Lielo datu laikmets veselības aprūpē – iespējas, ko varam gudri izmantot (1)

Kā lielie dati strādā?

Pēdējās desmitgades, kas iezīmē jaunas prasmes un tehnoloģiskās iespējas datus ne tikai ievākt, bet arī uzglabāt, apkopot, analizēt un izmantot, dēvē par lielo datu jeb Big Data laikmetu. Tāpat kā ar datiem, piedāvājot tos reklāmdevējiem, strādā Facebook, Google un citi datu milži, medicīnā tiek izmantoti dati par cilvēku veselību, uzvedību un ārstēšanās efektiem.

Lai liela apjoma datus analizētu, ar cilvēka smadzenēm nepietiek, to var izdarīt tikai labi trenēts mākslīgais intelekts (MI). Viena no jomām, kurā mākslīgais intelekts pēdējos gados tiek intensīvi apmācīts, ir medicīna.

Piemēram, IBM kopā ar Memorial Sloan-Kettering Cancer Center radījuši apmācības sistēmu, lai uztrenētu mākslīgā intelekta robotu Watson, kas onkoloģijas pacientiem nosaka ārstēšanas plānu un palīdz to ievērot. Šim mērķim izmantoti miljoniem ierakstu no pacientu anamnēzēm un medicīnas literatūras. Ja līdz lielo datu laikmetam, lemjot par terapiju, ārsti izteica arī savu personīgo viedokli, lielie dati paredz, ka viss balstās uz zinātniskiem pierādījumiem.

Dati tiek iegūti ne tikai no datu bankām, bet arī individuāli. Kopš viedierīcēs tiek iemontētas arvien sarežģītākas veselības mērīšanas ierīces, medicīnā var izmantot datus par pacientu attālināto uzraudzību ar sensoru un ierīču palīdzību, piemēram, analizējot zāļu lietošanas un dzīvesveida saikni u.tml.

Jaunas zāles un ārstēšanas taktikas

Kādi kopumā var būt ieguvumi no lielo datu apkopošanas, analizēšanas un pareizas interpretācijas?

• Apvienojot viedierīču un citu avotu sniegtos datus, iespējams uzlabot klīnisko izmēģinājumu rezultātus.
• Valstij rodas iespējas precīzāk prognozēt pacientu skaitu, kam būs nepieciešami konkrēti veselības aprūpes pakalpojumi un medikamenti.
• Parādās iespēja analizēt ārstēšanas rezultātus reālajā dzīvē. Tā kā veselības ekonomikas attīstība nosaka, ka maksātāji (lielākoties valstu medicīnas aprūpes sistēmas) nosaka pakalpojumu cenas, balstoties uz medikamentu sniegtajiem ieguvumiem, tie tiek noteikti, analizējot rezultātus reālajā dzīvē. Šāds izmaksu un ieguvumu samērošanas spiediens liek farmācijas kompānijām izstrādāt atšķirīgus medikamentus un/vai to lietošanas shēmas konkrētām pacientu grupām.
• Inovatīvu medikamentu radīšana, mērķterapijas attīstība. Notiek gēnu datu banku veidošana, savienojot tās ar citiem datiem, lai katram pacientam varētu piemeklēt efektīvākos medikamentus un ārstēšanās shēmas.
• Bioloģisko procesu un medikamentu prognozējošā modelēšana. Kopš mākslīgais intelekts palīdz ieraudzīt sakarības, kas agrāk nebija pamanāmas, varētu tikt atrastas jaunas potenciālās molekulas ar lielu varbūtību, ka tās attīstīsies par zālēm.

Piemēram, AstraZeneca ir izveidojusi partnerību ar WellPoint, lai dibinātu datu analīzes uzņēmumu HealthCore. Sadarbības mērķis ir veikt pētījumus, kuri parādītu visefektīvākos un ekonomiski izdevīgākos ārstēšanas plānus dažām hroniskām slimībām. Šā gada sākumā Novartis ar Oksfordas Lielo datu institūtu (The University of Oxford’s Big Data Institute) izveidoja aliansi uz pieciem gadiem, lai, izmantojot mākslīgo intelektu, pārveidotu to, kā tiek analizēti, apkopoti un interpretēti ļoti lieli un dažādi datu kopumi, kurus izmantot, piemēram, multiplās sklerozes, psoriāzes un citu slimību noteikšanā un ārstēšanā.

Pievēršanās lielo datu izmantošanai nav vienkārša, jo farmācijas nozarē sadarbība pētniecībā līdz šim ir bijusi visai ierobežota. Taču Big Data diktē jaunus noteikumus, vienlaikus piedāvājot milzīgas attīstības iespējas.

Piemēram, onkoloģijā strauji attīstās jauna zinātnes nozare onkogenomika, kurā, nosakot terapiju, ņem vērā konkrētas gēnu mutācijas. Attīstās genomika arī farmācijā, lai katram pacientam varētu radīt un piemeklēt īstās zāles pareizajā devā.

Precīzas prognozes

Lielo datu analizēšanai un pareizai interpretēšanai ir vēl kāds būtisks ieguvums - tā ļauj daudz precīzāk prognozēt slimnieku skaitu. Tas ir ļoti svarīgi, jo kalpo par pamatu lēmumu pieņemšanā, lemjot par valstu veselības aprūpes budžetiem. Jo, tikai vadoties pēc lielo datu prognozēm, var precīzi noteikt nepieciešamo pakalpojumu skaitu un kompensējamo zāļu iegādei nepieciešamās summas valsts budžetā.

Ja datu analīze ir vāja, ja veselības aprūpes budžets tiek plānots, vadoties pēc subjektīviem ieskatiem, var veidoties absurdas situācijas, kādas, piemēram, Latvijā redzam onkoloģijā vai rehabilitācijā.

Ir noteikts, ka valsts apmaksā konkrētu ārstēšanu vai kompensē konkrētus medikamentus, bet ar piešķirto summu visiem slimniekiem, kam nepieciešama šāda palīdzība, nepietiek. Ne onkoloģijā, ne rehabilitācijā pacients gaidīt nevar. Līdz ar to ārstiem jālemj, kuram ārstniecības kursu piešķirt, kuram ne, padarot mediķus par nepareizi saplānotā budžeta ķīlniekiem.

Arī Ekonomiskās sadarbības un attīstības organizācijas (OECD) rekomendācijas veselības jomā Latviju aicina radīt uz datiem balstītu veselības aprūpes sistēmu, kas paredz gan E-veselības ieviešanu, padarot caurskatāmāku veselības nozari, gan ieviešot darbības indikatorus, kas ļauj vērtēt veselības sistēmas darbību, kā arī ārstniecības iestāžu kvalitātes rādītājus. Lielo datu veiksmīgais lietojums pasaules praksē apliecina, ka arī Latvija nevar ignorēt datu lomu veselības aprūpes plānošanā. Taču, lai spētu izmantot datu piedāvātās iespējas, jāspēj pieņemt politiski atbildīgus lēmumus.

Kas notiek Latvijā?

2018. gadā Latvija pievienojās Eiropas Genoma deklarācijai. Latvijas Universitātes pētnieki sākuši strādāt pie diviem projektiem: “Uz genoma un veselības datiem balstītas vēža prognozēšanas infrastruktūras izveide” (vadītāja profesore Signe Bāliņa) un “Uz lielajiem datiem balstītas plaušu vēža riska izvērtēšana, agrīnas diagnostikas un prognozēšanas metodes izstrāde” (vadītājs profesors Andrejs Ērglis).

Plānots, ka tiks izveidots datu ezers, kurā ienāks dati no valsts iestādēm, slimnīcām, viedierīcēm u.c. Ja tas izdosies, Latvijas veselības aprūpes sistēma pirmo reizi tiks konfrontēta ar pierādītiem faktiem attiecībā pret reālo finansējumu. Izaicinājumu lielo datu laikmetā netrūkst, un ieguvēji būs tie, kas pratīs datu sniegtās iespējas prasmīgi izmantot.