La recherche menée par la Washington University School of Medicine à St. Louis a démontré que l’analyse des données synthétiques générées à partir de vrais patients COVID-19 reproduit avec précision les résultats des mêmes analyses menées sur les données réelles des patients. L’École de médecine a été un chef de file national dans le déploiement et l’évaluation de la technologie pour la production de données synthétiques, ce qui est essentiel pour les collaborations de partage de données à travers le pays.
Tout en soignant les patients atteints de COVID-19, les professionnels de la santé de tout le pays ont amassé un trésor d’informations sur le SRAS-CoV-2, ses variantes évolutives telles que le delta et l’omicron, et leurs effets sur le corps humain et la santé publique. Ces données, recueillies dans les dossiers médicaux électroniques des patients, sont essentielles pour comprendre le virus et développer des traitements. Mais les données nationales des dossiers médicaux ont été difficiles à obtenir pour les chercheurs car des processus importants qui garantissent la confidentialité des patients ralentissent également l’accès aux données.
Une initiative financée par le National Center for Advancing Translational Sciences des National Institutes of Health (NIH) et codirigée par la Washington University School of Medicine à St. Louis a exploité les outils du big data et du calcul avancé pour fournir aux chercheurs des quantités massives de données synthétiques – calquées sur des données réelles de patients – qui sont essentielles pour comprendre COVID-19 tout en garantissant la protection de la vie privée et de la confidentialité des patients.
La Washington University School of Medicine, qui fait également partie du Center for Data to Health et du National COVID Cohort Collaborative (N3C), a été un chef de file national dans le déploiement et l’évaluation de la technologie pour la production de données synthétiques, ce qui est essentiel pour les collaborations de partage de données. à travers le pays.
La création de données synthétiques est la spécialité de MDClone, une société d’informatique de santé qui a travaillé avec l’Université de Washington et d’autres centres médicaux universitaires pour aider à rendre les données synthétiques plus largement accessibles aux chercheurs. Les données synthétiques sont générées artificiellement, informées par les données réelles des patients, mais ne sont pas directement dérivées des dossiers individuels, ce qui réduit considérablement le risque que ces données puissent être utilisées pour identifier ces personnes. Au lieu des méthodes traditionnelles de dissimulation de l’identité des patients dans les ensembles de données – telles que la suppression des noms, des dates de naissance et d’autres informations d’identification – la génération de données synthétiques implique la production d’un nouvel ensemble de patients simulés qui, dans l’ensemble, recréent les caractéristiques statistiques de les vrais patients, comme les mesures de la tension artérielle, de l’indice de masse corporelle et de la fonction rénale. L’identité et la vie privée des patients réels sont protégées car les patients simulés n’ont pas de contreparties directes dans les données réelles.
Les recherches publiées dans deux études menées par la Washington University School of Medicine ont démontré que l’analyse des données synthétiques générées à partir de vrais patients COVID-19 reproduit avec précision les résultats des mêmes analyses menées sur les données réelles des patients. De plus, non seulement les données synthétiques reflètent avec précision les caractéristiques des patients à grande échelle, mais les ensembles de données synthétiques recréent avec précision la propagation et l’impact de la pandémie dans le temps et dans des zones géographiques densément testées, permettant des enquêtes sur la propagation et l’impact du virus sur une population. niveau.
Une étude est publiée dans le Journal de l’American Medical Informatics Association. La deuxième étude est disponible en ligne dans le Journal of Medical Internet Research.
Nous avons montré que nous pouvons construire des prédictions sophistiquées de ce qui va se passer dans une population atteinte d’une maladie comme le COVID-19. Il est essentiel que nous protégions les droits des patients à la vie privée et à la confidentialité tout en répondant à la menace posée par la COVID-19 en temps opportun. Aucune institution ne peut à elle seule répondre à ces besoins. Grâce aux capacités uniques offertes par l’utilisation de données synthétiques, nous accélérons nos efforts pour diagnostiquer, traiter et, peut-être le plus important, prévenir cette maladie tout en démontrant comment nous pouvons répondre plus efficacement aux futures urgences de santé publique.
Philip Payne, PhD, co-auteur et chercheur principal, professeur Janet et Bernard Becker, scientifique en chef des données et directeur de l’Institute for Informatics de l’Université de Washington
L’utilisation de données synthétiques réduit les barrières réglementaires qui empêchent généralement le partage et l’intégration généralisés des données des patients dans plusieurs organisations. La possibilité de partager des données synthétiques sur les patients permet aux chercheurs d’analyser de grandes quantités de données provenant de tout le pays plutôt que de se limiter aux données de leurs établissements individuels. Les chercheurs du monde entier pouvaient demander l’accès aux données synthétiques d’une institution pour mener leurs propres études. Cette capacité augmente l’échelle et l’efficacité de ces recherches tout en réduisant les biais potentiels dans les résultats qui en découlent.
À ce jour, l’ensemble de données synthétiques N3C comprend des données provenant de 72 établissements à travers le pays et contient des dossiers représentant 13 millions de patients. Parmi ceux-ci, environ 5 millions de patients ont eu un test COVID-19 positif. Avec les ensembles de données synthétiques massifs générés à partir de cette ressource, les chercheurs peuvent rechercher des modèles dans les données qui n’émergeraient pas avec des échantillons de plus petite taille. À l’aide d’outils informatiques et de science des données de pointe, tels que la reconnaissance des formes et les techniques d’apprentissage automatique, les données pourraient identifier les critères qui prédisent quels patients sont les plus à risque d’avoir besoin de soins intensifs ou de ventilateurs. Cela pourrait également aider à identifier les modèles de stratégies de traitement pour voir si les médicaments qu’un patient COVID-19 prend déjà pour une condition différente – disons un anticoagulant pour les maladies cardiaques – pourraient être protecteurs ou nocifs par rapport aux patients ne prenant pas ce médicament.
Le premier article a démontré que les données synthétiques reproduisaient fidèlement la démographie et les caractéristiques cliniques des patients dans l’ensemble de données N3C initial. Des données synthétiques pourraient également être utilisées pour prédire avec précision le risque d’admission ou de réadmission à l’hôpital pour les patients diagnostiqués avec COVID-19. En outre, les courbes épidémiques au niveau de la population, telles que le nombre de cas par jour, le nombre d’hospitalisations et de décès par jour et les moyennes mobiles sur sept jours des cas positifs sur des périodes spécifiques ont également été reproduites avec précision par les données synthétiques. Le deuxième article comprenait une analyse plus approfondie des courbes épidémiques dans des sous-ensembles de populations vivant dans des codes postaux spécifiques. Dans ce cas également, l’ensemble de données synthétiques imitait avec précision la propagation de la pandémie dans différentes régions géographiques tant que ces régions étaient densément testées pour le COVID-19. Les analyses du deuxième article utilisant des échantillons ou des populations de petite taille étaient moins capables de reproduire les résultats dans l’ensemble de données réel.
« Pouvoir examiner des codes postaux spécifiques est extrêmement important pour analyser une pandémie, car les déterminants sociaux de la santé varient selon l’endroit où vit un patient », a déclaré Adam Wilcox, PhD, professeur de médecine et auteur principal des deux études. « Nous savons que les déterminants sociaux de la santé – tels que l’accès aux soins de santé, l’éducation et la stabilité économique – sont liés à la transmission et aux résultats de la COVID-19. Cette analyse montre que nous pouvons utiliser des données synthétiques pour étudier différentes dynamiques d’une pandémie, y compris comment la pandémie change au fil du temps et à travers la zone géographique. Ces articles représentent une enquête vraiment approfondie sur les capacités des données synthétiques pour la modélisation de la pandémie.
Selon les chercheurs, les données synthétiques sont les meilleures pour représenter ce qui se passe au niveau d’une large population, mais ne sont pas aussi bonnes pour analyser les valeurs aberrantes. Les valeurs aberrantes impliquant un petit nombre de patients présentant des combinaisons de caractéristiques rares ou des situations dans lesquelles une région géographique contient très peu de personnes, comme dans les codes postaux ruraux, sont intentionnellement exclues des ensembles de données synthétiques afin de protéger davantage la vie privée des personnes pouvant appartenir à ces catégories. Cependant, en général, il est difficile pour les analyses de données d’être représentatives lorsqu’on examine de petits nombres, ce défi n’est donc pas unique aux données synthétiques.
« Nous continuons à tester les limites de ce que nous pouvons faire avec des données synthétiques, afin de comprendre les meilleures utilisations de ce type de données et également les situations dans lesquelles nous devons revenir aux données d’origine », a déclaré Randi Foraker, PhD, professeur de médecine et premier auteur de la deuxième étude et co-auteur de la première étude. « Il existe des situations où les données synthétiques peuvent ne pas être aussi précises que les données d’origine, et nous devons savoir quelles sont celles-ci pour pouvoir sélectionner les meilleures méthodes possibles pour analyser un ensemble de données particulier. »
À grande échelle, les chercheurs ont déclaré que les données permettent de prédire les futurs points chauds de COVID-19, afin que ces zones puissent se préparer et potentiellement éviter un scénario du pire. Les systèmes de données synthétiques actuellement en place aideront également les chercheurs à réagir plus rapidement à une future pandémie. Payne le compare aux prévisions météorologiques.
« Nous essayons de construire l’équivalent de la trajectoire des ouragans pour les pandémies, en utilisant de grandes quantités de données », a déclaré Payne. « Lorsque les prévisions météorologiques fonctionnent, c’est parce qu’ils ont beaucoup de données antérieures à tirer, et ils sont capables de les appliquer à ce qu’ils observent maintenant. Ensuite, ils créent une variété de modèles différents prédisant des scénarios futurs – dans ce cas. , les chemins potentiels de l’ouragan – et les probabilités de chacun. Nous construisons des outils pour faire exactement la même chose mais pour les pandémies de maladies infectieuses.
