Hastaneler ve sağlık sistemleri, veri evrenleri çok karmaşık olduğundan, büyük ölçekli verilerden içgörü bulma konusunda geleneksel olarak önemli zorluklar yaşamıştır. Standart bir sağlık sistemi, çok çeşitli kaynaklardan büyük miktarda veriye sahiptir.
Bir örnek vermek gerekirse, ameliyat gibi bir prosedürle ve bir ameliyatın takibiyle ilgili veriler HBS, yatan hasta EHR, perioperatif sistemler, genomik, laboratuvar, patoloji, görüntüleme, ambulatuar EHR ve diğerlerinden gelir. Ayrıca, her kaynağın benzersiz biçimleri, veri türleri ve veri öğeleri vardır.
Bir hizmet hattı lideri, bir klinisyen ve bir yönetici, cerrahi başarı oranları hakkında fikir edinmek istiyorsa, bir analizi bilgilendiren korelasyonlar ve sonuçlar bulmak için tüm bu kaynaklardan gelen veriler arasında gezinmeleri gerekir.
Örneğin, bir klinisyen, belirli bir ameliyat sonrası ağrı kesici ilaç alan hastalar ile yeniden yatış ve/veya komplikasyon olasılığı arasında bir korelasyon olup olmadığını bilmek isteyebilir ve esasen şu soruyu sorabilir: “Bu ilacı ileride bu tür hastalar için kullanmalı mıyız? ”
Bu sorunun cevabını elde etmek için klinisyenin sağlık sisteminin veri evreninin tamamını anlaması gerekir ki bu çok yüksek bir çıtadır.
“Bu zorluğun üstesinden gelmek için, sağlık sistemlerinin tipik yaklaşımı, klinisyenlerin bu tür sorular gönderdiği veri analistlerinden oluşan ekipler istihdam etmesidir ve ardından veri analistlerinin bu veri evrenini bir araya getirmesi gerekir ve bu çok fazla zaman ve enerji gerektirir. ve uzmanlık,” diye açıkladı bir veri analitiği ve sentetik veri teknolojisi satıcısı olan MDClone’un ticari müdürü Josh Rubel.
“Ve analistler, sürekli artan sayıda taleple karşı karşıya kalıyor ve bu da bir darboğaz yaratıyor” diye devam etti. “Bu örnekte, bir cerrahın belirli bir ağrı kesiciyle ilgili ilginç bir sorusu varsa, soru soran diğer kişilerle aynı hizaya gelmek zorunda kalıyor. Süreç doğası gereği yavaş ve aşırı aracılı ve bu nedenle ölçeklenebilir değil.”
Bu zorluklara yönelik potansiyel çözümleri tartışmak ve çevredeki teknolojilere dalmak için, Sağlık Bilişim Haberleri Rubel ile röportaj yaptı. Söyleyecek çok şeyi vardı.
S. Teknolojiden tam olarak haberdar olmayanlar için lütfen sentetik verilerin ne olduğunu ve sağlık hizmetlerinde nasıl kullanılabileceğini açıklayın.
A. Sentetik veriler, insan olmayan denek verileridir. İyi sentetik veriler, özellikle sağlık hizmetlerinde, orijinal veya gerçek verilerden türetilen, gerçek verilerle aynı hikayeyi anlatan ancak gerçek insan denek verileri içermeyen verilerdir.
Sağlık hizmetlerinde, hasta mahremiyetine verilen önemle birlikte, sentetik veriler, özellikle verilerle etkileşim kurabilen harici kullanıcılar olmak üzere kullanıcı sayısını ve türlerini önemli ölçüde artırır. Örneğin, sağlam ve doğru sentetik verilerle sağlık sistemleri, bir hastalık ilerlemesi tahmin modeli eğitmek için algoritma geliştiricilere veri erişimi sağlayabilir.
S. Sağlık hizmeti sağlayıcı kuruluş CIO’ları ve diğer sağlık BT liderlerinin sentetik veriler hakkında bilmesi gerekenler nelerdir? Burada dikkatlerini çekmesi gereken haberler neler?
A. Sağlık BT liderleri, verilerinin ne kadar değerli olduğunu anlıyor ve hem şirket içinde hem de şirket dışında bu verilerden daha fazla yararlanmak istiyor. Sentetik veriler konusunda heyecanlanmamızın nedeni, daha geniş ve daha fazla veri kullanımının vaadidir.
Sentetik veriler, sağlayıcıların yaşam bilimleri veya teknoloji ortakları aracılığıyla daha iyi ve daha hızlı terapötik geliştirme yapmalarına ve performansı iyileştirmek ve akademik kurumlardan çıkan araştırmaları hızlandırmak için üçüncü taraflarla ortaklık kurarak daha fazla kalite iyileştirmesi yaratmalarına olanak tanır.
S. Lütfen bir sağlayıcı kuruluşun, hasta sağlığını iyileştirmek için keşfetmek, keşfetmek veya işbirliği yapmak için sentetik verileri nasıl kullanabileceğine dair bir örnek verin.
A. ABD Gaziler İşleri Bakanlığı, MDClone’un çekirdek altyapı olarak konuşlandırıldığı ARCHES adlı bir inovasyon girişimi geliştirdi. VA’nın ARCHES programı, hasta davranışını anlamaya ve intiharı önlemeye yönelik süreçleri ve stratejileri iyileştirmeye yardımcı olacak bir programda birkaç üçüncü taraf şirketle işbirliği yapmak için sentetik verileri kullanıyor.
Veriler sentetik olduğu için VA, hangi gazilerin hayatlarını sona erdirmeye çalışabileceğini tahmin etmek için modeller geliştiren dış kuruluşlarla güvenli ve kolay bir şekilde paylaşabilir. Sentetik veriler olmadan, bu tür bir işbirlikçi çaba çok zor olurdu.
VA’da ve başka yerlerde bunun gibi, tümü güvenilir, doğru ve gizliliği koruyan sentetik verilerle etkinleştirilen daha birçok program bekliyoruz.
S. Lütfen bir sağlayıcı kuruluşun, hasta sağlığını iyileştirmek için keşfetmek, keşfetmek veya işbirliği yapmak için sentetik verileri nasıl kullanabileceğine dair bir örnek daha verin.
A. Louis’deki Washington Üniversitesi ve Kanada’daki Ottawa Hastanesi, her iki kurumunda da sepsis tahmin modeli ve sepsis bakımıyla ilgili verileri gözden geçirmek istediler ve siteler arası karşılaştırma çalışması yapmakla ilgilendiler.
Eski yöntemlerle, belki bir klinik araştırma düzenlemesi yapabilir ve birkaç aylık bir süre içinde birbirleriyle veri paylaşmaya başlayabilirlerdi. Bunun yerine, iki telefon görüşmesi boyunca kuruluşlar birbirlerinin sentetik verilerine bakabildiler.
Hiçbir veri paylaşımı veya veri kullanım sözleşmesi imzalanmak zorunda değildi. İnsan denek verilerine bakmıyorlardı ve yaklaşık iki saatlik etkileşimin ardından sepsis modelleme ve sepsis bakımı üzerine birlikte ortak bir araştırma yaptılar.
Bu tür bir işbirliği, birlikte çalışan büyük ölçekli akademik kuruluşlar için hız ve ölçek açısından nispeten duyulmamış bir durumdur. Sentetik, bu tür kurumlar arası araştırmalar için oyunun kurallarını değiştirir.
S. Şirketinizin teknolojisi, sağlayıcı kuruluşlar için yapay veri kullanımına nasıl olanak sağlıyor?
A. MDClone, sağlık hizmetlerinde veri gizliliğini ve veri kullanımını en üst düzeye çıkarmaya odaklanmıştır. Dünya çapında 20’den fazla uygulama ile MDClone’un temel teklifi olan ADAMS platformu, içgörüleri yönlendirmek için esnek ve yüksek hızlı veri keşfi sağlar.
ADAMS’ın ayırt edici bir özelliği, hassas kohortlar, terapötik alanlar ve ilgili popülasyonlar için sentetik veri oluşturmamızdır. Platform, teknik olmayan son kullanıcıların sentetik verileri oluşturma ve keşfetme becerisini içerir.
VA veya Intermountain Health veya İsrail’deki Sheba gibi sağlayıcı kuruluşlarda, sentetik motorumuz kaliteyi, performansı ve genel sağlığı iyileştirme fırsatları bulmaya yardımcı olmak için günde yüzlerce kez kullanılır.
Bill’in HIT kapsamını LinkedIn’de takip edin: Bill Siwicki
Yazara e-posta: [email protected]
Healthcare IT News, bir HIMSS Media yayınıdır.