Laut McCurdy ist ein weiterer Vorteil der Verwendung von Cloud-Technologie die Möglichkeit, Daten zu analysieren und Silos aufzubrechen, wodurch es einfacher wird, KI und ML zur Bewältigung von Interoperabilitätsherausforderungen einzusetzen.
Zu den üblichen Herausforderungen gehört die lokale Speicherung großer Datenmengen von Forschungsgeräten wie Mikroskopen und Spektrometern, was eine Barriere für die sichere Archivierung, Verarbeitung und gemeinsame Nutzung von Daten schafft, sagt McCurdy. Zusätzlich zu diesen Daten gab es in den letzten Jahren einen Zufluss von Daten von Sensoren, Mobilgeräten und medizinischen Geräten. Die Bewältigung dieser Herausforderungen hat das Potenzial, die Präzisionsmedizin voranzubringen und die Behandlungsergebnisse für Patienten zu verbessern.
„Die meisten Gesundheitsdaten sind häufig unvollständig und widersprüchlich. Sie sind oft unstrukturiert und werden in unterschiedlichen Formaten wie klinische Notizen, Laborberichte, Versicherungsansprüche, medizinische Bilder, aufgezeichnete Gespräche und Zeitreihendaten gespeichert. Dies macht es für Unternehmen zu einer unglaublichen Herausforderung, Informationen zu verarbeiten, zu extrahieren und in großem Umfang zu analysieren“, sagt er. „In den nächsten zehn Jahren wird die Auswertung all dieser Daten die größte Chance bieten, die Pflege zu verändern. Diese Transformation wird jedoch in erster Linie davon abhängen, dass die Daten zur richtigen Zeit dorthin fließen, wo sie benötigt werden, und gleichzeitig auf eine Weise verarbeitet werden, die sicher ist und die privaten Informationen der Patienten schützt.“
Cloud Computing und ML-Modelle können Organisationen im Gesundheitswesen dabei helfen, Datensilos aufzubrechen und Informationen so aufzubereiten, dass sie genau, relevant und umsetzbar sind. Dadurch können sich Unternehmen auf die Patientenversorgung konzentrieren, während die Cloud-Technologie die Daten automatisch für sie normalisiert, indiziert, strukturiert und analysiert, sagt McCurdy.
„Heute sehen wir eine Welle von Gesundheitsorganisationen, die in die Cloud wechseln, was es Forschern ermöglicht, Forschungs- und Entwicklungsdaten mit Informationen aus der gesamten Wertschöpfungskette zu aggregieren und zu harmonisieren und gleichzeitig von Rechen- und Speicheroptionen zu profitieren, die kostengünstiger sind als On-Premises-Infrastruktur“, sagt er. „Cloud-basiertes Hyperscale-Computing und ML ermöglichen es Unternehmen, über Datensätze hinweg zusammenzuarbeiten, globale Infrastrukturen zu erstellen und zu nutzen, um die Datenintegrität zu wahren, und ML-basierte Analysen einfacher durchzuführen, um Entdeckungen zu beschleunigen und Kandidaten schneller von Risiken zu befreien.“
ERKUNDEN: Wie CDW Gesundheitssystemen helfen kann, die datengesteuerte Entscheidungsfindung mit Analysen zu verbessern.
Wie beschleunigt Evidenz aus der Praxis klinische Studien?
Laut der US-amerikanischen Food and Drug Administration verwenden Entwickler von Medizinprodukten reale Daten und Beweise, um klinische Studien und Beobachtungsstudien mit dem Ziel zu entwerfen, neue Behandlungsansätze zu entwickeln. RWE kann auch verwendet werden, um die Sicherheit nach dem Inverkehrbringen und unerwünschte Ereignisse zu überwachen.
RWD kann während des gesamten klinischen Studienprozesses einen Mehrwert schaffen, indem es die Effizienz steigert und die Markteinführungszeit für potenziell lebensrettende Behandlungen verkürzt.
„Diese Kunden sehen Vorteile in allen Phasen des klinischen Studienprozesses, darunter kürzere Zeitpläne für die Arzneimittelentwicklung, vereinfachte regulatorische Komplexität und ganzheitlichere Patientenansichten für bessere Einblicke“, sagt McCurdy. „Bei der Arzneimittelforschung deckt die Analyse von RWD wichtige Informationen über die Leistung und Sicherheit von Arzneimitteln auf, sodass sie eine wichtige Rückkopplungsschleife für die Forschungs- und Entwicklungsteams der Arzneimittelentwicklung darstellt. Dasselbe gilt nach der Zulassung, wo RWD verwendet wird, um die Branchenkonformität sicherzustellen und unerwünschte Ereignisse zu identifizieren.“
Laut Eagle sind klinische Studien eine Stichprobe von Daten aus der realen Welt, die viele Unterschiede kontrollieren, um die Auswirkungen einer Variablen zu bewerten. RWD kann klinische Studien nicht ersetzen, aber es kann die Fähigkeit der Forscher beschleunigen, in einer Studie die richtigen Fragen zu stellen. Sie können sich den realen Beweisen zuwenden, um festzustellen, was passiert, und die Schritte unternehmen, um festzustellen, warum.
Dieser potenzielle Forschungsansatz kann diese Bestimmungen nur ermöglichen, wenn die Datensätze die richtige Art von Informationen enthalten.
„Mein größter Tipp für den Aufbau und die Einführung von Beweisen aus der realen Welt ist, die Datenbank zu finden, die die zu analysierenden Parameter oder Variablen abdeckt, anstatt eine Datenbank aufzubauen und dann später zu erkennen, dass den Datensätzen wichtige Daten fehlen“, sagt Eagle .
MEHR VON HEALTHTECH: Wie erschließt die Hybrid Cloud die Leistungsfähigkeit des klinischen Datenmanagements?
Wie sieht die Zukunft von Real-World-Daten im Gesundheitswesen aus?
Mit Investitionen in KI und ML erleben die Gesundheits- und Biowissenschaftsbranche jetzt die Demokratisierung der Genomik, und „Multi-Omics“ wird zur neuen Norm für ein besseres Verständnis des Körpers, wie er reagiert und wie man ihn am besten behandelt, anstatt ihn zu behandeln Krankheit oder Bevölkerung, sagt McCurdy.
Er fügt hinzu, dass Gesundheitsorganisationen durch den Einsatz von Cloud-Technologien und Verarbeitung natürlicher Sprache ML mit Dateninteroperabilität koppeln können, um neue Wege zur Verbesserung der Patientenversorgung, zur Verbesserung der Ergebnisse und zur Rettung von Leben aufzudecken und gleichzeitig die betriebliche Effizienz zu steigern, um die Gesamtkosten der Versorgung zu senken.
Da sich der Bereich der Datenanalyse und KI im Gesundheitswesen weiterentwickelt, wird laut Eagle die Möglichkeit, auf Daten und Analysen in Echtzeit oder nahezu in Echtzeit zuzugreifen, zunehmen, wodurch die Branche agiler wird.
