- Klanterhalen
- Standaardisatie van data in psoriasisonderzoek
Barrières doorbreken in internationaal psoriasisonderzoek door standaardisatie van data

Over het project
Europa bestaat uit veel verschillende landen en bijna allemaal hebben ze hun eigen unieke gezondheidszorgsysteem. De data is gestructureerd en gecodeerd op basis van lokale en landelijke standaarden. Dit maakt het zeer uitdagend om internationaal Europees onderzoek te doen op basis van data-analyse. Om optimaal gebruik van data mogelijk te maken, is het van cruciaal belang om ervoor te zorgen dat de relevante datasets zoveel mogelijk geharmoniseerd zijn. Dit betekent dat alle datapunten hetzelfde meten (ervoor zorgen dat de datasets gestandaardiseerd zijn) en dat de data dezelfde 'taal' spreken.
Het Observational Health Data Sciences and Informatics (OHDSI) programma, een internationaal samenwerkingsverband van meerdere belanghebbenden, heeft The Observational Medical Outcomes Partnership, of het OMOP Common Data Model, ontwikkeld om dit probleem aan te pakken. OMOP is gedefinieerd als een open datastandaard voor de gemeenschap, ontworpen om de structuur en inhoud van observationele data te standaardiseren en efficiënte analyses mogelijk te maken die betrouwbaar bewijs voor effectiviteit van de zorg kunnen opleveren.
Op dit moment wordt OMOP gebruikt door een enthousiaste gemeenschap, maar de dekking is nog steeds beperkt, wat de huidige bruikbaarheid ernstig beïnvloedt. Elk (lokaal) Datapunt moet in kaart worden gebracht en geherstructureerd om in overeenstemming te zijn met OMOP. Dit handmatig doen is extreem tijd- en arbeidsintensief. Automatisering van dit proces vergroot de toepasbaarheid van OMOP aanzienlijk. Om dit op te lossen is LOGEX begonnen aan een project om het in kaart brengen, herstructureren en hercoderen van zorgdata van psoriasispatiënten uit Engeland, Zweden en Nederland te automatiseren.
De uitdaging
Psoriasis is een aandoening waar ongeveer 1,5% van de Europese bevolking aan lijdt. De aandoening kan een diepgaand negatief effect hebben op het leven van patiënten. Om dit te verhelpen is er de afgelopen jaren een groot aantal nieuwe geneesmiddelen op de markt gekomen. Momenteel zijn er meer dan 15 verschillende geneesmiddelen voor de behandeling van gevorderde psoriasis. Als je bedenkt dat deze medicijnen in combinatie met elkaar kunnen worden voorgeschreven, of in veel opeenvolgende volgordes, is het duidelijk dat er een bijna onbeperkt aantal mogelijke zorgpaden is.
Zoveel opties is een recept voor onzekerheid. Het is onduidelijk welk zorgpad het meest effectief is voor specifieke patiëntengroepen. Een evaluatie van real-world data is een goede tactiek om deze kenniskloof te dichten. Maar met het grote aantal zorgpaden is het onwaarschijnlijk dat alle mogelijke zorgpaden in één land worden gebruikt. Het opnemen van data van verschillende landen zal een aanzienlijke waarde toevoegen aan een dergelijk project.
Het European Psoriasis Observatory doet precies dit. Het verzamelt data over diagnostiek, behandeling en uitkomsten van psoriasispatiënten uit vijf verschillende landen om zorgpaden te analyseren en patronen in effectiviteit te vinden voor verschillende patiëntencohorten.
Maar omdat de deelnemende landen verschillende datastructuren, verschillende datapunten en verschillende datatalen gebruiken, is het niet mogelijk om de data simpelweg samen te voegen voor analyse. In plaats daarvan moet de data eerst worden gestandaardiseerd en geharmoniseerd, zodat ze vergelijkbaar en analyseerbaar zijn.
Ervaar het platform zelf.
Wilt u uw data vertalen naar betere zorg?
Onze oplossing
De eerste stap om dit probleem op te lossen was om te scannen welke informatie relevant was. Het team bepaalde welke datapunten uit de beschikbare databronnen indicatief waren voor het gevolgde zorgpad, voor de redenen waarom dit pad werd gekozen (patiëntkenmerken) en voor wat de klinische uitkomst was. Met andere woorden: er werd een standaard dataset ontwikkeld.
Nadat de dataset was gedefinieerd, was het nodig om de verschillende nationale datasets te doorzoeken om te zien waar de relevante datapunten zich verstopten. Ons team begon met het bestuderen van de Engelse, Zweedse en Nederlandse data. Nadat de zoektocht naar alle relevante datapunten was voltooid, werd een gedetailleerde datakaart gemaakt die de precieze locatie van elk relevant datapunt binnen de verzamelde gegevens aangaf.
Deze inventarisatie bracht echter wel enkele inconsistenties tussen de verschillende nationale datasets aan het licht. Een specifiek voorbeeld hiervan is de categorisering van lichttherapie, die per land verschilt (zie onderstaande tabel voor details).

Om dit probleem op te lossen, maakte het team gebruik van SNOMED CT, wat staat voor Systematised Nomenclature of Medicine - Clinical Terms. Dit is een uitgebreid, meertalig terminologiesysteem voor de gezondheidszorg dat is ontworpen om een gestandaardiseerde manier te bieden om medische informatie weer te geven. De verschillende codes voor lichttherapie werden gekoppeld aan de SNOMED CT-code 31394004 - Lichttherapie (procedure). Op deze manier hoeft de analist niet de diepgaande details per land te kennen en kan hij vergelijkingen maken op basis van een iets ondieper informatieniveau.
Voor sommige landen wordt de mapping geleverd door de gezondheidsautoriteiten, maar voor andere landen heeft LOGEX zijn eigen mappings gemaakt, waarbij in sommige gevallen gebruik wordt gemaakt van AI Large Language Models om te helpen bij het proces.
Maar zelfs als deze psoriasis-datakaarten zijn gemaakt, is het nog steeds nodig om de nationale datapunten te transformeren naar het internationale OMOP-formaat. In plaats van dit handmatig per datapunt te doen, ontwikkelden onze data-engineers de 'transformatormachine' waaraan ze eerder werkten voor eerdere real-world dataprojecten verder. Zij zorgden ervoor dat deze automatisch de juiste datapunten in de nationale data kon vinden, geleid door de psoriasis-datakaarten, en deze data vervolgens kon transformeren naar OMOP. Met deze 'transformatormachine' is het Psoriasis Observatory klaar voor de toekomst: alle toekomstige data wordt automatisch gestandaardiseerd en getransformeerd, zodat die kan worden gebruikt voor analyse. De methodologie achter de transformatormachine kan zelfs worden aangepast voor andere therapeutische gebieden.
.png?width=635&height=635&name=image%20(1).png)
De impact
Met de kennis die dit onderzoek oplevert, kan de effectiviteit van trajecten worden gekwantificeerd en kan onzekerheid worden verminderd. In plaats van dat artsen hun patiënten door een proces van vallen en opstaan moeten leiden, hebben ze nu een veel beter geïnformeerde manier om snel een gunstig klinisch resultaat te bereiken. Dit is beter voor de patiënt, beter voor de arts en beter voor de maatschappij.
.png?width=635&height=635&name=image%20(1).png)
Krijg duidelijkheid en controle om betere beslissingen te nemen.
Heb je vragen over het benutten van datagestuurde inzichten voor betere financiële analyses of wil je advies? Laat onze experts, zoals Sarah, helpen.
Zij antwoorden binnen 48 uur op werkdagen.
