Egészségügyi adatok felhasználhatósága

Az egészségügyi adatok, mint új stratégiai erőforrás

Hogyan válik az adat a gyógyszeriparban „digitális nyersanyaggá”? Adatok szerepe a kutatás-fejlesztéstől a piaci döntésekig. Stratégiai gondolkodás adatvezérelt környezetben.

Adatból tudás, tudásból döntés

Hogyan lehet a heterogén, fragmentált egészségügyi adatokból valóban döntéstámogató információ? Prediktív analitika, AI és real-world evidence szerepe. Klinikai vizsgálatok gyorsítása adatalapú megközelítésekkel.

Adatmegosztás és együttműködés több szinten

Egészségügyi intézmények, gyógyszergyártók, biztosítók, startupok együttműködése. Adatinteroperabilitás, szabványosítás és közös platformok. Példák: sikeres európai és hazai együttműködési modellek.

Adatbiztonság, etika és bizalom

A betegek adatainak védelme a digitális egészségügyben. Etikai dilemmák: ki férhet hozzá, milyen célra? A bizalom építése: hogyan lesz a páciens aktív partner az adatmegosztásban?

Valós sikertörténetek és tanulságok

Case study-k a gyógyszeriparból, ahol az adatok érdemben befolyásolták a döntéseket. Adatvezérelt diagnosztika, terápiaválasztás és egészségpolitikai döntések. Milyen tényezők különböztetik meg a sikeres és a sikertelen adatprojektek kimenetelét?

A jövő útja: adatvezérelt egészségipar

Személyre szabott orvoslás és preventív egészségügy. Az EU és Magyarország adatpolitikájának hatása az iparágra. Milyen új üzleti modellek születnek az adatok köré építve?

Deszk Anikó (Sanofi): Gyógyszeripari szemszögből látható változások az adathasználatban

Minden adatalapú fejlesztés központjában valójában nem az adatok, hanem a betegek állnak – célunk a tudományos innovációk révén az életminőség javítása, összhangban a Sanofi "chase the miracles of science" küldetésével.

A Sanofi úttörő szerepet vállal az AI-alapú gyógyszerfejlesztésben és a valós életbeli adatok innovatív hasznosításában, amely három kulcsterületen hoz áttörést: a Sunrise kezdeményezés keretében a kutatás-fejlesztésben akár 70%-kal csökkentve bizonyos fejlesztési fázisok időtartamát, a betegközpontú ellátást szem előtt tartva  több mint 300 millió beteg anonimizált adatainak elemzésével optimalizálva a klinikai vizsgálatokat, a terápiás döntéseket, valamint a promócióban, ahol a hagyományos, tömegkommunikációs  megközelítést egyre inkább felváltja a személyre szabott szakmai támogatás.

A magyar egészségügyi rendszer digitalizációja és erős IT szektora kiváló lehetőséget teremt ezen globális kezdeményezések helyi adaptációjára, különösen a betegútvonal-optimalizálás és a terápia hűség és a klinikai vizsgálatok optimalizálása terén.

Tóth Attila (Intersystems)

Az AI kezdeményezések 95%-a elbukik” – olvashatjuk lépten-nyomon. „A vállalkozások 96%-a építette már be valamilyen szinten az AI-t a mindennapi folyamataiba és 70%-a ért el jelentős sikereket ezen a területen” – hallhatjuk máshol. Mi magyarázza ezt az ellentmondást? Egyáltalán ellentmondóak-e ezek a kijelentések? Az InterSystems technológián alapuló kórházi rendszerek, intézmények közötti-, regionális- és országos egészségügyi adatcsere platformok több mint egy milliárd ember egészségügyi adatait kezelik. Az AI bevonása a munkafolyamatokba Dél-Amerikától a Távol-Keletig téma. A konkrét betegellátástól a kutatáson át az ágazati irányításig - talán az egyik legfontosabb, de mindenképp a legnépszerűbb téma.

Meggyőződésünk, hogy ebben a közös tanulási folyamatban nem érdemes jó és rossz tapasztalatokról beszélni, csak tapasztalatokról, amelyek- legyenek bár pozitívak vagy negatívak- előre visznek egy olyan jövőbe, ahol valóban képesek leszünk a javunkra fordítani az AI adta lehetőségeket.

Az elmúlt néhány év, ügyfeleinkkel közös tapasztalataiból merítve már most sokat tanultunk és számos tanulságot szűrtünk le arról, hogy merre vezethet ez az út. Mik azok a feltételek, amik ösztönzik és melyek gátolhatják egy-egy projekt sikerét.

Miklós Dezső, Phd (HUN-REN)

Az egészségügyben gyűlő adatok nagyon sokrétűek és a világban hatalmas mennyiség halmozódott fel belőlük. Ezek felhasználását egyrészt szenzitív voltuk, másrészt az ebből fakadó töredezettségüg gátolja. Mégis, sok helyen már évtizedek óta szisztematikusnan építenek ilyen adatbázisokat (pl. UKBiobank https://www.ukbiobank.ac.uk/) melyeket akár kutatási célokra akár piaci alapon lehet igénybe venni. Magyarországon konkrét betegségtípusok esetében az országos gyógyászati intézetek regiszterei használhatók leginkább egyes betegségek adatainak big data, különösen mesterséges intelligencia alapú elemzésére, új típusú összefüggések felfedezésére vagy új tipusú, gépi intelligenciával támogatott orvosi diagnosztika kialakítására. Ezen felül azonban a magyar egészségügy rendkívül gazdag, egységes adatvagyonnal is rendelkezik.
A NEAK több mint másfél évtizedre visszamenőleg gyűjti az ellátási eseményeket, a járó- és fekvőbeteg jelentésektől a vénykiváltásig. Az EESZT 2017 óta rögzíti az egészségügyi dokumentumokat: leleteket, zárójelentéseket, ambuláns lapokat. Együtt ezek teljes képet tudnának adni a magyar betegek egészségügyi életútjáról, a valóság azonban ennél jóval töredezettebb.
A NEAK-nál rendelkezésre álló strukturált adatok finanszírozási logikát követnek, ezért sok fontos klinikai részlet hiányzik belőlük. Az EESZT-ben rögzített dokumentumok pedig nem léteznek strukturált formában, csupán szöveges dokumentumként orvosi-latin kifejezésekkel, amelyek így önmagukban nem elemezhetők: először strukturált adatokat kell kinyerni belőlük ahhoz, hogy a betegéletút követésére és elemzésére alkalmasak legyenek. Ez a kettősség az oka annak, hogy sem az egyéni ellátásban, sem a rendszerirányításban nem áll össze egy magas minőségű betegéletút.
A mesterséges intelligencia rendszerek fejlődésével ma már elérhetővé váltak azok az eszközök, amelyekkel a korábban széttöredezett és elemezhetetlen egészségügyi dokumentumok strukturálhatóvá, összekapcsolhatóvá és hasznosíthatóvá válnak. Így válik a korábban elemzésre alkalmatlan dokumentumtömeg valódi, elemezhető életút-adatbázissá.
Ezzel a betegadatok betegéletúttá szervezhetők, és ezekből az adatokból tudás, utána döntés születhet(ne) az egyéni betegellátás, a klinikai döntéstámogatás, az igazgatási folyamatok és a népegészségügy szintjén egyaránt.