста стоимости новых методов лечения. Эти растущие вызовы трансформируются в динамику рынка, которая оказывает давление на всю экосистему, поставщиков, плательщиков и медико-биологические компании, требуя улучшения результатов и опыта пациентов при одновременном снижении затрат. Для решения таких растущих проблем все чаще используются альтернативные модели оплаты, предусматривающие отказ от платного обслуживания и переход к уходу, основанному на ценностных ориентирах.
На пути к решениям
В усилиях по рационализации процесса принятия решений об уходе участвуют профессиональные организации, занимающиеся разработкой моделей ценностного подхода к уходу и альтернативных выплат. В онкологии, например, в США - это Национальная комплексная онкологическая сеть, которая собирает все признанные методы лечения онкологических больных. Для решения проблем, связанных со скоростью роста приемлемых вариантов с течением времени, системы разработала блоки данных, основанные на отзывах экспертов в отношении эффективности, безопасности, качества, согласованности данных и доступности по цене для каждой схемы лечения.
Цель заключается в том, чтобы помочь онкологам в принятии наиболее эффективных решений путем выбора "предпочтительных схем лечения" и "других схем лечения". Американское общество клинической онкологии разработало систему ценностей, которая предлагает систему баллов, основанную на клинических выгодах и токсичности и известную как Net Health Benefit (NHB) балл, который можно сравнить с затратами и помочь врачам и пациентам принимать одинаковые решения.
Новая цифровая классификация для наблюдения за пациентами
Так, Центр рака Джона Теурера разработал новую цифровую классификацию, в соответствии с которой все параметры, относящиеся к онкологическим, будут объединены в одну рекомендацию. Эта модель сжимает все соответствующие данные в карте пациента в цифровой код, позволяя точно классифицировать каждого пациента, не встречающегося в существующих стандартных системах классификации.
Собранная информация позволяет собирать все прогнозно значимые данные на протяжении всего наблюдения пациента для всего процесса лечения и последующего наблюдения до самой смерти или для долгосрочного наблюдения, если пациент вылечился. Эта информация не идентифицируется и поэтому освобождается от необходимости получения информированного согласия пациента и может быть использована для "вторичных" исследований в совокупности.
Кроме того, система фиксирует сопутствующие патологии, интенсивность дозы лечения каждого препарата, токсичность, реакцию, беспрогрессивную выживаемость и/или время до следующей терапии, общую выживаемость, качество жизни и стоимость. Это обеспечивает уникальное средство продольной визуализации для каждого пациента, которое позволяет проводить достоверные сравнения результатов лечения и схем лечения.
Как и ожидалось - но впервые в доказанном и измеримом виде - архитектура системы выявила значительные различия в рекомендациях по лечению и стоимости даже в рамках аналогичных подгрупп пациентов, определенных центром до введения системы. Так что преимущества обработки больших данных налицо. Даже лечение по стоимости выходит гораздо дешевле, чем его назначает врач без анализа больших данных.