По словам Маккарди, еще одним преимуществом использования облачных технологий является возможность анализировать данные и устранять разрозненность, что упрощает использование ИИ и машинного обучения для решения проблем совместимости.
По словам Маккарди, общие проблемы включают локальное хранение больших объемов данных исследовательского оборудования, такого как микроскопы и спектрометры, что создает барьер для безопасного архивирования, обработки и обмена данными. В дополнение к этим данным в последние годы наблюдается приток данных с датчиков, мобильных устройств и медицинских устройств. Преодоление этих проблем может способствовать развитию точной медицины и улучшению результатов лечения пациентов.
«Большинство медицинских данных часто являются неполными и противоречивыми. Часто они неструктурированы и хранятся в разных форматах, таких как клинические записи, лабораторные отчеты, страховые претензии, медицинские изображения, записанные разговоры и данные временных рядов. Из-за этого организациям невероятно сложно обрабатывать, извлекать информацию и анализировать ее в больших масштабах», — говорит он. «В следующем десятилетии осмысление всех этих данных предоставит самую большую возможность изменить уход за больными. Тем не менее, это преобразование будет в первую очередь зависеть от потока данных туда, где это необходимо, в нужное время, при этом все они обрабатываются безопасным образом и защищают личную информацию пациентов».
Облачные вычисления и модели машинного обучения могут помочь организациям здравоохранения разбить хранилища данных и обработать информацию, чтобы она была точной, актуальной и полезной. Это позволяет организациям сосредоточиться на уходе за пациентами, в то время как облачная технология автоматически нормализует, индексирует, структурирует и анализирует данные для них, говорит Маккарди.
«Сегодня мы наблюдаем волну перехода организаций здравоохранения в облако, которое позволяет исследователям объединять и согласовывать данные исследований и разработок с информацией по всей цепочке создания стоимости, при этом извлекая выгоду из вариантов вычислений и хранения, которые являются более экономичными, чем локальную инфраструктуру», — говорит он. «Облачные гипермасштабируемые вычисления и машинное обучение позволяют организациям совместно работать с наборами данных, создавать и использовать глобальные инфраструктуры для поддержания целостности данных, а также с легкостью выполнять анализ на основе машинного обучения для ускорения обнаружения и снижения рисков кандидатов».
Как реальные данные ускоряют клинические испытания?
По данным Управления по санитарному надзору за качеством пищевых продуктов и медикаментов США, разработчики медицинской продукции используют реальные данные и доказательства для планирования клинических испытаний и обсервационных исследований с целью создания новых подходов к лечению. RWE также можно использовать для мониторинга пострегистрационной безопасности и нежелательных явлений.
RWD может принести пользу на протяжении всего процесса клинических испытаний, повышая эффективность и сокращая время вывода на рынок потенциально жизненно важных методов лечения.
«Эти клиенты видят преимущества на всех этапах процесса клинических испытаний, включая сокращение сроков разработки лекарств, упрощение нормативно-правовой базы и более целостное представление пациентов для лучшего понимания», — говорит Маккарди. «При поиске лекарств анализ RWD раскрывает жизненно важную информацию об эффективности и безопасности лекарств, поэтому он обеспечивает важную обратную связь с командами, занимающимися исследованиями и разработками лекарств. То же самое верно и после утверждения, когда RWD используется для обеспечения соответствия требованиям отрасли и выявления любых неблагоприятных событий».
Игл говорит, что клинические испытания — это выборка данных из реального мира, которые контролируют множество различий для оценки влияния одной переменной. RWD не может заменить клинические испытания, но может ускорить способность исследователей задавать правильные вопросы в ходе испытаний. Они могут обратиться к реальным свидетельствам, чтобы определить, что происходит, и предпринять шаги, чтобы определить, почему.
Этот потенциальный исследовательский подход может позволить эти определения только тогда, когда наборы данных содержат правильную информацию.
«Мой самый главный совет по созданию и запуску реальных доказательств — найти базу данных, охватывающую параметры или переменные, которые необходимо проанализировать, а не создавать базу данных, а затем осознавать, что в наборах данных отсутствуют важные данные», — говорит Игл. .
БОЛЬШЕ ОТ ЗДОРОВЬЯ: Как гибридное облако раскрывает возможности управления клиническими данными?
Каково будущее реальных данных в здравоохранении?
Благодаря инвестициям в ИИ и МО отрасли здравоохранения и медико-биологических наук стали свидетелями демократизации геномики, а «мультиомика» становится новой нормой для лучшего понимания тела, того, как оно реагирует и как лучше всего лечить его по сравнению с лечением болезни или населения, говорит Маккарди.
Он добавляет, что, используя облачные технологии и обработку естественного языка, организации здравоохранения могут сочетать машинное обучение с функциональной совместимостью данных, чтобы найти новые способы улучшения ухода за пациентами, улучшения результатов и спасения жизней, а также повышения операционной эффективности, чтобы помочь снизить общую стоимость лечения.
По словам Игла, по мере развития области анализа данных и искусственного интеллекта в здравоохранении возможность доступа к данным и анализу в режиме реального времени или почти в реальном времени будет увеличиваться, что сделает отрасль более гибкой.
