Det tog en pandemi, men USA har endelig (nogle) centraliserede medicinske data

Køretøjer står i kø på et covid-19-teststed på Dodger Stadium i Los Angeles Mario Tama/Getty Images

• 6,3 millioner af-identificerede poster er i øjeblikket i NIHs N3C-database
• Det er blevet en af ​​de største samlinger af covid-patientjournaler i verden
• Ordningen undgår datasiloer og problemer med privatlivets fred, der er en gåde for det amerikanske sundhedssystem

Under hele pandemien har der været alvorlige spændinger mellem, hvad offentligheden ønsker at vide, og hvad videnskabsmænd har været i stand til at sige med sikkerhed.

Forskere har været i stand til at lære mere om covid, hurtigere end om nogen anden sygdom i historien - men på samme tid er offentligheden blevet chokeret, når læger ikke kan svare på tilsyneladende grundlæggende spørgsmål: Hvad er symptomerne på covid-19? Hvordan spreder det sig? Hvem er mest modtagelig? Hvad er den bedste måde at behandle det på?

Ingen steder har denne konflikt været mere tydelig end i USA, som bruger næsten en femtedel af sit bruttonationalprodukt på sundhedspleje, men opnår dårligere resultater end noget andet velhavende land. At finde svarene har været kompliceret, ikke bare fordi videnskaben er svær, men fordi amerikansk sundhedsvæsen er bygget på et kludetæppe af uforenelige, arkaiske systemer.

Relateret historie

USA har ingen idé om, hvordan man administrerer alle de testdata, det indsamler. I USA bestemmer hver stat, hvordan den rapporterer resultater fra covid-19-tests. Resultatet er et kaotisk system, der skader vores reaktion på pandemien.

På tværs af nationen overlapper føderale, statslige og lokale love om beskyttelse af personlige oplysninger og modsiger nogle gange hinanden. Lægejournaler er i mellemtiden rodede, fragmenterede og intenst tilsmudset af de institutioner, der ejer dem - både af hensyn til privatlivets fred, og fordi det er utroligt rentabelt at sælge afidentificerede medicinske data.

Men adgang til data fanget i disse siloer er den eneste måde at besvare spørgsmål om covid. Det er derfor, der er foregået så meget vital forskning i udlandet, i lande med nationale sundhedssystemer, selvom USA har et stort antal både covid-patienter og forskningsinstitutioner. Nogle af de stærkeste data vedr risikofaktorer for covid-dødelighed og funktioner af lang covid er kommet fra f.eks. Storbritannien. Der har folkesundhedsforskere adgang til data fra 56 millioner NHS-patienters journaler.

I begyndelsen af ​​pandemien indså en gruppe forskere finansieret af US National Institutes of Health eller NIH, at mange spørgsmål om covid-19 ville være umulige at besvare uden at nedbryde barrierer for datadeling. Så de udviklede en ramme for at kombinere egentlige patientjournaler fra forskellige institutioner på en måde, der kunne være både privat og brugbar.

Resultatet er National COVID Cohort Collaborative (N3C) , som indsamler lægejournaler fra millioner af patienter rundt om i landet, renser dem og derefter giver adgang til grupper, der studerer alt fra hvornår man skal bruge en ventilator til hvordan covid påvirker menstruationscyklusser.

Det er bare chokerende, at vi ikke havde nogen harmoniserede, aggregerede sundhedsdata til forskning i lyset af en pandemi, siger Melissa Haendel, professor i forskningsinformatik ved University of Colorado Anschutz Medical Campus og en af ​​co-leads af N3C. Vi ville aldrig have fået alle til at give os denne grad af data uden for konteksten af ​​en pandemi, men nu hvor vi har gjort det, er det en demonstration af, at kliniske data kan harmoniseres og deles bredt på en sikker måde og en gennemsigtig måde .

Databasen er nu en af ​​de største samlinger af covid-journaler i verden med 6,3 millioner patientjournaler fra 56 institutioner og tæller, herunder optegnelser fra 2,1 millioner patienter med virussen. De fleste optegnelser går tilbage til 2018, og bidragende organisationer har lovet at blive ved med at opdatere dem i fem år. Det gør N3C ikke bare til en af ​​de mest nyttige ressourcer til at studere sygdommen i dag, men en af ​​de mest lovende måder at studere lang covid på.

Et system, hvor institutioner sender optegnelser i bulk til en centraliseret føderal regering, er en anomali i amerikansk sundhedsvæsen. Udnyttet har den potentialet til at besvare detaljerede spørgsmål længe efter pandemien. Og det kan endda tjene som proof of concept for lignende bestræbelser i fremtiden.

Open source data

For at bidrage med information til databasen vælger de deltagende udbydere først to grupper af patienter: personer, der er testet positive for covid, og andre, der vil fungere som kontrolgruppe. De fjerner derefter alt, hvad der gør dataene personligt identificerbare, undtagen postnummer og tjenestedatoer, og overfører dem sikkert til N3C. Der renser teknikere dataene - ikke altid en nem opgave - og indtaster dem i databasen.

Alle kan indsende et forskningsforslag gennem N3C's dashboard , uanset om de er tilknyttet en indsendende institution eller ej. Selv borgerforskere kan anmode om adgang til en anonymiseret version af datasættet.

en NIH udvalg gennemgår hvert forslag og bestemmer, hvilken version af dataene forskerne vil kunne få adgang til. Der er flere niveauer af information: et begrænset datasæt, et andet niveau, der indeholder rigtige poster med postnumre og datoer skjult, og en tredje lavet af computergenererede syntetiske poster, som forsøger at beholde de samme attributter som de rigtige poster uden at indeholde nogen reelle patientdata. Alle skal gennemgå datasikkerhedstræning, før de får adgang.

Indtil videre er 215 forskningsprojekter blevet godkendt, herunder undersøgelser for at spore resultater for patienter, der har modtaget forskellige covid-vacciner, og undersøge komplikationsraten af ​​elektive operationer hos ikke-covid-patienter under pandemien. Den første udgivelse fra samarbejdet var en analyse af risikofaktorer for dødelighed hos kræftpatienter, der har fået SARS CoV2, og der er udgivet adskillige fortryk om emner, herunder covid-udfald i leversygdomme patienter og mennesker med hiv .

Mere ansvarlighed, bedre videnskab

Rene, nøjagtige data er afgørende for sådanne undersøgelser, men det har været svært at komme forbi i pandemiens kaos. Sidste juni, to store tidsskrifter, BMJ og The Lancet, tilbagetrukne papirer baseret på data fra Surgisphere, et lidet kendt medicinsk datafirma med en håndfuld ansatte. Det hævdede at have adgang til lægejournaler i realtid fra næsten 100.000 covid-patienter på 700 hospitaler rundt om i verden. I nogle tilfælde repræsenterede tallene flere patienter, end der rent faktisk var blevet diagnosticeret i et givet land.

Før de blev trukket tilbage, førte papirerne til beslutninger om at standse kliniske forsøg og ændre medicinsk praksis. Men da forskere blev mistænksomme - især i betragtning af, at selv en enkelt aftale om medicinsk dataoverførsel tager enorm tid og arbejde - nægtede virksomheden at lade nogen revidere dataene. Faktisk er der intet bevis for, at databasen nogensinde har eksisteret .

Relateret historie

Covid-19 data er et offentligt gode. Den amerikanske regering må begynde at behandle det som en. USA har undladt at prioritere en yderst effektiv og økonomisk intervention – der giver hurtig og nem adgang til coronavirus-data.

N3C er på den anden side revideret af og ansvarlig over for tusindvis af forskere ved hundredvis af deltagende institutioner med et stærkt fokus på gennemsigtighed og reproducerbarhed. Alt, hvad brugerne gør gennem grænsefladen, som bruger Palantirs GovCloud platform, er omhyggeligt bevaret, så alle med adgang kan træde tilbage.

Dette er ikke raketvidenskab, og det er ikke rigtig nyt. Det er bare hårdt arbejde. Det er kedeligt, det skal gøres omhyggeligt, og vi er nødt til at validere hvert trin, siger Christopher Chute, professor i medicin ved Johns Hopkins, som også leder N3C. Det værste, vi kunne gøre, er metodisk at omdanne data til skrald, der ville give os forkerte svar.

Råstyrke

Haendel påpeger, at disse bestræbelser ikke er blevet nemme. Den mangfoldighed i ekspertise, der skulle til for at få dette til at ske - vedholdenheden, dedikationen og ærligt talt brutal force - er bare uden fortilfælde, siger hun.

Den brutale kraft er kommet fra mange forskellige områder ud over blot medicin.

At have alle ombord fra alle aspekter af videnskaben hjalp virkelig. Under covid var folk meget mere villige til at samarbejde, siger Mary Boland, professor i informatik ved University of Pennsylvania. Du kunne have ingeniører, du kunne have dataloger, fysikere - alle disse mennesker, som måske ikke normalt deltager i folkesundhedsforskning.

Boland er en del af en gruppe, der bruger N3C-data til at se på, om covid øger uregelmæssig blødning hos kvinder med polycystisk ovariesyndrom. Normalt er de fleste forskere nødt til at bruge forsikringsskadedata for at få en tilstrækkelig stor database til analyser på befolkningsniveau, siger hun.

Påstandsdata kan f.eks. besvare nogle spørgsmål om, hvor godt stoffer virker i den virkelige verden. Men disse databaser mangler enorme mængder information, inklusive laboratorieresultater, de symptomer, folk rapporterer, og endda data om, hvorvidt patienter overlever eller dør.

Indsamling og rengøring

Uden for forsikringsskadedatabaser bruger de fleste sundhedsdatasamarbejder i USA en forbundsmodel. Deltagerne i disse undersøgelser er alle enige om at formatere deres egne datasæt i et fælles format og derefter køre forespørgsler fra kollektivet, såsom andelen af ​​alvorlige covid-tilfælde efter aldersgruppe. Flere internationale covid-forskningskollektiver, herunder Observationel sundhedsdatavidenskab og informatik (OHDSI, udtales Odyssey), fungerer på denne måde og undgår juridiske og politiske problemer med grænseoverskridende patientdata.

OHDSI, som blev grundlagt i 2014, har forskere fra 30 lande og har rekorder for 600 millioner patienter.

Det giver hver institution mulighed for at opbevare deres data bag deres egne firewalls med deres egne databeskyttelser på plads. Det kræver ingen patientdata at bevæge sig frem og tilbage, siger Boland. Det er trøstende for mange steder, især med al den hacking, der er foregået på det seneste.

Men det er forbundet med mange risici at stole på, at hver institution forbereder sine egne data til et sådant system.

At få data ind i et fælles dataformat er den største udfordring, fordi selv medicinnavne - man skulle tro, at det ville blive standardiseret på tværs af USA, men det er det virkelig ikke, siger Boland. Apoteker vil ofte have deres generiske lægemiddel, og det kan have lidt forskellige ingredienser på grund af patentlovgivningen. Hver af dem er sit eget lægemiddelnavn.

N3C beder på den anden side alle deltagere om at sende deres rå, rodede optegnelser til ét sted og lade den centrale instans rydde op og standardisere den. Selvom der er mange åbenlyse fordele, er der betydelige juridiske og sociale hindringer for at deltage på denne måde, både i Amerika og internationalt; mange institutioner kan for eksempel ikke bidrage til N3C på grund af privatlivslovgivningen i deres stater.

Det er også teknologisk udfordrende. At kombinere selv to sæt elektroniske lægejournaler er ekstremt vanskeligt og arbejdskrævende; kvaliteten af ​​data er ofte lav, og der er ringe standardisering. I multi-site sundhedsorganisationer er så mange som 1 ud af 5 medicinske journaler duplikerede filer, for det meste som et resultat af dataindtastning skruet-ups under aftaler eller check-ins, ifølge et Pew-papir fra 2018.

De, der forsvarer fødererede modeller, hævder ofte, at de laver deres egen kvalitetskontrol bag deres firewall. Men N3C-forskere var chokerede over at finde ud af, hvor rodet dataene var.

Der var en vis mængde skepsis fra websteder, som: 'Vi har ikke rigtig brug for denne form for datakvalitetsramme - vi gør det allerede fortroligt på vores egne websteder bag vores firewall. Vi har ikke brug for dine stinkende harmoniseringsværktøjer,' siger Haendel. Men vi lærte, at disse kvalitetsmålinger er utilstrækkelige, når man ser på data samlet.

Nogle af datakvalitetsproblemerne har grænset til det absurde.

I nogle tilfælde har organisationer undladt at indsætte måleenheder. Så der var en vægt, men der var ingen enhed, som vi bare skulle vide, siger Chute. Men at have så stort et antal poster gav dem en fordel, og lod dem gemme mange datapunkter, som ellers ville være blevet smidt ud.

Vi var i stand til at se på fordelingen af ​​data, som vi havde enheder til, og se, hvor mysteriedataene passede, siger han. Du kan bare se det - åh, det er åbenbart pounds eller kilogram.

En stor fisk i et meget større hav

Så omfattende som den er, er N3C-databasen overskygget af omfanget af data indsamlet og vedligeholdt andre steder i det amerikanske sundhedssystem, fra offentlige myndigheder til hospitaler, testlaboratorier, forsikringsselskaber og andre. Department of Health and Human Services sporer mere end 2.000 sundhedsrelaterede datasæt fra føderale, statslige og lokale agenturer alene.

Relateret historie

Lektioner fra pandemiens superstjerne-dataforsker, Youyang Gu

Han lavede en maskinlæringsmodel på en uge og kørte den dagligt på sin bærbare computer (det tog kun en time), hvilket genererede bemærkelsesværdigt nøjagtige covid-19 forudsigelser.

Nytten af ​​hver er begrænset af silokørsel : Det er stort set umuligt for forskere, der arbejder på egen hånd, at forbinde Medicare-krav, registreringer fra vaccineregistre, staters race- og etnicitetsdata for vaccinationer eller databaser om covid-19-varianter sekventeret fra patientprøver rundt om i landet. Faktisk er det så udfordrende at omdanne rå optegnelser til nyttig information, at det er blevet en blomstrende privat industri: datamæglere køber afidentificerede poster i bulk, analyserer korrelationer mellem variabler og sælger deres analyser – eller selve dataene – til forskere og regeringer.

Vi er villige til at give alle vores data til en kommerciel enhed og lade dem sælge dem tilbage til os, men vi er uvillige til at betale for den mest basale offentlige sundhedsinfrastruktur, siger Haendel. Denne frivillige indsats over for en pandemi er fantastisk, men den er ikke en holdbar langsigtet løsning til at håndtere fremtidige pandemier eller bare sundhedspleje generelt.

N3C-tilgangen styrer væk fra nogle af disse problemer, men der er betydelige huller i dens data, især information om vaccinationer. De fleste vacciner bliver administreret på lokaliteter i lokalsamfundet, mens samarbejdets optegnelser stammer fra primære sundhedsbesøg og hospitalsindlæggelser, hvilket betyder, at kun 245.000 Pfizer-vacciner og 104.000 Moderna-vacciner er blevet registreret. En sundhedsanalysevirksomhed er ved at bygge et værktøj til sikkert at integrere patientjournaler fra flere kilder, men det vil ikke være tilgængeligt i mindst et par måneder.

Selv med disse huller tilbyder N3Cs enorme database dog en af ​​de bedste ressourcer for forskere, der ønsker at besvare de mange uløste spørgsmål om covid.

Det er sådan set der, vi sidder fast nu, siger Haendel. Vi har virkelig brug for domæneeksperter i alle forskellige aspekter af klinisk pleje, og videnskaben bag dem, for at hjælpe os med at finde alle nålene i høstakke.

Redaktørens note: En tidligere version af denne historie identificerede forkert den komité, der gennemgår forslag til N3C-databrug. Det er en del af NIH, ikke Johns Hopkins.

Denne historie er en del af Pandemic Technology Project, støttet af Rockefeller Foundation.

skjule