stringtranslate.com

Наблюдение за общественным здоровьем

По определению Всемирной организации здравоохранения (ВОЗ), надзор за общественным здоровьем (также эпидемиологический надзор , клинический надзор или синдромный надзор ) — это «непрерывный, систематический сбор, анализ и интерпретация данных, связанных со здоровьем, необходимых для планирования, внедрения и оценки практики общественного здравоохранения ». [1] Надзор за общественным здоровьем может использоваться для отслеживания возникающих проблем, связанных со здоровьем, на ранней стадии и своевременного поиска активных решений. [1] Системы надзора обычно призваны предоставлять информацию о том, когда и где возникают проблемы со здоровьем и кто ими затронут. [2]

Системы наблюдения за общественным здоровьем могут быть пассивными или активными. Пассивная система наблюдения состоит из регулярной, непрерывной отчетности о заболеваниях и состояниях всеми медицинскими учреждениями на данной территории. Активная система наблюдения - это система, в которой медицинские учреждения посещаются, а поставщики медицинских услуг и медицинские записи проверяются с целью выявления конкретного заболевания или состояния. [3] Пассивные системы наблюдения требуют меньше времени и менее дороги в эксплуатации, но при этом существует риск недоучета некоторых заболеваний. Активные системы наблюдения наиболее подходят для эпидемий или случаев, когда заболевание нацелено на ликвидацию. [3]

Методы наблюдения за общественным здоровьем использовались, в частности, для изучения инфекционных заболеваний . Многие крупные учреждения, такие как ВОЗ и Центры по контролю и профилактике заболеваний (CDC), создали базы данных и современные компьютерные системы ( информатика общественного здравоохранения ), которые могут отслеживать и контролировать возникающие вспышки заболеваний, таких как грипп , атипичная пневмония , ВИЧ и даже биотерроризм , такой как атаки сибирской язвы в Соединенных Штатах в 2001 году. [ требуется ссылка ]

Во многих регионах и странах есть свой собственный регистр онкологических заболеваний , который отслеживает заболеваемость раком, чтобы определить распространенность и возможные причины этих заболеваний. [4]

Другие заболевания, такие как одноразовые события, такие как инсульт , и хронические состояния, такие как диабет , а также социальные проблемы, такие как домашнее насилие, все чаще включаются в эпидемиологические базы данных, называемые реестрами заболеваний. Анализ затрат и выгод проводится в отношении этих реестров, чтобы определить государственное финансирование исследований и профилактики.

Системы, которые могут автоматизировать процесс выявления побочных эффектов лекарств, в настоящее время используются и сравниваются с традиционными письменными отчетами о таких событиях. [5] Эти системы пересекаются с областью медицинской информатики и быстро принимаются больницами и одобряются учреждениями, которые контролируют поставщиков медицинских услуг (например, JCAHO в Соединенных Штатах). Вопросы, касающиеся улучшения здравоохранения, развиваются вокруг наблюдения за ошибками в приеме лекарств в учреждениях. [6]

Синдромное наблюдение

Синдромный надзор — это анализ медицинских данных для обнаружения или прогнозирования вспышек заболеваний . Согласно определению CDC, «термин «синдромный надзор» применяется к надзору с использованием данных, связанных со здоровьем, которые предшествуют диагностике и сигнализируют о достаточной вероятности случая или вспышки, чтобы оправдать дальнейшие ответные меры общественного здравоохранения. Хотя исторически синдромный надзор использовался для целевого расследования потенциальных случаев, его полезность для обнаружения вспышек, связанных с биотерроризмом , все чаще изучается должностными лицами общественного здравоохранения». [7]

Первые признаки вспышки заболевания или биотеррористической атаки могут не совпадать с окончательным диагнозом врача или лаборатории. [8]

Если взять в качестве примера обычную вспышку гриппа , то после того, как вспышка начинает поражать население, некоторые люди могут взять больничный на работе/в школе, другие могут пойти в аптеку и купить лекарства без рецепта, третьи пойдут к врачу, а у третьих могут быть настолько серьезные симптомы, что они звонят по номеру экстренной помощи или отправляются в отделение неотложной помощи . [ требуется ссылка ]

Системы синдромного наблюдения отслеживают данные из журналов школьных пропусков, систем экстренных вызовов, записей о продаже лекарств без рецепта в больницах, поисков в Интернете и других источников данных для обнаружения необычных закономерностей. Когда в любой из отслеживаемых систем наблюдается всплеск активности, эпидемиологи заболеваний и специалисты в области общественного здравоохранения предупреждаются о том, что может возникнуть проблема. [9]

Раннее осознание и реагирование на биотеррористическую атаку может спасти много жизней и потенциально остановить или замедлить распространение вспышки. Наиболее эффективные системы синдромного наблюдения автоматически контролируют эти системы в режиме реального времени, не требуют от людей ввода отдельной информации (вторичный ввод данных), включают в себя передовые аналитические инструменты, объединяют данные из нескольких систем, пересекая геополитические границы и включают в себя автоматизированный процесс оповещения. [10]

Синдромная система наблюдения, основанная на поисковых запросах, была впервые предложена Гюнтером Эйзенбахом , который начал работу над такой системой в 2004 году. [11] Вдохновленный этим ранним, обнадеживающим опытом, Google запустил Google Flu Trends [12] в 2008 году. Для указания на более высокую активность гриппа берутся дополнительные поисковые запросы, связанные с гриппом. Результаты, опубликованные в Nature , близко соответствовали данным CDC и опережали их на 1–2 недели. [13] Однако было показано, что первоначальный подход, лежащий в основе Google Flu Trends, имел различные недостатки моделирования, что приводило к значительным ошибкам в его оценках. [14] Совсем недавно был предложен ряд более продвинутых линейных и нелинейных подходов к моделированию гриппа на основе поисковых запросов Google. [15] Расширяя работу Google, исследователи из Лаборатории интеллектуальных систем ( Бристольский университет , Великобритания) создали Flu Detector; [16] Онлайн-инструмент, основанный на методах поиска информации и статистического анализа, использует контент Twitter для прогнозирования уровня заболеваемости гриппом в Великобритании. [17]

Цифровые методы

Цифровое наблюдение за общественным здоровьем в значительной степени опирается на ряд методов. Наиболее важными из них являются использование тенденций, основанных на поиске на таких сайтах, как Google и Wikipedia, сообщения в социальных сетях на таких платформах, как Facebook и Twitter, и веб-сайты совместного наблюдения, такие как Flu Near You и Influenzanet. Однако диапазон потенциальных источников данных, подходящих для наблюдения за заболеваниями, увеличился по мере того, как различные области стали оцифрованными; сегодня записи о посещаемости школ, данные о неотложной госпитализации и даже данные о продажах могут использоваться для целей синдромного наблюдения. Тенденции поиска предоставляют косвенные данные о здоровье населения, в то время как последние два метода предоставляют прямые данные. [18]

Поиск агрегатов

Поисковые агрегаты чаще всего использовались для отслеживания и моделирования гриппа. Популярным примером является Google Flu Trends , [19] который был впервые выпущен в 2008 году. [18] Википедия также использовалась, хотя она потенциально подвержена «шуму», поскольку является популярным источником информации о здоровье независимо от того, болен пользователь или нет. [20] Во время пандемии COVID-19 была разработана новая методология для моделирования распространенности COVID-19 на основе активности веб-поиска. [21] Эта методология также использовалась Public Health England в Соединенном Королевстве в качестве одной из конечных точек синдромного надзора. [ необходима ссылка ]

Социальные сети

Примерами наблюдения за общественным здоровьем в социальных сетях являются HealthTweets, который собирает данные из Twitter. [20] Данные Twitter считаются очень полезными для исследований общественного здравоохранения, поскольку его политика данных позволяет публично получать доступ к 1% выборок необработанных твитов. Твиты также могут быть геолокализованы, что может использоваться для моделирования распространения инфекционных заболеваний. Это наиболее используемая платформа социальных сетей для наблюдения за общественным здоровьем. [18] Во время пандемии COVID-19 Facebook использовал агрегированные анонимные данные, собранные со своих платформ, для предоставления информации о перемещениях людей для моделей заболеваний. Он также предложил пользователям возможность принять участие в опросе о симптомах заболеваний через Университет Карнеги-Меллона . [22]

Сайты наблюдения

Flu Near You и Influenzanet — два примера краудсорсинговых цифровых систем наблюдения. Оба сайта вербуют пользователей для участия в опросах о симптомах гриппа. Influenzanet был создан в 2009 году и работает в десяти странах Европы. Его предшественником был Grote Griepmeting, голландско-бельгийская платформа, запущенная в 2003 и 2004 годах. Flu Near You используется в США. Другим примером сайтов наблюдения является Dengue na Web, используемый для опроса на предмет лихорадки денге в Баие , Бразилия. [18]

Лабораторное наблюдение

Некоторые состояния, особенно хронические заболевания, такие как сахарный диабет , должны регулярно контролироваться с помощью частых лабораторных измерений. Поскольку многие результаты лабораторных исследований, по крайней мере в Европе и США, автоматически обрабатываются компьютеризированными лабораторными информационными системами, результаты относительно легко и недорого сопоставлять в специальных базах данных или регистрах заболеваний. В отличие от большинства систем синдромного наблюдения, в которых каждая запись считается независимой от других, лабораторные данные при хронических состояниях теоретически могут быть связаны между собой на уровне отдельного пациента. Если идентификаторы пациентов могут быть сопоставлены, хронологическая запись результатов лабораторных исследований каждого пациента может быть проанализирована, а также объединена на уровне популяции. [ необходима цитата ]

Лабораторные регистры позволяют анализировать заболеваемость и распространенность целевого состояния, а также тенденции в уровне контроля. Например, финансируемая NIH программа под названием Vermedx Diabetes Information System [23] поддерживала регистр лабораторных показателей взрослых больных диабетом в Вермонте и северном штате Нью-Йорк в США с несколькими годами лабораторных результатов по тысячам пациентов. [24] Данные включали показатели контроля сахара в крови ( гликозилированный гемоглобин A1c ), холестерина и функции почек ( креатинин сыворотки и белок мочи ) и использовались для мониторинга качества лечения на уровне пациента, практики и населения. Поскольку данные содержали имя и адрес каждого пациента, система также использовалась для прямого общения с пациентами, когда лабораторные данные указывали на необходимость внимания. Неконтролируемые результаты тестов генерировали письмо пациенту с предложением принять меры со своим лечащим врачом. Тесты, которые были просрочены, генерировали напоминания о необходимости проведения тестирования. Система также генерировала напоминания и оповещения с рекомендациями на основе руководств для практики, а также периодический список пациентов каждого поставщика и отчетную карточку, обобщающую состояние здоровья населения. Клинические и экономические оценки системы, включая крупное рандомизированное клиническое исследование , продемонстрировали улучшение соблюдения практических рекомендаций и снижение потребности в отделениях неотложной помощи и больничных услугах, а также общих затрат на одного пациента. [25] [26] [27] Система была коммерциализирована и распространена среди врачей, страховщиков, работодателей и других лиц, ответственных за уход за хронически больными пациентами. В настоящее время она расширяется на другие состояния, такие как хроническая болезнь почек . [ требуется ссылка ]

Аналогичная система, The New York City A1C Registry, [28] используется для мониторинга приблизительно 600 000 пациентов с диабетом в Нью-Йорке , хотя в отличие от Vermont Diabetes Information System, здесь нет положений, позволяющих пациентам исключить свои данные из базы данных Нью-Йорка. Департамент здравоохранения и психической гигиены Нью-Йорка связал с реестром дополнительные услуги для пациентов, такие как информация о здоровье и улучшенный доступ к услугам здравоохранения. По состоянию на начало 2012 года реестр содержит более 10 миллионов результатов тестов 3,6 миллиона человек. Хотя он предназначен для улучшения результатов лечения и снижения частоты осложнений диабета, [29] официальная оценка еще не проводилась.

В мае 2008 года городской совет Сан-Антонио, штат Техас, одобрил развертывание регистра A1C для округа Бехар . Уполномоченный законодательным собранием Техаса и Департаментом здравоохранения штата, округ здравоохранения Сан-Антонио [30] внедрил регистр, который привлек результаты из всех основных клинических лабораторий в Сан-Антонио. Программа была прекращена в 2010 году из-за нехватки средств. [ необходима цитата ]

Лабораторный надзор отличается от надзора за всем населением, поскольку он может контролировать только пациентов, которые уже получают медицинскую помощь и, следовательно, проходят лабораторные тесты. По этой причине он не выявляет пациентов, которые никогда не проходили тестирование. Поэтому он больше подходит для управления качеством и улучшения ухода, чем для эпидемиологического мониторинга всего населения или водосборного района. [ необходима цитата ]

Смотрите также

Ссылки

  1. ^ ab Наблюдение за общественным здоровьем, Всемирная организация здравоохранения (дата обращения: 14 января 2016 г.).
  2. ^ Caves RW (2004). Энциклопедия города . Routledge. стр. 548. ISBN 9780415252256.
  3. ^ ab Всемирная организация здравоохранения. "Надзор за болезнями, предупреждаемыми вакцинами". Всемирная организация здравоохранения: Иммунизация, вакцины и биологические препараты . Архивировано из оригинала 1 апреля 2014 г. Получено 19 октября 2016 г.
  4. ^ Уайт, Мэри К.; Бабкок, Фрэнсис; Хейс, Никки С.; Мариотто, Анджела Б.; Вонг, Фэй Л.; Колер, Бетси А.; Вейр, Ханна К. (15.12.2017). «История и использование данных реестра раковых заболеваний программами общественного здравоохранения по борьбе с раком в Соединенных Штатах». Cancer . 123 (Suppl 24): 4969–4976. doi :10.1002/cncr.30905. ISSN  0008-543X. PMC 5846186 . PMID  29205307. 
  5. ^ Kilbridge PM, Campbell UC, Cozart HB, Mojarrad MG (июль–авг. 2006 г.). «Автоматизированное наблюдение за нежелательными лекарственными явлениями в общественной больнице и академическом медицинском центре». Журнал Американской ассоциации медицинской информатики . 13 (4): 372–7. doi :10.1197/jamia.M2069. PMC 1513675. PMID 16622159  . 
  6. ^ disa.mil [ мертвая ссылка ] PDF
  7. ^ "webcitation.org". webcitation.org. Архивировано из оригинала 24 июня 2003 г. Получено 2014-04-18 .{{cite web}}: CS1 maint: unfit URL (link)
  8. ^ Хеннинг К.Дж. (сентябрь 2004 г.). «Что такое синдромное наблюдение?». MMWR Supplements . 53 : 5–11. PMID  15714620.
  9. ^ Уокер, Марк (2023). Цифровая эпидемиология: Введение в надзор за болезнями с использованием цифровых данных . Шеффилд, Великобритания: Sicklebrook publishing. ISBN 978-1470920364.
  10. ^ "Syndromic Surveillance: an Applied Approach to Outbreak Detection". Центры по контролю и профилактике заболеваний США. 13 января 2006 г. Архивировано из оригинала 20 января 2007 г.
  11. ^ Eysenbach G (2006). «Инфодемиология: отслеживание поисков, связанных с гриппом, в Интернете для синдромного надзора». AMIA ... Ежегодные труды симпозиума. Симпозиум AMIA . 2006 : 244–8. PMC 1839505. PMID 17238340  . 
  12. ^ "Google Flu Trends". Google.org . Получено 2014-04-18 .
  13. ^ Ginsberg J, Mohebbi MH, Patel RS, Brammer L, Smolinski MS, Brilliant L (февраль 2009 г.). «Обнаружение эпидемий гриппа с использованием данных поисковых запросов». Nature . 457 (7232): 1012–4. Bibcode :2009Natur.457.1012G. doi : 10.1038/nature07634 . PMID  19020500. S2CID  125775.
  14. ^ Lazer D, Kennedy R, King G, Vespignani A (2014). «Притча о гриппе Google: ловушки в анализе больших данных». Science . 343 (6176): 1203–1205. Bibcode :2014Sci...343.1203L. doi :10.1126/science.1248506. PMID  24626916. S2CID  206553739.
  15. ^ Lampos V, Miller AC, Crossan S, Stefansen C (август 2015 г.). «Достижения в прогнозировании показателей гриппоподобных заболеваний с использованием журналов поисковых запросов». Scientific Reports . 5 (12760): 12760. Bibcode :2015NatSR...512760L. doi :10.1038/srep12760. PMC 4522652 . PMID  26234783. 
  16. ^ «Flu Detector – Отслеживание эпидемий в Twitter». GeoPatterns.enm.bris.ac.uk . Получено 18.04.2014 .
  17. ^ Lampos V, De Bie T, Cristianini N (2010). Flu Detector – Tracking Epidemics on Twitter . ECML PKDD. стр. 599–602. doi : 10.1007/978-3-642-15939-8_42 .
  18. ^ abcd Aiello AE, Renson A, Zivich PN (апрель 2020 г.). «Социальные медиа и Интернет-ориентированный надзор за заболеваниями в целях общественного здравоохранения». Ежегодный обзор общественного здравоохранения . 41 : 101–118. doi : 10.1146/annurev-publhealth-040119-094402 . PMC 7959655. PMID  31905322 . 
  19. ^ Браунштейн, Джон С.; Фрайфельд, Кларк К.; Мэдофф, Лоуренс К. (2009-05-21). «Цифровое обнаружение заболеваний — использование Интернета для наблюдения за здоровьем населения». New England Journal of Medicine . 360 (21): 2153–2157. doi :10.1056/NEJMp0900702. ISSN  0028-4793. PMC 2917042. PMID  19423867 . 
  20. ^ ab Sharpe JD, Hopkins RS, Cook RL, Striley CW (октябрь 2016 г.). «Оценка Google, Twitter и Wikipedia как инструментов для наблюдения за гриппом с использованием байесовского анализа точек изменения: сравнительный анализ». JMIR Public Health and Surveillance . 2 (2): e161. doi : 10.2196/publichealth.5901 . PMC 5095368. PMID  27765731. 
  21. ^ Lampos V, Majumder MS, Yom-Tov E и др. (2021). «Отслеживание COVID-19 с помощью онлайн-поиска». npj Digital Medicine . 4 (17): 17. arXiv : 2003.08086 . doi : 10.1038/s41746-021-00384-w . PMC 7870878. PMID  33558607 . 
  22. ^ Newton C (6 апреля 2020 г.). «Facebook начинает делиться данными о местоположении с исследователями COVID-19 и просит пользователей самостоятельно сообщать о симптомах». The Verge . Получено 2 сентября 2020 г.
  23. ^ "Vermedx Diabetes Information System". vermedx.com. Архивировано из оригинала 2011-02-02 . Получено 2014-04-18 .
  24. ^ MacLean CD, Littenberg B, Gagnon M (апрель 2006 г.). «Поддержка принятия решений по диабету: начальный опыт работы с информационной системой по диабету в Вермонте». Американский журнал общественного здравоохранения . 96 (4). Ajph.org: 593–5. doi : 10.2105/AJPH.2005.065391. PMC 1470550. PMID  16507723. 
  25. ^ Литтенберг Б., Маклин К. Д., Зигаровски К., Драпола Б. Х., Дункан Дж. А., Фрэнк К. Р. (март 2009 г.). «Информационная система по диабету Vermedx снижает использование медицинских услуг». Американский журнал управляемого ухода . 15 (3): 166–70. PMID  19298097.
  26. ^ Maclean CD, Gagnon M, Callas P, Littenberg B (декабрь 2009 г.). «Информационная система по диабету Вермонта: кластерное рандомизированное исследование системы поддержки принятия решений на основе населения». Журнал общей внутренней медицины . 24 (12): 1303–10. doi :10.1007/s11606-009-1147-x. PMC 2787948. PMID  19862578 . 
  27. ^ Хан С., Маклин К. Д., Литтенберг Б. (июль 2010 г.). «Влияние информационной системы по диабету в Вермонте на использование стационаров и отделений неотложной помощи: результаты рандомизированного исследования». Health Outcomes Research in Medicine . 1 (1): e61–e66. doi :10.1016/j.ehrm.2010.03.002. PMC 2958673. PMID 20975923  . 
  28. ^ "Профилактика и контроль диабета". The New York City A1C Registry . Город Нью-Йорк. Архивировано из оригинала 9 июня 2007 г.
  29. ^ Фриден TR (сентябрь 2008 г.). «Система отчетности по диабету в Нью-Йорке помогает пациентам и врачам». Американский журнал общественного здравоохранения . 98 (9). Ajph.aphapublications.org: 1543–4, ответ автора 1544. doi : 10.2105/AJPH.2008.142026. PMC 2509589. PMID  18633070 . 
  30. ^ "Metropolitan Health District". Sanantonio.gov . Получено 2014-04-18 .