مدیریت و تحلیل داده‌های سلامت

مدیریت و تحلیل داده‌های سلامت شامل نحوه سازماندهی، حاکمیت، و تضمین کیفیت داده‌های سلامت و سپس چگونگی تحلیل آن‌ها برای پشتیبانی از تصمیمات بالینی، عملیاتی، و سلامت جمعیت است. این حوزه از انبارش داده و حاکمیت داده تا گزارش‌دهی توصیفی، مدل‌سازی پیش‌بینی‌کننده، و استفاده از یادگیری ماشین بر روی مجموعه‌های داده بالینی بزرگ را در بر می‌گیرد.

Definition

مدیریت و تحلیل داده‌های سلامت مجموعه‌ای از اقدامات برای جمع‌آوری، یکپارچه‌سازی، حاکمیت، و تضمین کیفیت داده‌های سلامت و تحلیل آن‌ها - به صورت توصیفی، پیش‌بینی‌کننده، یا از طریق یادگیری ماشین - به منظور اطلاع‌رسانی تصمیمات بالینی، عملیاتی، و سلامت جمعیت است.

Scope

این موضوع شامل مبانی مدیریت داده مانند یکپارچه‌سازی، حاکمیت، و کیفیت؛ طیف تحلیلی از روش‌های توصیفی تا پیش‌بینی‌کننده؛ و فرصت‌ها و محدودیت‌های به‌کارگیری تکنیک‌های کلان‌داده و یادگیری ماشین در داده‌های سلامت است. این مطلب به عنوان یک مرجع مفهومی تدوین شده است؛ و ابزارها، مدل‌ها، یا تصمیمات تحلیلی خاصی را برای هیچ محیط مشخصی تأیید نمی‌کند و هیچ توصیه بالینی ارائه نمی‌دهد.

Core questions

• داده‌های سلامت چگونه قبل از تحلیل یکپارچه، حاکمیت شده، و از نظر کیفیت تضمین می‌شوند؟
• طیف از گزارش‌دهی توصیفی تا تحلیل پیش‌بینی‌کننده چیست؟
• یادگیری ماشین و روش‌های کلان‌داده چه کمکی به سلامت می‌توانند بکنند و محدودیت‌های آن‌ها چیست؟
• مدل‌های تحلیلی از داده‌های بالینی چگونه به طور مسئولانه اعتبار سنجی و تفسیر می‌شوند؟

Key concepts

• حاکمیت و سرپرستی داده
• کیفیت و کامل بودن داده
• یکپارچه‌سازی و انبارش داده
• تحلیل توصیفی، پیش‌بینی‌کننده، و تجویزی
• یادگیری ماشین بر روی داده‌های بالینی
• مدل‌های پیش‌بینی ریسک
• اعتبار سنجی و تعمیم‌پذیری مدل

Mechanisms

تحلیل ابتدا به مدیریت وابسته است: داده‌ها از منابع متعدد یکپارچه، حاکمیت شده، و از نظر کیفیت و کامل بودن ارزیابی می‌شوند، زیرا تحلیل، سوگیری‌ها و شکاف‌های ورودی‌های خود را به ارث می‌برد. سپس روش‌های تحلیلی شامل خلاصه‌های توصیفی، مدل‌های پیش‌بینی‌کننده، و رویکردهای یادگیری ماشین است که الگوها را از مجموعه‌های داده بزرگ یاد می‌گیرند. مدل‌های ساخته شده از داده‌های بالینی که به طور معمول جمع‌آوری می‌شوند با چالش‌های روش‌شناختی مکرر - داده‌های گمشده، عوامل مخدوش‌کننده، و اعتبار سنجی خارجی محدود - مواجه هستند، بنابراین تعمیم‌پذیری و تفسیر دقیق مورد تأکید قرار می‌گیرد. یادگیری ماشین می‌تواند الگوهای پیچیده را شناسایی کند اما به خودی خود علیت را اثبات نمی‌کند یا تضمین نمی‌کند که یک مدل به جمعیت‌های جدید منتقل شود.

Clinical relevance

تحلیل داده‌های سلامت می‌تواند به اندازه‌گیری کیفیت، برنامه‌ریزی منابع، و طبقه‌بندی ریسک کمک کند و به طور فزاینده‌ای ابزارهای پشتیبانی تصمیم را تغذیه می‌کند. این مدخل روش‌ها و محدودیت‌های آن‌ها را به عنوان یک ماده مرجع توصیف می‌کند؛ مدل‌های خاص یا اقدامات تحلیلی را توصیه نمی‌کند، و خروجی‌های تحلیلی جایگزینی برای قضاوت بالینی نیستند.

Evidence & guidelines

شواهد در اینجا روش‌شناختی و مفهومی است: تفسیرهایی در مورد کاربرد کلان‌داده، مرورهای روایی از یادگیری ماشین در پزشکی، و مرورهای سیستماتیک توسعه مدل پیش‌بینی از داده‌های سوابق. این آثار به طور مداوم بر کیفیت داده، اعتبار سنجی، و تفسیر محتاطانه تأکید می‌کنند تا ارائه دستورالعمل‌های بالینی.

History

تحلیل سلامت از گزارش‌دهی اداری و ثبت‌ها به سمت انبارهای داده یکپارچه و، با گسترش سوابق الکترونیکی، مجموعه‌های داده بالینی بزرگ قابل استفاده مجدد رشد کرد. تفسیرها در دهه ۲۰۱۰ کاربرد اجتناب‌ناپذیر کلان‌داده در مراقبت‌های بهداشتی را پیش‌بینی کردند، و مرورهای بعدی هم نوید یادگیری ماشین و هم مشکلات مکرر کیفیت داده، اعتبار سنجی، و تعمیم‌پذیری را که آن را محدود می‌کنند، ترسیم کردند.

Debates

آیا می‌توان به مدل‌های آموزش‌دیده بر روی داده‌های بالینی روتین در محیط‌های مختلف اعتماد کرد؟

مدل‌های پیش‌بینی‌کننده و یادگیری ماشین اغلب در توسعه عملکرد خوبی دارند اما در جمعیت‌های جدید به دلیل تفاوت در جمع‌آوری داده، ترکیب موارد، و کیفیت، عملکردشان کاهش می‌یابد؛ مرورگران بر اعتبار سنجی خارجی و احتیاط در تفسیر بیش از حد تحلیل‌های کلان‌داده تأکید می‌کنند.

Key figures

• Isaac Kohane
• Andrew Beam
• Ziad Obermeyer
• Alvin Rajkomar
• Benjamin Goldstein

Seminal works

• murdoch-2013
• beam-2018
• rajkomar-2019

Frequently asked questions

چرا کیفیت داده در تحلیل سلامت تا این حد مورد تأکید قرار می‌گیرد؟

تحلیل، شکاف‌ها و سوگیری‌های داده‌های منبع خود را به ارث می‌برد، بنابراین داده‌های ناقص، ناسازگار، یا با حاکمیت ضعیف می‌توانند نتایج گمراه‌کننده‌ای تولید کنند، صرف نظر از اینکه روش تحلیلی چقدر پیچیده باشد.

آیا یادگیری ماشین جایگزین استدلال بالینی یا اپیدمیولوژیک می‌شود؟

خیر؛ یادگیری ماشین می‌تواند الگوهای پیچیده را پیدا کند اما علیت را اثبات نمی‌کند یا انتقال به جمعیت‌های جدید را تضمین نمی‌کند، بنابراین مکمل اعتبار سنجی، استدلال علّی، و قضاوت بالینی است تا جایگزین آن‌ها.