Yksilön valinnanvapaus omasta hoidostaan - Big data hyötykäytössä Ilkka Kunnamo Dosentti, yleislääketieteen erikoislääkäri

Transkriptio

1 Yksilön valinnanvapaus omasta hoidostaan - Big data hyötykäytössä Ilkka Kunnamo Dosentti, yleislääketieteen erikoislääkäri Sidonnaisuudet: Kehitän päätöksentukea Kustannus Oy Duodecimin palveluksessa Executive Boardin jäsen, DynaMed Plus STM:n genomikeskustyöryhmän jäsen

2 Teemat Mistä saadaan dataa Big data vai satunnaistetut tutkimukset Terveyshyödyn mittaaminen yksilöllisesti Priorisointi kustannus-vaikuttavuuden perusteella väestö- ja yksilötasolla

3 Anne, 35 v Kolesteroli 6.8 mmol/l Timo, 55 v Kolesteroli 6.8 mmol/l Tavoite: yksilöllinen hoito Andres Rodriguez Dreamstime Stock Photos Alamar Dreamstime Stock Photos

4 Anne, 35 v Kolesteroli 6.8 Statiinilääkitys vähentää Annen suhteellista riskiä saada aivohalvaus tai sydäninfarkti 25 % Timo, 55 v Kolesteroli 6.8 Statiinilääkitys vähentää Timon suhteellista riskiä saada aivohalvaus tai sydäninfarkti 25 % Andres Rodriguez Dreamstime Stock Photos Alamar Dreamstime Stock Photos

5 Aivohalvauksen tai sydäninfarktin absoluuttinen riski arvioidaan 9 tekijän perusteella (USA:n riskilaskuri)

6 Aivohalvauksen riski arvioidaan henkilön tietojen perusteella Vähemmän kuin yksi 140:stä Annen kaltaisesta henkilöstä saisi sydän- tai aivoverisuonitapahtuman 10 vuoden aikana Vähintään 600 Annen kaltaista henkilöä pitää hoitaa statiinilla 10 vuoden ajan yhden tapahtuman välttämiseksi (NNT = 600)

7 Useampi kuin joka toinen Timon kaltaisesta henkilöstä saisi sydän- tai aivoverisuonitapahtuman 10 vuoden aikana Kuusi Timon kaltaista henkilöä pitää hoitaa statiinilla 10 vuoden ajan yhden tapahtuman välttämiseksi (NNT = 6)

8 Mistä data saadaan? Potilastietoj.1 Potilastietoj.2 Terveystaltio2 Terveystaltio1 - Yksi potilas - yksi kertomus Data - Ammattilaisen tallentama - Kansalaisen itsensä tallentama - Automaattisten mittareiden keräämä Laite 1 Laite 2

9 Miten tietojärjestelmä rakentuu? Kanta ja Omakanta Data - Ammattilaisen tallentama - Kansalaisen itsensä tallentama - Automaattisten mittareiden keräämä Sovellukset PTJ 1 Apotti App 1 Datahistoria Kaikkien ihmisten aikaisemmat terveystiedot Oma terveys - sovellus App 2

10 Potilas voi itse kirjata Oirehistoria ja oireiden seuranta Suvun sairaudet Verenpaine, paino, pituus Tupakointi PEF Verensokeri Kivun voimakkuus Toimintakyky PEF, EKG, lukuisat muut mittaukset Ravitsemustiedot Sosioekonominen tieto Subjektiivinen elämänlaatutieto ja tarkistaa Lääkityslista, diagnoosilista, toimenpidelista

11 Puettavat laitteet datan lähteinä

12

13

14 International Consortium for Health Outcomes Measurement

15 Terveyspalvelujen laatu ja toiminnanohjaus Kliininen toiminnanohjaus Vaikuttavuus (näyttö) Turvallisuus Hoidon/hoivan koordinaatio Asiakaskeskeisyys (yksilöllisyys) Tuotannollinen toiminnanohjaus Saatavuus Oikea-aikaisuus Tehokkuus Infrastruktuurin kyvykkyys Yksilö Väestö

16 Potilas paras tiedon raportoija? Kliininen toiminnanohjaus Vaikuttavuus (näyttö) Turvallisuus Hoidon/hoivan koordinaatio Asiakaskeskeisyys (yksilöllisyys) Tuotannollinen toiminnanohjaus Saatavuus Oikea-aikaisuus Tehokkuus Infrastruktuurin kyvykkyys Yksilö Väestö

17 Kuinka monta dataelementtiä on terveydenhuollossa? Tulevaisuudessa: miljoonia (miljardeja?) Nyt: about Nigam Shah (Stanford) 2013

18 GenBank contents: 200 billion = base pairs in August Human genome sequenced Genomidatan määrä alkoi kasvaa luvulla Datan määrä kaksinkertaistuu joka 18. kuukausi

19 Auttaako big data?

20 Karel Moons

21 Karel Moons

22 Reaalidata ja reaalinäyttö Real World Data (RWD) Raakadata joka kertyy automaattisesti tietojärjestelmistä Real World Evidence (RWE) Raakadataan perustuva tutkimusnäyttö

23 Tietokanta, johon on kerätty 18 miljoonan englantilaisen potilaan EMIS-potilaskertomukseen tallennetut anonymisoidut tiedot

24 Qresearchin riskilaskureita, jotka on johdettu potilaskertomusdatasta QRisk QDScore QKidney QIntervention QFracture QThrombosis QCancer QStroke QAdmissions Kardiovaskulaarinen riski Diabetesriski Munuaisten vajaatoiminnan riski Interventioiden vaikutus riskeihin Osteoporoottisen murtuman riski Laskimotukosriski Syöpäriski Aivohalvausriski Sairaalaan joutumisen riski

25 Yli 60 erilaista koneoppimisalgoritmia v. 2017

26 60 mustaa laatikkoa

27 By the end of this year Watson will touch a billion people and be able to address, diagnose, and treat 80 percent of what causes 80 percent of the cancer in the world. Ginny Rommetty, IBM:n pääjohtaja tavattuaan presidentti Donald Trumpin

28 Prediction of In-hospital Mortality in Emergency Department Patients With Sepsis: A Local Big Data-Driven, Machine Learning Approach. Acad Emerg Med Mar;23(3): Koneoppimismalli ennusti kuolemia paremmin kuin muut mallit. Mallin käytön vaikutusta hoitotuloksiin ei ole tutkittu.

29 Päätöksentuki P Potilaan tiedot (diagnoosit, lääkkeet, tutkimustulokset, mittaukset, toimenpiteet, toimintakyky, geenit) Tietämys Big data I C O Interventiot - Itse- ja omahoito - Ammattilaisten antama hoito Tutkimukset Toimenpiteet Terapiat Tuki Tavoiteltu tulos -Terveydentilan muutos -Toimintakyky - Pärjääminen Interventioiden haitat Komponentit - Tiedonkeruu - Valmistelu - Toimenpide - Seuranta Arvot ja valinnat

30 Valinnanvapaus P Potilaan tiedot (diagnoosit, lääkkeet, tutkimustulokset, mittaukset, toimenpiteet, toimintakyky, geenit) Yhdessä päättäminen: shared decisionmaking Tietämys Big data I C O Interventiot - Itse- ja omahoito - Ammattilaisten antama hoito Tutkimukset Toimenpiteet Terapiat Tuki Tavoiteltu tulos -Terveydentilan muutos -Toimintakyky - Pärjääminen Interventioiden haitat Komponentit - Tiedonkeruu - Valmistelu - Toimenpide - Seuranta Arvot ja valinnat

31 Valinnanvapaus Mitä tavoittelen? Millä keinolla pyrin tavoitteeseen? Milloin, miten ja missä asioin? Miltä palveluntuottajalta saan palveluni? Stockmann vai Tokmanni Missä valinnoissa ammattilainen auttaa kansalaista tai potilasta?

32

33 Carean alueella sydäntautiriskiä ennustetaan geenimuunnosta (SNP) analysoimalla

34 RWD, RWE ja tekoäly RWD:n laatu epävarma ja kerääminen toistaiseksi vaikeaa Tiedon luottamuksellisuus vaikeuttaa RWD:n keräämistä Hoitosuositusten tekijät eivät pääse käsiksi RWD-varastoihin, jotka ovat yritysten omaisuutta Ei ole ohjeita tai sopimusta siitä, milloin RWD voi ohittaa satunnaistetuista tutkimuksista saadun tiedon Miten määritetään RWE:n näytön aste ja vähennetään tutkimusharhaa (bias)? Tekoälyn hyödystä potilaille ei ole näyttöä

35 Satunnaistettu tutkimus vai big data - analyysi Jos halutaan varmasti tunnistaa syy-seuraussuhde, kaikki sekoittavat tekijät tulee kontrolloida. Varmasti tämä onnistuu ainoastaan satunnaistetussa tutkimuksessa. Jos reaalidatasta halutaan päätellä, johtiko hoito tiettyyn lopputulokseen, pitää tietää, mihin päätös hoidon antamisesta tai antamatta jättämisestä perustui. Tätä tietoa ei toistaiseksi kirjata minnekään.

36 Parantaako tsidovudiini HIV-positiivisten miesten eloonjäämistä? Kohorttitutkimus Raakadata: vaarasuhde 3.6 (CI ) Kovarianssianalyysi: vaarasuhde 2.3 ( ) Marginal structural Cox model: vaarasuhde 0.7 ( ) joka ottaa huomioon, että CD4-luku vaikuttaa lääkkeen aloitukseen ja lääke vaikuttaa CD4-lukuun

37 Kuka on hyvä tutkija tulevaisuudessa?

38 Kuka on hyvä tutkija tulevaisuudessa? Se joka osaa suunnitella RCT:n joko oikean tai big data aineistossa simuloidun

39 Kuka on hyvä tutkija tulevaisuudessa? Se joka osaa suunnitella RCT:n joko oikean tai big data aineistossa simuloidun Hoitosuositusten pohjana käytetyn RWE:n tulee olla kriittisesti arvioitua

40 Laadukkaiden RCTtutkimusten rahoitus hiipuu RWE hyväksytään kritiikittömästi Seurauksena katastrofeja Kaksi tulevaisuutta?

41 Kaksi tulevaisuutta Laadukkaiden RCTtutkimusten rahoitus hiipuu RWE hyväksytään kritiikittömästi Seurauksena katastrofeja vai RCT:n rooli pysyy keskeisenä Niitä täydentää big data analyysi, joka matkii niitä RCT-tutkimuksia jotka haluaisimme tehdä Hoidon valitsemisen syyt kirjataan rutiinisti Jonathan Sterne

42 Kaksi tulevaisuutta Laadukkaiden RCTtutkimusten rahoitus hiipuu RWE hyväksytään kritiikittömästi Seurauksena katastrofeja Jonathan Sterne vai RCT:n rooli pysyy keskeisenä Niitä täydentää big data analyysi, joka matkii niitä RCT-tutkimuksia jotka haluaisimme tehdä Hoidon valitsemisen syyt kirjataan rutiinisti Laaturekisterit

43 Terveyshyötyarvio (health benefit analysis) 1. Päätöksentukisääntöjen avulla etsitään henkilöitä, jotka hyötyisivät hoidosta (care gap) 2. Arvioidaan yksilöllisesti, kuinka suuri terveyshyöty kustakin interventiosta saataisiin Terveyshyödyllä tarkoitetaan nettohyötyä (= hyödyt haitat) 3. Laitetaan interventiot paremmuusjärjestykseen Saarikan ja Helsingin hanke, jota Sitra tukee

44

45

46

47 Sairaalahoidot vähentyivät 22 % Lumeryhmän potilaan riski joutua sairaalaan 22.5 %

48 Sairaalahoidot vähentyivät 22 % Lumeryhmän potilaan riski joutua sairaalaan 22.5 % Kerrotaan luvut keskenään: 5 % lääkettä saaneista välttää sairaalahoidon

49 Potilaalta kysytään, kuinka tärkeää on välttää tapahtuma Arvioidaa, kuinka kauan tapahtuma kestää

50 Kerrotaan luvut keskenään Potilaalta kysytään, kuinka tärkeää on välttää tapahtuma Arvioidaa, kuinka kauan tapahtuma kestää

51 Kerrotaan vaikutuksen suuruus sen tärkeydellä

52 Vältettävän tapahtuman tärkeys (LTK-toimitus) Kuolema 9.7 Aivohalvaus 9.0 Sydäninfarkti 6.8 Verenvuoto mahalaukusta 6.3 Sairaalassaolo 6.2 Yösärky nivelessä 4.8 Tyypin 2 diabetes 3.3 Huimaus ylös noustessa 2.0 Kuiva suu 1.9 Insuliinin pistäminen 1.9 Päivittäiset ilmavaivat 1.2

53 Interaktiivinen terveyshyötyarvio

54 Big data terveyshyötyarviossa

55 Terveyshyöty väestötasolla

56 Eri interventioiden tuottama terveyshyöty väestössä Interventio Terveysvaikutuksen keskiarvo väestössä (PTB) Interventiosta hyötyvien potilaiden määrä (N) Terveyshyöty väestössä (PTB x N) Intervention hinta Hinta/PTB (kustannusvaikuttavuus) Kaikkien potilaiden hoitamisen hinta (Hinta x N) Tupakkavieroitus Statiini Lonkan tekonivel

57 Value for money -kolmio Hyöty Kolmion pinta-ala kuvaa intervention tuottamaa hyötyä koko väestössä Hoidon hinta Mitä suurempi kolmio, sitä suurempi terveyshyöty väestölle Mitä terävämpi kolmio, sitä kustannus-vaikuttavampi interventio

58 Value for money -kolmio Lisäbonusta terveyserojen pienentämisestä Mitä suurempi kolmio, sitä suurempi terveyshyöty väestölle Mitä terävämpi kolmio, sitä kustannus-vaikuttavampi interventio

59 Value for money -kolmio Hyöty Jokainen potilas sijoitetaan oikeaan kolmioon yksilöllisen hyötymismahdollisuuden perusteella Hoidon hinta Mitä suurempi kolmio, sitä suurempi terveyshyöty väestölle Mitä terävämpi kolmio, sitä kustannus-vaikuttavampi interventio

60 Budjetin raja Laitetaan kolmiot peräkkäin terävyysjärjestyksessä

61

62 NICE:n menetelmät

63 SOTE-kulut Cost-Utility NICE:n menetelmät EQ-5D, QALY PROMs

64 The EQ-5D comprises 5 dimensions of health: mobility ability to self-care ability to undertake usual activities pain and discomfort anxiety and depression. For each of these dimensions it has 3 levels of severity (no problems, some problems, severe problems).

65

66 EQ-5D health states, examples (no problems) (moderate problems on all dimensions) (extreme problems on all dimensions) dead 21111, 12111, 11211, 11121, (mild)

67 mobility, ability to self-care, ability to undertake usual activities, pain and discomfort, and anxiety and depression Tanskalaisten value set väestötutkimuksen peusteella

68 Vältettävän tapahtuman tärkeys vs. utiliteetti Kuolema 9.7 Aivohalvaus 9.0 Sydäninfarkti 6.8 Verenvuoto mahalaukusta 6.3 Sairaalassaolo 6.2 Yösärky nivelessä 4.8 Tyypin 2 diabetes 3.3 Huimaus ylös noustessa 2.0 Kuiva suu 1.9 Insuliinin pistäminen 1.9 Päivittäiset ilmavaivat 1.2 Kysytäänkö kunkin hoidon tuloksen merkitystä suoraan potilaalta? Käytetäänkö väestötasolla mappausta EQ-5L arvojoukkoon, jolloin voitaisiin hyödyntää myös muissa maissa tehtyä työtä?

69 Kiitos! Tämä esitys:

70 Lisää aiheesta Terveyshyötyarvio: Global Evidence Summit 2017: Big data sessio Data_GES_2017_final.pptx.pdf?dl=0 20data%20Cape%20Town%20Sept% pdf?dl=0 erse%20data%20and%20prognosis%20research.pdf?dl=0

71

72 Lääkkeen valinta tulevaisuudessa: päätöksentukisovellus merkitsee listaan automaattisesti diagnoosin ja muiden potilastietojen perusteella lääkkeet jotka ovat jo potilaan käytössä jotka ovat vasta-aiheisia munuaisten vajaatoiminnan takia jotka ovat aikaisemmin aiheuttaneet potilaalle haittavaikutuksen joilla on merkittävä interaktio potilaan jo käyttämän lääkkeen kanssa jotka eivät sovellu poikkeavan laboratoriotuloksen takia jotka ovat vasta-aiheisia vaikean maksan vajaatoiminnan takia joita ei suositella potilaan iän takia jotka eivät sovi siksi, että potilas on raskaana tai imettää jotka eivät sovi potilaalle farmakogeneettisistä syistä jotka merkittävästi lisäävät kokonaislääkityksen haittavaikutusriskiä joiden odotettavissa oleva hyöty on vähäinen tai odotettavissa olevat haitat ovat hyötyyn nähden merkittävät Työkalu auttaa valitsemaan lääkkeitä, jotka sopivat potilaalle parhaiten.

73 Lisäelementtejä: Ensisijaisuus/toissijaisuus (Käypä hoito) Nettohyöty lääkkeen käytöstä

74 Tulevaisuuden oppiva terveydenhuoltojärjestelmä Jokainen tietoalkio potilaskertomuksessa ja terveystaltiossa kerryttää lääketieteellistä tietämystä ja tulee osaksi ennustetyökalua. Jokainen toimintojen sarja sähköisessä potilaskertomuksessa ja potilaan polku auttaa ymmärtämään työnkulkuja ja löytämään oikoteitä

75 Paljon päätettävää ja muistettavaa Tarvitaanko hoitoa? Mikä hoito olisi potilaalle paras? Miten hoitoon pitää valmistautua? Mitä hoidossa pitää ottaa huomioon? Miten hoidon tehoa ja turvallisuutta seurataan? Miten otamme jatkossa huomioon potilaan kokonaisuuden eri tilanteissa? Mitä mieltä potilas on? 75 Jonna Salonen

76 NICE:n arviointimenetelmät er/the-reference-case

77 Mitkä kustannukset huomioidaan NICE ei huomio tuottavuuden menetyksestä koituvia kuluja tai tuottavuuden lisääntymisestä johtuvia säästöjä Muissa kuin SOTE-palveluissa syntyneet tai säästyneet kustannukset raportoidaan erikseen (esim. rikollisuuden väheneminen huumeiden käyttäjien hoidon ansiosta)

78 Incremental cost-effectiveness ratio (ICER) The ratio of the difference in the mean costs of a technology compared with the next best alternative to the differences in the mean outcomes.

79 Time horizon A time horizon shorter than a patient's lifetime could be justified if there is no differential mortality effect between treatment options, and the differences in costs and health-related quality of life relate to a relatively short period (for example, in the case of an acute infection which has no long term sequelae).

80 Indirect comparisons and network meta-analyses Data from head-to-head RCTs should be presented in the reference-case analysis. When technologies are being compared that have not been evaluated within a single RCT, data from a series of pairwise head-tohead RCTs should be presented together with a network meta-analysis if appropriate. The network meta-analysis must be fully described and presented as additional to the reference-case analysis.

81 Measuring and valuing health effects The measurement of changes in healthrelated quality of life should be reported directly from patients and the utility of these changes should be based on public preferences using a choice-based method. The EQ-5D is the preferred measure of healthrelated quality of life in adults.

82 In calculating QALYs, each of the health states experienced within the time horizon of the model is given a utility reflecting the healthrelated quality of life associated with that health state. The duration of time spent in each health state is multiplied by the utility.

83 Deriving the utility for a particular health state usually comprises 2 elements: measuring health-related quality of life in people who are in the relevant health state and valuing it according to preferences for that health state relative to other states (usually perfect health and death).

84 The valuation of health-related quality of life measured in patients (or by their carers) should be based on a valuation of public preferences from a representative sample of the UK population using a choice-based method. This valuation leads to the calculation of utility values.

85 The EQ-5D comprises 5 dimensions of health: mobility, ability to self-care, ability to undertake usual activities, pain and discomfort, and anxiety and depression. For each of these dimensions it has 3 levels of severity (no problems, some problems, severe problems).

86 The system has been designed so that people can describe their own health-related quality of life using a standardised descriptive system. A set of preference values elicited from a large UK population study using a choice-based method of valuation (the time tradeoff method) is available for the EQ-5D health state descriptions.

87 EQ-5D health states (i.e. no problems), (i.e. moderate problems on all dimensions), (i.e. extreme problems on all dimensions) and dead two out of 5 mild EQ-5D health states: 21111, 12111, 11211, 11121, other health states (used in earlier EQ-5D studies) of varying severity

88 NICE policy statement /what-we-do/nice-guidance/nice-technologyappraisalguidance/eq5d5l_nice_position_statement.pdf

89

90 Tieto on potilaalla ja lääkärillä joilla on pääsy arvioituun tietämykseen Tarvitaan Käypä hoito säännöt tekoälyn käyttöön

91

92

93 Coronary disease risk reduction according to genetic risk Mega et al. Lancet 2015;385:

94 Triple aim Vaikuttavuus Asiakastyytyväisyys Kustannusten hallinta

95 Triple aim Vaikuttavuus Asiakastyytyväisyys Kustannusten hallinta

96 Quadruple aim

97 Turvallinen tiedonvälityskanava Palveluväylä Tietämyksen integroiva palvelu Data - Ammattilaisen tallentama - Kansalaisen itsensä tallentama - Automaattisten mittareiden keräämä Anonymisointi Datahistoria - Ammattilaisen tallentama - Kansalaisen itsensä tallentama - Automaattisten mittareiden keräämä PTJ 1 App 1 App 2 Oma terveys PTJ 2 Tietämysvaranto 1 - Käypä hoito - Hoitoketjut - Toiminnanohjaus - Genomitieto Tietämysvaranto 2 - IBM Watson Kaikkien aiempien potilaiden tietojen analysointi