Систематический сбор и анализ данных в сфере общественного здравоохранения.

Введение

Сбор, анализ и интерпретация данных, связанных со здоровьем. Общественный надзор за здоровьем (также эпидемиологический, клинический или синдромный надзор) – это, согласно Всемирной организации здравоохранения (ВОЗ), «непрерывный, систематический сбор, анализ и интерпретация данных, связанных со здоровьем, необходимых для планирования, реализации и оценки практики общественного здравоохранения». Общественный надзор за здоровьем может использоваться для раннего выявления возникающих проблем, связанных со здоровьем, и своевременного поиска эффективных решений. Системы общественного надзора за здоровьем могут быть пассивными или активными. Пассивная система надзора состоит из регулярного, непрерывного информирования о заболеваниях и состояниях всеми медицинскими организациями на определенной территории. Активная система надзора предполагает посещение медицинских организаций и проверку данных медицинских работников и медицинских записей с целью выявления конкретного заболевания или состояния. Методы общественного надзора за здоровьем особенно широко применялись для изучения инфекционных заболеваний. Многие крупные организации, такие как ВОЗ и Центры по контролю и профилактике заболеваний (CDC), создали базы данных и современные компьютерные системы (информатика общественного здравоохранения), которые позволяют отслеживать и контролировать возникающие вспышки заболеваний, таких как грипп, SARS, ВИЧ и даже случаи биотерроризма, например, атаки сибирской язвой в США в 2001 году. Многие регионы и страны имеют собственные раковые регистры, которые отслеживают заболеваемость раком для определения распространенности и возможных причин этих заболеваний. Другие заболевания, такие как однократные события, например, инсульт, хронические заболевания, такие как диабет, а также социальные проблемы, такие как домашнее насилие, все чаще интегрируются в эпидемиологические базы данных, называемые регистрами заболеваний. Для этих регистров проводится анализ «затраты-эффективность» с целью определения государственного финансирования исследований и профилактики. В настоящее время используются системы, способные автоматизировать процесс выявления нежелательных лекарственных реакций, которые сравниваются с традиционными письменными сообщениями о таких событиях. Эти системы связаны с областью медицинской информатики и быстро внедряются в больницах и одобряются организациями, осуществляющими надзор за поставщиками медицинских услуг (например, JCAHO в США). Вопросы, связанные с улучшением качества медицинской помощи, все больше сосредотачиваются на надзоре за медикаментозными ошибками в медицинских учреждениях.

Collection, analysis and interpretation of health related data
Public health surveillance (also epidemiological surveillance, clinical surveillance or syndromic surveillance) is, according to the World Health Organization (WHO), "the continuous, systematic collection, analysis and interpretation of health related data needed for the planning, implementation, and evaluation of public health practice." Public health surveillance may be used to track emerging health related issues at an early stage and find active solutions in a timely manner. Public health surveillance systems can be passive or active. A passive surveillance system consists of the regular, ongoing reporting of diseases and conditions by all health facilities in a given territory. An active surveillance system is one where health facilities are visited and health care providers and medical records are reviewed in order to identify a specific disease or condition. Techniques of public health surveillance have been used in particular to study infectious diseases. Many large institutions, such as the WHO and the Centers for Disease Control and Prevention (CDC), have created databases and modern computer systems (public health informatics) that can track and monitor emerging outbreaks of illnesses such as influenza, SARS, HIV, and even bioterrorism, such as the 2001 anthrax attacks in the United States. Many regions and countries have their own cancer registry, which is monitors the incidence of cancers to determine the prevalence and possible causes of these illnesses. Other illnesses such as one time events like stroke and chronic conditions such as diabetes, as well as social problems such as domestic violence, are increasingly being integrated into epidemiologic databases called disease registries. A cost benefit analysis is conducted on these registries to determine governmental funding for research and prevention. Systems that can automate the process of identifying adverse drug events, are currently being used, and are being compared to traditional written reports of such events. These systems intersect with the field of medical informatics, and are rapidly becoming adopted by hospitals and endorsed by institutions that oversee healthcare providers (such as JCAHO in the United States). Issues in regard to healthcare improvement are evolving around the surveillance of medication errors within institutions.

Синдромный контроль

Синдромный надзор – это анализ медицинских данных для выявления или прогнозирования вспышек заболеваний. Согласно определению CDC, "термин 'синдромный надзор' применяется к наблюдению с использованием данных, связанных со здоровьем, которые предшествуют диагностике и сигнализируют о достаточной вероятности возникновения случая или вспышки, чтобы оправдать дальнейшие меры общественного здравоохранения. Хотя исторически синдромный надзор использовался для целенаправленного расследования потенциальных случаев, его полезность для выявления вспышек, связанных с биотерроризмом, все чаще изучается специалистами в области общественного здравоохранения". Первые признаки вспышки заболевания или биотеррористической атаки могут не совпадать с окончательным диагнозом врача или лабораторными данными. В качестве примера обычной вспышки гриппа можно привести ситуацию, когда, как только вспышка начинает распространяться среди населения, некоторые люди звонят на работу или в школу, чтобы сообщить о болезни, другие посещают аптеку и покупают лекарства без рецепта, третьи обращаются к врачу, а у других симптомы настолько серьезны, что они звонят в службу экстренной помощи или обращаются в отделение неотложной помощи. Системы синдромного надзора отслеживают данные из журналов посещаемости в школах, систем экстренных вызовов, больничных записей о продаже лекарств, поисковых запросов в интернете и других источников данных для выявления необычных закономерностей. При обнаружении всплеска активности в любой из отслеживаемых систем, эпидемиологи и специалисты в области общественного здравоохранения получают оповещение о возможной проблеме. Своевременное выявление и реагирование на биотеррористическую атаку может спасти множество жизней и потенциально остановить или замедлить распространение вспышки. Наиболее эффективные системы синдромного надзора автоматически отслеживают эти системы в режиме реального времени, не требуют от людей повторного ввода информации (вторичного ввода данных), включают в себя передовые аналитические инструменты, агрегируют данные из нескольких систем, пересекая геополитические границы, и предусматривают автоматизированную систему оповещения. Система синдромного надзора, основанная на поисковых запросах, была впервые предложена Гюнтером Эйзенбахом, который начал работу над такой системой в 2004 году. Вдохновленный этими ранними, обнадеживающими результатами, Google запустил Google Flu Trends в 2008 году. Увеличение количества запросов, связанных с гриппом, интерпретируется как признак повышения активности гриппа. Результаты, опубликованные в журнале Nature, тесно соответствовали данным CDC и опережали их на 1–2 недели. Однако было показано, что первоначальный подход, лежащий в основе Google Flu Trends, имел ряд недостатков в моделировании, что приводило к значительным ошибкам в оценках. В последнее время были предложены более продвинутые линейные и нелинейные подходы к моделированию гриппа на основе поисковых запросов Google. Продолжая работу Google, исследователи из Лаборатории интеллектуальных систем (Университет Бристоля, Великобритания) создали Flu Detector – онлайн-инструмент, который, используя методы поиска информации и статистического анализа, анализирует контент Twitter для оперативного прогнозирования заболеваемости гриппом в Великобритании.

Syndromic surveillance is the analysis of medical data to detect or anticipate disease outbreaks. According to a CDC definition, "the term 'syndromic surveillance' applies to surveillance using health related data that precede diagnosis and signal a sufficient probability of a case or an outbreak to warrant further public health response. Though historically syndromic surveillance has been utilized to target investigation of potential cases, its utility for detecting outbreaks associated with bioterrorism is increasingly being explored by public health officials." The first indications of disease outbreak or bioterrorist attack may not be the definitive diagnosis of a physician or a lab. Using a normal influenza outbreak as an example, once the outbreak begins to affect the population, some people may call in sick for work/school, others may visit their drug store and purchase medicine over the counter, others will visit their doctor's office and other's may have symptoms severe enough that they call the emergency telephone number or go to an emergency department. Syndromic surveillance systems monitor data from school absenteeism logs, emergency call systems, hospitals' over the counter drug sale records, Internet searches, and other data sources to detect unusual patterns. When a spike in activity is seen in any of the monitored systems disease epidemiologists and public health professionals are alerted that there may be an issue. An early awareness and response to a bioterrorist attack could save many lives and potentially stop or slow the spread of the outbreak. The most effective syndromic surveillance systems automatically monitor these systems in real time, do not require individuals to enter separate information (secondary data entry), include advanced analytical tools, aggregate data from multiple systems, across geo political boundaries and include an automated alerting process. A syndromic surveillance system based on search queries was first proposed by Gunther Eysenbach, who began work on such a system in 2004. Inspired by these early, encouraging experiences, Google launched Google Flu Trends in 2008. More flu related searches are taken to indicate higher flu activity. The results, which were published in Nature, closely matched CDC data, and led it by 1–2 weeks. However, it has been shown that the original approach behind Google Flu Trends had various modelling deficiencies leading to significant errors in its estimates. More recently, a series of more advanced linear and nonlinear approaches to influenza modeling from Google search queries have been proposed. Extending Google's work researchers from the Intelligent Systems Laboratory (University of Bristol, UK) created Flu Detector; an online tool which based on Information Retrieval and Statistical Analysis methods uses the content of Twitter to nowcast flu rates in the UK.

Цифровые методы

Цифровой мониторинг общественного здравоохранения в значительной степени опирается на ряд методов. Наиболее важными из них являются использование поисковых трендов на таких сайтах, как Google и Википедия, публикации в социальных сетях на платформах вроде Facebook и Twitter, а также платформы для участия в наблюдении, такие как Flu Near You и Influenzanet. Однако спектр потенциальных источников данных, пригодных для эпидемиологического надзора, расширился по мере цифровизации различных сфер; сегодня для целей синдромного наблюдения могут использоваться данные о посещаемости школ, сведения о срочных поступлениях в больницы и даже данные о продажах. Поисковые тренды предоставляют косвенные данные об общественном здоровье, в то время как два последних метода – прямые данные.

Объединения поиска

Поисковые системы-агрегаторы наиболее часто использовались для отслеживания и моделирования распространения гриппа. Ярким примером является Google Flu Trends, впервые представленный в 2008 году. Эта методика также применялась организацией Public Health England в Великобритании как один из показателей синдромного надзора.

Социальные сети

Примеры общественного мониторинга здоровья с использованием социальных сетей включают HealthTweets, который собирает данные из Twitter. Данные Twitter считаются весьма полезными для исследований в области общественного здравоохранения, поскольку политика конфиденциальности Twitter позволяет публичный доступ к 1% выборке необработанных твитов. Твиты также могут быть привязаны к географическим координатам, что позволяет моделировать распространение инфекционных заболеваний. Это наиболее часто используемая платформа социальных сетей для мониторинга общественного здоровья.

Места наблюдения

Flu Near You и Influenzanet – два примера систем цифрового наблюдения, основанных на данных, предоставляемых широкой публикой. Оба сайта привлекают пользователей для участия в опросах о симптомах гриппа. Influenzanet был создан в 2009 году и функционирует в десяти странах Европы. Его предшественником был Grote Griepmeting – нидерландско-бельгийская платформа, запущенная в 2003 и 2004 годах. Flu Near You используется в США. Другой пример сайта наблюдения – Dengue na Web, применяемый для мониторинга лихорадки денге в штате Баия, Бразилия. В США ведется реестр лабораторных показателей взрослых пациентов с диабетом, проживающих в штатах Вермонт и северная часть штата Нью-Йорк, с многолетними данными лабораторных исследований тысяч пациентов. Данные включали показатели контроля уровня глюкозы в крови (гликированный гемоглобин A1c), уровень холестерина и функцию почек (креатинин сыворотки и белок мочи) и использовались для мониторинга качества медицинской помощи на уровне пациента, медицинской организации и населения. Поскольку данные содержали имя и адрес каждого пациента, система также использовалась для прямой связи с пациентами, когда результаты лабораторных исследований указывали на необходимость вмешательства. Неудовлетворительные результаты анализов приводили к отправке пациенту письма с рекомендацией обратиться к своему лечащему врачу. Просроченные анализы генерировали напоминания о необходимости их проведения. Система также генерировала напоминания и оповещения с рекомендациями, основанными на клинических рекоменданиях, для медицинских организаций, а также периодический список пациентов каждого врача и отчет, обобщающий состояние здоровья населения. Клинические и экономические оценки системы, включая крупное рандомизированное клиническое исследование, продемонстрировали улучшение соблюдения клинических рекомендаций и снижение потребности в экстренной и стационарной медицинской помощи, а также общих затрат на пациента. Система была коммерциализирована и распространена среди врачей, страховых компаний, работодателей и других лиц, ответственных за уход за пациентами с хроническими заболеваниями. В настоящее время ее применение расширяется на другие состояния, такие как хроническая болезнь почек. Аналогичная система, The New York City A1C Registry, используется для мониторинга примерно 600 000 пациентов с диабетом в Нью-Йорке, однако, в отличие от Vermont Diabetes Information System, она не предусматривает возможность исключения данных пациентов из базы данных Нью-Йорка. Департамент здравоохранения и психического здоровья Нью-Йорка связал дополнительные услуги для пациентов с реестром, такие как информация о здоровье и улучшенный доступ к медицинским услугам. По состоянию на начало 2012 года реестр содержал более 10 миллионов результатов анализов 3,6 миллиона человек. Хотя целью реестра является улучшение состояния здоровья и снижение частоты осложнений диабета, его формальная оценка еще не проводилась. В мае 2008 года городской совет Сан-Антонио, штат Техас, одобрил внедрение реестра A1C для округа Бексар. Уполномоченный законодательным собранием Техаса и Департаментом здравоохранения штата, окружной департамент здравоохранения Сан-Антонио внедрил реестр, который собирал результаты из всех основных клинических лабораторий Сан-Антонио. Программа была прекращена в 2010 году из-за недостатка финансирования. Лабораторный надзор отличается от популяционного надзора тем, что он может отслеживать только пациентов, которые уже получают медицинскую помощь и, следовательно, проходят лабораторные исследования. По этой причине он не выявляет пациентов, которые никогда не проходили обследование. Поэтому он больше подходит для управления качеством и улучшения медицинской помощи, чем для эпидемиологического мониторинга всего населения или обслуживаемой территории.

Flu Near You and Influenzanet are two examples of crowd sourced digital surveillance systems. Both sites recruit users to participate in surveys about influenza symptoms. Influenzanet was established in 2009, and operates in ten countries in Europe. Its predecessor was Grote Griepmeting, which was a Dutch/Belgian platform launched in 2003 and 2004. Flu Near You is used in the US. Another example of a surveillance sites is Dengue na Web, used to survey for dengue fever in Bahia, Brazil. maintained a registry of laboratory values of diabetic adults in Vermont and northern New York State in the US with several years of laboratory results on thousands of patients. The data included measures of blood sugar control (glycated hemoglobin A1c), cholesterol, and kidney function (serum creatinine and urine protein), and were used to monitor the quality of care at the patient, practice, and population levels. Since the data contained each patient's name and address, the system was also used to communicate directly with patients when the laboratory data indicated the need for attention. Out of control test results generated a letter to the patient suggesting they take action with their medical provider. Tests that were overdue generated reminders to have testing performed. The system also generated reminders and alerts with guideline based advice for the practice as well as a periodic roster of each provider's patients and a report card summarizing the health status of the population. Clinical and economic evaluations of the system, including a large randomized clinical trial, demonstrated improvements in adherence to practice guidelines and reductions in the need for emergency department and hospital services as well as total costs per patient. The system has been commercialized and distributed to physicians, insurers, employers and others responsible for the care of chronically ill patients. It is now being expanded to other conditions such as chronic kidney disease. A similar system, The New York City A1C Registry, is in used to monitor the estimated 600,000 diabetic patients in New York City, although unlike the Vermont Diabetes Information System, there are no provisions for patients to have their data excluded from the NYC database. The NYC Department of Health and Mental Hygiene has linked additional patient services to the registry such as health information and improved access to health care services. As of early 2012, the registry contains over 10 million test results on 3.6 million individuals. Although intended to improve health outcomes and reduce the incidence of the complications of diabetes, a formal evaluation has not yet been done. In May 2008, the City Council of San Antonio, Texas approved the deployment of an A1C registry for Bexar County. Authorized by the Texas legislature and the state Health Department, the San Antonio Metropolitan Health District implemented the registry which drew results from all the major clinical laboratories in San Antonio. The program was discontinued in 2010 due to lack of funds. Laboratory surveillance differs from population wide surveillance because it can only monitor patients who are already receiving medical treatment and therefore having lab tests done. For this reason, it does not identify patients who have never been tested. Therefore, it is more suitable for quality management and care improvement than for epidemiological monitoring of an entire population or catchment area.