Convertir historias clínicas y datos de reclamaciones en una mejor atención del asma: una colaboración de analítica de datos con Rutgers.

Acerca del cliente

RITMS es el centro académico de Rutgers para la investigación clínica y traslacional; proporciona infraestructura y formación en Rutgers Biomedical and Health Sciences y sus instituciones asociadas en todo el estado, y da soporte a cientos de ensayos clínicos en todo momento. Este proyecto respaldó una de las iniciativas de investigación en salud poblacional de RITMS, centrada en cerrar la brecha entre lo que la ciencia del asma grave había hecho posible y lo que realmente llegaba a los pacientes en la atención cotidiana.

Contexto del sector

El panorama del tratamiento del asma grave se había transformado sustancialmente en los años previos a este estudio. Omalizumab, un anticuerpo monoclonal dirigido contra la inmunoglobulina E, recibió la aprobación de la FDA en 2004, seguido de mepolizumab en 2015 y reslizumab en 2016, ambos dirigidos contra la interleucina-5 para el asma eosinofílica de inicio tardío. En conjunto, estas terapias guiadas por biomarcadores hicieron que aproximadamente la mitad de todos los pacientes con asma grave no controlada fueran candidatos a un tratamiento con anticuerpos monoclonales que quizá nunca se les había ofrecido, lo que subraya por qué trasladar esta evidencia a la atención primaria de primera línea, en lugar de dejarla aislada entre los especialistas, representaba un objetivo de tan alto valor para el estudio de RITMS.

Situación actual

RITMS diseñó un estudio para evaluar los costes y beneficios de proporcionar formación de alta calidad a los médicos que tratan a pacientes con SUA y de suministrar nuevos medicamentos biológicos a los pacientes que cumplieran criterios de elegibilidad específicos, obteniendo financiación de Horizon Blue Cross Blue Shield of New Jersey, Novartis y Rutgers University. Cuatro organizaciones colaboraron en el trabajo: RITMS, Horizon, RWJBarnabas Health e Iknow. Rutgers y Horizon definieron conjuntamente los criterios de paciente con SUA, Horizon identificó la población elegible y extrajo los datos de reclamaciones, RWJBarnabas Health aportó las historias clínicas y a Iknow se le pidió que proporcionara las capacidades de analítica de datos del proyecto.

• Terapias eficaces infrautilizadas. Los tratamientos biológicos guiados por biomarcadores seguían siendo infrautilizados por los profesionales sanitarios y poco comprendidos por los pacientes, lo que mantenía estáticas las visitas a urgencias y las tasas de hospitalización desde la década de 1990.
• Elevada carga de costes evitables. Los pacientes con asma grave o no controlada acumulaban costes médicos directos cinco veces superiores a los de los pacientes con asma leve o bien controlada, un coste de oportunidad cuantificable vinculado directamente a la infrautilización de las herramientas disponibles.
• Datos fragmentados y de múltiples fuentes. La evidencia necesaria para evaluar la intervención residía en dos sistemas completamente separados —los datos de reclamaciones médicas de Horizon y las historias clínicas electrónicas de RWJBarnabas Health— en formatos distintos y sin una estructura existente para combinarlos.
• Estrictas restricciones de privacidad y seguridad. Cualquier entorno técnico que manejara estos datos debía cumplir los requisitos de privacidad de la HIPAA y los estándares de seguridad institucionales de RITMS, sin dejar de permitir un análisis exploratorio e iterativo.
• Una población de pacientes heterogénea. Los pacientes con asma grave o no controlada presentan una enorme heterogeneidad en etiología, patogenia y respuesta al tratamiento, por lo que el modelo de datos debía permitir una caracterización significativa de subgrupos en lugar de una única visión agregada.

• Proporcionar las capacidades de analítica de datos para el estudio de demostración de RITMS.
• Diseñar e implementar un entorno técnico que cumpliera los requisitos de seguridad de Rutgers y de privacidad de la HIPAA.
• Integrar los datos de reclamaciones de Horizon y las historias clínicas electrónicas de RWJBarnabas Health en un modelo de datos unificado y basado en estándares.
• Traducir las hipótesis de trabajo de RITMS en análisis definidos y ejecutables, incluidos los elementos de datos, los conjuntos de población, los periodos de tiempo y los formatos de salida.
• Elaborar análisis exhaustivos que caracterizaran la cohorte de pacientes y médicos y evaluaran los efectos de la formación de los profesionales sanitarios y de la prescripción de biológicos guiada por biomarcadores.

Cómo estructuró Iknow el trabajo

El proyecto funcionó como una colaboración entre cuatro organizaciones, en la que cada socio aportó una capacidad distinta: Rutgers y Horizon definieron los criterios de paciente con SUA, Horizon extrajo los datos de reclamaciones, RWJBarnabas Health aportó las historias clínicas, Rutgers impartió la formación a los profesionales sanitarios e Iknow se encargó de la integración de datos, la analítica y la visualización de principio a fin.

Actividades y decisiones clave

• Diseño del entorno técnico. Iknow desarrolló el entorno de hardware y software recomendado, implementado en la Office of Advanced Research Computing de Rutgers para satisfacer los requisitos de seguridad de RITMS y de privacidad de la HIPAA. El entorno comprendía Tableau para el análisis y la visualización, Talend para la integración de datos y un modelo de datos común (Common Data Model) sanitario implementado en Microsoft SQL Server. Iknow seleccionó el CDM de la Observational Medical Outcomes Partnership (OMOP) como esquema de base de datos del proyecto, un estándar abierto concebido específicamente para combinar datos de reclamaciones y de historias clínicas electrónicas procedentes de distintos sistemas de origen en un único formato analizable.
• Traducción de hipótesis a análisis. Iknow trabajó directamente con el director de RITMS para traducir las hipótesis de trabajo en análisis definidos, identificando los elementos de datos, los conjuntos y subconjuntos de población, los periodos de tiempo y otras restricciones, y acordando los tipos de análisis y los formatos de salida antes de comenzar cualquier trabajo con los datos.
• Integración y preparación de datos. Iknow identificó los campos de datos necesarios para los análisis previstos y, a continuación, realizó la transformación y limpieza de los datos para su integración en el CDM. Los datos llegaron de Horizon y RWJBarnabas Health en múltiples formatos de archivo y abarcaban datos demográficos, registros de hospitalización, solicitudes de pruebas de laboratorio, prescripciones y procedimientos médicos. Iknow desarrolló y ejecutó los scripts de integración, completó las pruebas de validación de datos e integró el CDM directamente con Tableau.
• Análisis y visualización. Iknow analizó los datos para comprender los efectos de la formación específica para los profesionales sanitarios y de la prescripción de terapias de última generación guiadas por biomarcadores, elaborando más de 40 análisis que recogían las características basales de la cohorte de pacientes y médicos —datos demográficos, distribución de los profesionales por especialidad y consulta, distribución geográfica y patrones de coste por edad— junto con los resultados del estudio.

Partes interesadas y colaboración

Iknow trabajó directamente con la dirección de RITMS durante todo el proyecto y se coordinó estrechamente con Horizon Blue Cross Blue Shield of New Jersey y RWJBarnabas Health como los dos socios proveedores de datos del proyecto, en el marco de un estudio financiado por Horizon, Novartis y Rutgers University.

Integrar dos fuentes de datos estructuralmente distintas sin comprometer la privacidad ni la fidelidad

Los datos de reclamaciones y las historias clínicas electrónicas proceden de sistemas, formatos y organizaciones fundamentalmente diferentes, lo que generaba un riesgo real de obtener un conjunto de datos combinado inconsistente si la integración se abordaba sin rigor. Iknow lo resolvió estandarizando todo en el modelo de datos común OMOP —un esquema abierto y estándar en la investigación sanitaria—, implementado en un entorno conforme a la HIPAA dentro de la propia infraestructura de computación para la investigación de Rutgers, y validando cada conversión mediante pruebas específicas de validación de datos antes de iniciar cualquier análisis.

Hacer utilizable un conjunto de datos grande y desconocido para la investigación clínica iterativa

Un conjunto de datos clínicos grande y recién integrado corría el riesgo de convertirse en un entregable analítico puntual en lugar de un recurso que los propios investigadores de RITMS pudieran explorar a lo largo de un estudio de varios años. Iknow lo resolvió traduciendo desde el principio las hipótesis clínicas abiertas en análisis concretamente definidos y ejecutables, e integrando después el CDM directamente con Tableau para que el equipo de investigación pudiera explorar de forma interactiva la creciente biblioteca de análisis en lugar de depender de informes estáticos.

Resultados operativos

• Se elaboraron más de 40 análisis distintos que caracterizaban la cohorte de pacientes con SUA y a los médicos que los trataban, incluidos datos demográficos, distribución geográfica, combinación de especialidades de los profesionales y patrones de coste por edad.
• Se integraron datos en múltiples formatos procedentes de dos organizaciones independientes —que abarcaban datos demográficos, registros de hospitalización, solicitudes de laboratorio, prescripciones y procedimientos— en un único modelo de datos clínicos basado en estándares.
• Se mantuvo un entorno analítico conforme a la HIPAA en la Office of Advanced Research Computing de Rutgers a lo largo de un estudio de demostración de varios años.
• Se publicaron múltiples artículos en revistas académicas.

Resultados estratégicos y organizativos

El proyecto demostró que la formación dirigida a los médicos de atención primaria, combinada con el uso guiado por biomarcadores de terapias biológicas de última generación, podía mejorar la calidad de la atención y reducir el coste total de la asistencia, medido como una disminución de las tasas de utilización de urgencias y hospitalización en los datos de reclamaciones. Aunque el estudio se centró en los asegurados de Horizon con asma persistente grave o no controlada, el programa de formación y el enfoque de analítica de datos subyacentes se diseñaron explícitamente para poder generalizarse a otros sistemas sanitarios y programas de atención gestionada, y para respaldar iniciativas similares de generación de evidencia en otras categorías de enfermedades.

Plazo hasta el impacto

La colaboración de Iknow se extendió durante más de cinco años, lo que refleja la naturaleza longitudinal del estudio de demostración subyacente en lugar de un entregable puntual, y los hallazgos fueron materializándose progresivamente a medida que el entorno analítico maduraba y se acumulaban los datos de la cohorte a lo largo del periodo de estudio.

Competencias principales

• Integración e interoperabilidad de datos sanitarios
• Analítica y visualización de datos clínicos y de reclamaciones
• Diseño de entornos de computación para la investigación
• Apoyo a programas de investigación con múltiples partes interesadas

Métodos y marcos de trabajo

• Implementación del modelo de datos común OMOP
• Metodología de traducción de hipótesis a análisis
• Pruebas de validación de datos y aseguramiento de la calidad
• Diseño de entornos técnicos conformes a la HIPAA

Tecnologías y herramientas

• Tableau (análisis y visualización de datos)
• Talend (integración de datos)
• Microsoft SQL Server y el modelo de datos común OMOP
• Infraestructura de la Office of Advanced Research Computing (OARC) de Rutgers