大資料可以告訴我們有關流感季節預測的資訊嗎?
不管是定向廣告還是Netflix,假如大資料可以告訴我們一樣東西的話,那這樣東西就是創造性地挖掘資訊可以提供一些洞察,進而提高效率和改善結果。醫療保健行業的大資料可以提供這樣的大機會,醫療保健行業的大資料預計到2020年每年將產生約2,314 exabytes(一個exabyte等於十億千兆位元組[gigabytes])的健康資料(https://med.stanford.edu/content/dam/sm/sm-news/documents/StanfordMedicineHealthTrendsWhitePaper2017.pdf)。這樣的天文數字資訊毫無疑問可以提供有價值的洞察,可以大大改善患者的護理。
醫療保健現在變得日益緊密地聯絡在一起,那麼大資料會如何改變患者診斷、疫苗開發機流行病的預防呢?我們不妨通過一個非常清楚的鏡頭來看看醫療保健領域的大資料:我們都頗為熟悉的流感季節。
為流感季節預測把脈
每年大致從現在這個時候開始,不同的流感病毒就會在全國各地蔓延,最終將影響到15%至40%的人。為了應對流感,美國疾病控制和預防中心(CDC)每週會發布一份“流感一覽”(FluView)的報告(https://www.cdc.gov/flu/weekly/fluactivitysurv.htm)詳細介紹流感病毒。這些流感模型用於確定在即將到來的流感季節中哪種病毒株最常流行、是否需要新疫苗以及流感疫苗的效果如何。
我們從患者的角度來看看流感。患者甲為了預防流感在當地的小診所(Minute Clinic)接受了流感疫苗注射。她得到的疫苗是根據去年的預測模型選的,可以預防兩種A型流感病毒(H1N1和H3N2)以及B型流感株(B/Victoria)。患者在接受注射後樂觀地認為她染上流感的機會很小。
然而,流感疫苗的有效性只有40%到60%(https://www.cdc.gov/flu/about/qa/vaccineeffect.htm)。而且,FluView報告只是從有限數量的資料來源中提取資料,得到的預測比合理猜測只是好一點點而已。例如,CDC在2018年1月的第二週裡認為流感已經達到高峰並且正在下降。但他們錯得離譜:高峰直到2月才出現,而且該流感季節最後成了有史以來最糟糕的流感季節之一。
大資料可以防止這種情況的出現,可以幫助社群更好地應對流感及挽救生命。挖掘電子健康記錄(EHR)加上非傳統資料來源(如社交媒體和Google搜尋模式)可以為醫療服務提供商提供更準確和內容更豐富的洞察。事實上,已經有研究證明,一些Twitter之類的非常規資料來源可以在流感發生爆發之前的六週內準確預測流感的爆發,遠遠超過我們目前所依賴的模型。
美國東北大學的研究人員分析了超過5000萬條含與流感有關詞彙的推文(https://news.northeastern.edu/2017/05/05/researchers-use-twitter-to-track- the flu-in-real-time/),對病毒的傳播和受影響的人數進行預測。推文資料可以更好地瞭解不同病毒株的傳染性以及每種病毒最常出現的區域。這樣的資料能更好地為流感疫苗的研發和分佈提供資訊,可以提前發現哪些地區會出現哪種流感病毒以及哪些區域可能已經存在抗病毒藥物現象。這些資料最終可以令疫苗更加有效以及推動區域特異性流感疫苗的研發。
這些預測模型的重要性怎麼強調都不為過:去年由於不正確流感預測導致了許多診所抗流感抗病毒藥物的短缺(https://www.newsweek.com/2018-influenza-turned-deadly-supplies-flu- fighting-supplies-critical-medication -779740)以及各醫院都沒有準備好應對大量湧入的患者。要確保開發流感疫苗時機的準確及及時推出預防措施,就必須開展創造性的和批判性的思考,想想從哪裡可以獲取額外的最佳資料來源,例如非處方藥購買的資料、可穿戴技術甚至物聯網使能的智慧溫度計。
聚焦流感的大資料揭示了不斷增長的抗藥性
我們再來看看患者甲的情況。到了十二月,她因為喉嚨痛、咳嗽和發燒去看保健醫生。她的醫生做了有關鏈球菌喉炎(Strep Throat)、細菌性肺炎和肺結核的化驗,但實驗室的化驗結果要等幾天後才能出來。患者的症狀可能是因為細菌感染、流感或肺炎。保健醫生應該開普通抗生素嗎?這樣做是希望可以在24到48小時內化驗結果出來前緩解患者的病情。問題來了:患者儘管打了流感疫苗針,她還是染上了流感,抗生素幫不了她的忙。
“按需護理”現在日益普及,上述的情況並不罕見。事實上,最近的一項研究發現,近一半的抗生素門診處方是沒有必要的。大家都知道過量使用抗生素會有助於超級細菌的產生,如果讀者想了解細菌如何迅速產生突變及產生對抗生素的抵抗性,可以看看這個短視訊(https://www.youtube.com/watch?v=yybsSqcB7mE),視訊做了強有力的演示。美國每年因為超級細菌要支付數十億美元的高額醫療費用,據估計,如果我們不控制誤診和抗生素過量處方的問題,我們可能要面臨一個200億美元的超級細菌問題(https://www.dotmed.com/news/story/44934)。
再回頭看看患者甲。她的醫生在獲取了有關她最近旅行、工作地點以及她所在地區目前使用的藥物的資訊後,就可以推行一個理想的資料驅動治療計劃。例如,瞭解患者經常出入某個爆發某種疾病的地區有助於她的醫生更快地開出正確的抗生素。這樣的資料還可以減少誤診的次數,因為資料可以幫助確定不常見疾病是罪魁禍首,不常見疾病的診斷是常見誤診出現的另一個領域。
像這種情況的也可利用實時資料,實時資料可能顯示患者的居住地正在爆發某種對她接種的流感疫苗有抵抗力的流感病毒,如此可以幫助醫生知道開抗生素在這種情況下是無效的。
靠大資料辦大事
我們正在踏入資料驅動護理的新階段,流感季節是一個具有特別豐富資料的時間段,我們可以從中解析出強大的洞察。然而,改善流感季節裡的診斷和治療的策略遠遠超出某單一疾病。醫生在診斷疾病流程中加入大資料元素有助於更準確的診斷,從而加快治療速度、改善資源分配及減少誤診。
當然,最終目標是通過更明智的健康決策改善患者結果和整體人口的健康及減少浪費和由於誤診想當然的物治療導致的意外後果。