Det tok en pandemi, men USA har endelig (noen) sentraliserte medisinske data

Kjøretøyer står i kø på et covid-19-teststed på Dodger Stadium i Los Angeles Mario Tama/Getty Images

• 6,3 millioner avidentifiserte poster er for tiden i NIHs N3C-database
• Det har blitt en av de største samlingene av covid-pasientjournaler i verden
• Ordningen unngår datasiloer og personvernspørsmål som går ut over det amerikanske helsevesenet

Gjennom pandemien har det vært alvorlig spenning mellom det publikum ønsker å vite og hva forskere har kunnet si med sikkerhet.

Forskere har vært i stand til å lære mer om covid, raskere enn om noen annen sykdom i historien - men samtidig har publikum blitt sjokkert når leger ikke kan svare på tilsynelatende grunnleggende spørsmål: Hva er symptomene på covid-19? Hvordan sprer det seg? Hvem er mest utsatt? Hva er den beste måten å behandle det på?

Ingen steder har denne konflikten vært mer tydelig enn i USA, som bruker nesten en femtedel av bruttonasjonalproduktet sitt på helsetjenester, men oppnår dårligere resultater enn noe annet velstående land. Å finne svarene har vært komplisert, ikke bare fordi vitenskapen er vanskelig, men fordi amerikansk helsevesen er bygget på et lappeteppe av inkompatible, arkaiske systemer.

Relatert historie

USA har ingen anelse om hvordan de skal håndtere alle testdataene de samler inn. I USA bestemmer hver stat hvordan den rapporterer funn fra covid-19-tester. Resultatet er et kaotisk system som skader vår respons på pandemien.

Over hele nasjonen overlapper føderale, statlige og lokale personvernlover og motsier noen ganger hverandre. Medisinske journaler, i mellomtiden, er rotete, fragmenterte og intenst tullet av institusjonene som eier dem – både av personvernhensyn og fordi det er utrolig lønnsomt å selge avidentifisert medisinsk data.

Men tilgang til data fanget i disse siloene er den eneste måten å svare på spørsmål om covid. Det er derfor det er gjort så mye viktig forskning i utlandet, i land med nasjonale helsevesen, selv om USA har et stort antall både covid-pasienter og forskningsinstitusjoner. Noen av de sterkeste dataene på risikofaktorer for covid-dødelighet og funksjoner ved lang covid har kommet fra Storbritannia, for eksempel. Der har folkehelseforskere tilgang til data fra 56 millioner NHS-pasienters journaler.

I begynnelsen av pandemien innså en gruppe forskere finansiert av US National Institutes of Health, eller NIH, at mange spørsmål om covid-19 ville være umulig å svare på uten å bryte ned barrierer for datadeling. Så de utviklet et rammeverk for å kombinere faktiske pasientjournaler fra ulike institusjoner på en måte som kunne være både privat og nyttig.

Resultatet er National COVID Cohort Collaborative (N3C) , som samler medisinske journaler fra millioner av pasienter rundt om i landet, renser dem og deretter gir tilgang til grupper som studerer alt fra når man skal bruke respirator til hvordan covid påvirker menstruasjonssyklusen.

Det er bare sjokkerende at vi ikke hadde noen harmoniserte, samlede helsedata for forskning i møte med en pandemi, sier Melissa Haendel, professor i forskningsinformatikk ved University of Colorado Anschutz Medical Campus og en av medlederne til N3C. Vi ville aldri ha fått alle til å gi oss denne graden av data utenfor konteksten av en pandemi, men nå som vi har gjort det, er det en demonstrasjon av at kliniske data kan harmoniseres og deles bredt på en sikker måte og en transparent måte .

Databasen er nå en av de største samlingene av covid-journaler i verden, med 6,3 millioner pasientjournaler fra 56 institusjoner og tellende, inkludert journaler fra 2,1 millioner pasienter med viruset. De fleste postene går tilbake til 2018, og medvirkende organisasjoner har lovet å fortsette å oppdatere dem i fem år. Det gjør N3C ikke bare til en av de mest nyttige ressursene for å studere sykdommen i dag, men en av de mest lovende måtene å studere lang covid.

Et system der institusjoner sender journaler, i bulk, til en sentralisert føderal regjering er en anomali i amerikansk helsevesen. Utnyttet har den potensialet til å svare på detaljerte spørsmål lenge etter pandemien. Og det kan til og med tjene som proof of concept for lignende innsats i fremtiden.

Åpen kildekode data

For å bidra med informasjon til databasen velger deltakende tilbydere først to grupper pasienter: personer som har testet positivt for covid, og andre som skal fungere som kontrollgruppe. De fjerner deretter alt som gjør dataene personlig identifiserbare, unntatt postnummer og tjenestedatoer, og overfører dem sikkert til N3C. Der renser teknikere dataene – ikke alltid en lett oppgave – og legger dem inn i databasen.

Alle kan sende inn et forskningsforslag gjennom N3C’s dashbord , enten de er tilknyttet en innsendingsinstitusjon eller ikke. Selv innbyggerforskere kan be om tilgang til en anonymisert versjon av datasettet.

en NIH komiteen vurderer hvert forslag og bestemmer hvilken versjon av dataene forskerne skal få tilgang til. Det er flere nivåer med informasjon: et begrenset datasett, et andre nivå som inneholder reelle poster med postnumre og datoer skjult, og et tredje laget av datagenererte syntetiske poster, som prøver å beholde de samme attributtene som de virkelige postene uten å inneholde noen reelle pasientdata. Alle må gjennom datasikkerhetstrening før de får tilgang.

Så langt er 215 forskningsprosjekter godkjent, inkludert studier for å spore utfall for pasienter som har mottatt forskjellige covid-vaksiner og undersøke komplikasjonsratene ved elektive operasjoner hos ikke-covid-pasienter under pandemien. Den første publikasjonen fra samarbeidet var en analyse av risikofaktorer for dødelighet hos kreftpasienter som har fått SARS CoV2, og flere pre-prints har blitt utgitt om emner inkludert covid-utfall i leversykdomspasienter og mennesker med HIV .

Mer ansvarlighet, bedre vitenskap

Rene, nøyaktige data er avgjørende for slike studier, men det har vært vanskelig å finne i kaoset under pandemien. I juni i fjor, to store tidsskrifter, BMJ og The Lancet, tilbaketrukket papirer basert på data fra Surgisphere, et lite kjent medisinsk dataselskap med en håndfull ansatte. Den hevdet å ha tilgang til medisinske journaler i sanntid fra nesten 100 000 covid-pasienter på 700 sykehus rundt om i verden. I noen tilfeller representerte tallene flere pasienter enn det som faktisk ble diagnostisert i et gitt land.

Før de ble trukket tilbake, førte papirene til beslutninger om å stoppe kliniske studier og endre medisinsk praksis. Men da forskere ble mistenksomme – spesielt gitt at selv en enkelt avtale om medisinsk dataoverføring tar enorm tid og arbeid – nektet selskapet å la noen revidere dataene. Faktisk er det ingen bevis for at databasen noen gang har eksistert .

Relatert historie

Covid-19-data er et fellesgode. Den amerikanske regjeringen må begynne å behandle den som en. USA har unnlatt å prioritere en svært effektiv og økonomisk intervensjon – som gir rask og enkel tilgang til koronavirusdata.

N3C på sin side er revisjonsbar av, og ansvarlig overfor, tusenvis av forskere ved hundrevis av deltakende institusjoner, med et sterkt fokus på åpenhet og reproduserbarhet. Alt brukerne gjør gjennom grensesnittet, som bruker Palantirs GovCloud plattformen, er nøye bevart, slik at alle med tilgang kan gå tilbake.

Dette er ikke rakettvitenskap, og det er egentlig ikke nytt. Det er bare hardt arbeid. Det er kjedelig, det må gjøres nøye, og vi må validere hvert trinn, sier Christopher Chute, professor i medisin ved Johns Hopkins som også leder N3C. Det verste vi kan gjøre er metodisk å transformere data til søppel som vil gi oss feil svar.

Ren styrke

Haendel påpeker at denne innsatsen ikke har vært lett. Mangfoldet i ekspertise som måtte til for å få dette til – utholdenhet, engasjement og, ærlig talt, rå kraft – er bare enestående, sier hun.

Den brutale kraften har kommet fra mange forskjellige felt utover bare medisin.

Det hjalp virkelig å ha alle om bord fra alle aspekter av vitenskapen. Under covid var folk mye mer villige til å samarbeide, sier Mary Boland, professor i informatikk ved University of Pennsylvania. Du kan ha ingeniører, du kan ha informatikere, fysikere - alle disse menneskene som kanskje ikke vanligvis deltar i folkehelseforskning.

Boland er en del av en gruppe som bruker N3C-data for å se på om covid øker uregelmessige blødninger hos kvinner med polycystisk ovariesyndrom. Vanligvis må de fleste forskere bruke forsikringsskadedata for å få en stor nok database for analyser på befolkningsnivå, sier hun.

Påstandsdata kan for eksempel svare på noen spørsmål om hvor godt rusmidler fungerer i den virkelige verden. Men disse databasene mangler enorme mengder informasjon, inkludert laboratorieresultater, symptomene folk rapporterer, og til og med data om hvorvidt pasienter overlever eller dør.

Innsamling og rengjøring

Utenfor forsikringskravdatabaser bruker de fleste helsedatasamarbeid i USA en forbundsmodell. Deltakerne i disse studiene er alle enige om å formatere sine egne datasett i et felles format og deretter kjøre forespørsler fra kollektivet, for eksempel andelen alvorlige covid-tilfeller etter aldersgruppe. Flere internasjonale covid-forskningskollektiver, inkludert Observasjonshelsedatavitenskap og informatikk (OHDSI, uttales Odyssey), fungerer på denne måten, og unngår juridiske og politiske problemer med grenseoverskridende pasientdata.

OHDSI, som ble grunnlagt i 2014, har forskere fra 30 land og har rekorder for 600 millioner pasienter.

Det lar hver institusjon holde dataene sine bak sine egne brannmurer, med sine egne databeskyttelser på plass. Det krever ingen pasientdata for å bevege seg frem og tilbake, sier Boland. Det er trøstende for mange steder, spesielt med all hackingen som har pågått i det siste.

Men å stole på at hver institusjon forbereder sine egne data for et slikt system, innebærer mange risikoer.

Å få data inn i et vanlig dataformat er den største utfordringen, fordi selv medisinnavn – du skulle tro det ville bli standardisert over hele USA, men det er det virkelig ikke, sier Boland. Apoteker vil ofte ha sitt generiske legemiddel, og det kan ha litt andre ingredienser på grunn av patentlover. Hver av disse er sitt eget stoffnavn.

N3C ber på sin side alle deltakerne sende sine rå, rotete poster til ett sted og la den sentrale instansen rydde opp og standardisere den. Selv om det er mange åpenbare fordeler, er det betydelige juridiske og sosiale hindringer for å delta på denne måten, både i Amerika og internasjonalt; mange institusjoner, for eksempel, kan ikke bidra til N3C på grunn av personvernlovgivningen i statene deres.

Det er også teknologisk utfordrende. Å kombinere til og med to sett med elektroniske journaler er ekstremt vanskelig og arbeidskrevende; kvaliteten på data er ofte lav, og det er lite standardisering. I helseorganisasjoner med flere nettsteder er så mange som 1 av 5 medisinske journaler duplikatfiler, for det meste som et resultat av feil med dataregistrering under avtaler eller innsjekkinger, ifølge et Pew-papir fra 2018.

De som forsvarer forbundsmodeller hevder ofte at de utfører sin egen kvalitetskontroll bak brannmuren. Men N3C-forskere ble sjokkert over å finne ut hvor rotete dataene var.

Det var en viss mengde skepsis fra nettsteder, som «Vi trenger egentlig ikke denne typen datakvalitetsrammeverk – vi gjør det allerede på våre egne nettsteder konfidensielt, bak brannmuren vår. Vi trenger ikke dine stinkende harmoniseringsverktøy, sier Haendel. Men vi lærte at disse kvalitetsmålene er utilstrekkelige når du ser på data samlet.

Noen av datakvalitetsproblemene har grenset til det absurde.

I noen tilfeller har organisasjoner unnlatt å sette inn måleenheter. Så det var en vekt, men det var ingen enhet, som vi bare skulle vite, sier Chute. Men å ha et så stort antall poster ga dem en fordel, og lot dem lagre mange datapunkter som ellers ville blitt kastet ut.

Vi var i stand til å se på distribusjonene av data som vi hadde enheter for, og se hvor mysteriedataene passet, sier han. Du kan bare se på det – åh, dette er åpenbart pounds eller kilo.

En stor fisk i et mye større hav

Så omfattende som den er, er N3C-databasen overskygget av omfanget av data som samles inn og vedlikeholdes andre steder i det amerikanske helsevesenet, fra offentlige etater til sykehus, testlaboratorier, forsikringsselskaper og andre. Department of Health and Human Services sporer mer enn 2000 helserelaterte datasett fra føderale, statlige og lokale byråer alene.

Relatert historie

Leksjoner fra pandemiens superstjernedataforsker, Youyang Gu

Han laget en maskinlæringsmodell på en uke og kjørte den daglig på den bærbare datamaskinen (det tok bare en time), og genererte bemerkelsesverdig nøyaktige covid-19-spådommer.

Nytten av hver er begrenset av siloing : det er i hovedsak umulig for forskere som jobber på egenhånd å koble Medicare-påstander, registreringer fra vaksineregistre, staters rase- og etnisitetsdata for vaksinasjoner, eller databaser om covid-19-varianter sekvensert fra pasientprøver rundt om i landet. Faktisk er det så utfordrende å gjøre rå poster til nyttig informasjon at det har blitt en blomstrende privat industri: datameglere kjøper avidentifiserte poster i bulk, analyserer korrelasjoner mellom variabler og selger analysene deres – eller selve dataene – til forskere og myndigheter.

Vi er villige til å gi alle våre data til en kommersiell enhet og la dem selge dem tilbake til oss, men vi er ikke villige til å betale for den mest grunnleggende folkehelseinfrastrukturen, sier Haendel. Denne frivillige innsatsen i møte med en pandemi er fantastisk, men den er ikke en bærekraftig langsiktig løsning for å håndtere fremtidige pandemier, eller bare helsetjenester generelt.

N3C-tilnærmingen styrer unna noen av disse problemene, men det er betydelige hull i dataene, spesielt informasjon om vaksinasjoner. De fleste vaksiner blir administrert på fellesskapssteder, mens samarbeidets registreringer er fra primærhelsetjenestebesøk og sykehusinnleggelser, noe som betyr at bare 245 000 Pfizer-vaksiner og 104 000 Moderna-vaksiner har blitt fanget opp i journalene. Et analyseselskap for helsevesenet bygger et verktøy for å integrere pasientjournaler fra flere kilder på en sikker måte, men det vil ikke være tilgjengelig på minst noen få måneder.

Selv med disse hullene, tilbyr imidlertid N3Cs enorme database en av de beste ressursene for forskere som ønsker å svare på de mange uløste spørsmålene om covid.

Det er liksom der vi sitter fast nå, sier Haendel. Vi trenger virkelig domeneeksperter i alle forskjellige aspekter av klinisk omsorg, og vitenskapen bak dem, for å hjelpe oss med å finne alle nålene i høystakker.

Redaktørens merknad: En tidligere versjon av denne historien identifiserte feil komiteen som vurderer forslag til N3C-databruk. Det er en del av NIH, ikke Johns Hopkins.

Denne historien er en del av Pandemic Technology Project, støttet av Rockefeller Foundation.

gjemme seg