مقاله حاضر، با عنوان “بهره‌گیری از پرونده‌های الکترونیک سلامت برای تولید شواهد دنیای واقعی” (Harnessing electronic health records for real-world evidence)، به بررسی روش‌های نوین استفاده از داده‌های ثبت‌شده در پرونده‌های الکترونیک سلامت (EHRs) برای تولید شواهد بالینی معتبر و قابل اعتماد می‌پردازد. این شواهد، که به “شواهد دنیای واقعی” (Real-World Evidence – RWE) موسوم هستند، در ارزیابی اثربخشی و ایمنی درمان‌های پزشکی در محیط‌های واقعی و خارج از چارچوب مطالعات بالینی کنترل‌شده (Randomized Controlled Trials – RCTs) اهمیت فراوانی دارند.

با توجه به حجم عظیم داده‌های موجود در EHRs، استفاده بهینه از این منابع می‌تواند منجر به تسریع فرآیند کشف دارو، بهبود مراقبت‌های بهداشتی و ارتقای سلامت جامعه گردد. این مقاله، چالش‌های موجود در این مسیر و راهکارهای مقابله با آن‌ها را به تفصیل مورد بررسی قرار می‌دهد.

این مقاله توسط گروهی از محققان برجسته به رهبری Jue Hou، Rachel Zhao و Jessica Gronsbell و همکارانشان از جمله Brett K. Beaulieu-Jones, Griffin Webber, Thomas Jemielita, Shuyan Wan, Chuan Hong, Yucong Lin, Tianrun Cai, Jun Wen, Vidul A. Panickan, Clara-Lea Bonzel, Kai-Li Liaw, Katherine P. Liao و Tianxi Cai نگاشته شده است. این محققان دارای تخصص‌های متنوعی در زمینه‌های علوم کامپیوتر، آمار، پزشکی و بهداشت عمومی هستند.

زمینه تحقیقاتی این گروه، بر توسعه روش‌های نوین برای تحلیل داده‌های حجیم سلامت، استفاده از هوش مصنوعی در پزشکی و تولید شواهد بالینی از منابع داده‌های دنیای واقعی تمرکز دارد. این مقاله، حاصل تلاش‌های این گروه در جهت غلبه بر چالش‌های موجود در استفاده از EHRs برای تولید RWE است.

این مقاله با تاکید بر اهمیت RCTs به عنوان استاندارد طلایی ارزیابی اثربخشی و ایمنی درمان‌های پزشکی، نقش حیاتی RWE را در نظارت پس از تایید داروها و تسریع فرآیند تایید درمان‌های تجربی مورد بررسی قرار می‌دهد. EHRs به عنوان یک منبع رو به رشد از داده‌های دنیای واقعی، حاوی اطلاعات دقیقی در مورد مراقبت از بیماران در قالب داده‌های ساخت‌یافته (مانند کدهای تشخیصی) و داده‌های غیرساخت‌یافته (مانند یادداشت‌های بالینی و تصاویر) هستند.

با وجود جزئیات موجود در EHRs، استخراج متغیرهای کلیدی برای ارزیابی دقیق رابطه بین درمان و نتایج بالینی می‌تواند چالش‌برانگیز باشد. این مقاله یک خط لوله یکپارچه برای آماده‌سازی داده‌ها و مدل‌سازی ارائه می‌دهد که از آخرین پیشرفت‌ها در پردازش زبان طبیعی (Natural Language Processing – NLP)، فنوتیپ‌بندی محاسباتی (Computational Phenotyping) و تکنیک‌های مدل‌سازی با داده‌های نویزی برای حل این چالش اساسی و تسریع استفاده قابل اعتماد از EHRs برای تولید RWE و ایجاد دوقلوهای دیجیتال (Digital Twins) استفاده می‌کند.

خط لوله پیشنهادی برای این کار بسیار خودکار است و شامل راهنمایی برای استقرار (Deployment) می‌باشد. مثال‌هایی نیز از ادبیات موجود در مورد شبیه‌سازی RCT با استفاده از EHRs ارائه شده است و مطالعات خود نویسندگان با استفاده از EHRهای Mass General Brigham (MGB) نیز همراه آن است.

روش‌شناسی تحقیق در این مقاله شامل مراحل زیر است:

• استخراج داده‌ها: استخراج داده‌های ساخت‌یافته و غیرساخت‌یافته از EHRs. داده‌های ساخت‌یافته شامل کدهای تشخیصی (ICD codes)، کدهای رویه‌ای (CPT codes) و اطلاعات دارویی است. داده‌های غیرساخت‌یافته شامل یادداشت‌های بالینی پزشکان، گزارش‌های رادیولوژی و سایر مدارک متنی است.
• پردازش زبان طبیعی: استفاده از تکنیک‌های NLP برای استخراج اطلاعات مهم از داده‌های غیرساخت‌یافته. این شامل شناسایی موجودیت‌های نام‌گذاری‌شده (Named Entity Recognition – NER)، تحلیل احساسات (Sentiment Analysis) و استخراج روابط (Relation Extraction) است.
• فنوتیپ‌بندی محاسباتی: استفاده از الگوریتم‌های یادگیری ماشین (Machine Learning) برای شناسایی گروه‌های بیماران با ویژگی‌های مشابه (فنوتیپ‌ها). این امر به محققان کمک می‌کند تا زیرگروه‌های بیماران را که به احتمال زیاد به یک درمان خاص پاسخ می‌دهند، شناسایی کنند.
• مدل‌سازی آماری: استفاده از مدل‌های آماری برای ارزیابی رابطه بین درمان و نتایج بالینی. این شامل مدل‌های رگرسیون (Regression Models)، مدل‌های بقا (Survival Models) و مدل‌های علی (Causal Models) است.
• ارزیابی مدل: ارزیابی عملکرد مدل‌های پیش‌بینی‌کننده با استفاده از معیارهای مختلف مانند دقت (Accuracy)، حساسیت (Sensitivity) و ویژگی (Specificity).

نویسندگان همچنین از روش‌های اعتبارسنجی (Validation) مختلف برای اطمینان از قابلیت تعمیم یافته‌های خود استفاده کرده‌اند.

یافته‌های کلیدی این مقاله عبارتند از:

• ایجاد یک خط لوله خودکار و قابل اعتماد برای استفاده از EHRs برای تولید RWE.
• نشان دادن اثربخشی تکنیک‌های NLP و فنوتیپ‌بندی محاسباتی در استخراج اطلاعات مهم از EHRs.
• ارائه مثال‌هایی از شبیه‌سازی RCT با استفاده از EHRs. این نشان می‌دهد که EHRs می‌توانند به عنوان یک منبع جایگزین برای انجام مطالعات بالینی سنتی استفاده شوند.
• نشان دادن پتانسیل EHRs برای ایجاد دوقلوهای دیجیتال. دوقلوهای دیجیتال، مدل‌های مجازی از بیماران هستند که می‌توانند برای پیش‌بینی پاسخ بیمار به درمان‌های مختلف استفاده شوند.

به طور خاص، نویسندگان نشان دادند که با استفاده از روش پیشنهادی خود می‌توانند به طور دقیق رابطه بین یک داروی خاص و یک پیامد بالینی را در یک جمعیت بیماران مبتلا به یک بیماری خاص ارزیابی کنند.

کاربردها و دستاوردهای این مقاله بسیار گسترده است و می‌تواند تاثیر قابل توجهی بر حوزه سلامت داشته باشد:

• تسریع فرآیند کشف دارو: RWE تولید شده از EHRs می‌تواند به شرکت‌های داروسازی کمک کند تا داروهای جدید را سریع‌تر و ارزان‌تر کشف کنند.
• بهبود مراقبت‌های بهداشتی: RWE می‌تواند به پزشکان کمک کند تا تصمیمات آگاهانه‌تری در مورد درمان بیماران خود بگیرند.
• ارتقای سلامت جامعه: RWE می‌تواند به سیاست‌گذاران بهداشتی کمک کند تا سیاست‌های بهداشتی موثرتری را طراحی و اجرا کنند.
• کاهش هزینه‌های بهداشتی: استفاده از RWE می‌تواند منجر به کاهش هزینه‌های بهداشتی از طریق بهبود کارایی و اثربخشی مراقبت‌های بهداشتی شود.
• توسعه دوقلوهای دیجیتال: ایجاد دوقلوهای دیجیتال از بیماران می‌تواند انقلابی در پزشکی شخصی‌سازی‌شده ایجاد کند و به پزشکان کمک کند تا درمان‌های متناسب با نیازهای فردی هر بیمار را ارائه دهند. برای مثال، با استفاده از داده های EHR یک بیمار و مدل سازی آن به صورت دیجیتالی، می توان پیش بینی کرد که آیا بیمار به یک داروی خاص پاسخ می دهد یا خیر.

این مقاله یک گام مهم در جهت استفاده بهینه از داده‌های EHRs برای بهبود سلامت و رفاه جامعه است.

مقاله “بهره‌گیری از پرونده‌های الکترونیک سلامت برای تولید شواهد دنیای واقعی” یک مطالعه ارزشمند است که نشان می‌دهد چگونه می‌توان از داده‌های EHRs برای تولید شواهد بالینی معتبر و قابل اعتماد استفاده کرد. این مقاله یک خط لوله جامع و خودکار برای استخراج داده‌ها، پردازش زبان طبیعی، فنوتیپ‌بندی محاسباتی و مدل‌سازی آماری ارائه می‌دهد. یافته‌های این مقاله می‌تواند تاثیر قابل توجهی بر فرآیند کشف دارو، بهبود مراقبت‌های بهداشتی و ارتقای سلامت جامعه داشته باشد.

با توجه به اهمیت روزافزون داده‌های دنیای واقعی در تصمیم‌گیری‌های بالینی و سیاست‌گذاری‌های بهداشتی، سرمایه‌گذاری در توسعه و پیاده‌سازی روش‌های نوین برای استفاده از EHRs ضروری است. این مقاله یک گام مهم در این راستا است و می‌تواند به عنوان یک نقشه راه برای محققان و پزشکان در این زمینه عمل کند.

در نهایت، لازم به ذکر است که استفاده از EHRs برای تولید RWE نیازمند توجه به مسائل اخلاقی و حفظ حریم خصوصی بیماران است. نویسندگان در مقاله خود به این موضوع نیز اشاره کرده‌اند و بر اهمیت رعایت قوانین و مقررات مربوطه تاکید کرده‌اند.