Prof. Chodik: Chytré systémy pro podporu rozhodování lékařů jsou slibná cesta

Největší výhodou, se kterou může pracovat MaccabiTech ve svých výzkumech, je přístup k mohutné databázi zdravotních údajů mateřské skupiny Maccabi. Ta sestává ze zdravotních dat 2,6 milionu klientů sítě sbíraných více než 30 let. „Pomocí vysoce kvalitních dat a špičkových analýz se MaccabiTech věnuje zvyšování kvality péče o naše členy a obecně rozšiřování poznání v medicíně a zdravotní péči,“ říká profesor Gabriel Chodik, ředitel MaccabiTech a vedoucí epidemiologického výzkumu.

• Co je posláním MaccabiTech?

MaccabiTech je součástí inovační a výzkumné sekce organizace Maccabi Healthcare Services pro epidemiologický a klinický výzkum (Maccabi Healthcare Services je významná izraelská síť, která vykonává funkci zdravotní pojišťovny a poskytovatele zdravotní péče – pozn. red.). Působí zde více než patnáct vědců, kteří provádějí studie v oblasti epidemiologie, datové vědy a výzkumu zdravotní péče. Věnujeme se široké škále oblastí, jako jsou kardiovaskulární a revmatologická onemocnění, zánětlivá onemocnění střev, cukrovka, preventivní medicína, neurodegenerativním stavům, léčbě rakoviny, infekčním onemocněním, zdraví matek a dětí, osteoporóze a mnoha dalším. Máme celou řadu zahraničních partnerů po celém světě, v ČR je naším partnerem Centrum česko‑izraelských inovací a partnerství.

• Na čem je založen váš výzkum?

Náš výzkum je silně založen na bohatých elektronických datech, která jdou zpět více než 30 let a zahrnují více než čtyři miliony lékařských záznamů. Pomocí vysoce kvalitních dat a špičkových analýz se MaccabiTech věnuje zvyšování kvality péče o naše členy a obecně rozšiřování poznání v medicíně a zdravotní péči.

• Jaký typ dat o vašich klientech máte?

Používáme data Maccabi Medical Services, která má v Izraeli 2,6 milionu klientů. Dostupné údaje zahrnují: demografické údaje (věk, pohlaví, imigrace, bydliště), údaje o členech domácnosti, statistiky životně důležitých věcí, jako i stěhování ze země, diagnózy lékařů, předepsané a vydané léky, hospitalizace, návštěvy na pohotovosti, laboratorní testy, lékařské návštěvy a různé snímky z vyšetření.

• Jak jsou tato data strukturována?

Data mají strukturovanou a nestrukturovanou podobu. Diagnózy jsou kódovány podle mezinárodní klasifikace nemocí (ICD), lékařské postupy/laboratoře podle Current Procedural Terminology (CPT) atd.

• Souhlasí klienti Maccabi s tím, že můžete jejich data použít pro výzkum a klinické testy?

Není to automatické. Každý náš člen se může kdykoli přihlásit. Každá studie je považována za výjimku z informovaného souhlasu.

• Nedávno jste dělali projekt časného záchytu kolorektálního karcinomu. Jak se to dělalo? Přineslo to Maccabi také nějaké ekonomické výhody?

Včasná detekce pacientů pomocí ColonFlagu je přínosná pro pacienty i organizaci. Jedná se o algoritmus, jenž identifikuje vysoce rizikové pacienty, kteří jsou odesláni na kolonoskopii. Zabraňuje také nákladným terapiím. Výzkum byl zaměřen na klienty, kteří nespadali do tradičně nastaveného screeningu (https://pubmed.ncbi.nlm.nih.gov/30652563/).

• Jaké byly klíčové vysvětlující proměnné ve vašem prediktivním modelu?

Snažili jsme se mít model s co nejméně proměnnými a dobrým odhadem, a proto jsme použili pouze věk, pohlaví a nejnovější výsledky krevních testů.

• Včasná diagnostika je současným trendem moderního zdravotnictví. Máte nyní rozpracováno něco dalšího?

Dalším projektem, který je ve vývoji, je identifikace pacientů, kteří pravděpodobně mají Gaucherovu chorobu, což je vzácný, autozomálně recesivní stav, charakterizovaný nedostatkem lysozomálního enzymu β‑glukocerebrosidázy (více podrobností na https://ash.confex.com/ash/2020/webprogram/Paper134414.html).

• Na mezinárodní konferenci IDS Moravské vysoké školy v Olomouci jste také zmínil využití dat Maccabi pro výzkum covidu‑19. Jak rychle dokážete data vyhodnotit?

Ve formě preprintu jsme publikovali první report na světě o efektivitě vakcíny Pfizer v reálných podmínkách. Sběr dat jsme ukončili v polovině ledna 2021 a studii jsme odevzdali za dva týdny (https://papers.ssrn.com/sol3/papers.cfm?abstract_id=3769977).

• Kde vidíte budoucnost využití velkých dat ve zdravotnictví?

Myslím si, že nejdůležitější a nejslibnější cestou je využití umělé inteligence pro systémy podpory rozhodování lékařů, zejména pak pro lékaře primární péče, kteří jsou nejdůležitějším článkem v systému zdravotní péče. Tato řešení mohou zlepšit péči o pacienty a zároveň snížit náklady.