推动医疗持续创新的“利器”,五大维度探讨学习型医疗系统

作者:陈欣 2016-11-13 08:00

{{detail.short_name}} {{detail.main_page}}

{{detail.description}} {{detail.round_name}} {{detail.state_name}}

{{detail.province}}-{{detail.city}}
{{detail.setup_time}}
融资金额:{{detail.latest_event_amount}}{{detail.latest_amount_unit}}
投资方: · {{item.latest_event_tzf_name}}
企业数据由提供支持
查看

数十年来,现代医学取得了显著进步,人们对疾病的了解更加深入,各种新的治疗方法层出不穷,为患者带来了新的希望。然而,在大范围的医学领域中,由于健康状况的复杂性和患者特征的异质性,使得实验研究,例如使用严格排除标准的随机对照试验(RCT)等的成本昂贵,并且通常不适用于在临床中发现的患者。


在这种情况下,医疗行业的改变已迫在眉睫。有鉴于此,全世界各家研究机构正积极针对一种新兴事物,即“学习型医疗系统”展开研究。英国纽卡斯尔大学健康与社会研究所(IHS)是一所在医疗服务、公共卫生、流行病学、专业实践和医疗技术研究方面拥有丰富专业知识的学术研究机构。


近日,该机构便公布了其一项由健康基金会(The Health Foundation)资助的研究成果:《学习型医疗系统潜力报告》。《报告》内容围绕学习型医疗系统的发展与潜力展开,在产生背景、构成模块、使用案例、行业影响和未来发展等方面对该系统进行了详细解读。动脉网(微信:vcbeat)为您编译了报告的主体部分,详见下文。


产生背景


随着医学领域治疗方法临床研究数据等的信息激增,当今的医学从业者往往最多只能勉强跟上他所在的狭窄分支领域的最新发展。因为研究的庞大数量和复杂性,即使是应用循证医学方法,例如制定系统评价等,也只能部分解决这个问题。这导致了许多医学实践仍然只能依赖于研究者的直觉和偏见。


除了证据基础的急速扩张,医疗行业还面临着诸如人口增长和老龄化、慢性病水平上升、预算受限、医疗不公以及高成本干预和技术激增等挑战,使得由健康改善带来的回报逐渐减少。另外,医疗实践中出现的各种不合理变动也越来越不为人们所接受。


与此同时,在其他行业中,互联网和大数据分析已经开始带来翻天覆地的改变。当这种技术与预后改善测量和系统行为改变技术相结合时,便可以得到“学习型医疗系统”。根据医学研究所(IoM)的定义,学习型医疗系统是一种“将科学、信息学、奖励政策和文化等多方面协调一致的系统,能推动医疗的持续改善和创新,将最佳医学实践无缝嵌入到医疗服务的交付过程中,并使新知识成为交付经验的完整副产品”。


学习型医疗系统可以采取多种形式,但各种形式都遵循着类似的生态链,包括汇编、分析和解释数据,以及将其反馈到实践中并创建变化。


构成模块


医疗系统内定期收集的数据是驱动学习型医疗系统运动的原动力,但如何将这些数据以可用电子方式处理的形式收集起来,是当前的一个重大挑战。通常来说,由临床医生记录的数据往往不甚完整或质量较差,且数据编码的方式经常因不同的医疗组织而异,使各个系统之间难以实现互操作。此外,人们还需要关注与数据存储方式和地点相关的技术和信息管理等问题。


除了医疗系统内的数据,来自医疗系统以外的数据也越来越多:新的可穿戴技术和网络平台的出现,让患者能更多地掌握自身的健康数据。当然,这类技术的重要性仍有待验证。


预后改善测量技术将展示学习型医疗系统的作用。该测量不仅体现在患者死亡率上,而且囊括了对患者预后有重要影响的各个层次。新型自动收集方法将降低整理此类信息的成本。


最后,行为改变是决定学习型医疗系统是否成功的重要指标,因为只有当临床医生和患者的行为发生改变时,一切才真正有了意义。当前行为改变研究的各项进展,为寻找全面和循证的系统行为改变方法提供了土壤,并让人们得以将这种方法嵌入到学习型医疗系统的实施中去。


公众对医疗数据共享的关注和焦虑,为实施学习型医疗系统可能伴随的争议的提供了预警。当前的伦理框架下,临床实践和研究泾渭分明,很难适应学习型医疗系统。为此,一个赋予了患者、临床医生和研究人员道德义务的新框架应运而生。


使用案例


学习型医疗系统已经在以下6个方面获得应用,如智能自动化、疗效比较研究、正向偏差者、实时监测系统、预测模型、临床决策支持系统等。


智能自动化将减少临床医生的负担,并通过“做正确的事、容易的事”来改善医护服务。智能自动化包括常规护理自动化、预先填写预约和临床记录,并总结病例说明等。


学习型医疗系统有能力改变疗效比较研究(CER)的现状:观察性研究和实用性RCT的应用范围将更为广阔,能够更快、更低成本地填补循证空白。最终,可以生成对特定患者中不同治疗方法有效性的洞察。当然,传统的RCT也将继续进行:学习型医疗系统可用于试验中对合格患者的鉴别,并简化数据收集过程。


改进的预后数据将为不同的医疗供应商提供共同的基准。有了基准后,便可以通过一种名为“正向偏差”的方法来实现供应商水平的改善。人们将在所有供应商中确定其中的“正向偏差者”(即格外出色的供应商),并将其作为研究对象,以得出“正向偏差”的成功策略,并推广给其他的相关组织。


正在开发中的实时监测系统可以用来追踪与新治疗方法相关的流行病学现象和不良事件。该系统使用常规记录的数据,且能使机器学习更加及时。


护理质量的优劣和必要性一直是医护服务交付中的难题。现在,应用预测模型便可以识别低质量护理或非必要昂贵护理的发生情况。在此基础上开发的影响力模型,还可以帮助人们确定哪些病例最有可能出现相关症状的减缓。


临床决策支持系统可用于帮助临床医生处理不熟悉的领域或高风险的情况。该系统可以通过机器可读准则运行,并能集成到电子健康记录(EHR)中。


行业影响


学习型医疗系统对于行业中的劳动从业者将有重大影响。当然,系统肯定不能代替临床医生,但随着时间的推移,它将改变对临床医生所掌握技能的要求,还可能会影响所需医生的类型和数量;同样,学习型医疗系统也将对研究人员和信息学家带来巨大的影响。


此外,因为该系统将以医疗供应商为基础或者依赖于供应商的配合,所以它必须是为供应商所接受的。这意味着学习型医疗系统必须与供应商的目标相吻合,也必须得到临床医生、管理者和董事会的支持。


学习型医疗系统将在支持和评估新型交付模型中发挥重要作用。它将提供以前无法获得的服务质量数据。在学习型医疗系统中,质量监管将会与以往有所不同,更多、更好的数据的获取,意味着人们可以进行更有针对性的检查和更及时的判断。它也提高了监管者在不良护理实际发生之前就识别出危险因素的可能性。


学习型医疗系统也与基于价值的医疗交付议程相匹配。除了提高医疗服务质量,该系统还可以通过早期诊断、个性化治疗、更少的错误以及负担更轻的研究方法等,来帮助解决医疗中的各种实际问题,如成本危机等。然而,建设社会性的技术基础设施成本巨大,因此到目前为止,尚未出现任何稳健的经济评估。


未来发展


现下,虽然早期的学习型医疗系统已经出现,但该领域仍处于全新的发展阶段,许多供应商仍然在纸质文件中记录患者经历。随着技术的不断革新和人们观念的改变,未来5年,人们可能会看到这方面的长足进展,大型组织内和组织间的学习医疗系统将会实现大批量应用。


基于疗效的报销模式可能有助于实现这一愿景。组合平台、标准和技术基础设施的发展,可以允许小型组织以非常低的成本构建和分配学习型医疗系统,大大增加各类型组织的参与度,推广该系统的应用。值得注意的是,这些平台的供应商可能将拥有巨大的权力,并需要一定的措施对其进行监管干预。


随着各种基础的夯实,范围广泛的开发者生态系统的出现,以及学习型医疗系统的概念进入公众和专业意识,学习型医疗系统“十年计划”的时间框架有可能缩短。最终,学习型医疗系统将有可能改变医疗护理服务交付方式。


本《报告》对学习型医疗系统的潜力提出了积极的看法,并将其分为了3个主题。


主题I:数字化医疗


全球范围来讲,医疗的“数字化”正进行得如火如荼。在美国, “平价医疗法案”(ACA)和“有意义的使用”等激励措施,加速了电子健康记录(EHR)的在个相关机构中的采用。在英格兰,EHR已在初级护理层面为大众所普遍接受。英国的国家医疗服务体系(National Health Service,NHS)也已经将“无纸化护理”设定为2020年的二级护理目标;与这一目标相悖的发展已被纳入调试框架和质量检查制度,与目标的合规性已经成为高度优先事项。


以上发展虽然对学习型医疗系统非常必要,但还不足以启动一套学习型医疗系统。仅仅简单地将纸质病例转换为电子版本,不但耗费巨大,还不能创建真正社会技术的学习型医疗系统,无法实现前文中提到的各种使用案例。学习型医疗系统必须实现以更有效的方式收集、汇编和处理相关性更强的数字格式数据和医学知识。要做到这一点并非一日之功,人们将需要做出巨大努力,以确保患者和公众了解和参与到该系统的发展中来。另外,人力资源也会是限制系统发展的重要影响因素。


主题II:开发和部署学习型医疗系统使用案例和平台


《报告》在前文中概述了医疗组织已经实施的6种使用案例。支持这些用例需要的巨大基础设施投资,而可重用平台组件的发展则是学习型医疗系统持续发展和增长部署的途径。但由于平台的巨大潜力,它们的供应商也面临着相当大的风险。


为了促进这些用例更广泛的部署,以及促进对正在开发平台的更好了解,《报告》建议,通过进一步的独立研究来评估患者生成数据的潜在用途;确定更多的智能自动化应用情境,以改善护理质量,减少工作量;通过增加分配给观察性研究和学习型医疗系统下的实用性试验的经费比例,以实现更大的影响潜力;传统的RCT应考虑是否可以通过自动数据收集降低成本,以及是否可以通过使用EHR数据来确定潜在参与者,以改善患者招募质量;鼓励供应商使用可用的疗效数据,以挑选出正向偏差者;提高现有监控网络的利用率;应用预测模型来改善医护服务或医护提高效率;开展独立研究,以确定目前正在开发的平台类型、其潜在使用的广度和可能出现的任何潜在市场问题。


主题III:确保学习型医疗系统创造积极的变化


学习型医疗系统并不仅仅是IT和信息学,单独的技术解决方案或是期刊文章和指南都无法以当下需要的速度来改善医疗结果。只有在系统的应用中,患者、临床医生、供应商、政府专员和其他参与者的行为发生变化时,才有可能达到改善的目的。因此,任何学习型医疗系统都应该遵从循证行为改变理论。


在这方面,《报告》也给出了详细的建议,如开展进一步的独立研究,以评估不同类型的医疗应用程序的有效性;对现有研究进行评估,以确保创新的疗效收集方法的有效性和可靠性;鼓励在学习型医疗系统中应用循证行为改变理论,并将其作为经费资助的决策标准;在决定是否采用预测模型时,应该采用威尔逊-琼格纳(Wilson-Jungner) 筛选标准或在其基础上的某种修改标准;应该对学习型医疗系统的现有和计划的要素进行详细的经济评估。

如果您想对接动脉网所报道的企业,请填写表单,我们的工作人员将尽快为您服务。


注:文中如果涉及企业数据,均由受访者向分析师提供并确认。如果您有资源对接,联系报道项目,可以点击链接填写基本信息,我们将尽快与您联系。

声明:动脉网所刊载内容之知识产权为动脉网及相关权利人专属所有或持有。转载请联系tg@vcbeat.net。

分享

微信扫描二维码分享文章

企业
对接
商务
合作
用户
反馈