Перспективность метода анализа больших данных (big data) для оценки качества и эффективности фармакотерапии пациентов с артериальной гипертензией

Размещено на http://www.allbest.ru/

Перспективность метода анализа больших данных (big data) для оценки качества и эффективности фармакотерапии пациентов с артериальной гипертензией

И.М. Бурыкин, Г.Н. Алеева, Р.Х. Хафизьянова

Аннотация

Цель исследования -- изучить возможности и перспективность использования метода анализа больших данных (big data) для оценки рациональности и качества фармакотерапии пациентов с артериальной гипертензией.

Материалы и методы. Анализ данных об отпуске лекарственных препаратов (ЛП) для льготной (федеральной и региональной) категории граждан осуществлялся с помощью программ на языке Python 3.6 и OLAP-системы.

Фармакоэпидемиологические методы были основаны на DDD-методологии (Defined DailyDose -- установленная суточная доза).

Результаты. Рациональная фармакотерапия и высокая приверженность к лечению артериальной гипертензии регистрировались не во всех случаях. Выявлено, что от исходного до последующего визита проходило в среднем 86 дней и 25% пациентов в исследуемых районах Республики Татарстан в 2013 г. приходили на следующий прием через 90 дней и более.

Кроме ЛП для сердечно-сосудистой системы категории C по классификации ATX (анатомо-терапевтическая химическая классификация лекарственных средств -- международная система), в 10% случаев выписывались препараты других категорий (ацетилсалициловая кислота, пирацетам, церебролизин и др.).

Наиболее используемыми ЛП являлись ингибиторы ренин-ангиотензиновой системы (196 DDD/человека/год), второе место по объему потребления занимали антагонисты кальциевых каналов (50,4 DDD/человека/год).

Регистрировались существенные различия в объеме потребления антигипертензивных ЛП между районами (до 3,5 раз).

Заключение. Метод анализа больших данных являются перспективным инструментом оценки рациональности и качества фармакотерапии, позволяют оценивать качественные и количественные показатели фармакотерапии на уровне генеральной совокупности.

Ключевые слова: артериальная гипертензия; фармакоэпидемиологические методы; комплаенс; big data.

Введение

Качество и безопасность медицинской помощи определены Всемирной организацией здравоохранения стратегическими приоритетами мирового здравоохранения. Их обеспечение должно стать первоочередной задачей государственных систем здравоохранения.

Анализ причин смертности населения РФ показывает, что в их структуре основную долю продолжают занимать болезни системы кровообращения (IX класс МКБ-10) [1] и смертность на 80% состоит из модифицируемых причин [2]. Одним из предикторов смертности от болезней сердца является артериальная гипертензия (АГ), которую ВОЗ также признала в качестве ведущего фактора, обусловливающего высокую смертность в обществе. Проведенный анализ среднего систолического и диастолического артериального давления по всем странам мира за период 1975-2015 гг. [3] показал, что АГ -- это общемировая проблема. Распространенность повышения артериального давления в 2015 г. составила 24,1% у мужчин и 20,1% у женщин, число взрослых пациентов, страдающих АГ, повысилось с 594 млн в 1975 г. до 1,13 млрд в 2015 г.

Эффективное противодействие АГ основано на профилактике факторов риска, модификации образа жизни и эффективной фармакотерапии. К сожалению, выполнение этих положений на практике осуществляется не всегда. Рациональность и качество фармакотерапии продолжают оставаться приоритетным направлением работы специалистов в системе здравоохранения. Дефекты фармакотерапии -- мировая проблема. По данным ВОЗ, более половины лекарственных препаратов (ЛП) назначается без соблюдения необходимых условий. В реальной клинической практике врачами не всегда используются ЛП с доказанной эффективностью, оптимальные методы диагностики и лечения. Соответственно, существует резерв дополнительных лет жизни населения, связанный с повышением качества и эффективности фармакотерапии хронических заболеваний, в том числе АГ [2]. Одним из важных трендов современного здравоохранения является широкое внедрение информационных систем, баз данных, средств хранения и передачи информации. В последние годы в качестве перспективного направления исследований выступает метод анализа больших данных (big data) [4]. Он имеет преимущества перед классическими выборочными методами за счет получения более точной и достоверной информации. Авторы сочли целесообразным использовать анализ многомерной и структурированной информации из имеющихся хранилищ данных для получения фармакоэпидемиологических оценок и оценки качества фармакотерапии больных с АГ.

Цель исследования -- изучить возможности и перспективность использования метода анализа больших данных (big data) для оценки рациональности и качества фармакотерапии пациентов с артериальной гипертензией.

фармакотерапия пациент артериальный гипертензия

Материалы и методы

Объектом исследования служили данные об отпуске ЛП для льготной (федеральной и региональной) категории граждан в Республике Татарстан. На основе исходной информации была сформирована база данных по отпущенным льготным ЛП для больных трех районов региона за 2013-2015 гг. Для анализа данных и извлечения сводной информации были написаны программы с использованием языка Python 3.6. Кроме того, разработано еще более 20 компьютерных программ. Для преобразования в структурированные данные, пригодные для анализа, выполняли предобработку исходной информации, представленной в виде записей текстовых строк, на основе ETL-подхода (extract, transform, load). Первичные данные были очищены от лишней информации, извлечено название ЛП, проведена кодификация ЛП (код АТХ -- анатомо-терапевтическая химическая классификация лекарственных средств -- международная система), выполнен расчет суммарной выписанной дозы в миллиграммах и число выписанных DDD-доз (Defined Daily Dose -- установленная суточная доза). ETL-подход был реализован с помощью программ на языке Python 3.6. Отдельные элементы информации обрабатывали с использованием программ на VB.NET. На выходе был получен файл в формате Excel, пригодный для последующей аналитической обработки.

Для расчета фармакоэпидемиологических показателей и показателей качества использовали OLAP-систему, PowerPivot (Microsoft) и SPSS Statistics v. 22 (IBM) [5]. Фармакоэпидемиологические методы были основаны на DDD-методологии [6]. Рассчитывались количество отпущенных DDD-доз, объем потребления на одного жителя района или пациента, страдающего артериальной гипертензией. Статистический анализ проводили на основе расчета статистических показателей (средних, долей и др.).

Результаты

Важным элементом лечебно-диагностического процесса является последовательность фармакотерапии, заключающаяся в том, что пациент принимает ЛП систематически и постоянно. Однако приверженность к лечению не носит абсолютного характера и часть пациентов не являются на прием для очередной выписки препаратов. Доказано, что повышение приверженности существенно влияет на исходы АГ [7].

Для понимания, как можно оценить приверженность на основе изучения базы данных, был выполнен процессный анализ на основе изучения временных промежутков между визитами. В частности, проведена оценка интервала времени от нулевого до последующего визита. Этот показатель отражает, через какое время пациент пришел на очередной прием для получения рецепта на ЛП. Результаты оценки данного показателя представлены на рисунке в виде гистограммы распределения и статистических показателей этого распределения.

Полученные результаты свидетельствуют о следующих закономерностях. В среднем от момента исходного до последующего визита проходило 86 дней. Однако данный показатель сложно интерпретировать, поскольку выборка не имеет нормального распределения. Колебания показателя варьируются от 1 до 954, т.е. были пациенты, которые пришли за антигипертензивными препаратами через 2 года. Более устойчивым показателем для выборок, в которых распределение отличается от нормального, является медиана, которая составляет 41 день. Данные вопросы обсуждены нами ранее в работе [5]. Другими важными показателями «ненормальной» выборки являются значения верхних (25%) и нижних (75%) квартилей, у нас они составляют 89 и 27 дней. Это позволяет сказать, что 25% пациентов с АГ в исследуемых районах в 2013 г. пришли на следующий прием через 90 дней и более.

Для понимания, какое потребление ЛП соотносится с интервалами визитов, мы оценили среднее количество DDD-доз препаратов категории С по АХТ, выписанных на приеме. Этот показатель составил 42,2 DDD-дозы на один рецепт. Сопоставляя его с показателем медианы -- 41 день, можно сделать заключение, что в среднем около 50% пациентов получают объем ЛП меньше необходимого до следующего визита. Это может означать, что часть времени пациенты не принимают ЛП или покупают за собственный счет.

Для оценки фармакоэкономических детерминантов использования ЛП у больных с АГ мы оценили структуру затрат на ЛП различных классов по АХТ (табл. 1).

Анализ данных показывает, что помимо ЛП класса C в 10% случаев выписывались препараты других категорий. Для выяснения, какие ЛП других групп были назначены дополнительно, проведен анализ структуры затрат с использованием метода Парето (табл. 2).

Выявлено, что основным ЛП, который выписывался для больных с АГ, была ацетилсалициловая кислота. У данного препарата нет показания к назначению при АГ, однако ацетилсалициловая кислота может назначаться пациентам при сопутствующей ишемической болезни сердца или склонности к тромбообразованию. Для лечения сопутствующей ишемии могут быть использованы такие ЛП, как дипиридамол и клопидогрел. Пирацетам и Церебролизин не имеют прямых показаний для применения при гипертонической болезни, однако могут быть использованы для коррекции сопутствующих когнитивных нарушений. Эпоэтин альфа также не может рассматриваться как ЛП, показанный больным с АГ. Для оценки использования антигипертензивных ЛП мы провели фармакоэпидемиологический анализ потребления таких препаратов среди пациентов, страдающих АГ (табл. 3).

Оценка структуры потребления показала, что наиболее используемыми ЛП являются ингибиторы ренин-ангиотензиновой системы, на втором месте располагаются антагонисты кальциевых каналов, на третьем -- диуретики, на четвертом -- бета-адреноблокаторы. Средний объем потребления в DDD-дозах за исследуемый период вырос на 18% и достиг 294,8 DDD-доз/человека/год.

Обсуждение

Выявленные факты свидетельствуют о наличии проблем в стране при выписке ЛП льготной категории граждан. Медицинским работникам необходимо пересмотреть практику назначения и обоснования выписки льготных препаратов. У врачей наблюдается различие приоритетов в назначении ЛП разных групп, что, по нашему мнению, свидетельствует о существовании неких стереотипов. На текущий момент объем собираемых медицинских данных в Российской Федерации, в том числе в Республике Татарстан, значительный. Однако степень анализа и понимания информации недостаточна. Настоящее исследование позволило показать возможности использования анализа больших данных для оценки рациональности и качества фармакотерапии.

Базы данных являются ключевыми объектами современной системы здравоохранения, в то же время в Российской Федерации только единичные работы посвящены вопросам выявления и использования закономерностей для нужд практического здравоохранения. Сами по себе интеграция и накопление данных не влияют на повышение эффективности процессов профилактики и лечения заболеваний. В частности, внедрение системы электронных историй болезни в клиниках позволило добиться повышения скорости доступа к данным, снизило число ошибок, однако на процессе диагностики и качестве медицинской помощи это не отразилось. Вследствие этого увеличение числа критериев диагностики и их информативности, а также появление информационных систем в области здравоохранения, позволяющих хранить информацию и управлять ею, требует разработки новых подходов к анализу медицинских данных. В работах зарубежных исследователей эта проблема обсуждается, показана перспективность использования баз данных как инструмента эффективного принятия решений в системе управления здравоохранением [8]. Возможности и перспективы методов анализа данных обсуждены нами в ранее опубликованной работе [9].

Показано, что результаты, получаемые на основе анализа больших источников информации, имеют меньшее количество искажений и ошибок.

Несмотря на широкое внедрение использования в исследованиях DDD-доз, в литературе очень мало информации относительно интерпретации получаемых результатов. Обычно исследователи интерпретируют частоту их назначения с позиции «высокая» и «низкая» [7, 10]. Стандартов, определяющих, какую частоту считать нормальной, а какую -- отклонением, требующим вмешательства, не установлено. Федеральные стандарты регламентируют среднюю частоту назначения и не могут быть использованы для этих целей.

Исходя из методологии расчета DDD-доз можно рассчитать, что если пациент принимает ЛП 365 дней в году, то математическое ожидание распределения (среднее арифметическое число DDD-доз) в исследуемой группе пациентов должно составить не менее 365. Однако результаты настоящего исследования показывают, что в рассмотренной группе льготных пациентов с АГ этот показатель значительно ниже. Построенная гистограмма распределения пациентов по числу принимаемых DDD-доз показала, что наибольшее число пациентов получало менее 50 DDD-доз в год. С одной стороны, это может свидетельствовать в пользу того, что часть ЛП пациенты покупали самостоятельно. Однако, с другой стороны, можно предположить, что пациенты совсем не принимали ЛП и не обращались к врачу. Соответственно, представленный показатель можно рассматривать как косвенный индикатор приверженности к лечению.

Результаты исследования позволяют пересмотреть существующие представления о закономерностях потребления ЛП. Общепринято, что система DDD-доз используется для фармакоэпидемиологических исследований. Предполагается, что если величина потребления составляет 20 DDD/1000 человек/день, это означает, что 2% населения ежедневно принимают данный ЛП (т.е. получают постоянное лечение) [7]. Соответственно, в популяции пациентов, которые должны постоянно получать ЛП, система дает возможность оценить, сколько же раз в году пациент в среднем получал ЛП. Этот показатель позволяет также оценить среднее число дней в году, в течение которых один пациент получает лечение каждый день.

Таким образом, настоящее исследование дает возможность сделать заключение о перспективности использования медицинских информационных баз данных для нужд фармакоэкономики и фармакоэпидемиологии. Результаты проведенного анализа свидетельствуют, что существует резерв повышения рациональности и качества фармакотерапии при сердечно-сосудистых заболеваниях и, следовательно, необходима разработка региональных программ по реализации мер, направленных на это повышение.

Заключение

Рациональная фармакотерапия и высокая приверженность к лечению артериальной гипертензии регистрируются не во всех случаях. Метод анализа больших данных являются перспективным инструментом оценки рациональности и качества фармакотерапии, они позволяют оценивать качественные и количественные показатели фармакотерапии на уровне генеральной совокупности.

Финансирование исследования и конфликт интересов. Исследование не финансировалось какими-либо источниками, и конфликты интересов, связанные с данным исследованием, отсутствуют.

Литература

1. Хабриев Р.У., Линденбратен А.Л., Комаров Ю.М. Стратегия охраны здоровья населения как основа социальной политики государства. Проблемы социальной гигиены, здравоохранения и истории медицины 2014; 3: 3-5.

2. Голикова Т.А. О разработке и принятии региональных программ модернизации здравоохранения. Менеджмент качества в сфере здравоохранения и социального развития 2011; 1: 4-10.

3. NCD Risk Factor Collaboration (NCD-RisC). Worldwide trends in blood pressure from 1975 to 2015: a pooled analysis of 1479 population-based measurement studies with 19·1 million participants. Lancet 2016; 389(10064): 37-55, https://doi.org/10.1016/s0140-6736(16)31919-5.

4. Loewen L., Roudsari A. Evidence for business intelligence in health care: a literature review. Stud Health Technol Inform 2017; 235: 579-583.

5. Хафизьянова Р.Х., Бурыкин И.М., Алеева Г.Н. Математическая статистика в экспериментальной и клинической фармакологии. Казань: Медицина; 2006; 374 с.

6. Зиганшина Л.Е., Магсумова Д.Р., Кучаева А.В., Пикуза О.И., Герасимов В.Б., Яворский А.Н. ATC/DDD классификационная система в фармакоэпидемиологических исследованиях. Качественная клиническая практика 2004; 1: 28-33.

7. Российское медицинское общество по артериальной гипертонии, Всероссийское научное общество кардиологов. Диагностика и лечение артериальной гипертензии. Кардиоваскулярная терапия и профилактика 2008; 7(6 Прил. 2): 7-34.

8. Nimmagadda S.L., Dreher H.V. On robust methodologies for managing public health care systems. Int J Environ Res Public Health 2014; 11(1): 1106-1140, https://doi.org/10.3390/ijerph110101106.

9. Хафизьянова Р.Х., Алеева Г.Н., Бурыкин И.М. Перспективы использования data mining методов анализа данных в медицине. В кн.: Материалы Международной научно-практической конференции «Роль неправительственных организаций в решении проблем, связанных с разработкой и внедрением инновационных технологий во всех сферах человеческой деятельности», посвященной 15-летию образования Академии информатизации Республики Татарстан (2 часть). Казань; 2010. с. 32-39.

10. Кармалита Е.Е., Юрьев К.Л. Потребление лекарственных средств для лечения артериальной гипертензии. Украинский медицинский журнал 2007; 61(5): 63-72.

11. Якушева Е.Н. Возможности использования системы стандартных дневных доз. Вестник Волгоградского государственного медицинского университета 2008; 26(2): 74-77.

Размещено на Allbest.ru