在抗擊COVID-19大流行中，學術機構、醫保機構、知名智庫應用來自于真實世界數據的信息，分析醫療資源利用率、人群健康、干預效果，從而更有效地調配資源。

根據FDA的定義，真實世界數據（real world data，RWD）指從傳統臨床試驗以外的其它來源獲取的信息；借助于RWD，醫藥行業可以深入了解患者健康狀況或醫療照護情況。在抗擊COVID-19大流行期間，通過從患者調研、電子病歷（EHR）中采集的信息，結合對既往疫情暴發和醫院收容能力的研究，醫藥行業正在借助RWD的力量，幫助領導者根據判斷，做出關鍵決策。

洞悉醫療資源利用率，合理配置醫院收治能力

COVID-19疫情使許多醫院面臨著前所未有的醫療資源壓力，尤其是對重癥患者的醫療照護方面。對于木桶效應，大家并不陌生。一只木桶能裝多少水，并不取決于最長的桶板，而是取決于最短的桶板。抗疫的道理亦然。因此，找出收治能力低的地區，非常重要。一些組織正在通過RWD監控醫院利用率和收治能力數據。

總部位于馬里蘭州的Definitive Healthcare公司，最近與從事地理信息系統（GIS）地圖和智能定位的Esri公司合作，啟動了一個交互式數據平臺。平臺用戶可跟蹤全美的病床容量以及潛在的地理風險區域，顯示全美病床床位、ICU床位位置和數量分布，同時還提供總床位利用率信息。

一些機構利用RWD設計建模工具，幫助醫院和衛生系統為重癥監護計劃做好準備。今年4月7日，《內科學年鑒》（Ann Intern Med）發表賓夕法尼亞大學醫療體系（Penn Medicine）Gary E. Weissman醫生和同事的論文，該團隊開發的工具，用于預測最佳和最壞情況下，臨床需求的激增以及新冠病毒對醫院容量的影響。研究團隊采用可公開獲取的COVID-19流行病學數據和來自賓州的多家醫院的臨床結果數據，來構建模型。研究團隊表示，通過醫療衛生系統臨床和運營負責人與數據科學團隊的密切協作，能夠根據來自世界各地發布的數據，迅速探究相關情況，為相應部署提供依據。

知名智庫蘭德公司（RAND Corporation），創建了一個類似模型。研究人員開發了一種交互式工具，使決策者可以估算當前的收治能力，探索優化、提高收治能力的策略。

蘭德公司的開發小組回顧了既往疫情暴發和與抗擊COVID-19經驗的文獻，調研奮戰在抗疫一線的臨床醫生，與多個急救醫療服務提供方舉行了虛擬圓桌會議。蘭德公司研究小組表示，對這些重癥監護容量的估計，可以為跨區域重癥監護資源共享提供信息，滿足從需求較少區域到需求較大區域的資源調配需求。“鼓勵醫院負責人、地區和州官員使用此工具，根據相關社區數據的假設，探討重癥監護容量創建策略。”

識別高風險人群，為亟需者施以援手

采集、分析RWD，可用于識別、確定COVID-19大流行期間風險最高的人群。醫療補助責任機構Medical Home Network（MHN），通過找出哪些患者正在遭受社會孤立來識別確定易感個體。該機構的工作人員通過了解受訪者是否獨居，無家可歸，是否在生病時有其它人士施以援手，來確定亟需幫助的高風險弱勢群體。

該組織還利用人工智能與機器學習，來識別哪些患者屬于因COVID-19入院治療的高風險人群，哪些患者屬于呼吸系統疾病引起的無關并發癥人群。確定哪些患者有可能因呼吸衰竭或COVID-19入院，哪些患者與社會隔絕，最終確定應該首先對哪些患者伸出援手。

其它多家機構正在采集患者數據，以更好地了解COVID-19風險因素。內華達州健康計劃（Healthy Nevada Project）的研究人員進行了一項人口健康研究，結合遺傳、臨床和環境數據，目前正在納入知情同意的參與者的COVID-19數據。

在該組織開展的一項在線調研中，研究參與者回答13項問題，提供了可能的COVID-19暴露或風險的信息，包括近期出行、參加大型公共活動，以及受訪者自己是否覺得有病毒感染相關癥狀的信息。“研究人員在不到一周的時間內提供的數據，使我們能夠發現社區內的風險因素，并采取有針對性地響應行動。”項目負責人Joseph Grzymski博士表示。

州一級的政府機構也正在利用RWD來證明COVID-19對某些社區的影響。伊利諾伊州公共衛生局（IDPH）通過按照郵政編碼發布COVID-19病例，使大家能夠了解病毒對該州不同地區的影響程度和方式。這些信息可以幫助領導人認識到哪些地理位置可能需要更嚴格的干預措施，哪些地區擁有更多的重癥監護資源。

追蹤成功干預方法，為后續行動提供有用信息

隨著確診的COVID-19病例數繼續攀升，全美各州都行動起來，采用嚴格的干預方法來遏制傳播。保持社交距離，已在全美社區廣泛采用，研究者已開始研究這些方法的潛在影響。

德克薩斯大學醫學中心（UTHealth）的一個研究團隊，采用AI工具確定，是否需要更嚴格、迅速的干預措施，減少冠狀病毒在休斯頓地區更廣傳播。研究者根據中國和意大利的COVID-19案例開發了該模型，計劃將模型應用于全球150個國家。研究人員首先在州一級使用該模型，在包括休斯頓在內的德州都市區使用。

UTHealth公共衛生學院院長、M. David Low公共衛生講習教授Eric Boerwinkle博士表示，盡管相關數字和細節繁雜，但已經確認了兩個結果非常一致的模式：早期干預效果更好；更嚴格的干預比不嚴格的干預效果更好。

斯坦福大學的研究人員開發了一個數據驅動工具，用于評估諸如保持社交距離、隔離等干預措施的可能結果。該模型顯示不同假設場景情況下的潛在軌跡（前饋），而非特定位置的精確動態（反饋）。模型架構能夠確定實施不同類型、強度和持續時間的干預措施，并顯示這些干預措施如何影響病毒隨時間的傳播。研究團隊正考慮在將來加入其它干預措施和方案，包括追蹤接觸者，相關方法的有效性，取決于檢測能力、死亡率、住院率、目標人群的年齡結構等。課題負責人，從事傳染病生態學研究的Erin Mordecai博士表示，希望就長期響應的結果展開范圍更廣的討論。“我們擔心一旦取消控制措施，該病就可能迅速傳播。”

業界依據RWD，分析醫療資源利用率、人群健康、干預效果，從而更有效地調配資源。隨著抗擊COVID-19大流行的形勢不斷發展變化，運用RWD，將有助于醫療保健領域的領導者做出關鍵決策，減輕病毒的影響。對新冠病毒的追蹤、控制和深入了解，將在很大程度上取決于行業依據既往和當前的真實世界信息的學習掌握能力。(生物谷世聯博研Bioexcellence）

小編推薦會議 2020（第四屆）RWE真實世界研究峰會

http://meeting.世聯博研Bioexcellence/2020RWE？__token=liaodefeng