Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Làm thế nào chúng ta có thể khám phá những loại giải pháp dựa trên big data và trí tuệ nhân tạo có giá trị nhất? Một phương pháp cho việc phát triển hiệu quả các phân tích cơ sở nhằm cải thiện chăm sóc
Tóm tắt
Đã có rất nhiều đầu tư vào các giải pháp dựa trên big data và trí tuệ nhân tạo cho y tế. Tuy nhiên, ít ứng dụng nào đã được triển khai trong thực tiễn lâm sàng. Các đánh giá kinh tế sớm có thể giúp cải thiện quá trình ra quyết định của các nhà phát triển các phân tích nền tảng cho những giải pháp này nhằm tăng cường khả năng triển khai thành công, nhưng thiếu các khuyến nghị về việc sử dụng chúng. Mục tiêu của nghiên cứu này là phát triển và áp dụng một khung làm việc giúp định vị các phương pháp thực hành tốt nhất cho các đánh giá kinh tế bên cạnh sự phát triển của các phân tích, qua đó cho phép các nhà phát triển xác định các rào cản đối với sự thành công và lựa chọn các phân tích xứng đáng với sự đầu tư tiếp theo.
Khung làm việc được phát triển dựa trên tài liệu, các khuyến nghị cho các đánh giá kinh tế và việc áp dụng khung này cho các trường hợp sử dụng (bệnh bạch cầu lympho mạn tính (CLL), chăm sóc tích cực, tiểu đường). Đầu tiên, tính khả thi của việc phát triển các phân tích có liên quan lâm sàng đã được đánh giá và các rào cản quan trọng đối với sự phát triển và triển khai thành công đã được xác định. Các đánh giá kinh tế sau đó được sử dụng để xác định các ngưỡng quan trọng và hướng dẫn quyết định đầu tư.
Khi sử dụng khung làm việc để hỗ trợ quá trình ra quyết định của các nhà phát triển phân tích, việc tiếp tục phát triển không phải lúc nào cũng khả thi hoặc xứng đáng. Việc phát triển phân tích cho CLL tiến triển và bệnh tiểu đường có liên quan lâm sàng nhưng không khả thi với dữ liệu hiện có. Ngược lại, việc phát triển phân tích cho những bệnh nhân CLL mới được chẩn đoán là khả thi nhưng việc tiếp tục phát triển không được coi là xứng đáng vì chi phí thuốc cao làm cho nó trở nên không hấp dẫn về mặt kinh tế đối với người sử dụng tiềm năng. Trong phòng chăm sóc đặc biệt, phân tích đã giảm tỷ lệ tử vong và chi phí mỗi bệnh nhân khi được sử dụng để xác định các ca nhiễm trùng (− 0,5%, − €886) và cải thiện tương tác giữa bệnh nhân và máy thở (− 3%, − €264). Cả hai phân tích đều có tiềm năng tiết kiệm chi phí nhưng lợi ích tiềm năng của các phân tích xác định nhiễm trùng phụ thuộc mạnh vào tỷ lệ nhiễm trùng; tỷ lệ cao hơn đồng nghĩa với việc tiết kiệm chi phí lớn hơn. Chúng tôi trình bày một khung làm việc nhằm kích thích hiệu quả của việc phát triển các phân tích cho các giải pháp dựa trên big data và trí tuệ nhân tạo bằng cách chọn những ứng dụng phân tích mà sự phát triển là khả thi và xứng đáng.
Từ khóa
#big data #trí tuệ nhân tạo #giải pháp y tế #đánh giá kinh tế #phát triển phân tíchTài liệu tham khảo
Morello L, Guglielmi G. US science agencies set to win big in budget deal. Nature. 2018;555(7698):572–3.
Banks MA. Sizing up big data. Nat Med. 2020;26:5–6.
Kisner J. Creating Shareholder Value with AI? Not so Elementary, My Dear Watson. [Internet] Jefferies Group LLC; 2017[cited 2021, November 10]. https://javatar.bluematrix.com/pdf/fO5xcWjc
Fröhlich H, Balling R, Beerenwinkel N, et al. From hype to reality: data science enabling personalized medicine. BMC Med. 2018;16:1–15.
Furlow, B. ASCO announces funding for CancerLinQ Clinical Data Analysis Initiative. 2012; Available at https://www.cancertherapyadvisor.com/home/cancer-topics/general-oncology/asco-announces-funding-for-cancerlinq-clinical-data-analysis-initiative/. Accessed 12 Dec 2020.
McLachlan S, Dube K, Johnson O, Buchanan D, Potts HW, Gallagher T, Fenton N. A framework for analysing learning health systems: are we removing the most impactful barriers? Learn Health Syst. 2019;3(4):e10189.
Mandl KD, Kohane IS, McFadden D, Weber GM, Natter M, Mandel J, Schneeweiss S, Weiler S, Klann JG, Bickel J, Adams WG. Scalable collaborative infrastructure for a learning healthcare system (SCILHS): architecture. J Am Med Inform Assoc. 2014;21(4):615–20.
Big Data to Knowledge. 2019; Available at https://commonfund.nih.gov/bd2k. Accessed 17 Dec 2020.
Agency for Healthcare Research and Quality. 2020; Available at https://www.ahrq.gov/funding/training-grants/lhs-k12.html. Accessed 17 Dec 2020.
Sanchez-Pinto LN, Luo Y, Churpek MM. Big data and data science in critical care. Chest. 2018;154(5):1239–48.
Gutierrez G. Artificial intelligence in the intensive care unit. Crit Care. 2020;24:1–9.
Hemingway H, Asselbergs FW, Danesh J, et al. Big data from electronic health records for early and late translational cardiovascular research: challenges and potential. Eur Heart J. 2017;39(16):1481–95.
Rumsfeld JS, Joynt KE, Maddox TM. Big data analytics to improve cardiovascular care: promise and challenges. Nat Rev Cardiol. 2016;13(6):350.
Bates DW, Saria S, Ohno-Machado L, et al. Big data in health care: using analytics to identify and manage high-risk and high-cost patients. Health Aff (Millwood). 2014;33:1123–31.
Phillips KA, Trosman JR, Kelley RK, et al. Genomic sequencing: assessing the health care system, policy, and big-data implications. Health Aff (Millwood). 2014;33(7):1246–53.
El Morr C, Ali-Hassan H. Analytics in healthcare: a practical introduction. Berlin: Springer; 2019.
Kelly CJ, Karthikesalingam A, Suleyman M, Corrado G, King D. Key challenges for delivering clinical impact with artificial intelligence. BMC Med. 2019;17(1):195.
Magrabi F, Ammenwerth E, McNair JB, De Keizer NF, Hyppönen H, Nykänen P, Rigby M, Scott PJ, Vehko T, Wong ZS, Georgiou A. Artificial intelligence in clinical decision support: challenges for evaluating AI and practical implications: a position paper from the IMIA Technology Assessment & Quality Development in Health Informatics Working Group and the EFMI Working Group for Assessment of Health Information Systems. Yearb Med Inform. 2019;28(1):128.
Morse KE, Bagely SC, Shah NH. Estimate the hidden deployment cost of predictive models to improve patient care. Nat Med. 2020;26:18–9.
Budrionis A, Bellika JG. The learning healthcare system: where are we now? A systematic review. J Biomed Inform. 2016;64:87–92.
Mehta N, Pandit A. Concurrence of big data analytics and healthcare: a systematic review. Int J Med Inform. 2018;114:57–65.
Bakker L, Aarts J, Uyl-de Groot C, Redekop W. Economic evaluations of big data analytics for clinical decision-making: a scoping review. J Am Med Inform Assoc. 2020;27(9):1466–75.
Wolff J, Pauling J, Keck A, Baumbach J. The economic impact of artificial intelligence in health care: systematic review. J Med Internet Res. 2020;22(2):e16866.
Shilo S, Rossman H, Segal E. Axes of a revolution: challenges and promises of big data in healthcare. Nat Med. 2020;26(1):29–38.
Prosperi M, Min JS, Bian J, et al. Big data hurdles in precision medicine and precision public health. BMC Med Inform Decis Mak. 2018;18(1):139.
Beckmann JS, Lew D. Reconciling evidence-based medicine and precision medicine in the era of big data: challenges and opportunities review. Genome Med. 2016;8:134.
Obermeyer Z, Emanuel EJ. Predicting the future—big data, machine learning, and clinical medicine. N Engl J Med. 2016;375(13):1216.
Topol EJ. High-performance medicine: the convergence of human and artificial intelligence. Nat Med. 2019;25(1):44–56.
Goldstein BA, Navar AM, Pencina MJ, Ioannidis J. Opportunities and challenges in developing risk prediction models with electronic health records data: a systematic review. J Am Med Inform Assoc. 2017;24(1):198–208.
Farmer R, Mathur R, Bhaskaran K, Eastwood SV, Chaturvedi N, Smeeth L. Promises and pitfalls of electronic health record analysis. Diabetologia. 2018;61(6):1241–8.
Marsolo K, Margolis PA, Forrest CB, Colletti RB, Hutton JJ. A digital architecture for a network-based learning health system: integrating chronic care management, quality improvement, and research. eGEMs. 2015;3(1):1168.
Bhandari RP, Feinstein AB, Huestis SE, Krane EJ, Dunn AL, Cohen LL, Kao MC, Darnall BD, Mackey SC. Pediatric-Collaborative Health Outcomes Information Registry (Peds-CHOIR): a learning health system to guide pediatric pain research and treatment. Pain. 2016;157(9):2033.
Feeley TW, Sledge GW, Levit L, Ganz PA. Improving the quality of cancer care in America through health information technology. J Am Med Inform Assoc. 2014;21(5):772–5.
Sculpher M, Drummond M, Buxton M. The iterative use of economic evaluation as part of the process of health technology assessment. J Health Serv Res Policy. 1997;2(1):26–30.
Annemans L, Genesté B, Jolain B. Early modelling for assessing health and economic outcomes of drug therapy. Value Health. 2000;3(6):427–34.
Pietzsch JB, Paté-Cornell ME. Early technology assessment of new medical devices. Int J Technol Assess Health Care. 2008;24(1):36–44.
Buisman LR, Rutten-van Mölken MPMH, Postmus D, et al. The early bird catches the worm: early cost-effectiveness analysis of new medical tests. Int J Technol Assess Health Care. 2016;32(1–2):46–53.
Ijzerman MJ, Steuten LMG. Early assessment of medical technologies to inform product development and market access. Appl Health Econ Health Policy. 2011;9(5):331–47.
Shah NH, Milstein A, Bagley SC. Making machine learning models clinically useful. JAMA. 2019;322(14):1351–2.
Simpson L, Dr Lisa Simpson Interview, Foley T, Fairmichael F, editors. The Learning Healthcare Project: web. 2015. www.thelearninghealthcareproject.org.
Wiens J, Saria S, Sendak M, Ghassemi M, Liu VX, Doshi-Velez F, Jung K, Heller K, Kale D, Saeed M, Ossorio PN. Do no harm: a roadmap for responsible machine learning for health care. Nat Med. 2019;25(9):1337–40.
Vickers AJ, Van Calster B, Steyerberg EW. Net benefit approaches to the evaluation of prediction models, molecular markers, and diagnostic tests. BMJ. 2016;352:i6.
Vickers AJ, Elkin EB. Decision curve analysis: a novel method for evaluating prediction models. Med Decis Mak. 2006;26(6):565–74.
Liu VX, Bates DW, Wiens J, Shah NH. The number needed to benefit: estimating the value of predictive analytics in healthcare. J Am Med Inform Assoc. 2019;26(12):1655–9.
Eddy DM, Hollingworth W, Caro JJ, Tsevat J, McDonald KM, Wong JB. Model transparency and validation: a report of the ISPOR-SMDM Modeling Good Research Practices Task Force–7. Med Decis Mak. 2012;32(5):733–43.
Girling A, Lilford R, Cole A, Young T. Headroom approach to device development: current and future directions. Int J Technol Assess Health Care. 2015;31(5):331–8.
Baliakas P, Mattsson M, Stamatopoulos K, Rosenquist R. Prognostic indices in chronic lymphocytic leukemia: where do we stand how do we proceed? J Intern Med. 2016;279(4):347–57.
Eichhorst B, Robak T, Montserrat E, Ghia P, Niemann CU, Kater AP, Gregor M, Cymbalista F, Buske C, Hillmen P, Hallek M. Chronic lymphocytic leukaemia: ESMO Clinical Practice Guidelines for diagnosis, treatment and follow-up. Ann Oncol. 2021;32(1):23–33.
Condoluci A, Terzi di Bergamo L, Langerbeins P, Hoechstetter MA, Herling CD, De Paoli L, Delgado J, Rabe KG, Gentile M, Doubek M, Mauro FR. International prognostic score for asymptomatic early-stage chronic lymphocytic leukemia. Blood J Am Soc Hematol. 2020;135(21):1859–69.
Langerbeins P, Bahlo J, Rhein C, Gerwin H, Cramer P, Fürstenau M, Al-Sawaf O, von Tresckow J, Fink AM, Kreuzer K, Vehling-Kaiser U. Ibrutinib versus placebo in patients with asymptomatic, treatment-naïve early stage CLL: primary endpoint results of the phase 3 double-blind randomized CLL12 trial. Hematol Oncol. 2019;37:38–40.
Blot SI, Depuydt P, Annemans L, et al. Clinical and economic outcomes in critically ill patients with nosocomial catheter-related bloodstream infections. Clin Infect Dis. 2005;41(11):1591–8.
Blot S, Poulakou G, Timsit JF. Catheter-associated bloodstream infection rates: how low can you go? Intensive Care Med. 2019;45(6):896–7.
GiViT, Gruppo Italiano per la Valutazione degli Interventi In Terapia Intensiva. Report PROSAFE project. 2014. 2014; Centre GR001.
Apostolopoulou E, Raftopoulos V, Filntisis G, et al. Surveillance of device-associated infection rates and mortality in 3 greek intensive care units. Am J Crit Care. 2013;22(3):e12–20.
Ferrer R, Martin-Loeches I, Phillips G, et al. Empiric antibiotic treatment reduces mortality in severe sepsis and septic shock from the first hour: results from a guideline-based performance improvement program. Crit Care Med. 2014;42(8):1749–55.
De Wit M, Miller KB, Green DA, Ostman HE, Gennings C, Epstein SK. Ineffective triggering predicts increased duration of mechanical ventilation. Crit Care Med. 2009;37(10):2740–5.
Georgopoulos D. Ineffective efforts during mechanical ventilation: the brain wants, the machine declines. Intensive Care Med. 2012;38:738–40.
Bakker L, Vaporidi K, Aarts J, Redekop W. The potential of real-time analytics to improve care for mechanically ventilated patients in the intensive care unit: an early economic evaluation. Cost Eff Resour Alloc. 2020;18(1):1.
National Institute for Health and Care Excellence. Evidence standards framework for digital health technologies. London: NHS England; 2019.
Zeitoun JD, Ravaud P. Artificial intelligence in health care: value for whom? Lancet Digit Health. 2020;2(7):e338–9.
Riddle MC, Blonde L, Gerstein HC, Gregg EW, Holman RR, Lachin JM, Nichols GA, Turchin A, Cefalu WT. Diabetes Care Editors’ Expert Forum 2018: managing big data for diabetes research and care. Diabetes Care. 2019;42(6):1136–46.
Newton KM, Peissig PL, Kho AN, Bielinski SJ, Berg RL, Choudhary V, Basford M, Chute CG, Kullo IJ, Li R, Pacheco JA, Rasmussen LV, Spangler L, Denny JC. Validation of electronic medical record-based phenotyping algorithms: results and lessons learned from the eMERGE network. J Am Med Inform Assoc. 2013;20(e1):e147–54.
Drummond MF, Sculpher MJ, Claxton K, Stoddart GL, Torrance GW. Methods for the economic evaluation of health care programmes. Oxford: Oxford University Press; 2015.
Roberts M, Driggs D, Thorpe M, Gilbey J, Yeung M, Ursprung S, Aviles-Rivero AI, Etmann C, McCague C, Beer L, Weir-McCall JR. Common pitfalls and recommendations for using machine learning to detect and prognosticate for COVID-19 using chest radiographs and CT scans. Nat Mach Intell. 2021;3(3):199–217.
Vollmer S, Mateen BA, Bohner G, Király FJ, Ghani R, Jonsson P, Cumbers S, Jonas A, McAllister KS, Myles P, Granger D. Machine learning and artificial intelligence research for patient benefit: 20 critical questions on transparency, replicability, ethics, and effectiveness. BMJ. 2020;368:16927.
Wallace PJ, Shah ND, Dennen T, Bleicher PA, Crown WH. Optum Labs: building a novel node in the learning health care system. Health Aff (Millwood). 2014;33(7):1187–94.
RE-AIM. 2021; Available at https://www.re-aim.org/. Accessed 30 June 2021.
Kristensen FB, Lampe K, Chase DL, Lee-Robin SH, Wild C, Moharra M, Garrido MV, Nielsen CP, Røttingen JA, Neikter SA, Bistrup ML. Practical tools and methods for health technology assessment in Europe: structures, methodologies, and tools developed by the European network for Health Technology Assessment, EUnetHTA. Int J Technol Assess Health Care. 2009;25(S2):1–8.
Salloum RG, Shenkman EA, Louviere JJ, Chambers DA. Application of discrete choice experiments to enhance stakeholder engagement as a strategy for advancing implementation: a systematic review. Implement Sci. 2017;12(1):1–2.
Trocin C, Mikalef P, Papamitsiou Z, Conboy K. Responsible AI for digital health: a synthesis and a research agenda. Inf Syst Front. 2021;26:1–9.