Comment l'analyse des mégadonnées peut-elle soutenir la santé préventive

?

Le secteur de la santé est un système de plus en plus complexe qui intègre diverses parties prenantes en dehors des cliniciens et des patients. Cette complexité génère des quantités importantes de données tout au long du continuum de Soins. Pour promouvoir les résultats en matière de santé et prévenir les maladies, ces données doivent être collectées, stockées, partagées et analysées efficacement. Mais la quantité de données en fait un formidable défi.

Pour résoudre ce problème, de nombreux acteurs de la santé se tournent vers l'analyse des mégadonnées. L'analyse des mégadonnées fournit des capacités améliorées liées aux données aux prestataires de soins de santé, qu'ils peuvent utiliser pour soutenir des objectifs et des résultats de santé à grande échelle.

Actuellement, l'analyse des mégadonnées est largement utilisée pour améliorer la santé préventive.

IDENTIFICATION DES BIOMARQUEURS

Un biomarqueur est défini par la Food & Drug Administration (FDA) des États-Unis comme « une caractéristique définie qui est mesurée comme un indicateur de processus biologiques normaux, de processus pathogènes ou de réponses à une exposition ou à une intervention, y compris des interventions thérapeutiques ». Il existe différents types de biomarqueurs, mais beaucoup sont utilisés pour prédire et prévenir les maladies.

Dans une étude en cours qui a débuté plus tôt cette année, des chercheurs de la Cleveland Clinic visent à identifier précocement les biomarqueurs des maladies cérébrales afin de prévenir les maladies neurologiques avant l'apparition de tout symptôme.

Les chercheurs notent qu'une personne sur six dans le monde souffre d'un trouble neurologique, et ces maladies sont souvent difficiles à prédire à un stade précoce. Les cliniciens sont également incapables d'arrêter ou de ralentir la progression de la plupart des troubles cérébraux, ce qui incite fortement à développer des méthodes de prédiction et de prévention précoces.

La Cleveland Clinic Brain Study contribue à ces efforts en recueillant des données auprès de 200 000 patients neurologiquement sains sur 20 ans pour détecter les biomarqueurs des maladies cérébrales. Les chercheurs émettent l'hypothèse que ces biomarqueurs et d'autres cibles pourraient aider à prévenir ou à guérir les troubles neurologiques.

Les volontaires de l'étude participeront à des évaluations annuelles qui peuvent aider à faire la lumière sur leur fonction cognitive, notamment des analyses de sang, des analyses de la rétine oculaire, des électroencéphalogrammes (EEG), des IRM cérébrales, des études du sommeil et des examens neurologiques.

Ces données seront ensuite transmises à des outils d'analyse de données avancés capables d'identifier des facteurs de risque génétiques ou des « empreintes digitales de la maladie » qui guideront les stratégies de prévention et de diagnostic.

TROUVER DES LACUNES DANS LES SOINS DE GESTION DES MALADIES CHRONIQUES

Une gestion efficace des maladies chroniques nécessite que les cliniciens utilisent un large éventail de données de santé pour surveiller la santé des patients, allouer des ressources et mesurer les résultats. L'analyse des mégadonnées rend ces informations plus accessibles en les rassemblant au point de service.

En utilisant l'analyse de mégadonnées pour la gestion des maladies chroniques, les cliniciens peuvent être en mesure d'identifier les patients à haut risque et d'intervenir pour prévenir l'apparition ou la progression des maladies chroniques. L'intelligence artificielle (IA), par exemple, fait l'objet de recherches pour guider la prise de décision en matière de traitement en rassemblant, catégorisant et analysant les quantités massives de données générées par les traitements des maladies chroniques.

Dans une étude publiée par l'Université du sud du Queensland, des chercheurs évaluant l'efficacité de l'analyse des mégadonnées dans la gestion des soins du diabète sucré de type 2 (DT2) ont découvert que le traitement de la maladie générait une pléthore de données structurées, semi-structurées et non structurées. Les données structurées étaient principalement des informations démographiques, tandis que les données semi-structurées comprenaient des prescriptions, des rapports, des symptômes et des diagnostics, entre autres facteurs. Les données non structurées comprenaient des données vidéo, audio et autres données multimédias.

Les chercheurs ont postulé que l'IA pourrait avoir un impact majeur sur la gestion du DT2 si elle était utilisée pour traiter ces grandes quantités de données.

Cependant, des lacunes dans la recherche sur les facteurs qui influent sur la facilité d'utilisation de l'analyse des mégadonnées pour le T2DM subsistent. Pour lutter contre cela, les chercheurs ont développé un modèle pour identifier ces facteurs et mesurer leur utilisabilité en ce qui concerne la gestion du DT2. Le modèle est toujours à l'étude, mais les chercheurs ont indiqué que la validation et la mise en œuvre du modèle pourraient avoir un potentiel important pour une utilisation clinique.

AMÉLIORER LA SANTÉ DE LA POPULATION

La gestion de la santé de la population est un défi en grande partie à cause de son ampleur. Pour être efficaces, les stratégies exigent que les populations nécessitant des soins soient identifiées, que les soins fournis précédemment soient mesurés et que la prestation future des soins soit évaluée. Ici, la mise en œuvre de l'analyse de données volumineuses semble être un choix évident, mais savoir utiliser des ensembles de données vastes et très variés peut s'avérer difficile.

Certains prestataires de soins de santé concentrent leurs efforts en matière de mégadonnées sur la compréhension des paramètres des patients et sur le développement de scores de risque à utiliser dans les modèles de prédiction. Ce faisant, les prestataires peuvent mieux comprendre les besoins des patients et utiliser ces informations pour orienter l'allocation et la gestion des ressources.

D'autres s'orientent vers des soins fondés sur la valeur. Les soins axés sur la valeur visent à améliorer l'expérience des patients, la santé de la population et les coûts des soins, ce qui peut mener à des stratégies de bien-être et de prévention efficaces et plus efficaces. Il est prouvé que les données en temps réel améliorent les soins fondés sur la valeur. Les données peuvent également être utilisées pour évaluer les soins basés sur la valeur et contribuer aux changements de modèle de dotation qui peuvent être nécessaires pour s'adapter à une stratégie de soins basée sur la valeur.

jouent également un rôle dans des déterminants sociaux de la santé (DSS). Les SDOH sont des facteurs autres que ceux traditionnellement évalués dans le cadre des soins de santé qui ont un impact sur la santé d'un individu. Les prestataires tiennent de plus en plus compte de facteurs tels que l' environnement, l'isolement socialou l'insécurité alimentaire lors du traitement des patients.

En mesurant ces déterminants sociaux, un prestataire peut mieux comprendre leur impact sur la santé d'une population donnée et recueillir des informations susceptibles d'améliorer les résultats. Certains payeurs et employeurs ont utilisé les données SDOH pour améliorer les programmes de bien-être, qui ont un potentiel important pour soutenir les initiatives de santé préventive menées par les prestataires.

SOUTENIR LA GÉNOMIQUE

Le séquençage génomique devient de plus en plus courant à mesure que les prestataires de soins de santé cherchent à améliorer les soins cliniques de routine. À l'instar des contrôles du cholestérol et des dépistages du cancer, le dépistage par ADN a le potentiel de faire progresser la médecine de précision et d'améliorer les résultats pour la santé en identifiant les patients à haut risque pour certaines conditions.

En mai 2018, Geisinger a annoncé qu'il intégrerait le séquençage génomique dans les soins cliniques de routine pour augmenter la quantité de données pertinentes utilisées pour soutenir la prévention et la gestion des maladies. Geisinger a depuis élargi le programme, le lançant dans des cliniques supplémentaires et testant un plus large éventail de gènes.

En novembre 2019, Geisinger a rapporté que 2 à 4 % des patients testés présenteront une mutation génétique qui provoque une maladie cardiaque, un cancer ou un autre trouble. Les consommateurs de soins de santé semblent intéressés par l'IA et les tests génétiques pour la médecine de précision, mais des inquiétudes concernant les coûts ont été soulevées.

Les programmes de séquençage génomique qui sont mis en œuvre dans les soins cliniques de routine, comme chez Geisinger, ont le potentiel de réduire ces coûts. Cependant, rendre le dépistage ADN plus facilement accessible ne se traduit pas nécessairement par la capacité des cliniciens à fournir un conseil génétique précis. Les prestataires de soins de santé qui proposent le séquençage génomique dans le cadre des soins de routine doivent également s'assurer que les cliniciens peuvent interpréter et communiquer efficacement les résultats avec leurs patients afin d'utiliser ces données avec succès pour la santé préventive.