Dr Rabia Khan, MD Ilmu Penemuan di Kesehatan Sensyne.
Apakah sektor kesehatan memasuki era baru di mana data pribadi menjadi dasar perawatan dan perawatan pencegahan?
Data semakin memperkuat layanan kesehatan, baik itu catatan perawatan kesehatan (data dunia nyata) atau data yang diambil secara real-time dari perangkat yang dapat dikenakan, atau solusi pemantauan jarak jauh. Kemajuan pesat alat analitik, seperti pembelajaran mesin dan analitik Big Data, berarti bahwa ledakan data perawatan kesehatan ini dapat digunakan untuk memengaruhi pengelolaan penyakit, mulai dari pencegahan, pengelolaan perawatan, dan obat-obatan yang dipersonalisasi.
Dalam sistem perawatan kesehatan, data dunia nyata dapat digunakan untuk mendukung dokter dalam pengambilan keputusan, dan mendukung algoritme pengambilan keputusan multivariabel, yang dapat membantu memahami penyakit kompleks dengan lebih baik. Penggunaan data besar dan pembelajaran mesin telah membantu kami lebih memahami penyakit baru yang dihadapi umat manusia, seperti COVID-19.
Data juga sangat penting untuk menggerakkan industri yang dituntut untuk menyembuhkan penyakit. Data dunia nyata sangat penting dalam menempatkan pasien di jantung proses penemuan dan pengembangan obat. Karena ketersediaan data pasien, kami benar-benar dapat berpindah dari “bangku ke samping tempat tidur” dan beralih ke model penemuan obat “sisi tempat tidur ke bangku” yang lebih berpusat pada pasien.
Data memungkinkan kita untuk mendefinisikan kembali taksonomi penyakit, yang pada akhirnya beralih dari klasifikasi penyakit kode ICD-10 abad ke pemahaman mekanistik penyakit, yang lebih selaras dengan pemahaman patologi penyakit daripada tanda dan gejala penyakit. penyakit.
Dengan menggunakan data, baik dari kumpulan data dunia nyata, multi-omics, dan biobank pasien besar, kita dapat mendefinisikan kembali taksonomi penyakit dan akhirnya berada pada momen penting dalam sejarah di mana kita dapat lebih memahami biologi yang mendasarinya daripada menargetkan gejalanya.
Contohnya adalah endometriosis; kami tidak memahami penyebab penyakit yang menyerang 10% wanita, tanpa pilihan pengobatan yang tersedia saat ini. Banyaknya data sekarang akan memungkinkan kita untuk tidak hanya memahami kondisinya dengan lebih baik, tetapi juga memantau dan melacak penyakit dari waktu ke waktu menggunakan alat pemantauan jarak jauh digital.
Data longitudinal di seluruh layanan kesehatan seringkali terfragmentasi. Bagaimana teknologi dapat membantu kami menyusun dan mengintegrasikan data tersebut ke dalam kumpulan data yang bermakna?
Profesional perawatan kesehatan saat ini terbatas pada tingkat perawatan yang dapat mereka berikan kepada pasien karena ketidakmampuan untuk melihat catatan kesehatan yang akurat dan lengkap. EPR (catatan pasien elektronik) tersebar di banyak sumber data yang terfragmentasi dengan banyak penjaga gerbang – perawatan primer, perawatan sekunder, perawatan sosial, kesehatan kerja di pemberi kerja, pusat perawatan spesialis, dll. – yang semuanya memiliki datanya sendiri untuk pasien.
Sumber data yang berbeda ini mungkin tidak lengkap atau tumpang tindih. Terlepas dari data yang terfragmentasi ini, semua pemangku kepentingan ini memiliki tujuan yang sama, untuk membantu merawat, menyembuhkan, dan mengelola pasien. Dalam dunia baru yang digerakkan oleh data, integrasi kumpulan data ini untuk meningkatkan hasil pasien sangat penting, karena kumpulan data terintegrasi memberikan gambaran holistik tentang perjalanan pasien, daripada titik waktu tunggal – titik data pemangku kepentingan tunggal yang dipegang oleh setiap pemangku kepentingan di jalur pasien.
“Perselisihan” dan “pembersihan” data, yang seringkali merupakan bagian paling penting dan jarang dibahas dari analitik data, adalah kunci dalam kumpulan data perawatan kesehatan. Untuk menghubungkan, mengagregasi, dan membuat data longitudinal tersedia untuk digunakan untuk AI dan pengambilan keputusan klinis, penautan, agregasi, dan penyimpanan harus dilakukan dengan cara yang etis dan relevan secara klinis, menjaga privasi pasien sekaligus memastikan akurasi klinis.
Untuk melakukan ini secara efektif, kita harus membangun tim interdisipliner, yang memahami relevansi dan pentingnya perselisihan data yang efektif, memahami kamus dan standar data, keahlian klinis, dan pakar privasi. Teknologi telah membantu menginformasikan setiap langkah dari proses ini. Ini telah memungkinkan kami untuk membakukan, menyelaraskan, dan menyimpan set data agar dapat menerima analisis, konsorsium telah dibentuk yang mendefinisikan data EPR – menghubungkan standar dan sejumlah besar perusahaan berfokus pada algoritme pelestarian privasi dan alat anonimisasi untuk memastikan penggunaan etis data pasien. Meskipun merupakan ekosistem baru yang berkembang pesat dari beragam perusahaan, teknologi telah memungkinkan kami mengubah penautan dan analisis kumpulan data yang ada di berbagai basis data untuk memengaruhi perawatan pasien.
Apakah kita memiliki kemampuan analitik untuk mengekstraksi data yang berarti dari setiap kumpulan data pasien tanpa bias atau diskriminasi?
Saat AI terus maju dan batas-batas operasinya meluas, kita secara alami akan mulai menghadapi tantangan seputar bias. Ini menjadi masalah karena pada dasarnya, sebagian sistem AI memerlukan pelatihan dari manusia. Jadi mungkin sulit untuk 100% menghilangkan bias yang akan ada di kumpulan data; kami gunakan untuk melatih algoritme.
Kita harus melakukan upaya bersama untuk memastikan kumpulan data yang digunakan untuk melatih algoritme AI mencakup keragaman global secara memadai. Pada dasarnya, ini memiliki tantangan, karena sebagian besar kumpulan data yang tersedia untuk penelitian bersifat bias. Sebagai sebuah sektor, kita harus mengambil langkah aktif untuk membalikkan bias ini dan menyertakan keragaman di seluruh papan mulai dari kumpulan data pelatihan dalam algoritme hingga populasi pasien yang dipelajari dalam penemuan obat, mengakui bahwa ini telah menjadi tantangan bagi industri secara historis.
Organisasi perawatan kesehatan dapat mengumpulkan banyak sekali data, tetapi apakah tantangan sebenarnya tentang bagaimana informasi ini ditafsirkan? Apakah di sinilah AI akan memberikan alat yang dibutuhkan untuk menggunakan data yang tersedia untuk memberikan manfaat nyata bagi pasien?
Kami tidak lagi dapat memproses sejumlah besar data kesehatan kompleks, longitudinal, dan heterogen yang tersedia bagi kami, untuk menemukan tren dan wawasan yang diperlukan, tanpa bantuan alat analitik canggih seperti AI.
Dengan menganalisis berbagai bentuk data seperti data pasien dunia nyata, data fenotipik dan genetik, dengan kekuatan pemrosesan dan pembelajaran mesin yang lebih murah, kita dapat lebih memahami biologi yang mendasarinya. Ini pada dasarnya tidak mungkin dilakukan sebelumnya dan telah dimungkinkan dengan konvergensi daya komputasi yang lebih terjangkau (Cloud), analitik canggih (AI/ML), ketersediaan teknik biologis canggih (sel punca, scRNASeq), mengurangi biaya pengurutan genom dan alat digital untuk membantu pengambilan data.
Ketersediaan data yang dikombinasikan dengan alat analitik canggih sekarang memungkinkan kita untuk mempertanyakan pendekatan klasik kita, dan mungkin sudah ketinggalan zaman untuk memahami manifestasi biologi dan penyakit. Misalnya, Inflammatory Bowel Disease (IBD) atau gagal jantung, yang saat ini diklasifikasikan sebagai penyakit, sebenarnya adalah sindrom yang terdiri dari banyak patologi. Dengan mengklasifikasikannya sebagai satu penyakit dan merawat semua pasien dengan gejala tersebut dengan satu perawatan, kami salah mengelola dan tidak memberikan perawatan terbaik untuk pasien yang menderita ini.
Jika sebaliknya, kami menganggap mereka sebagai spektrum gangguan dan menggunakan alat analitik canggih yang diterapkan pada hasil pasien yang ditangkap dalam EPR, kami dapat memodelkan hasil pasien, seperti respons terhadap pengobatan, bukan gejala dan memahami biomarker mana yang mengklasifikasikan pasien ke mana lintasan pasien. Hal ini memungkinkan kami untuk merawat pasien kami dengan lebih baik, tetapi juga fokus pada penemuan dan pengembangan obat di masa depan pada pasien yang tidak menanggapi lini terapi saat ini.
EPR memberikan contoh yang sangat baik tentang kekuatan perawatan kesehatan berbasis data. Informasinya kompleks dan heterogen (pemeriksaan darah, gambar, hasil, tanda vital, laboratorium, obat-obatan, komorbiditas, dan demografi), membuatnya sangat cocok untuk analisis dengan metode AI yang canggih. AI/ML membutuhkan kumpulan data kompleks yang besar untuk menunjukkan keefektifannya dibandingkan metode lain.
Dengan menggunakan pembelajaran mesin yang diterapkan pada data EPR, adalah mungkin untuk mengidentifikasi tanda tangan pasien dengan penyakit yang sama tetapi diklasifikasikan sebagai penanggap obat tertentu versus bukan penanggap, sehingga memecah penyakit tunggal menjadi subtipe. Pendekatan ini memungkinkan kami untuk mengintegrasikan kumpulan data yang luas dan membagi kelompok pasien dengan karakteristik penyakit serupa seperti IBD, dan mendefinisikan ulang IBD menjadi taksonomi baru.
Ketika bisnis FinTech mengubah layanan keuangan, akankah kita melihat banyak start-up baru untuk menciptakan sektor HealthTech yang digerakkan oleh data dan teknologi analitik?
Ini sudah terjadi, dengan obat pertama yang dikembangkan oleh AI sekarang memasuki uji klinis dan algoritme AI digunakan untuk mendukung alur kerja radiologi.
Kami akan menyambut baik kolaborasi antara NHS, perusahaan besar seperti perusahaan farmasi dan perusahaan rintisan dan peningkatan teknologi kesehatan, untuk mempercepat penemuan obat dan pencegahan penyakit. Misalnya, Sensyne Health baru-baru ini bekerja sama dengan Bayer untuk mengidentifikasi populasi pasien di satu area penyakit, dengan menilai dan menyusun data pasien yang dianonimkan dengan informasi EPR yang dianonimkan untuk lebih memahami heterogenitas penyakit dalam gagal jantung. Ini tidak akan mungkin terjadi tanpa kekuatan dokter pendukung teknologi yang menganalisis bukti dunia nyata, hanya tersedia melalui hubungan positif dengan kepercayaan NHS.
Sensyne juga bekerja sama dengan NHS Trusts di bawah Strategic Research Agreements untuk menggabungkan teknologi kecerdasan buatan klinis dengan data pasien yang dianonimkan dan bersumber secara etis untuk membantu meningkatkan perawatan pasien, mempercepat penemuan dan pengembangan obat-obatan baru, serta meningkatkan pemahaman kita tentang penyakit dan pengobatan. Pendekatan kolaborasi dua arah ini sangat penting untuk menciptakan nilai dari analisis data pasien yang dianonimkan dengan cara yang etis.
Menurut Kamu dari mana datangnya inovasi besar berikutnya di sektor teknologi kesehatan?
Visi saya untuk waktu dekat adalah memiliki bank sampel pasien berskala besar yang dapat dibagikan, terkait dengan catatan dan hasil pasien elektronik mereka untuk benar-benar mengubah paradigma “bangku ke samping tempat tidur”, menjadi penemuan obat yang berpusat pada pasien, di mana data pasien, hasil pasien dan sampel pasien sangat penting dalam setiap langkah proses penemuan obat. Bersama dengan rekam medis, data dari aplikasi pemantauan jarak jauh dapat melengkapi kumpulan data EPR untuk memahami penyakit kronis dan pengelolaannya di rumah. Jika digabungkan, informasi ini benar-benar akan mengubah cara kita memahami biologi penyakit, mendefinisikan penyakit, dan meningkatkan perawatan pasien.
Saya percaya bahwa proses penemuan obat yang kita kenal sekarang akan sepenuhnya berubah berkat akses ke data pasien berkualitas tinggi. Program penemuan obat akan dimulai dengan data rekam medis untuk menentukan profil produk target, sampel dari pasien akan digunakan untuk menjalankan seluruh penemuan dan pengembangan obat, beralih dari proses linier penemuan dan pengembangan obat dari ID Target ke uji klinis, melainkan proses berulang. Ini mirip dengan bagaimana cara kerja yang gesit mengubah sektor teknologi, bekerja dengan data pasien dan sampel pasien, dan mengulangi seluruh proses penemuan dan pengembangan obat menjadi lebih berulang, akan memungkinkan kita gagal lebih cepat dan mengurangi biaya inovasi dalam perawatan kesehatan
Yang terpenting, saya berharap kita tidak lagi membutuhkan uji coba kontrol acak seperti yang kita jalankan hari ini. Bayangkan, alih-alih orang menjadi sasaran proses pembuatan obat yang panjang dan mahal, kami telah mensimulasikan dalam uji coba silico di mana dampak senyawa dimodelkan pada pasien virtual tanpa perlu memaparkan pasien pada obat atau plasebo yang tidak perlu – hanya mendaftarkan orang yang diperkirakan akan menanggapi obat, dan secara teori, mempercepat seluruh proses membawa obat ke pasar.