Det tog en pandemi, men USA har äntligen (vissa) centraliserade medicinska data

Fordon står i rad vid en testplats för covid-19 på Dodger Stadium i Los Angeles Mario Tama/Getty Images

• 6,3 miljoner avidentifierade poster finns för närvarande i NIH:s N3C-databas
• Det har blivit en av de största samlingarna av covid-patientjournaler i världen
• Systemet undviker datasilos och integritetsproblem som förvirrar USA:s hälso- och sjukvårdssystem

Under hela pandemin har det funnits en allvarlig spänning mellan vad allmänheten vill veta och vad forskare har kunnat säga med säkerhet.

Forskare har kunnat lära sig mer om covid, snabbare än om någon annan sjukdom i historien - men samtidigt har allmänheten blivit chockad när läkare inte kan svara på till synes grundläggande frågor: Vilka är symptomen på covid-19? Hur sprids det? Vem är mest mottaglig? Vad är det bästa sättet att behandla det?

Ingenstans har denna konflikt varit tydligare än i USA, som spenderar nästan en femtedel av sin bruttonationalprodukt på hälsovård men uppnår sämre resultat än något annat rikt land. Att hitta svaren har varit komplicerat, inte bara för att vetenskapen är svår, utan för att amerikansk sjukvård bygger på ett lapptäcke av inkompatibla, ålderdomliga system.

Relaterad berättelse

USA har ingen aning om hur man hanterar all testdata som de samlar in. I USA bestämmer varje stat hur den rapporterar resultat från covid-19-tester. Resultatet är ett kaotiskt system som skadar vårt svar på pandemin.

Över hela landet överlappar federala, statliga och lokala integritetslagar och ibland motsäger de varandra. Medicinska journaler är under tiden röriga, fragmenterade och intensivt försugna av de institutioner som äger dem – både av integritetsskäl och för att det är otroligt lönsamt att sälja avidentifierade medicinska data.

Men att komma åt data som är instängd i dessa silos är det enda sättet att svara på frågor om covid. Det är därför som så mycket viktig forskning har gjorts utomlands, i länder med nationella sjukvårdssystem, även om USA har ett stort antal både covid-patienter och forskningsinstitutioner. Några av de starkaste uppgifterna på riskfaktorer för covid-dödlighet och funktioner i lång covid har till exempel kommit från Storbritannien. Där har folkhälsoforskare tillgång till data från 56 miljoner NHS-patienters journaler.

I början av pandemin insåg en grupp forskare finansierad av US National Institutes of Health, eller NIH, att många frågor om covid-19 skulle vara omöjliga att besvara utan att bryta ner hinder för datadelning. Så de utvecklade ett ramverk för att kombinera faktiska patientjournaler från olika institutioner på ett sätt som kunde vara både privat och användbart.

Resultatet är National COVID Cohort Collaborative (N3C) , som samlar in journaler från miljontals patienter runt om i landet, städar dem och sedan ger tillgång till grupper som studerar allt från när man ska använda en ventilator till hur covid påverkar menstruationscyklerna.

Det är bara chockerande att vi inte hade några harmoniserade, samlade hälsodata för forskning inför en pandemi, säger Melissa Haendel, professor i forskningsinformatik vid University of Colorado Anschutz Medical Campus och en av medledarna för N3C. Vi skulle aldrig ha fått alla att ge oss den här graden av data utanför sammanhanget av en pandemi, men nu när vi har gjort det är det en demonstration av att kliniska data kan harmoniseras och delas brett på ett säkert sätt och ett öppet sätt .

Databasen är nu en av de största samlingarna av covid-journaler i världen, med 6,3 miljoner patientjournaler från 56 institutioner och räkningar, inklusive register från 2,1 miljoner patienter med viruset. De flesta register går tillbaka till 2018, och bidragande organisationer har lovat att fortsätta uppdatera dem i fem år. Det gör N3C inte bara till en av de mest användbara resurserna för att studera sjukdomen idag, utan till ett av de mest lovande sätten att studera lång covid.

Ett system där institutioner skickar journaler, i bulk, till en centraliserad federal regering är en anomali i amerikansk hälsovård. Utnyttjad, den har potential att svara på detaljerade frågor långt efter pandemin. Och det kan till och med fungera som proof of concept för liknande ansträngningar i framtiden.

Data med öppen källkod

För att bidra med information till databasen väljer deltagande leverantörer först två grupper av patienter: personer som har testat positivt för covid och andra som kommer att fungera som kontrollgrupp. De tar sedan bort allt som gör uppgifterna personligt identifierbara, förutom postnummer och servicedatum, och överför det säkert till N3C. Där rensar tekniker data – inte alltid en lätt uppgift – och lägger in den i databasen.

Vem som helst kan lämna in ett forskningsförslag genom N3C’s instrumentbräda , oavsett om de är anslutna till en inlämnande institution eller inte. Även medborgarforskare kan begära tillgång till en anonymiserad version av datamängden.

en NIH kommittén granskar varje förslag och bestämmer vilken version av data som forskarna ska kunna få tillgång till. Det finns flera nivåer av information: en begränsad datamängd, en andra nivå som innehåller riktiga poster med postnummer och datum skymmade, och en tredje består av datorgenererade syntetiska poster, som försöker behålla samma attribut som de riktiga posterna utan att innehålla någon riktiga patientdata. Alla måste gå igenom datasäkerhetsutbildning innan de får tillgång.

Hittills har 215 forskningsprojekt godkänts, inklusive studier för att spåra resultat för patienter som har fått olika covid-vacciner och undersöka komplikationsfrekvensen av elektiva operationer hos icke-covid-patienter under pandemin. Den första publikationen från samarbetet var en analys av riskfaktorer för dödlighet hos cancerpatienter som insjuknat i SARS CoV2, och flera pre-prints har släppts om ämnen inklusive covid-utfall i leversjukdomspatienter och personer med hiv .

Mer ansvar, bättre vetenskap

Ren, korrekt data är avgörande för sådana studier, men det har varit svårt att få tag på i pandemins kaos. I juni förra året, två stora tidskrifter, BMJ och The Lancet, tillbakadragna papper baserade på data från Surgisphere, ett föga känt medicinskt dataföretag med en handfull anställda. Den påstod sig ha tillgång till medicinska journaler i realtid från nästan 100 000 covid-patienter på 700 sjukhus runt om i världen. I vissa fall representerade siffrorna fler patienter än vad som faktiskt hade diagnostiserats i ett visst land.

Innan de drogs tillbaka ledde papperen till beslut om att stoppa kliniska prövningar och ändra medicinsk praxis. Men när forskare blev misstänksamma – särskilt med tanke på att till och med ett enda avtal om medicinsk dataöverföring tar enorm tid och arbete – vägrade företaget att låta någon granska uppgifterna. Faktum är att det inte finns några bevis för att databasen någonsin har funnits .

Relaterad berättelse

Covid-19-data är en allmän nytta. Den amerikanska regeringen måste börja behandla det som en sådan. USA har misslyckats med att prioritera ett mycket effektivt och ekonomiskt ingripande – vilket ger snabb och enkel tillgång till information om coronaviruset.

N3C, å andra sidan, är granskningsbar av, och ansvarig för, tusentals forskare vid hundratals deltagande institutioner, med stort fokus på transparens och reproducerbarhet. Allt användarna gör genom gränssnittet, som använder Palantirs GovCloud plattformen, är noggrant bevarad, så att alla med åtkomst kan följa sina steg.

Detta är inte raketvetenskap, och det är inte riktigt nytt. Det är bara hårt arbete. Det är tråkigt, det måste göras noggrant, och vi måste validera varje steg, säger Christopher Chute, professor i medicin vid Johns Hopkins som också leder N3C. Det värsta vi kan göra är att metodiskt omvandla data till skräp som skulle ge oss fel svar.

Råstyrka

Haendel påpekar att dessa ansträngningar inte har varit lätta. Mångfalden i expertis som krävdes för att få detta att hända – uthålligheten, engagemanget och, ärligt talat, den brutala kraften – är helt enkelt utan motstycke, säger hon.

Den brutala kraften har kommit från många olika områden utöver bara medicin.

Att ha alla ombord från alla aspekter av vetenskapen hjälpte verkligen. Under covid var människor mycket mer villiga att samarbeta, säger Mary Boland, professor i informatik vid University of Pennsylvania. Du kan ha ingenjörer, du kan ha datavetare, fysiker – alla dessa människor som kanske inte normalt deltar i folkhälsoforskning.

Boland ingår i en grupp som använder N3C-data för att titta på om covid ökar oregelbundna blödningar hos kvinnor med polycystiskt ovariesyndrom. Vanligtvis måste de flesta forskare använda försäkringsskadedata för att få en tillräckligt stor databas för analyser på befolkningsnivå, säger hon.

Påståendedata kan besvara vissa frågor om hur väl droger fungerar i den verkliga världen, till exempel. Men dessa databaser saknar enorma mängder information, inklusive labbresultat, symptomen som människor rapporterar och till och med data om huruvida patienter överlever eller dör.

Samling och städning

Utanför försäkringsskadedatabaser använder de flesta hälsodatasamarbeten i USA en federerad modell. Deltagarna i dessa studier är alla överens om att formatera sina egna datamängder i ett gemensamt format och sedan köra frågor från kollektivet, såsom andelen allvarliga covid-fall per åldersgrupp. Flera internationella covid-forskningskollektiv, inklusive Observationell hälsodatavetenskap och informatik (OHDSI, uttalas Odyssey), fungerar på detta sätt och undviker juridiska och politiska problem med gränsöverskridande patientdata.

OHDSI, som grundades 2014, har forskare från 30 länder och har rekord för 600 miljoner patienter.

Det gör att varje institution kan hålla sina data bakom sina egna brandväggar, med sina egna dataskydd på plats. Det kräver ingen patientdata för att flytta fram och tillbaka, säger Boland. Det är tröstande för många ställen, särskilt med all hacking som har pågått på sistone.

Men att förlita sig på att varje institution förbereder sin egen data för ett sådant system medför många risker.

Att få in data i ett gemensamt dataformat är den största utmaningen, eftersom även läkemedelsnamn – man skulle kunna tro att det skulle standardiseras över hela USA, men det är det verkligen inte, säger Boland. Apotek har ofta sitt generiska läkemedel, och det kan ha något annorlunda ingredienser på grund av patentlagar. Var och en av dessa är sitt eget läkemedelsnamn.

N3C, å andra sidan, ber alla deltagare att skicka sina råa, röriga skivor till ett ställe och låta den centrala instansen städa upp och standardisera den. Även om det finns många uppenbara fördelar, finns det betydande juridiska och sociala hinder för att delta på detta sätt, både i Amerika och internationellt; många institutioner, till exempel, kan inte bidra till N3C på grund av integritetslagar i deras stater.

Det är också tekniskt utmanande. Att kombinera till och med två uppsättningar elektroniska journaler är extremt svårt och arbetskrävande; kvaliteten på data är ofta låg och det finns lite standardisering. I hälso- och sjukvårdsorganisationer på flera ställen är så många som 1 av 5 medicinska journaler dubbletter, mestadels som ett resultat av att datainmatningen är skruvad under möten eller incheckningar, enligt en Pew-tidning från 2018.

De som försvarar federerade modeller hävdar ofta att de gör sin egen kvalitetskontroll bakom sin brandvägg. Men N3C-forskare blev chockade när de fick reda på hur rörig informationen var.

Det fanns en viss skepsis från sajter, som 'Vi behöver egentligen inte den här typen av datakvalitetsramverk - vi gör det redan på våra egna platser konfidentiellt, bakom vår brandvägg. Vi behöver inte era stinkande harmoniseringsverktyg, säger Haendel. Men vi lärde oss att kvalitetsmåtten är otillräckliga när man tittar på data i aggregerad form.

Vissa av datakvalitetsproblemen har gränsat till det absurda.

I vissa fall har organisationer misslyckats med att sätta in måttenheter. Så det fanns en vikt, men det fanns ingen enhet, som vi bara skulle veta, säger Chute. Men att ha ett så stort antal poster gav dem en fördel och lät dem spara många datapunkter som annars skulle ha kastats ut.

Vi kunde titta på fördelningarna av data som vi hade enheter för, och se var mysteriedata passar, säger han. Du kan bara öga det — åh, det här är uppenbarligen pounds eller kilogram.

En stor fisk i ett mycket större hav

Så omfattande som den är, är N3C-databasen sämre än omfattningen av data som samlas in och underhålls på andra håll i det amerikanska hälso- och sjukvårdssystemet, från statliga myndigheter till sjukhus, testlabb, försäkringsbolag och andra. Department of Health and Human Services spår mer än 2 000 hälsorelaterade datamängder enbart från federala, statliga och lokala myndigheter.

Relaterad berättelse

Lärdomar från pandemins superstjärna dataforskare, Youyang Gu

Han gjorde en maskininlärningsmodell på en vecka och körde den dagligen på sin bärbara dator (det tog bara en timme), vilket genererade anmärkningsvärt exakta covid-19-förutsägelser.

Användbarheten av varje begränsas av silo : det är i princip omöjligt för forskare som arbetar på egen hand att koppla samman Medicare-påståenden, register från vaccinregister, staters ras- och etnicitetsdata för vaccinationer eller databaser om covid-19-varianter sekvenserade från patientprover runt om i landet. Att förvandla råa poster till användbar information är faktiskt så utmanande att det har blivit en blomstrande privat industri: datamäklare köper avidentifierade poster i bulk, analyserar korrelationer mellan variabler och säljer sina analyser – eller själva data – till forskare och regeringar.

Vi är villiga att ge all vår data till en kommersiell enhet och låta dem sälja tillbaka den till oss, men vi är inte villiga att betala för den mest grundläggande folkhälsoinfrastrukturen, säger Haendel. Denna volontärinsats inför en pandemi är fantastisk, men det är inte en hållbar långsiktig lösning för att hantera framtida pandemier, eller bara hälsovård i allmänhet.

N3C-metoden styr bort från några av dessa problem, men det finns betydande hål i dess data, särskilt information om vaccinationer. De flesta vacciner administreras på gemenskapsplatser, medan samarbetets register är från primärvårdsbesök och sjukhusvistelser, vilket innebär att bara 245 000 Pfizer-vacciner och 104 000 Moderna-vacciner har registrerats i journalen. Ett vårdanalysföretag bygger ett verktyg för att säkert integrera patientjournaler från flera källor, men det kommer inte att vara tillgängligt förrän om minst några månader.

Även med dessa luckor erbjuder N3C:s enorma databas en av de bästa resurserna för forskare som vill svara på de många olösta frågorna om covid.

Det är ungefär där vi har fastnat nu, säger Haendel. Vi behöver verkligen domänexperter inom alla olika aspekter av klinisk vård, och vetenskapen bakom dem, för att hjälpa oss hitta alla nålar i höstackar.

Redaktörens anmärkning: En tidigare version av denna berättelse identifierade felaktigt den kommitté som granskar förslag till N3C-dataanvändning. Det är en del av NIH, inte Johns Hopkins.

Den här historien är en del av Pandemic Technology Project, som stöds av Rockefeller Foundation.

Dölj