В здравоохранение приходят современные технологии, которые поддерживают все стандартные методы работы с данными. Это проектирование и наполнение многомерных OLAP-кубов, возможность синхронизации хранилищ OLTP и OLAP в режиме реального времени, быстрая разработка аналитических панелей с использованием библиотеки визуальных компонентов, возможность анализа неструктурированных текстовых данных и проведение прогнозной аналитики.

Анализ, сделанный в докладе компании McKinsey, показывает как «большие данные» могут не только создать дополнительный источник компенсации затрат, но и повысить качество медицинского обслуживания.

В основе Big Data может быть объединена информация, хранящаяся в четырех главных источниках данных, которые сегодня не взаимосвязаны. Это:

· данные, полученные в ходе исследований и испытаний;

· данные из клиник по историям болезни и диагностике;

· данные о поведении пациентов, их покупки, отзывы, данные от домашних медицинских приборов и даже от одежды и обуви, таких как кроссовки с сенсорами;

· данные от медицинских учреждений об оказании услуг, аптек об отпуске препаратов, сведения о ценах на рынке здравоохранения.

На основе анализа всех этих данных предполагается развивать следующие направления использования Big Data:

1. Операционная деятельность медицинских учреждений. Появляется возможность исследования эффективности лечения благодаря обработке всей доступной информации о практике лечения. На основе анализа всех известных историй болезни и диагностики в практику врачей войдет широкое использование систем поддержки принятия решений, позволяющих предоставить клиницисту невиданный ранее доступ к опыту тысяч коллег по всей стране. Методы персональной и профилактической медицины, основанные на удаленном мониторинге пациентов приведут к существенному сокращению затрат и повышению качества жизни. Распространение различных сенсоров активностей человеческого организма, подключаемых к носимым гаджетам, позволяет сократить необходимость проведения лабораторных исследований, предотвратит неожиданные осложнения, а автоматическое напоминание о необходимости проведения самостоятельных лечебно-профилактических манипуляций повысит качество назначенного лечения;

2.  Система ценообразования и оплаты. Анализ счетов и поступлений с помощью автоматических процедур, основанных на машинном обучении и нейронных сетях, позволит сократить число ошибок и хищений при оплате.

Формирование ценовых планов, учитывающих реальные возможности населения и потребность в услугах, также увеличивает общие поступления от пациентов. Только системы, работающие с «большими данными», позволяют перейти к оплате, основанной на качестве оказываемой помощи и совместно регулировать расходы на медикаменты и труд медперсонала;

3. Исследования и разработки. Наибольший эффект здесь следует ожидать от новых возможностей предиктивного моделирования при разработке лекарственных препаратов. Не меньшее влияние статистические алгоритмы и инструменты больших данных производят на планирование клинических исследований и привлечение пациентов к таким испытаниям. Обработка результатов таких испытаний еще одно важное приложение «больших данных». Особое место в исследованиях и разработках в здравоохранении сейчас занимают инновации в персонализированной медицине. Основываясь на обработке гигантских объемов генетической информации, которые становятся всё более доступными для человека, врачи смогут назначать абсолютно уникальные лекарственные средства и методы лечения. Наконец, разработки по выделению паттернов заболеваний позволят получить хорошие прогностические оценки развития различных видов болезней, выделить профили рисков и не только провести профилактические мероприятия, но и спрогнозировать необходимость разработок методов лечения, эффективных для будущих видов заболеваний;

4. Новые бизнес-модели. Основанные на цифровых данных в здравоохранении эти модели могут дополнять существующие или даже конкурировать с некоторыми из них. Это агрегаторы данных, которые поставляют проанализированные и скомпонованные блоки данных, удовлетворяющих заданным условиям, третьим лицам. Например, все истории болезней пациентов, применявших тот или иной фармакологический препарат, важны для фармпредприятий и они готовы покупать такие данные. Другим потенциалом новых бизнес-моделей являются он-лайн платформы для пациентов и врачей, медицинских исследователей и фармакологов;

5. Массовый скрининг, предупреждение и выявление эпидемий. Это направление опирается на Big Data, развитие технологий позволяет строить как географические и социальные модели здоровья населения, так и предиктивные модели развития эпидемических вспышек.

Несмотря на то, что степень проникновения Big Data в российском здравоохранении ниже, чем в США и Европе, проблемы отношения к этим технологиям схожие. Хотя медицина (отечественная в частности) является одной из отраслей, в которых технологи управления «большими данными» дают наиболее яркий эффект, многие все еще относятся к ним пока со скепсисом, возможно, ввиду не всегда понятной бизнес-выгоды и нехватки специалистов.

Ставится задача:

1. Научиться поиску доказательства в электронной базе данных

2. Научиться критически оценивать информацию

3. Повысить качество помощи, оказываемой своим пациентам и клиентам

4. Быть готовым к вызовам времени: непрерывно меняющемуся миру

Стратегия поиска информации включает:

¾ Правильно сформулированный вопрос

¾ Выбор базы доказательных данных

¾ Непосредственно процесс поиска

¾ Определение ключевых слов для запроса поиска

¾ Анализ и обобщение

¾ Результат

Ваш вклад в процесс поиска – грамотно сформулированный клинический вопрос.

Независимо от цели поиска для получения достоверного результата, вопрос должен отвечать двум основным требованиям:

во-первых, непосредственно относиться к соответствующему клиническому случаю;

во-вторых, быть сформулированы таким образом, чтобы его можно было выразить в формализованных запросах поисковых систем, получая при этом релевантные и точные результаты поиска.

Формулирование вопроса. Для этого вопрос должен отражать четыре основных компонента:

1) характеристика клинической ситуации (пациента и/или заболевания);

2) метод диагностики или лечения (информативность или эффективность которых Вы хотите уточнить);

3) альтернативный метод, метод сравнения (например, плацебо или референтный метод, соответствующий наиболее надежному методу диагностики, принятому методу лечения; метод, который рассматривается медицинской практикой как стандартный);

4) клинический исход (каковы интересующие вас последствия, имеющие значение для больного и связанные с изучаемым вмешательством).

4 компонента на англ. PICO:

– Patient (problem, population) – пациент (например: женщина с эстрогензависимымым раком молочной железы ранней стадии в постменопаузе)‏

– Intervention – исследуемое вмешательство (лечение летрозолом)

– Comparison – вмешательство сравнения (лечение тамоксифеном)

– Outcome – исход (продолжительность жизни)

Для перевода всего текста можно использовать встроенные веб-переводчики или для перевода отдельных терминов – рекомендован онлайн словарь, онлайн переводчик – Мультитран www . multitran . ru

Пример МИАЦ.

Для обеспечения правильной формулировки вопроса обычно прибегают к матрице, в которой отражаются эти четыре момента

Примеры
У 55-летней женщины СД 2 типа и АГ. Прием метформина обеспечивает поддержание нормального уровня глюкозы в крови. Осложнения СД отсутствуют. Для снижения АД больная ежедневно принимает тиазидный диуретик в низкой дозе. АД составляет 155/88 мм рт.ст. До какого уровня необходимо снижать АД при лечении АГ у данной пациентки, для снижения риска смерти, развития инсульта или инфаркта?

Клинический вопрос в данном примере будет звучать, как

Другие примеры аналогично сформулированных клинических вопросов:

В поисковой строке могут использоваться Логические операторы:

Источники информации:

1. Клинические рекомендации, стандарты, формуляры

2. Утвержденные справочники лекарственных средств

3. Систематические обзоры

4. Рандомизированные контролируемые испытания

1.Клинические рекомендации в электронном виде

На русском языке сайт Российской электронной медицинской библиотеки - система «Консультант врача» (www.rosmedlib.ru)

На английском языке

1. National Guidelines Clearinghouse (www.guidelines.gov)

2. National Institute for Health and Clinical Excellence (www.nice.org.uk)

3. Centre for Evidence-Based Medicine (www.cebm.net/index.aspx )  

4. National Library of Medicine (США) (www.nlm.nih.gov );

5. German Guideline Information Service (Германия) (www.leitlinien.de ) …

Клинические рекомендации и национальные руководства имеются в областной научной медицинской библиотеке МИАЦ