Quản lý và Phân tích Dữ liệu Y tế

Quản lý và phân tích dữ liệu y tế bao gồm cách dữ liệu y tế được tổ chức, quản lý và đảm bảo chất lượng, và sau đó được phân tích để hỗ trợ các quyết định lâm sàng, vận hành và sức khỏe cộng đồng. Nó bao gồm từ kho dữ liệu và quản trị dữ liệu đến báo cáo mô tả, mô hình dự đoán và sử dụng học máy trên các tập dữ liệu lâm sàng lớn.

Definition

Quản lý và phân tích dữ liệu y tế là tập hợp các thực hành để thu thập, tích hợp, quản lý và đảm bảo chất lượng dữ liệu y tế, và để phân tích dữ liệu đó - theo cách mô tả, dự đoán hoặc thông qua học máy - nhằm cung cấp thông tin cho các quyết định lâm sàng, vận hành và sức khỏe cộng đồng.

Scope

Chủ đề này bao gồm các nền tảng quản lý dữ liệu như tích hợp, quản trị và chất lượng; phổ phân tích từ các phương pháp mô tả đến dự đoán; và các cơ hội cũng như giới hạn của việc áp dụng các kỹ thuật dữ liệu lớn và học máy vào dữ liệu y tế. Nó được trình bày như một tài liệu tham khảo khái niệm; nó không xác nhận các công cụ, mô hình hoặc quyết định phân tích cụ thể cho bất kỳ thiết lập nào và không đưa ra lời khuyên lâm sàng.

Core questions

• Dữ liệu y tế được tích hợp, quản lý và đảm bảo chất lượng như thế nào trước khi phân tích?
• Phổ từ báo cáo mô tả đến phân tích dự đoán là gì?
• Các phương pháp học máy và dữ liệu lớn có thể đóng góp gì cho sức khỏe, và giới hạn của chúng là gì?
• Các mô hình phân tích từ dữ liệu lâm sàng được xác nhận và giải thích một cách có trách nhiệm như thế nào?

Key concepts

• Quản trị và quản lý dữ liệu
• Chất lượng và tính đầy đủ của dữ liệu
• Tích hợp và lưu trữ dữ liệu
• Phân tích mô tả, dự đoán và định hướng
• Học máy trên dữ liệu lâm sàng
• Mô hình dự đoán rủi ro
• Xác nhận mô hình và tính tổng quát

Mechanisms

Phân tích phụ thuộc trước hết vào quản lý: dữ liệu từ nhiều nguồn được tích hợp, quản lý và đánh giá về chất lượng và tính đầy đủ, bởi vì phân tích kế thừa các sai lệch và khoảng trống của đầu vào. Các phương pháp phân tích sau đó bao gồm các tóm tắt mô tả, mô hình dự đoán và các phương pháp học máy học các mẫu từ các tập dữ liệu lớn. Các mô hình được xây dựng từ dữ liệu lâm sàng được thu thập thường xuyên phải đối mặt với các thách thức phương pháp luận lặp đi lặp lại - dữ liệu bị thiếu, yếu tố gây nhiễu (confounding) và xác nhận bên ngoài hạn chế - do đó, tính tổng quát và việc giải thích cẩn thận được nhấn mạnh. Học máy có thể phát hiện các mẫu phức tạp nhưng bản thân nó không thiết lập mối quan hệ nhân quả hoặc đảm bảo rằng một mô hình có thể chuyển giao cho các quần thể mới.

Clinical relevance

Phân tích dữ liệu y tế có thể cung cấp thông tin cho việc đo lường chất lượng, lập kế hoạch nguồn lực và phân tầng rủi ro, và ngày càng cung cấp dữ liệu cho các công cụ hỗ trợ quyết định. Mục này mô tả các phương pháp và giới hạn của chúng như tài liệu tham khảo; nó không khuyến nghị các mô hình hoặc hành động phân tích cụ thể, và kết quả phân tích không thay thế cho phán đoán lâm sàng.

Evidence & guidelines

Bằng chứng ở đây mang tính phương pháp luận và khái niệm: các bình luận về ứng dụng dữ liệu lớn, các đánh giá tường thuật về học máy trong y học và các đánh giá có hệ thống về phát triển mô hình dự đoán từ dữ liệu hồ sơ. Những công trình này nhất quán nhấn mạnh chất lượng dữ liệu, xác nhận và giải thích thận trọng hơn là đưa ra các hướng dẫn lâm sàng.

History

Phân tích y tế đã phát triển từ báo cáo hành chính và sổ đăng ký sang các kho dữ liệu tích hợp và, với sự phổ biến của hồ sơ điện tử, các tập dữ liệu lâm sàng lớn có thể tái sử dụng. Các bình luận vào những năm 2010 đã dự đoán ứng dụng không thể tránh khỏi của dữ liệu lớn vào chăm sóc sức khỏe, và các đánh giá sau đó đã chỉ ra cả lời hứa của học máy và các vấn đề lặp đi lặp lại về chất lượng dữ liệu, xác nhận và tính tổng quát hạn chế nó.

Debates

Các mô hình được huấn luyện trên dữ liệu lâm sàng thường quy có đáng tin cậy trên các thiết lập khác nhau không?

Các mô hình dự đoán và học máy thường hoạt động tốt trong quá trình phát triển nhưng suy giảm hiệu suất ở các quần thể mới do sự khác biệt trong việc thu thập dữ liệu, hỗn hợp ca bệnh và chất lượng; các nhà đánh giá nhấn mạnh việc xác nhận bên ngoài và cảnh báo chống lại việc giải thích quá mức các phân tích dữ liệu lớn.

Key figures

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

Seminal works

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

Frequently asked questions

Tại sao chất lượng dữ liệu lại được nhấn mạnh nhiều trong phân tích y tế?

Phân tích kế thừa các khoảng trống và sai lệch của dữ liệu nguồn, vì vậy dữ liệu không đầy đủ, không nhất quán hoặc được quản lý kém có thể tạo ra kết quả sai lệch bất kể phương pháp phân tích tinh vi đến mức nào.

Học máy có thay thế lý luận lâm sàng hoặc dịch tễ học không?

Không; học máy có thể tìm thấy các mẫu phức tạp nhưng không thiết lập mối quan hệ nhân quả hoặc đảm bảo chuyển giao cho các quần thể mới, vì vậy nó bổ sung chứ không thay thế việc xác nhận, lý luận nhân quả và phán đoán lâm sàng.