Suomi kehittää mallia digihoitojen korvattavuudelle ja arvioinnille
Suomi kehittää mallia, joka selkeyttäisi digitaalisten terveydenhuollon ratkaisujen käyttöönottoa.
Voiko pelkkä rekisteritieto kertoa meille, mitkä hoidot ovat tehokkaita? Voiko ilman satunnaistettua tutkimusta tietää, ehkäiseekö lääke sydänkohtauksia vai lisääkö se vakavien sivuvaikutusten riskiä? Miten Target Trial Emulation -menetelmää voidaan käyttää?
Target Trial Emulation (TTE) on tutkimusmenetelmä, jonka avulla tutkijat voivat tutkia kausaalisuhteita havainnoivasta aineistosta, kuten potilasrekistereistä tai sähköisistä terveystietokannoista, edellyttäen, että keskeiset oletukset – kuten ei-mittaamaton sekoittava tekijä – täyttyvät. TTE ei korvaa satunnaistettuja kontrolloituja tutkimuksia (RCT), mutta siinä sovelletaan niiden logiikkaa ja tarkkuutta tosielämän tietojen analysointiin.
Medaffconin Sr. Data Scientist Johanna Vikkula tutki aihetta ISPORissa viime syksynä.
”TTE alkaa kysymyksellä: jos kyseessä olisi kliininen tutkimus, miten suunnittelisin tutkimuksen?”. Siitä lähtien voit alkaa hahmotella tutkimuksen vaiheita. Miten löydän oikeat potilaat? Miten määrittelen heidän seuranta-aikansa? Onko olemassa tiettyjä kriteerejä, joiden perusteella potilas pitäisi sulkea tutkimuksen ulkopuolelle?” Vikkula selittää.
TTE:n perustana on, että tutkija suunnittelee havainnointitutkimuksen ikään kuin se olisi satunnaistettu kontrolloitu tutkimus. Analyysin rakenne perustuu hypoteettiseen ”kohdetutkimukseen”. Tähän sisältyy sen määrittely, ketä tutkitaan, mikä on interventio, mikä on vertailukohde, milloin altistuminen alkaa, kuinka kauan seuranta kestää ja mikä on ensisijainen lopputulos. Siinä todetaan myös, tarvitaanko satunnaistamista.
Tätä viitekehystä jäljitellään sitten olemassa olevien tietolähteiden, kuten kansallisten rekisterien tai sähköisten potilastietojen, avulla. Tavoitteena on jäljentää satunnaistetun kontrolloidun tutkimuksen rakenne mahdollisimman tarkasti ja minimoida harha. Jäljittely tarkoittaa satunnaistetun tutkimuksen suunnittelun ja logiikan uudelleenrakentamista havainnoivaan aineistoon perustuen.
Perinteiset havainnoivat tutkimukset voivat olla alttiita useille harhoille. Esimerkiksi:
TTE auttaa erottamaan korrelaation syy-yhteydestä, simuloimaan hoidon vaikutuksia ja tuottamaan vaikuttavuustietoja silloin, kun RCT-tutkimuksia ei ole saatavilla.
Yksi tunnetuimmista ja eniten siteeratuista esimerkeistä Target Trial Emulation -tutkimuksesta on Barbara Dickermanin johtama tutkimus.
”Tutkimuksessa tarkasteltiin statiinien ja syöpäriskin välistä yhteyttä, ja se osoittaa selvästi, miten havainnoiva analyysi voi mennä pieleen ilman satunnaistetun tutkimuksen rakennetta”, Vikkula sanoo.
Aiemmat havainnointitutkimukset olivat viitanneet statiinien suojaavaan vaikutukseen, mutta kliinisissä tutkimuksissa ei havaittu vastaavaa yhteyttä. Sovellettaessa TTE:tä havainnointitutkimuksiin tutkijat osoittivat, että nämä havainnot johtuivat kuolemattomasta aikaharhasta ja muista analyysivirheistä. Kun analyysi rekonstruoitiin ikään kuin kyseessä olisi ollut RCT, suojavaikutus katosi.
TTE:tä voidaan soveltaa myös teollisuuden rahoittamissa tutkimuksissa. Sitä voidaan käyttää:
Tämä artikkeli on kirjoitettu englanniksi ja käännetty tekoälyn avulla suomenkielelle.
Suomi kehittää mallia, joka selkeyttäisi digitaalisten terveydenhuollon ratkaisujen käyttöönottoa.
Ruotsin terveystaloustieteellinen yhdistys (SHEA) järjesti vuotuisen konferenssinsa, joka tarjosi arvokasta tietoa terveystaloustieteen keskeisistä aiheista.
Data-tiimi pitää Medaffconin tutkimushankkeet aikataulussa ja varmistaa, että tutkimustulokset ovat tieteellisesti luotettavia. Tiimin työn ytimessä on potilastietojen käsittely ja analysointi, erityisesti Real-World Evidence (RWE) -tutkimuksissa.
Data Analysis Lead
MSc (Tech.)
+358 44 314 1597
iiro.toppila@medaffcon.com
Iiro aloitti Medaffconilla tilastotieteen asiantuntijatehtävissä maaliskuussa 2017. Ennen tätä hän on toiminut neljä vuotta tutkimusassistenttina akateemisessa tutkimusryhmässä analysoiden kliinistä ja geneettistä potilasdataa. Koulutukseltaan Iiro on bioinformaatioteknologian diplomi-insinööri.
Iiron vahvuuksiin kuuluu tilastotieteen ja data-analyysin vahva tuntemus ja hands-on kokemus sensitiivisen potilasdatan kanssa työskentelystä, sekä poikkitieteellinen kommunikaatio eri alan asiantuntijoiden välillä. Alalla Iiroa kiinnostaa erityisesti teknologian murroksen avaamat suuret datamäärät ja se, kuinka tästä datasta saatavaa tietoa voidaan potentiaalisesti hyödyntää konkreettisten johtopäätösten tekoon, niin sairauksien luonteen ymmärtämiseksi kuin lääketeollisuuden tavoitteiden ja potilaiden hoidon edistämiseksi.
”Koneoppiminen ja tekoälypohjaiset työkalut mullistavat terveydenhuoltoa nyt ja tulevaisuudessa, mutta näitäkin tärkeämpää on saattaa jo olemassa oleva terveysdata tehokkaaseen käyttöön terveyden edistämiseksi.”