Andmetest räägitakse praegu rohkem kui kunagi varem: haigestunute, haiglaravil olijate, intensiivravi ja kunstlikku hingamist vajajate ning ka surnute arvust.

Nende andmete põhjal tehakse arvutusi, ennustusi ja ka kiireid kriisiotsuseid. Nii tervishoiukorralduslikke kui ka laiemaid, meie kõigi igapäevaelu mõjutavaid otsuseid.

Kombineerides muu maailma kogemuse ja Eesti numbrid, on välja arvutatud ka võimalikud koroonale kaotatud eluaastad – seda juhul, kui valiksime viiruse leviku takistamiseks karjaimmuunsuse tee. Karjaimmuunsuse saavutamine kujuneks Eestile aga väga kalliks.

Reaaleluliste andmete põhjal saab teha õigeid otsuseid

Nagu on kirjutanud ka matemaatik Krista Fischer, on viiruse leviku piiramiseks ja uute kollete kiireks lokaliseerimiseks vaja väga korralikku, kvaliteetsetel ja kiiresti laekuvatel andmetel tuginevat seiresüsteemi, kuhu laekuks andmed nii uute nakatunute kui juba antikehadega inimeste kohta. Samuti on kasu erinevatest kontaktide jälgimise süsteemidest, et aru saada, kus tekib potentsiaalne nakkusoht.

Sellise seiresüsteemi saamiseks vajame nn reaalelu andmeid ja seda dünaamiliselt – reaalajas. Reaaleluliste (kiirete ja jooksvate) andmete vajadus on silmatorkavalt suur kriisis, aga ka tavaolukorras ja seda järjest rohkem: peame suutma teha õigeid otsuseid, et tervishoiusüsteemid ja -korraldus suudaks reageerida kasvavatele vajadustele ja ootustele, peame olema suutelised valima kiiresti arenevate lahenduste seast parimad ja tõhusamad.

Mis on reaalelulised andmed?

Reaalelulisi andmeid (ingl real-world data, RWD) kogutakse tervishoius patsiendi tervise kohta mitmetest andmeallikatest ja seda väljaspool traditsioonilisi kliinilisi uuringuid (ravimite kasutamise uuringud andmete kogumiseks – ravimiameti definitsioon).

Reaalelulised andmed aga baseeruvad tavapärasel kliinilisel praktikal ning andmeallikaid reaaleluliste andmete saamiseks on tervishoius neli: kliinilised andmed (haiguslood, tervisekaardid), administratiivsed andmed (arved, aruanded, haiguspõhised registrid), patsientide raporteeritud andmed ja tervisega seotud digitaalsed allikad.

Näiteks: rinnavähk tundub üheselt mõistetav haigus – tegemist on pahaloomulise kasvajaga rinnas. Tegelikult on aga rinnavähk mitmepalgeline erinevate varjunditega haigus. Keda huvitab rinnavähi variatiivsus detailsemalt, saab otsida näiteks kampaaniat #MyShadeofPink.

Rinnavähiga patsiendi teekonnaga diagnoosist ravini saab tutvuda siin.

Rinnavähi diagnoosiga naine läbib diagnoosimise, ravi, järelravi, tervistumise ja vahel kahjuks ka uuesti haigestumise (metastaseerumise) käigus kümneid erinevaid protseduure, analüüse ja uuringuid, mille kohta tekib ka tohutul hulgal andmeid.

Andmed salvestatakse paljudesse erinevatesse baasidesse

Kõik protseduuride ja analüüside andmed dokumenteeritakse haigusloos (lugudes) – need on kliinilised andmed. Piltdiagnostika salvestub pildipanka. Diagnostika ja ravi käigus genereeritakse raviarveid, mis saadetakse haigekassasse, kus need talletatakse raviarvete andmebaasi. Selliseid andmeid võib nimetada administratiivandmeteks.

Lisaks saadetakse teatis vähiregistrile: kui naine kuulus “sihtgruppi” ja käis korralikult sõeluuringul, siis on tema andmed olemas ka sõeluuringute registris, mis kuulub Tervise Arengu Instituudi haldusalasse. Ravi käigus kasutatud retseptiravimitest jäävad andmed digiregistratuuri, mis on ka omamoodi administratiivandmestik.

Lisaks: kõigil Eesti täiskasvanud inimestel on olnud võimalus hakata geenidoonoriks. Kui too rinnavähi patsient on ka geenidoonor, siis on geenivaramus tema kohta andmed, mis sisaldavad põhjalikku tema elu ja tervise anamneesi.

Järjest rohkem ja suuremat rolli hakkavad kõigele eelnevale lisaks mängima ka andmed, mida salvestatakse personaalsetesse terviserakendustesse nutiseadmetes. Neid andmeid saab jagada teiste seadmetega, sh tervishoiusüsteemi osalistega, aga ka sotsiaalmeedias. Ja viimaks: suureneb ka patsientide raporteeritud näitajate hulk, mis kirjeldab nii tervisetulemit kui ka rahulolu tervishoiuteenuse ja -süsteemiga.

“Üks suurimaid väljakutseid tänapäevase arstiabi korralduses on patsiendi kohta kogutud digitaalse info killustatuse vähendamine eri tervishoiuettevõtete infovahetuses. Arsti jaoks on patsiendi seisundist ülevaate saamine sageli keeruline, sest andmed asuvad eri andmebaasides ning arst või mõni teine spetsialist peab nende kättesaamiseks sisse logima mitmesse infosüsteemi.” (Peeter Ross, Raul Mill, 2013)

Kuidas me jõuaksime etappi meditsiin 2.0?

Reaaleluliste andmete erinevatesse andmebaasidesse, registritesse ja andmepankadesse kogumist tehakse eesmärgiga kasutada andmeid analüüside ja uuringute tegemiseks. Kui selliseid andmeid analüüsida ja sünteesida, nendest järeldusi teha, saame tõendusmaterjali, mis baseerubki päris elust saadud andmetel ja seda nimetatakse reaaleluliseks tõenduseks (või tõendusmaterjaliks, ingl real world evidence – RWE).

Traditsioonilistest kliinilistest uuringutest saadakse infot meditsiinitoodete ohutuse ja efektiivsuse, samuti ravitoimega seotud bioloogiliste mehhanismide kohta. Ka saab klassikalistest kliinilistest uuringutest meditsiinitoodete müügi- ja kasutusloa eelsel hindamisel ning järeluuringutes olulisi usaldusväärseid tõendeid ravi tõhususe/efektiivsuse (efficiency) kohta.

Kliinilised uuringud on olnud kaasaegse meditsiini kujunemisel asendamatud ja väga oluline etapp ravimiarendusel, samuti oluline infoallikas nii arendajale, arstidele kui lõpuks ka patsientidele.

Sellistesse kontrollitud randomiseeritud uuringutesse kaasatud uuringgrupp võib aga oluliselt erineda reaalelus ette tulevatest haigetest, samuti ei pruugi sel olla palju seost reaalse raviolukorraga meditsiiniasutuses või kodus. Lisaks saab kliinilistest uuringutest vähe andmeid uuritava ravimi toimest kaasuvate haiguste korral ning koostoimetest kaasuvate haiguste ravi puhul kasutatavate ravimitega.

Reaalelulised andmed on hindamatu väärtusega, et hinnata ravimite jt meditsiinivahendite mõjusust/toimivust (effectiveness) kliinilises praktikas.
Seepärast on väga oluline tervishoiuvaldkonnas astuda samm edasi kliiniliste uuringute infost ning kasutada neile lisaks ka reaalelu andmetest järeldatud reaalelulisi tõendeid.

Andmeid kombineerides saab efektiivsemalt üldistada

Täiendades traditsiooniliste kliiniliste uuringute andmeid reaalelu tõendusmaterjaliga, on võimalik tulemusi efektiivsemalt üldistada: me saame 2.0 andmetest välja selgitada haigete edusamme ning seda, mida patsiendid ravi(mi)lt vajavad või soovivad ja ootavad. Samuti võib reaaleluliste andmete analüüs aidata paremaks muuta patsientide terviklikku raviteekonda, lisades näiteks logistikaanalüüsi, integreerides ka rehabilitatsiooni ja hooldusteenused, mis võiksid olla määravaks parima tervisetulemi saavutamiseks.

Vähem on ka teada fakt, et suurte kliiniliste uuringute läbiviimine on aasta-aastalt läinud keerulisemaks, sest ravimid ja ravimeetodid on muutunud üha spetsiifilisemaks, personaalsemaks – sobivate patsientide leidmine uuringutesse on üha keerulisem. Näiteks toosama rinnavähk, mille puhul on uuringud näidanud, et 80% patsientidest esinevad rinnavähi biopsial tuvastatavad kliiniliselt olulised genoomsed muutused.

Või näiteks kolmiknegatiivse rinnavähi korral, mida esineb 10–20% rinnavähipatsientidest, on uue metoodikaga võimalik tuvastada mitmeid ravitundikke kasvaja teket ajendavaid mutatsioone. Ravitundlikule mutatsioonile õige ravimi leidmine eeldab esmalt täppisdiagnostikat, et välja selgitada täpne vähimutatsioon ja seejärel uuringuid ravimitega, et kinnitada nende tõhusus.

Eestile kohandatult on selliste patsientide arv vastavalt umbes 40 ja 70. Nende patsientide ülesleidmine ja uuringutesse kaasamine on kulukas ja aeganõudev, nagu ka uuringutest olulise efektiivsustulemuse (üldine elulemus, progressioonivaba elulemus, tervenemine) saamine. Ravimitele müügiluba andvad asutused (Euroopa ravimiamet ja Ameerika toidu- ja ravimiamet) aktsepteerivad juba ka uuringuid, kus kasutatakse võrdlusgrupina reaalelu andmeid ja tõendusmaterjali.

Õige ravi õigele patsiendile

Arenduskulud ja arendusprotsessi õnnestumine on seotud ka ravi hinnaga: piiratud patsientide arv, uuringute kestus (aeg tulemuse saamiseks) ja keerukus tõstab paratamatult uuringute läbiviimise kulutusi. Võtame näiteks sama rinnavähipatsiendi: tema raviteekonna reaalelu andmeid analüüsides saame hinnata iga etapi kestust, kulukust ja tulemuslikkust.

Kõrvutades erinevatest asutustest pärinevaid andmeid, saame analüüsida kasutatud ravitaktikate tulemuslikkust ja ratsionaalsust. Näiteks võib vähiravi toimida erinevates populatsioonides erinevalt ja meie ravimihüvitiste skeemid peaksid olema üles ehitatud nõnda, et võimaldaksid maksta selle eest, mis ka päriselt töötab – ehk õige ravi õigel patsiendil õigel ajal.

Tervishoiukorralduse seisukohast on olulised ka analüüsid, mis näitavad haiguse levimust, haiguse erinevaid vorme, diagnoosimise kiirust ja veel palju muud, mille alusel hinnata, millisesse raviteekonna etappi mis ressurssi panustada, et vähendada haiguskoormusest tulenevat kulu riigile, vähendada enneaegset suremust ja vähile kaotatud elu- ning tööaastaid.

Reaalelu tõendite kasutamine võimaldab teadlastel neile küsimustele vastata tõhusalt, säästes aega ja raha, võrreldes sellega, kui vastuseid otsitakse vaid spetsiaalsetes uurimiskeskkondades.

Kes selle kõik kinni maksab?

Iga ülalkirjeldatud andmeallikat saab kasutada mingi tervishoiusüsteemi funktsiooni hindamiseks. Kõikide osapoolte ühine huvi peaks olema tervishoiu toimimise tõhusamaks muutmine ning analüütiliste andmete kasutamine annab selleks väga hea võimaluse.

Suurima kasu saab tervishoiusüsteem, kui tekib võimalus kasutada kogutud andmeid ühtselt, integreerides andmed erinevates allikatest ühisesse analüüsi. Parimate ravipraktikate analüüsimiseks peaksime kasutama andmeid nii e-haiguslugudest, haiglate andmebaasidest, digiretseptuurist kui ka haigekassa arvete andmebaasist. Haiglates, perearstide poolt ja teistes tervishoiusasutuses teostatud tervishoiuteenuste andmestiku põhjal saab hinnata erinevaid patsiente kirjeldavaid kriteeriume, sealhulgas ka ressursside kasutamise otstarbekust ja hinda.

Tervishoiuteenuste ja ravi kulukuse hindamiseks on olulisim haigekassa arvete andmebaas, kuhu saab kliinilisi andmed liites hinnata patsiendi teekonda, ravi tulemuslikkust ja ka hinda. Me oleme hakanud rääkima inimesekesksest tervishoiust ja patsiendikesksest meditsiinist ja/või personaalmeditsiinist, kuid suurest pildist on veel puudu patsientide/inimeste poolt raporteeritud tulemused. Patsiendi raporteeritud tulemused on samuti olulised, sest peame muu hulgas arvesse võtma ka patsientide ootusi ravile ja raviasutustele kindlaid teenuseid tarbides.

Ravimite eest tasumise kokkulepped ravimitootjate ja haigekassa (rahastaja) vahel on üks näide, kus reaalelu andmed ja reaalelu tõendid on vältimatult vajalik info: ravimitootjate ja rahastajate vahelisi lepinguid uute ravimite rahastamisel nimetatakse nii riski-kulujagamise kokkulepeteks kui tulemuspõhisteks rahastamislepinguteks. Sisult tähendavad lepingud, et rahastaja tasub ainult tulemusliku teenuse eest.

Et ravimi toimet ja ravi tulemuslikkust hinnata, on vaja reaalajas andmeid dünaamiliselt. Mõlemal puhul hinnatakse ravi tulemuslikkust iga patsiendi puhul eraldi. Kokkulepete ja lepingute realiseerimist komplitseerib asjaolu, et tulemused peavad olema üheselt arusaadavad ja ligipääsetavad mitmele osapoolele ning tagatud peab olema privaatsus.

Peamiseks arengupiduriks on hirm uue ees

Reaalelu andmed ja tõendid ei ole midagi uut: neid on kasutatud varem ja kasutatakse pidevalt (retrospektiivsed analüüsid, registrid). Muutuvas maailmas on aga küsimuseks andmete kiirem ja dünaamiline kasutamine.

Nähtavaks takistuseks reaalelu tõendusmaterjali laialdasemaks kasutamiseks on praegu püsiv konsensus, et randomiseeritud kontrollitud uuringud on meditsiinitoodete ja ravimeetodite tõhususe ja ohutuse tõendamise kuldstandard: nii oleme teinud, see on andnud häid tulemusi ja nii teeme ka edasi. Hirm, millest tuleb ühiselt üle saada, on et uudsed analüütilised andmekogumisviisid ei ole usaldusväärsed.

Kliinilised uuringud on kindla peale minek: uuringuid tehakse kontrollgruppides, topeltpimedate katsetega jmt, mida reaalelu tõenditega ei ole võimalik tagada. Standardiseeritult kogutud andmed annavad võimaluse uuringut korrata ja sellega tulemuste usaldusväärsust tõsta, reaalelu on reaalne elu ning seda korrata sisuliselt pole võimalik, ainult uusi andmeid lisaks hankida.

Oluline on ühtlustada nõuded

Õnneks tunnistavad spetsialistid üle maailma aina enam, et kontrollitud randomiseeritud uuringud üksi ei suuda nii mõneski osas anda piisavalt infot kvaliteetse tervishoiuteenuste osutamiseks.

Praegu on reaalelu andmetele ligipääs tihti ka piiratud ning andmete kvaliteet ebaühtlane, kuna andmete kogumise poliitika on eri riikides väga erinev ning killustatud. Seda näitab kahjuks ka käimasoleva pandeemia rahvusvaheline statistika.

Andmete kvaliteedi tagamiseks on oluline edendada arstide seas andmete kogumise tõhusust ja kvaliteetset sisestust andmebaasi. Samuti ühtlustada eri riikides kehtivad nõuded ning luua kvaliteedi- ja kasutusstandardid. Vaid nii on lootust luua andmebaasid, mida saaks kasutada ka teadusuuringutes.

Matemaatik professor Krista Fischer: andmete kasutamine ja ühilduvad andmebaasid peaks olema riigi prioriteet.

Miks on reaalelulisi andmeid ja tõendusmaterjali vaja?
Andmeid, nii reaalelulisi andmeid kui nende põhjal tuletatud reaalelulist tõendusmaterjali on vaja näiteks siis, kui soovitakse midagi prognoosida, kui riigi tasandil on vaja vastu võtta mingeid otsuseid. Lähiajast võib näiteks tuua kas või vajaduse otsustada seoses koroonahaiguse levikuga see, kas ja millal kehtestada riigis eriolukord. Ja siit edasi – millal meetmeid leevendada.

Sellisel juhul on vaja väga kiiresti väga häid andmeid, ülevaadet hetkeolukorrast, infot kui palju on nakatunuid, milline on trend – kas haigestunute arv on suurenenud või vähenenud. Ning vaja on vaadata erinevaid andmeid kompleksselt. Seda seetõttu, et need annavad natuke erinevalt infot. Näiteks see, kui palju näeme COVID-19 positiivseid teste, sõltub ju ka sellest, kui palju ja keda on parasjagu testitud.

Samal ajal number, kui palju on inimesi haiglaravil, on mitmeski mõttes samuti hea näitaja, sest isegi erineva testimise korral jõuab alati sama protsent haigestunutest haiglatesse. Teistpidi aga peegeldab sama info ka seda, kui suur on nakatuvus suurema riskiga gruppide (näiteks vanemaealiste) seas.

Infot nakatumise kohta aga näeme juba hilinemisega, sest kui nakatumine toimub, läheb veel üle nädala, enne kui haigus võtab sellise pöörde, et inimene jõuab haiglasse. Need andmed on erineva kaaluga, kuid loomulikult on hea näha kõiki andmeid võimalikult operatiivselt. Veel parem oleks, kui saaksime samade inimeste kohta käivaid erinevaid andmeid näha n-ö kokkuviiduna ehk kuidas on kulgenud aegrida (millal nakatus, millal tekkisid haigusnähud, millal tehti positiivne test jne) igal konkreetsel inimesel. Sel moel suudaksime paremini prognoosida tulevikku.

Kas reaalelulised andmed ja tõendusmaterjal on olulised ka näiteks vaktsiinide arendamisel ja kasutusse võtmisel?
Jah, ma usun küll, sest kui kättesaadavaks peaks osutuma näiteks koroonahaiguse vaktsiin, ei ole see ilmselt kohe kättesaadav kõigile patsiendigruppidele. Kuid selleks, et otsustada, missuguse grupi vaktsineerimine annab kõige suurema efekti, kes kõigepealt vaktsineerida, tuleb andmed kindlasti mingile prognoosimudelile kokku viia.

Kas Eestis olemasolevad digiandmebaasid võimaldavad sellist analüüsi?
Arvan, et juba võimaldavad küll. Kui koroonakriisi alguses oli andmete kättesaamise ning andmebaaside ühilduvusega pisut probleeme, siis praegu ühildumine juba toimib. Andmetega tegelemine on õigete inimesteni jõudnud ja arvan, et kui süsteemid juba kord olemas on, siis küllap need ka toimima jäävad. Loodetavasti saame mõelda veel laiemalt ning kasutada baase mitte ainult koroonahaigusest lähtuvalt, vaid ka arvestades ja jälgides teisi tervishoiuvajadusi.

Koroonahaigus ei ole ju sugugi esimene nakkushaigus, mis Eestis ja üldse maailmas olemas on. Kas või näiteks gripi seire võiks tegelikult toimida pisut paremini.

Kas andmete kasutamine ja head, ühilduvad andmebaasid peaks olema riigi prioriteet?
Kindlasti peaks see olema senisest prioriteetsem. On oluline, et riiklikud otsused baseeruksid andmetele. Samas – meie statistikaamet teeb juba praegu head tööd ning paljud asjad on meil andmetega tegelikult ka hästi. Näiteks erinevate andmete registreerimine toimub üsna kiiresti. Siin võib näiteks tuua kas või koroonasurmade registreerimise, mis meil on üsna operatiivne, mitte suure ajanihkega nagu Suurbritannias.