Ведение бизнеса

Доказательная медицина — чем помогут большие данные и медицинские сети

Сегодня услуги «поставщиков» медицины оплачиваются вне зависимости от того, к какому результату они привели. Но в скором времени платить придется за реальную ценность, а не за объем услуг. Медицинская бизнес-модель рано или поздно начнет выстраиваться на основе доказуемого результата, и ее рентабельность будет зависеть от производительности и эффективности медицинских услуг.

Сегодня услуги «поставщиков» медицины оплачиваются вне зависимости от того, к какому результату они привели. Но в скором времени платить придется за реальную ценность, а не за объем услуг. Медицинская бизнес-модель рано или поздно начнет выстраиваться на основе доказуемого результата, и ее рентабельность будет зависеть от производительности и эффективности медицинских услуг.

Необходимое условие для этого — прозрачная, достоверная информация об эффективности лекарств, терапевтических и диагностических методов, мероприятий и медицинских вмешательств. Данные, которые лежат в основе, желательно получать не в ходе специальных заказных экспериментов – в таком случае они могут быть недостаточно объективны, статистически неполны и даже порой предвзяты. Для того, чтобы повысить объективность любых клинических исследований, используются разные способы – от двойных слепых
плацебоконтролируемых и рандомизированных экспериментов (когда ни экспериментатор, ни испытуемый не осведомлены о деталях до окончания процесса) до соглашения между группами экспертов. Но лучший и непредвзятый источник, все-таки, это ежедневная медицинская практика и огромное число данных, которые естественным путем генерируются ежедневно.

Для того, чтобы эти ценные данные не пропадали впустую (а точнее, не становились достоянием локальных медицинских учреждений), требуется качественный их сбор, интеграция и анализ. Но это, говоря упрощенно, данные такого объема, что их неудобно или невозможно обработать при помощи стандартных подходов. И тут на сцену выходят специализированные технологические платформы по обработке и анализу.

Например, технологическая платформа известной аналитической компании GNS Healthcare позволяет анализировать большие данные в медицинской сфере. В частности, это позволяет быстро выяснить какие виды вмешательств дают лучшие результаты при определенных синдромах и для кого принятые меры будут максимально эффективны. Анализ большого количества данных позволяет вводить новые мероприятия в рамках лечения – и они априори представляют собой не эксперимент, а достаточно надежный, своевременно корректируемый способ борьбы с болезнью.

Для исследования воздействий различных лекарств и методов лечения широко используется рандомизированные клинические испытания (РКИ) – исследования, где участников изначально тем или иным способом распределяют так, чтобы у них были равные шансы оказаться в любой из рассматриваемых групп. В отличие от РКИ, при анализе больших данных используются не искусственно рандомизированные, а естественные, реальные данные, собранные в результате ежедневного наблюдения за огромным количеством пациентов. Туда входят и клинические данные, и данные страховых компаний, и лабораторные тесты, и информация из медицинских ИТ-систем. И вдобавок, в последнее время новые виды данных появляются чуть ли не ежедневно – спасибо мобильным технологиям и всевозможным устройствам, позволяющим получать информацию о своем здоровье даже без посещения врача.

REFS™ автоматизирует обнаружение причинно-следственных связей и использует моделирование для формирования новых медицинских заключений. Основа REFS™ (Reverse Engineering and Forward Simulation) – масштабируемый фреймворк, способный извлечь новые знания непосредственно из больших данных. Запускается он на высокопараллельных облачных вычислительных системах. REFS работает в два этапа: вначале запускает обратный инжиниринг – исследование, цель которого – понять принцип работы, — а потом моделирует на его основе новый подход. Необходимо отметить, что этот подход достаточно конкретен – к примеру, он моделирует определенную комбинированную терапию для пациентов с конкретным генотипом и историей болезни и прогнозирует эффект. Результат – персонализированные лекарственные препараты и предсказуемая реакция организма пациента.

В частности, GNS Healthcare содействовала лечению категории пациентов, больных ревматоидным артритом, около трети из которых не реагирует на анти-ФНО терапию и требует особого подхода. Другой пример – сотрудничество с Национальным институтом рака, чтобы беспристрастно смоделировать генетические и молекулярные механизмы воздействия лекарств от рака и разработать более эффективные препараты. А в медицинской компании Aetna, создавшей собственную лабораторию инноваций, GNS применяет свои технологии для изучения метаболического синдрома.

Большие данные не всегда гармонично вписываются в нашу действительность. Компаниям, разумеется, хотелось бы получить и использовать информацию как можно быстрее – быстрее доказать эффективность лекарства, подхода, технологического нововведения. Хотя подход к их сбору масштабируется медленно и тяжело. Однако и то, что поступает в системы, подобные GNS, превосходит по количеству любой искусственный эксперимент. И, кроме того, исключается возможность того, что результат зависит от начальных условий исследования, а не от методов лечения (увы, такое тоже встречается).

Алгоритмы, лежащие в основе анализа, — это не просто выявление статистических корреляций. Они позволяют выяснить и причинно-следственную связь между мероприятиями по лечению и результатом у отдельных конкретных групп пациентов.

Но собрать огромную информацию в суперкомпьютере, для того, чтобы обработать ее сложными алгоритмами – это не единственное, что можно сделать в наши дни. Представьте себе более простой вариант – как полезно бы было сделать опыт врачей из любого медицинского учреждения доступным пусть не всему миру – но, скажем, всем другим врачам региона. Это и типичные для региона заболевания, и своевременное, качественное реагирование на вспышки эпидемий, лекарства, априори доступные на территории данной конкретной страны и много других возможностей. Но много информации просто оседает в бумагах вместо того, чтобы принести пользу обществу.

У этой проблемы есть решения, одним из удачных примеров которых является iNexx. Эта платформа представляет собой нечто вроде гибрида «социальной сети» и магазина приложений для медиков. Она позволяет группе медицинских учреждений развернуть собственную закрытую сеть, где можно обмениваться опытом, координировать помощь, консультироваться с другими врачами. Выбор сотрудников, участвующих в жизни сети, определяется по собственному желанию. Таким образом, происходит управляемый, конфиденциальный и масштабный обмен информацией о здоровье. Более того, с помощью iNexx можно выбрать и скачать полезные приложения, облегчающие рабочий процесс и восполняющие технологические пробелы в рабочем процессе. Кстати, разработчики могут создавать и сертифицировать собственные приложения для этой платформы. Костяк «магазина приложений» составляют разработки самой iNexx. Например, есть система поддержки принятия клинических решений, работающая в реальном времени, корректирующиеся онлайн-справочники лекарств, расчет клинических показателей качества, информация об иммунизации и просто списки пациентов с напоминаниями о превентивном или пост-уходе. Есть там и возможность публично (в рамках сети) разместить клинические данные о здоровье или результатах тестов, собственные доклады, программно упорядочить свою информацию о пациентах для отчетности. Для больниц использование iNexx означает связь между бригадами, что облегчает координирование ухода за пациентом. Если последний наблюдается в разных клиниках, информацию можно достать из единой базы.

И да, iNexx бесплатна. То есть, создать свою сеть и воспользоваться ее преимуществами может любой желающий – или группа желающих.

И если использование услуг GNS Healthcare – это масштабный проект, требующий массу данных и, следовательно, источников, готовых ими поделиться, большие средства для сложных вычислений и, значит, высокоуровневую заинтересованность в подобного рода анализе, то система, подобная iNexx требует гораздо меньшего – некоторой организованности и доброй воли. И хочется надеяться, что на базе более или менее сложных платформ в медицине появится ясность – что хорошо, а что плохо, что эффективно – а что нет. И что рано или поздно анализ больших данных, как в случае GNS, или просто интеграция информации, как у iNexx, подтолкнет медицинский бизнес к четкой работе на результат.

Начать дискуссию