International Journal of Integrated Care (Jun 2022)
How can Big Data Analytics Support People-Centred and Integrated Health Services: A Scoping Review
Abstract
Introduction: Health systems in high-income countries face a variety of challenges calling for a systemic approach to improve quality and efficiency. Putting people in the centre is the main idea of the WHO model of people-centred and integrated health services. Integrating health services is fuelled by an integration of health data with great potentials for decision support based on big data analytics. The research question of this paper is “How can big data analytics support people-centred and integrated health services?” Methods: A scoping review following the recommendations of the Preferred Reporting Items for Systematic Reviews and Meta-Analyses – Scoping Review (PRISMA-ScR) statement was conducted to gather information on how big data analytics can support people-centred and integrated health services. The results were summarized in a role model of a people-centred and integrated health services platform illustrating which data sources might be integrated and which types of analytics might be applied to support the strategies of the people-centred and integrated health services framework to become more integrated across the continuum of care. Additional rapid literature reviews were conducted to generate frequency distributions of the most often used data types and analytical methods in the medical literature. Finally, the main challenges connected with big data analytics were worked out based on a content analysis of the results from the scoping literature review. Results: Based on the results from the rapid literature reviews the most often used data sources for big data analytics (BDA) in healthcare were biomarkers (39.3%) and medical images (30.9%). The most often used analytical models were support vector machines (27.3%) and neural networks (20.4%). The people-centred and integrated health services framework defines different strategic interventions for health services to become more integrated. To support all aspects of these interventions a comparably integrated platform of health-related data would be needed, so that a role model labelled as people-centred health platform was developed. Based on integrated data the results of the scoping review (n = 72) indicate, that big data analytics could for example support the strategic intervention of tailoring personalized health plans (43.1%), e.g. by predicting individual risk factors for different therapy options. Also BDA might enhance clinical decision support tools (31.9%), e.g. by calculating risk factors for disease uptake or progression. BDA might also assist in designing population-based services (26.4% by clustering comparable individuals in manageable risk groups e.g. mentored by specifically trained, non-medical professionals. The main challenges of big data analytics in healthcare were categorized in regulatory, (information-) technological, methodological, and cultural issues, whereas methodological challenges were mentioned most often (55.0%), followed by regulatory challenges (43.7%). Discussion: The BDA applications presented in this literature review are based on findings which have already been published. For some important components of the framework on people-centred care like enhancing the role of community care or establishing intersectoral partnerships between health and social care institutions only few examples of enabling big data analytical tools were found in the literature. Quite the opposite does this mean that these strategies have less potential value, but rather that the source systems in these fields need to be further developed to be suitable for big data analytics. Conclusions: Big data analytics can support people-centred and integrated health services e.g. by patient similarity stratifications or predictions of individual risk factors. But BDA fails to unfold its full potential until data source systems are still disconnected and actions towards a comprehensive and people-centred health-related data platform are politically insufficiently incentivized. This work highlighted the potential of big data analysis in the context of the model of people-centred and integrated health services, whereby the role model of the person-centered health platform can be used as a blueprint to support strategies to improve person-centered health care. Likely because health data is extremely sensitive and complex, there are only few practical examples of platforms to some extent already capable of merging and processing people-centred big data, but the integration of health data can be expected to further proceed so that analytical opportunities might also become reality in the near future. Abstrakt Einleitung: Gesundheitssysteme in entwickelten Ländern stehen vor vielen Herausforderungen in Bezug auf die Verbesserung von Qualität und Effizienz, die zum Teil nur durch Veränderungen auf der Systemebene bewältigt werden können. Die Versorgung im Einklang mit den Bedürfnissen von Personen zu gestalten ist der zentrale Gedanke des WHO-Modells der personen-zentrierten und integrierten Versorgung (people-centred and integrated health services). Die Integration der Gesundheitsversorgung wird zusätzlich durch die Integration von Gesundheitsdaten mit enormen Potenzialen zur Entscheidungsunterstützung durch die Analyse von Big Data vorangetrieben. Die Forschungsfrage dieser Arbeit ist „Wie kann die Analyse von Big Data eine personenzentrierte und integrierte Gesundheitsversorgung unterstützen?“ Methoden: Es wurde ein Scoping Review gemäß „Preferred Reporting Items for Systematic Reviews and Meta-Analyses – Scoping Review (PRISMA-ScR)“ durchgeführt, um Informationen zusammenzutragen, wie Big Data Analysen eine personen-zentrierte und integrierte Versorgung unterstützen können. Sämtliche Ergebnisse wurden in einem Modell einer personen-zentrierten und integrierten Gesundheitsplattform zusammengefasst, die veranschaulicht, welche Datenquellen integriert und welche analytischen Modelle darauf angewendet werden könnten, um Strategien zu unterstützen, die darauf ausgerichtet sind, eine personen-zentrierte Versorgung voranzutreiben. Übersichtsartige Rapid Reviews wurden genutzt, um Häufigkeitsverteilungen der zum Zeitpunkt der Durchführung dieses Reviews am häufigsten verwendeten Datentypen und analytischen Methoden zur Analyse von Big Data in der medizinischen Literatur zu erstellen. Außerdem wurden die am häufigsten erwähnten Herausforderungen im Zusammenhang mit der Analyse von Big Data im Gesundheitswesen auf Basis einer Inhaltsanalyse der Artikel aus dem Scoping Review herausgearbeitet. Ergebnisse: Basierend auf den Ergebnissen der Rapid Reviews sind die derzeit am häufigsten genutzten Datenquellen für Big Data Analysen (BDA) im Gesundheitswesen genetische Biomarker-Daten (39,3%) und Daten der medizinischen Bildgebung (30,9%). Die am häufigsten genutzten analytischen Methoden sind Support Vector Machines (27,3%) und neurale Netzwerke (20,4%). Das WHO-Modell der personenzentrierten und integrierten Versorgung definiert verschiedene strategische Interventionen. Um sämtliche Aspekte dieser Interventionen unterstützen zu können, sollte die Datenintegration ähnlich umfassend ausfallen. Das im Zuge dieser Publikation entwickelte Modell der Integration von Gesundheitsdaten wird als „personen-zentrierte Gesundheitsplattform“ bezeichnet. Die Ergebnisse des Scoping Reviews legen nahe, dass, sofern ein Zugriff auf integrierte Daten möglich ist, die darauf basierenden BDA genutzt werden könnten, um (bessere) individualisierte Gesundheitspläne zu erstellen (43,1%), z.B. durch Prädiktion persönlicher Risikofaktoren in Bezug auf verschiedene Therapieoptionen. Außerdem könnten BDA klinische Systeme der Entscheidungsunterstützung erweitern und verbessern (31,9%), z.B. durch die Berechnung von Risikofaktoren für Krankheitsentstehung oder -entwicklung. Zusätzlich könnten BDA hilfreich für die Ausgestaltung populations-basierter Modelle der Gesundheitsversorgung (26,4%) sein, etwa durch Kategorisierung von Personen in vergleich- und steuerbare Risikogruppen, die u.a. von speziell ausgebildeten, nicht-medizinischen Spezialisten betreut werden könnten. Die am häufigsten erwähnten Herausforderungen im Zusammenhang mit BDA im Gesundheitswesen wurden in regulatorisch-gesetzgeberische, (informations-)technologische, methodische und kulturelle Aspekte kategorisiert, wobei die methodischen Herausforderungen am häufigsten erwähnt wurden (55,0%), gefolgt von regulatorischen Herausforderungen (43,7%). Diskussion: Die Ergebnisse dieses Reviews basieren ausschließlich auf Erkenntnissen, die bereits veröffentlicht wurden. Für einige wichtige Komponenten des WHO-Modell einer personen-zentrierten Versorgung wie z.B. der verstärkten Bedeutung wohnortnaher Versorgungsangebote oder der Etablierung von Kooperationen zwischen Institutionen der Gesundheits- und Sozialversorgung wurden nur wenige Beispiele in der Literatur gefunden, wie diese Aspekte durch die Auswertung von Big Data verbessert werden könnten. Dies soll nicht den Anschein erwecken, dass diese Interventionen einen geringeren strategischen Wert haben, sondern es ist eher ein Indiz dafür, dass die Datenquellen in diesen Bereichen noch weiterentwickelt und integriert werden müssen, um Big Data Analytics zu ermöglichen. Schlussfolgerung: BDA können die Interventionen einer personen-zentrierten und integrierten Versorgung unterstützen, z.B. durch Risikostratifizierung oder durch Prädiktion individueller Erfolgs- und Risikofaktoren. Aber derzeit sind BDA noch nicht in der Lage ihr volles Potenzial zu entfalten, da die Quellsysteme von Gesundheitsdaten größtenteils nicht verknüpft bzw. integriert sind und politisch zu wenig Anreize für die Entwicklung personen-zentrierter Gesundheitsplattformen gesetzt werden. Diese Arbeit beleuchtete die Potenziale von Big Data Analysen im Zusammenhang mit dem Modell einer personenzentrierten Gesundheitsversorgung, wobei das Modell der personen-zentrierten Gesundheitsplattform als Blaupause zur Unterstützung von Strategien zur Verbesserung personenzentrierter Gesundheitsversorgung genutzt werden kann. Aufgrund der Komplexität und Sensibilität von Gesundheitsdaten gibt es nur wenige Beispiele von Gesundheitsplattformen, die bereits sämtliche Typen von personenzentrierten Gesundheitsdaten für Big Data Analysen integrieren, aber es darf erwartet werden, dass die Integration von Gesundheitsdaten weiter voranschreiten wird, so dass auch die analytischen Anwendungen in naher Zukunft eine echte Unterstützung der Versorgungsrealität werden können. Schlüsselwörter: Big Data; Integrierte Versorgung; personenzentrierte Versorgung; Datenanalyse; Gesundheitsplattform; Machine Learning
Keywords
