肿瘤治疗的发展快速增长在过去的二十年。活性化合物在临床开发三倍的数量在1998年至2018年之间,几乎翻了一番,仅仅在过去的十年里,有超过1600种化合物报道今天》期临床趋势数据。
同时,前所未有的数据量正在生成,存储,分析和在医疗消费。这些数据是来自各种来源,包括病人、提供者、制药公司和纳税人。超过1300万的电子医疗记录(电子病历)存在癌症患者仅在美国。
此外,全球下一代测序市场预计将从2017年到2022年每年增长21%。尤其是癌症生物标志物市场在2022年预计将达到约200亿美元从2017年的约110亿美元,由降低测序成本,增加诊断的生物标志物在肿瘤中的应用,one-test-one-patient范式转变。
在这种环境下,数据用于肿瘤学爆炸在所有维度。一半的卫生技术评估药物提交(hta)现在使用真实世界的证据(RWE),付款人花在数据和分析近年来每年增长20%,现在已经出现了几种新的肿瘤数据聚合器和支持主要的风险投资家和与大型制药公司。在一个例子中,大型医疗技术公司已经开发出基于云计算平台在肿瘤学信息学协助治疗决策,促进指南依从性。同时,选择已诊断公司建立了与顶尖生物制药公司合作开发决策支持系统,包括仪表板肿瘤护理团队联合体内和体外诊断一致的治疗决策。
此外,像液体活检技术允许微创,重复测试的补充治疗周期组织活检。最终,这些技术可能允许为高危患者筛查和早期检测生物标志物。最近批准的biomarker-based indication-agnostic治疗和液体活检的同伴在肿瘤诊断——例如,美国食品和药物管理局(FDA)批准了表皮生长因子受体(EGFR)检测测试——精密医学的里程碑。进一步检测可衡量的残留病(MRD)允许更大的敏感性评估对治疗的反应,检测复发,可以加速决策。
最后,还有一个大持续努力聚合数据并生成见解通过创造更大、更全面和纵向数据集的肿瘤患者。一些肿瘤分析合作伙伴已经演示个人努力在基因组数据或临床数据可以结合生成有价值的见解。同时,大型供应商系统和学术机构发展聚合数据的位置,患者同意。
在所有肿瘤的活动——从临床开发数据聚合——令人眼花缭乱的治疗方案和途径。加剧了这些技术的成本上升,一个引人注目的机会出现系统和机器健壮且成熟的和可以帮助医疗专业人员解开肿瘤保健日益增长的复杂性。
在癌症治疗的新兴的挑战
immuno-oncology复杂性的增加(IO),更大的癌症,分层扩散的生物标记将使医生无法跟上,优化临床决策越来越困难。IO前所未有的多样性是一个实验,规模和复杂性。例如,许多公司赞助试验PD - 1(左)或CTLA-4每年增长70%在2011年到2018年之间和每月的多样性主要肿瘤迹象仍然很高,约43%的主要肿瘤类型有每个月新军团。
两个因素正在推动复杂性的增加病人特异性生物标志物信息:基因的开关面板和还款的逐渐减少的挑战。虽然同伴诊断,指导治疗决策直接保持最频繁使用的生物标志物的一代,新的重点放在基因板而不是单一的生物标志物特征,使用基因板83%的肿瘤学家。付款人的报道同伴诊断预计将扩大和推动生物标志物增长,量化病人反应,产生更大的机会在一个multiple-mutation上下文。的确,同伴诊断已经比较普遍,尽管困难报销环境:只有38%的管理式医疗机构(mco)封面fda批准的同伴诊断。
综上所述,这些因素会引发雪崩医生的数据。但即使作为医生生物标志物的复杂性变得无法抗拒,肿瘤学家仍在积极寻求新颖的治疗机会。例如,在最近的一项调查,50%的肿瘤专家说他们会追求超出标签用法匹配的治疗病人的生物标志物的结果,例如EGFR突变。
数据在最优决策非流动性增加了困难。虽然肿瘤学实践使用电子病历的97%,只有10%的实践EMR的互操作性与医院在2018年,从2016年的三分之一。差距产生的挑战实现学习算法最好的照顾。此外,肿瘤学家越来越开放的自动分析,约三分之一使用physician-decision (PDS)工具的支持。仍然报告显示肿瘤学家仍从临床分离的流动信息,只有不到四分之一的肿瘤学家使用PDS工具报告访问PDS系统集成的电子病历。
没有EMR集成,肿瘤学家所面临的挑战是限制进一步采用PDS的工具。小说集成允许PDS工具来检测临床信号使用机器学习和改善预测,肿瘤学家的好处极大的期望。还使PDS应用程序的集成来帮助肿瘤学家预期想象的结果。在隔离,分析只能提供静态的结果是有限的主要临床试验数据与长期需要把莱茵集团中。最后,集成可以帮助解决数据质量问题困扰PDS的工具。没有它,病人数据必须经常重复输入,增加了负担和增加数据输入的机会和临床实践错误和责任的风险。
实践也面临病人转移渠道,与年轻的肿瘤学家选择在线病人门户网站和旧依赖电子邮件。随着门户使用越来越普遍,这些在线渠道将成为一个丰富的病人响应数据,补充电子病历。门户网站是特别适合大规模数据分析和学习算法。
这财富不断增长的信息创建以证据为基础的治疗方案提供了新的机会。例如,电池板产生额外的基因分型结果数据分析将有助于探索理解疾病的机制。与EMR的集成和通信门户定义机器学习方法来预测病人的反应。和patient-provider通信将丰富的生物和临床数据需要实时了解病人的结果。
当然,自动决策支持分析工具带来挑战和机遇。PDS工具不能被解释为建议治疗课程没有得到FDA的支持。另一方面,显然连接可用的治疗选项和生物标志物的结果扩展了拯救生命的治疗选项使用临床科学和监管提交迎头赶上。
教学机器学习肿瘤学家
数据驱动的决策可以改善肿瘤患者的治疗结果,并提供这些好处迅速广泛的肿瘤社会应一起工作。四个特殊的措施可能是非常强大的。
适当地使用生物标记数据和透明的
生物标志物在肿瘤研究和发展的前沿,有望成为该领域的必要。结合生物标志物与临床信息数据在电子病历将识别复杂的基因签名与病人的反应。最终,增大样本量会产生阶段IV-quality数据并使算法训练在病人护理环境,结果,可以提交给监管机构和纳税人。
严格,然而实际的方法和实践需要定义和规范收集、分析和报告真实的生物标记数据。今天,许多RWE严格回顾性分析和观察,这两个是有问题的。此外,任何建议的决策必须容易健壮的分析方法确认数据消除偏见,为质量控制,允许适当的整合不同数据源的数据。此外,病人数据收集、存储和使用必须符合越来越严格的数据隐私法,如健康保险流通与责任法案(HIPAA)在美国和欧盟数据保护监管(GDPR)。
集成肿瘤学EMR的决策支持
一系列的功能需要建立一个广泛的分析平台,集成了肿瘤学决策支持与电子病历,至关重要的是实时数据摄入。临床数据必须审查通过国际Health Level 7 (HL7)兼容的接口和EMR-specific应用程序。整合将减少或消除冗余数据条目并为决策提供最新的信息和知识。
目前,一些新兴的快速医疗资源的互操作性(FHIR)启用工具链接到电子病历。华盛顿大学和范德比尔特大学的研究人员,其中,设计应用基因组信息实时可视化,使用FHIR标准与电子病历的数据接口。早期的工具已经可以比较病人的基因组和成千上万的其他病人的分布与外部数据库的链接。
肿瘤学家还将要求见解EMR直观地通过有效的可视化显示。能够想象某种治疗患者的临床结果基于临床试验RWE数据的极大兴趣,分别有74%和73%的肿瘤学家评级两个特性是非常重要的。这不仅可以使清晰的解释结果,同时最小化中断工作流程,避免“单击疲劳”,肿瘤学家处理大量的信息在他们的屏幕上。
从patient-provider提取有意义的数据通信
门户可以强大的数据工具与physician-decision支持算法。然而类似于EMR数据,数据从门户需要之间的接口通信和PDS。此外,精心设计的自然语言处理(NLP)工具需要从对话中提取有意义的数据。一旦成功,一系列丰富的数据是可用的,包括方案的改变,药物治疗依从性,病人接触,不利影响,定性的治疗中获益。
链接数据驱动系统post-approval监控和支付报销
决策支持系统与EMR不仅应该支持医疗决策,而且跟踪批量生产的疗法的疗效和安全性在现实世界中。新产品介绍越来越复杂,从更加多样化的使用模式对患者和提供者通过drug-device先进涂层材料组合。在过去的两年里,多个研究质疑疗法的长期影响现实世界的生活质量和生存的结果。药物通过FDA和欧洲药品局被证明没有后续一旦批准。这些研究有明显的局限性,但强调有必要继续监测药物的批准。
此外,穆迪可以链接报销流程在肿瘤指标跟踪由数据驱动的系统。这将允许mco管理成本在扩散的治疗方案对许多迹象没有明确的领袖。例如,大约60%的预计haematology-oncology增长将来自类高或中等程度的互换性。决策支持解决方案也可以与质量改进项目,记录反应疗法,包括病人的依从性,适当的药物利用率和支持医疗有效性数据和信息集合(海迪)的美国国家委员会的质量保证(NCQA)——增强敏感性和准确性。
拥抱这些措施将开启一个新时代在病人的结果,使肿瘤学家有效分析和部署越来越丰富的疗法,在突破癌症治疗技术和数据。
可应要求提供参考。
