BMC Malattie infettive volume 22, Numero articolo: 344 (2022 ) Cita questo articoloIl Centro per la prevenzione e il controllo delle malattie (CDC) di Yinzhou in Cina ha implementato una piattaforma di big data sanitaria integrata (IHBDP) che ha riunito i dati sanitari degli operatori sanitari per combattere la diffusione di malattie infettive, come la febbre dengue e la tubercolosi polmonare (TB), e identificare le lacune nell'adozione delle vaccinazioni tra i bambini migranti.L'IHBDP è composto da dati medici provenienti da cliniche, cartelle cliniche elettroniche, controlli medici annuali dei residenti e registri delle vaccinazioni, nonché dati amministrativi, come i registri degli studenti.Abbiamo programmato l'IHBDP per scansionare e rilevare automaticamente i portatori di dengue e tubercolosi, nonché per identificare i bambini migranti con immunizzazione incompleta secondo una serie completa di criteri di screening sviluppati da esperti di salute pubblica e medici.Abbiamo confrontato l'efficacia dello screening dei big data con i metodi di screening tradizionali esistenti.L'IHBDP ha identificato con successo sei casi di dengue su un pool di 3972 casi sospetti, mentre il metodo tradizionale ha identificato solo quattro casi (che sono stati rilevati anche dall'IHBDP).Per la tubercolosi, l'IHBDP ha identificato 288 casi sospetti su un totale di 43.521 studenti universitari, nei quali tre casi sono stati infine confermati come portatori di tubercolosi attraverso successivi test TC o T-SPOT.TB di follow-up.Per quanto riguarda gli screening di immunizzazione, IHBDP ha identificato 240 bambini migranti con immunizzazione incompleta, ma il metodo tradizionale di screening porta a porta ne ha identificati solo 20.Il nostro studio ha dimostrato l'efficacia dell'utilizzo dell'IHBDP per rilevare pazienti con malattie infettive acute e croniche e identificare i bambini con immunizzazione incompleta rispetto ai metodi di screening tradizionali.L'avvento di piattaforme di big data e i progressi negli algoritmi di apprendimento automatico hanno consentito ai ricercatori di distillare intuizioni da grandi quantità di informazioni, che hanno il potenziale per creare metodi di sorveglianza e controllo delle malattie infettive sempre più efficaci [1].Il termine big data si riferisce a set di dati complessi che sono troppo voluminosi e sofisticati per essere gestiti dall'analisi tradizionale [2, 3] e le agenzie di salute pubblica fanno sempre più affidamento sui big data per migliorare lo screening delle malattie infettive.Esiste un'ampia varietà di strutture di dati rilevanti per problemi di salute pubblica, tra cui cartelle cliniche elettroniche (EHR), database clinici a livello statale e locale, social media e rapporti di agenzie di salute pubblica come i Centers for Disease Control e Prevenzione (CDC) [4].La facilità di archiviazione, manipolazione e analisi di questi tipi di dati ad ampio raggio su larga scala ha il potenziale per consentire alle organizzazioni sanitarie e ai funzionari della sanità pubblica di prevenire la diffusione di malattie infettive e rispondere e gestire i focolai in modo tempestivo [5].Mentre i ricercatori hanno riconosciuto le promesse dei big data nel migliorare il monitoraggio e il controllo delle malattie infettive, l'efficacia dei big data nel preparare i funzionari della sanità pubblica sia a livello statale che nazionale a rispondere all'epidemia di malattie infettive dipende in gran parte dall'esistenza di partnership di successo tra diverse parti interessate, come agenzie sanitarie governative, dipartimenti per il controllo delle malattie infettive e ospedali e cliniche privati ​​e pubblici.Uno sforzo concertato per archiviare, trasferire, manipolare e analizzare i dati in modo efficiente per il controllo delle malattie infettive richiede il supporto di infrastrutture computazionali e organizzative e la razionalizzazione dei processi tra le diverse parti interessate.L'obiettivo generale di questo studio è dimostrare come la costruzione di un'infrastruttura e di una piattaforma sanitaria integrata per i big data a livello distrettuale possa migliorare significativamente la capacità dei funzionari della sanità pubblica di sfruttare le intuizioni dai big data per la prevenzione e il controllo delle malattie infettive.Per raggiungere questo obiettivo, abbiamo confrontato l'efficacia di un nuovo strumento con una piattaforma di big data integrata situata a Yinzhou, un importante distretto della città di Ningbo nella provincia di Zhejiang in Cina [6], con un metodo tradizionale di sorveglianza delle malattie infettive, che si basa sulla segnalazione da parte di laboratori e strutture sanitarie (p. es., diagnosi dei medici dopo la consultazione faccia a faccia) — nell'identificazione dei casi per il controllo e la prevenzione delle malattie infettive.Per questo studio, ci siamo concentrati su tre tipi di categorie di malattie infettive: (a) malattie infettive acute (es. febbre dengue), (b) malattie infettive croniche (es. tubercolosi polmonare (TB)) e (c) lacune nella vaccinazione assorbimento tra i bambini migranti.Prima dell'introduzione dei big data, i funzionari della sanità pubblica si impegnavano tradizionalmente nel monitoraggio e nel controllo delle malattie infettive in tre modi.Il primo è stato affidarsi ai medici per riferire quando si sono imbattuti in casi sospetti.Questi rapporti sarebbero quindi compilati e inviati a un'agenzia centralizzata per le malattie infettive (ad es. CDC) per il coordinamento delle misure di controllo e prevenzione.In secondo luogo, i funzionari della sanità pubblica hanno fatto affidamento su modelli di previsione tratti da fonti come i dati di sorveglianza meteorologica e vettoriale [7, 8], o negli ultimi anni da fonti di social media [4].In terzo luogo, i funzionari della sanità pubblica farebbero affidamento sui registri delle vaccinazioni per esaminare l'adozione della vaccinazione.Ciò consentirebbe al governo e alle agenzie di sanità pubblica di prendere di mira popolazioni specifiche che rimangono non vaccinate e che sono quindi più a rischio di epidemie.Tuttavia, questi approcci tradizionali hanno diversi limiti.In primo luogo, esiste un'elevata probabilità di errore umano nella diagnosi di malattie infettive, anche se la diagnosi è stata effettuata da medici altamente qualificati.Ad esempio, la ricerca ha dimostrato che a una parte sostanziale dei pazienti affetti da tubercolosi era stata diagnosticata una diagnosi non correlata alla tubercolosi negli ospedali [9].In contesti sanitari con risorse limitate, i medici a volte possono diagnosticare erroneamente i pazienti con febbre dengue e trattarli come se avessero una comune infezione del tratto respiratorio superiore.L'imprecisione dei metodi diagnostici tradizionali sarebbe amplificata se gli ospedali e le cliniche fossero sopraffatti da un'improvvisa ondata di casi.In secondo luogo, mentre la modellazione delle previsioni che utilizza una varietà di fonti di dati può potenzialmente aiutare le organizzazioni di sanità pubblica a prevenire la diffusione delle malattie infettive, questi modelli hanno diversi limiti che ne inibiscono l'efficacia.Ci sono problemi nella modellazione associati a diluvio di dati e arroganza, con conseguente sovrastima o sottostima dei modelli statistici [4].D'altra parte, nelle aree rurali e prive di accesso a Internet a banda larga, potrebbero esserci problemi associati alla mancanza di dati di qualità [10], in cui i dati delle comunità svantaggiate non sono rappresentati, compromettendo gravemente la qualità dei modelli di previsione.In terzo luogo, mentre l'identificazione delle lacune vaccinali utilizzando i registri delle vaccinazioni locali è un potente passo avanti nella prevenzione, l'efficacia di questo metodo è diluita se c'è un afflusso di migranti, che potrebbero essere portatori di malattie infettive se non vengono vaccinati.Nel contesto di Yinzhou, i registri delle vaccinazioni non registrano i tassi di vaccinazione dei bambini migranti che non sono elencati come bambini all'interno di un hukou urbano locale, un sistema di registrazione delle famiglie, in Cina, rendendo così difficile tracciare le malattie infettive che provengono da altri regioni geografiche.Pertanto, i fornitori di cure primarie nelle strutture sanitarie locali sono responsabili dello screening dei bambini migranti andando porta a porta per identificare coloro che potrebbero non aver completato tutte le vaccinazioni di base, con il risultato che le strutture mediche devono sostenere enormi costi finanziari e di manodopera.Per aggirare le debolezze nei metodi tradizionali di prevenzione e controllo delle malattie infettive, Yinzhou ha recentemente implementato una piattaforma di big data sanitaria sincronizzata a livello distrettuale per coordinare la raccolta di dati dagli operatori sanitari locali, come cliniche e ospedali, sia nel settore privato che in quello pubblico.La piattaforma per i big data è stata sviluppata da Wonders Information Co Ltd, su commissione del CDC, allo scopo di coordinare la condivisione dei dati tra una rete di cliniche e ospedali ai fini del monitoraggio della salute pubblica da parte del CDC.Il sistema dei big data consolida diverse fonti di dati come (a) dati clinici giornalieri prodotti dagli operatori sanitari locali, (b) cartelle cliniche elettroniche, (c) dati di check-up medici annuali, (d) dati relativi alla salute pubblica come record di immunizzazione, malattie croniche e infettive dati di segnalazione delle malattie e dati di sorveglianza della mortalità e (e) altri tipi di dati come i dati del registro degli studenti (vedi Fig. 1).I dati degli individui sono stati collegati e collegati utilizzando il loro numero ID univoco e le nuove voci di dati (ad es. visite a strutture mediche) vengono caricate quotidianamente sul sistema dei big data.Il sistema esegue scansioni giornaliere per potenziali casi di malattie infettive tra la popolazione e notifica alle agenzie e alle autorità sanitarie pubbliche competenti per ulteriori azioni.Tipi di dati nella piattaforma big data di YinzhouPer questo studio, illustriamo l'accuratezza e le prestazioni del sistema integrato di big data nell'identificare (a) casi di dengue, (b) tubercolosi polmonare tra gli studenti universitari e (c) bambini migranti senza record vaccinali completi, rispetto alle metodologie di sorveglianza tradizionali .Sebbene il sistema integrato di big data contenga informazioni su tutte le malattie infettive, abbiamo scelto specificamente di concentrarci solo sulla dengue e sulla tubercolosi polmonare poiché sono le principali priorità di salute pubblica all'interno della provincia di Zhejiang.Situata sulla costa orientale della Cina, la provincia di Zhejiang ha un clima subtropicale umido, con piogge abbondanti durante la primavera e l'estate, con abbondanza di aedes albopictus [11].Inoltre, l'elevata densità di popolazione umana, nonché la natura metropolitana della città con un grande afflusso di viaggiatori, la provincia è suscettibile di individui che importano la dengue dalle regioni endemiche della dengue, che sono state causa di alcuni focolai di dengue in ultimi anni [12].Inoltre, nel contesto cinese, la tubercolosi polmonare è motivo di preoccupazione poiché spesso si verificano focolai in contesti educativi dove ci sono dormitori affollati o la vicinanza e il contatto tra gli studenti nelle aule: nel 2018 è stato segnalato che 48.289 studenti avevano la tubercolosi polmonare, che era un incidenza di 17,97/100.000 [13].Il sistema dei big data a Yinzhou è stato istituito nel 2016 come parte dello sforzo del distretto per accelerare e rafforzare il controllo delle malattie infettive riunendo una serie diversificata di dati medici e clinici a cui le organizzazioni sanitarie possono accedere per il processo decisionale in modo tempestivo.Per effettuare uno screening efficace delle malattie infettive, abbiamo sviluppato un quadro generale di screening delle malattie infettive con cinque linee guida chiave (vedi Fig. 2) che guidano l'individuazione delle malattie infettive.Queste linee guida sono state derivate dalle migliori pratiche e dai risultati della ricerca esistente sull'uso di varie forme di sistemi di big data a complemento dei tradizionali metodi di sorveglianza delle malattie infettive [14,15,16].Ai fini di questo studio, abbiamo programmato criteri clinici specifici (vedi Tabella 1) dopo consultazioni con esperti di salute pubblica e medici coinvolti nel sistema dei big data e sottoposti a screening per (a) febbre dengue tra i pazienti ambulatoriali, (b) TBC tra gli studenti universitari , e (c) bambini migranti con copertura vaccinale insufficiente.Per eseguire lo screening della tubercolosi tra gli individui, abbiamo estratto tutti i testi chiave non strutturati negli abstract della diagnosi di imaging medico per i pazienti con diagnosi di infezione respiratoria acuta, raffreddore e polmonite con le seguenti parole chiave: ombra;ispessimento pleurico;versamento pleurico;infezione polmonare;lesione infettiva;noduli polmonari.Se ai pazienti venissero diagnosticati i sintomi di cui sopra per più di 2 volte in 14 giorni in un mese, o più di 5 volte in un mese, sarebbero identificati come potenziali pazienti sospetti.Quando uno studente è elencato come caso sospetto in base ai criteri di cui sopra, abbiamo applicato gli stessi criteri di screening anche ai social network degli studenti nelle loro classi e dormitori per identificare la potenziale diffusione della tubercolosi.Quadro di sorveglianza delle malattie infettive della piattaforma big data di YinzhouPer la febbre dengue, abbiamo selezionato i pazienti di età superiore a 15 anni, con conta dei globuli bianchi (WBC) < 4,5 * 109/L, o ridotta del 10% rispetto alla cartella clinica più recente;Conta piastrinica (PLT) < 125 * 109/L;PLT ridotto del 10% rispetto alla cartella clinica più recente;o Negli ultimi 5 giorni con le seguenti diagnosi: febbre, febbre infettiva, infezione virale, infezione del tratto respiratorio superiore, faringite acuta, raffreddore e trombocitopenia.Per lo screening dei bambini migranti con immunizzazione incompleta, abbiamo prima confrontato l'elenco dei nomi dei bambini di età inferiore ai 15 anni che visitano le istituzioni mediche a Yinzhou con l'elenco dei nomi dei bambini che sono stati coperti dal programma di immunizzazione locale facendo corrispondere il numero ID dei bambini, il nome dei bambini e compleanno, cognome dei bambini, comune di residenza, nomi dei genitori e compleanno dei bambini.Se i record dei bambini non corrispondono a nessuno dei casi nel set di dati del programma di immunizzazione di Yinzhou, i bambini verranno identificati come un potenziale caso con immunizzazione incompleta.Abbiamo quindi confrontato l'efficacia dello screening dei big data effettuato con i metodi tradizionali esistenti per rilevare la tubercolosi, la dengue e il numero di bambini migranti senza vaccinazioni adeguate.A Yinzhou, la maggior parte dei casi di dengue viene importata da persone che viaggiano in altre regioni geografiche con un focolaio in corso [17, 18], poiché tali focolai di dengue sono spesso sporadici e imprevedibili.Il modo tradizionale per monitorare la febbre dengue a Yinzhou era attraverso la diagnosi dei medici durante la consultazione faccia a faccia con i pazienti.Una volta che un medico aveva confermato che un paziente aveva contratto la dengue, queste informazioni sarebbero state riportate al CDC di Yinzhou.Al contrario, il sistema dei big data ha eseguito automaticamente lo screening dei casi sospetti di dengue, in base ai criteri relativi ai sintomi della malattia nella tabella 1. La piattaforma integrata dei big data ha restituito automaticamente i nomi dei pazienti sospetti ai rispettivi ospedali il giorno successivo.I funzionari della sanità pubblica in questi ospedali hanno poi lavorato con i medici per confermare se i pazienti avessero la dengue.Abbiamo quindi confrontato il numero di casi confermati rilevati dal sistema dei big data e attraverso il metodo tradizionale.Il metodo tradizionale di screening per la tubercolosi tra gli studenti universitari (n = 43.521) a Yinzhou consisteva nel fare affidamento sulla segnalazione manuale attraverso la raccolta di informazioni sanitarie dal check-up medico obbligatorio (test cutaneo derivato proteico purificato, scansioni a raggi X) per l'università di nuova iscrizione studenti, o attraverso diagnosi e referti dei medici durante le consultazioni.Una volta confermata una diagnosi di tubercolosi in uno studente, i funzionari del CDC si sarebbero impegnati a rintracciare i contatti stretti tra i suoi compagni di stanza e di classe [19].Oltre agli screening tradizionali, abbiamo programmato i criteri di screening della tubercolosi, illustrati nella tabella 1, nel sistema dei big data per scansionare e identificare automaticamente i casi sospetti di tubercolosi.Se uno studente o più studenti soddisfacessero i criteri di screening della tubercolosi, verrebbero esaminati utilizzando le linee guida per la diagnosi e il trattamento ambulatoriale della tubercolosi polmonare 2012 [20] dai funzionari del CDC.I pazienti esaminati vengono quindi indirizzati a un ospedale specializzato per la tubercolosi per confermare la loro diagnosi utilizzando la scansione TC e il test T-SPOT.TB.Se si confermava che uno studente aveva contratto la tubercolosi, il sistema dei big data esaminerebbe le informazioni sulla salute dei suoi contatti stretti, come i compagni di classe che vivono nei loro dormitori [21].Il metodo tradizionale per identificare i bambini migranti con vaccinazioni incomplete era attraverso il dipartimento di vaccinazione del comune, dove il personale avrebbe visitato i bambini migranti per eseguire screening porta a porta (da agosto 2017 a luglio 2018).Da agosto 2018 in poi, abbiamo sfruttato la nostra piattaforma di big data per esaminare i bambini migranti alla ricerca di registri vaccinali incompleti, in cui i dati sono stati raccolti quando hanno visitato le strutture mediche (da agosto 2018 a luglio 2019) utilizzando i criteri e le procedure mostrati nella tabella 1.A causa della natura sensibile dei dati sanitari a Yinzhou, ci sono diversi livelli di rigorosi meccanismi di protezione dei dati integrati nel sistema integrato di big data di Yinzhou per garantire la protezione e la privacy continue dei dati.In termini di infrastruttura fisica, i dati sono stati archiviati nell'Internet Database Connector (IDC) mobile locale che disponeva di certificazione e protezione di alto livello di sicurezza.La protezione della privacy è stata concessa a un individuo per controllare sia l'accesso che l'uso delle informazioni personali, inclusa la anonimizzazione e/o la desensibilizzazione delle informazioni personali e private.Per salvaguardare la sicurezza dell'utilizzo dei dati, solo gli utenti pre-approvati possono accedere al database online utilizzando le docking station dove vengono condotti controlli di sicurezza regolari per rilevare accessi non autorizzati.Il comitato etnico della School of Public Health, Zhejiang University ha approvato questo studio (numero di riferimento ZGL201905-5) e ha rinunciato al requisito del consenso informato.Tutti i metodi sono stati eseguiti in conformità con le linee guida e i regolamenti pertinenti.La tabella 2 mostra che un totale di sei pazienti con febbre dengue rilevati a Yinzhou nel 2019 sono stati identificati dalla piattaforma dei big data.Quattro pazienti sono stati rilevati sia con il sistema dei big data che con il metodo tradizionale, ma due sono stati persi con il metodo di sorveglianza tradizionale.La piattaforma integrata per i big data non ha perso nessun caso di dengue.La tabella 3 mostra che la piattaforma big data ha esaminato 288 pazienti sospetti di tubercolosi tra 43.521 studenti universitari di Yinzhou.Tra questi, 30 sono stati confermati come pazienti sospetti dopo un'ulteriore ispezione da parte dei funzionari del CDC di Yinzhou e sono stati indirizzati a un ospedale specializzato per la tubercolosi e tre sono stati confermati dalla TAC e dal test T-SPOT.TB.Il metodo di screening tradizionale ha mancato tutti e tre i casi identificati dalla piattaforma big data.La tabella 4 mostra che un totale di 983.000 bambini ha visitato istituzioni mediche da agosto 2018 a luglio 2019. Il nostro sistema di big data ha segnalato 11.900 bambini come potenziali casi con record di vaccinazione incompleti (utilizzando i criteri nella tabella 1) e infine ha identificato 240 bambini con vaccinazione incompleta record.Al contrario, l'indagine porta a porta condotta dal dipartimento di vaccinazione del comune, che controllava da uno a due casi sospetti ogni giorno, ha rilevato solo 20 bambini con vaccinazioni incomplete.Il nostro studio ha indicato il potenziale di disporre di un sistema coordinato di big data sanitari per attingere a diverse fonti sanitarie per identificare le persone che hanno contratto la febbre dengue e la tubercolosi, prevenendo così la loro ulteriore diffusione, oltre a impegnarsi nel controllo preventivo delle malattie infettive identificando ad alto rischio popolazioni che necessitano di vaccinazioni.Abbiamo condotto il nostro studio nel distretto di Yinzhou nella provincia di Zhejiang in Cina, che è risultato idoneo in quanto ha implementato con successo un sistema di big data sanitari in cui i dati sanitari degli individui (ad es. up data, record di vaccinazione, dati di segnalazione di malattie croniche e infettive, dati di sorveglianza della mortalità, dati del registro degli studenti) vengono caricati quotidianamente in una cartella clinica centralizzata protetta.Ciò consente ai funzionari della sanità pubblica di avere accesso tempestivo ai dati più recenti per monitorare e mitigare la diffusione delle malattie infettive.Nel sistema dei big data, tutti i criteri di screening sono stati stabiliti da gruppi di lavoro clinici e di salute pubblica e calibrati sulla base di consultazioni con la salute pubblica e professionisti medici.Sintomi simili a malattie, come infezioni acute delle vie respiratorie superiori e inferiori, raffreddore e polmonite, ispessimento pleurico, versamento pleurico, infezione polmonare, lesioni infettive e noduli polmonari, sono stati utilizzati per lo screening della tubercolosi nel nostro sistema di big data.Per quanto riguarda la febbre dengue, abbiamo utilizzato indicatori sintomatici come febbre, infezione delle vie respiratorie superiori, faringite acuta, raffreddore, eritra e trombocitopenia.Sfruttare sintomi simili a malattie all'interno del sistema dei big data per lo screening delle malattie infettive, una forma di sorveglianza sindromica che spesso implica l'uso di dati clinici per scansionare sintomi riconoscibili per identificare potenziali casi di malattie infettive prima della diagnosi ufficiale, ha dimostrato di essere in vigore già negli anni '90 [22].Ad esempio, la ricerca ha dimostrato che fare affidamento su segni e sintomi pre-diagnostici consente alle organizzazioni di sanità pubblica di rilevare focolai influenzali a livello comunitario [23].Questo perché la raccolta sistematica di dati sanitari continui della popolazione (ad es. ogni volta che le persone visitano strutture mediche) attraverso il sistema dei big data garantisce che i dati disponibili siano i più aggiornati, avvicinandosi così a un rilevamento "in tempo reale" di focolai [24].Inoltre, sono probabilmente più accurati, in quanto non si basano sull'auto-segnalazione o sulla partecipazione delle persone attraverso le tecnologie di comunicazione digitale (ad es. smartphone, query di ricerca sul Web) [25], che soffrono di problemi come la non rappresentatività, la mancanza dati e segnalazioni errate o insufficienti [10].Oltre a fare affidamento sui sintomi della malattia a livello individuale, il nostro screening ha incluso i dati dei social network degli studenti universitari in modo etico e sicuro.Solo quando uno studente era sospettato o diagnosticato una tubercolosi, il sistema dei big data scansionava i sintomi dei loro contatti stretti, che potevano essere compagni di classe o compagni di stanza nei nostri archivi, per eventuali anomalie mediche.I social network sono fondamentali per comprendere e monitorare la diffusione dei problemi e delle malattie della salute pubblica.Ciò è stato dimostrato in particolare da Christakis e Fowler, che hanno modellato la diffusione dell'obesità in un grande social network per tre decenni [26], a causa dei meccanismi di generazione dei legami sottostanti nei social network.Alcuni di questi meccanismi generativi di legame [27] sono la mescolanza assortiva (cioè, le persone che la pensano allo stesso modo sarebbero più vicine) e la chiusura triadica, una situazione in cui se il nodo a è connesso al nodo b e il nodo b al nodo c, quindi è probabile che il nodo a sia collegato al nodo c, il che spiega la diffusione delle malattie.Il metodo tradizionale avvierà un'indagine solo quando a uno studente è stata diagnosticata la tubercolosi, mentre il metodo dei big data può eseguire automaticamente lo screening degli studenti con sintomi simili alla tubercolosi;il metodo tradizionale tiene traccia dei contatti stretti all'interno di un piccolo ambito, come compagni di classe o coinquilini, rispetto all'ampio ambito catturato dal metodo dei big data, come gli studenti della stessa classe;il metodo tradizionale studia i sintomi simili alla tubercolosi dei contatti stretti attualmente e nelle ultime settimane e può essere influenzato da bias di richiamo, mentre il metodo dei big data analizza il periodo di 3 mesi prima e dopo il rilevamento.Utilizzando il nostro approccio ai big data, abbiamo identificato con successo sei casi di pazienti che hanno contratto la febbre dengue su un pool di 3972 casi sospetti nel 2019, tre casi di tubercolosi su 288 casi sospetti in un pool di 43.521 studenti universitari e 240 bambini che erano senza immunizzazione su un totale di 983.000 bambini.In quanto tale, l'utilizzo di un sistema sanitario integrato per i big data potrebbe migliorare significativamente l'efficienza, i costi legati al tempo e le diagnosi errate che derivano dalla dipendenza dal solo tracciamento manuale dei contatti.Ci sono diversi vantaggi nell'implementazione di un sistema integrato di big data per la previsione e il controllo delle malattie infettive.Attraverso i nostri tre casi di studio, abbiamo illustrato che fare affidamento sui big data è efficace, tempestivo e può potenzialmente comportare notevoli risparmi sui costi (ad esempio, è relativamente costoso inviare funzionari della sanità pubblica per andare di porta in porta per lo screening) .Oltre a questi vantaggi, poiché i dati si trovano all'interno di un confine geografico (ad esempio, Yinzhou), questo approccio consente ai funzionari della sanità pubblica che lavorano in quella regione di intraprendere azioni pratiche.In quanto tale, è meglio che fare affidamento su altre forme di epidemiologia dei "big data", come l'uso di query di ricerca sul Web e post sui social media per prevedere le malattie infettive.Esistono molteplici fattori confondenti nell'uso dei post sui social media e delle query di ricerca sul Web come proxy per la diffusione di malattie infettive.Anche se i ricercatori fossero in grado di identificare e modellare la diffusione delle malattie utilizzando i contenuti generati dagli utenti sulle piattaforme dei social media, i ricercatori della sanità pubblica non sarebbero in grado di sfruttare le informazioni in modo strategico e pratico per la loro regione.Questo studio ha diversi limiti.In primo luogo, ci siamo basati sui dati aggregati di Yinzhou CDC per questo studio e, a causa dei limiti dei dati, non siamo stati in grado di condurre test statistici formali per confrontare l'efficacia del sistema integrato di big data e del metodo tradizionale di sorveglianza delle malattie infettive oltre a quello del confronto descrittivo .In secondo luogo, per i tre casi di studio, non ci siamo basati su tutti i possibili tipi di dati, come record di farmacie, social media o dati di ricerca sul web.Sebbene i dati dei social media e delle ricerche sul web siano significativi nella previsione [28, 29], abbiamo scelto di escluderli poiché lo scopo dello studio è esaminare l'efficacia del sistema dei big data nell'identificare potenziali casi, mentre i social media e il web -le query di ricerca sono più efficaci nella previsione aggregata.Sebbene i nostri casi di studio fossero specifici per dengue, tubercolosi e record di immunizzazione, siamo consapevoli dei limiti di generalizzabilità e scalabilità di questo metodo ad altre malattie infettive, soprattutto alla luce di pandemie emergenti come COVID-19.Infine, siamo consapevoli del fatto che i dati sanitari delle persone sono altamente sensibili e a rischio di attacchi informatici dannosi, tuttavia abbiamo messo in atto sostanziali misure di sicurezza informatica per proteggere questi dati sensibili.Nonostante queste limitazioni, ci sono diverse aree in cui stiamo estendendo la nostra ricerca.In primo luogo, i criteri di screening utilizzati nel sistema dei big data sono stati formulati sulla base di consultazioni con esperti di salute pubblica e professionisti clinici.Andando avanti, prevediamo di incorporare l'implementazione di algoritmi di intelligenza artificiale, come il deep learning, per perfezionare i criteri di screening per migliorare il tasso di rilevamento.In secondo luogo, anche se il nostro sistema di big data è stato in grado di identificare potenziali casi di dengue, queste informazioni non sono state rese disponibili durante le consultazioni faccia a faccia.Per migliorare la velocità di rilevamento, miriamo a rendere i dati disponibili ai medici in modo che possano diagnosticare correttamente i pazienti.Terzo, stiamo espandendo il nostro sistema di big data per includere altre fonti di dati.Nell'area medica, miriamo a includere altre forme di dati sanitari amministrativi come i dati assicurativi e i dati sulle transazioni della farmacia [4].Stiamo anche lavorando per rendere il nostro sistema di big data interoperabile con i sistemi sanitari al di fuori di Yinzhou.In questo modo, anche se una persona si reca fuori Yinzhou per ricevere cure, le sue cartelle cliniche sarebbero disponibili alla struttura medica che ha visitato per aiutare gli operatori sanitari a fare la corretta diagnosi medica.Oltre ai dati sanitari, stiamo cercando di integrare fonti di dati non mediche, come i dati di viaggio delle persone e i loro pagamenti mobili, per migliorare l'efficacia del tracciamento dei contatti e della sorveglianza dell'epidemia.Infine, i criteri di screening sono stati sviluppati in consultazione con un gruppo di esperti sanitari e medici in modo da essere sensibili ai sintomi delle malattie infettive a Yinzhou.La ricerca futura dovrebbe incorporare sia i contesti internazionali che quelli locali nello sviluppo dei criteri di screening.Abbiamo dimostrato attraverso i nostri tre casi di studio che un approccio integrato ai big data sanitari è essenziale ed efficace per il controllo e la gestione delle malattie infettive e può potenzialmente comportare più vite salvate e risparmi sui costi per il governo e altri decisori.La capacità di sfruttare i big data sanitari per migliorare la sorveglianza delle malattie infettive si basa su un coordinamento multipartitico e su uno sforzo concertato, nonché sulla capacità di agenzie governative, organizzazioni sanitarie, ospedali e cliniche e settori privati ​​di estrarre dati sanitari insieme e analizzarli in modo tempestivo [10], a condizione che le questioni relative all'interoperabilità dei dati e alla privacy siano adeguatamente affrontate [28].I set di dati generati durante e/o analizzati durante lo studio in corso non sono pubblicamente disponibili ma sono disponibili presso l'autore corrispondente su ragionevole richiesta.Piattaforma di big data sanitaria integrataCentri per il controllo e la prevenzione delle malattieMilinovich G, Magalhaes RJS, Hu W. Ruolo dei big data nella diagnosi precoce di Ebola.Salute del globo di lancetta.2015;3(gennaio):2014–5.https://doi.org/10.1016/S2214-109X(14)70356-0.Khoury MJ, Ioannidis JPA.I big data incontrano la salute pubblica.Scienza (80-).2014;346(6213):1054–5.https://doi.org/10.1126/science.aaa2709.Istituto nazionale di standard e tecnologia.Quadro NIST per l'interoperabilità dei big data: volume 1, Definizioni;2015. https://bigdatawg.nist.gov/_uploadfiles/NIST.SP.1500-1.pdf.Lee EWJ, Yee AZH.Verso il senso dei dati nella ricerca sulla comunicazione sanitaria digitale: perché la teoria è importante nell'era dei big data.Comune anteriore.2020;5(11):1–10.https://doi.org/10.3389/fcomm.2020.00011.Bansal S, Chowell G, Simonsen L, Vespignani A, Viboud C. Big data per la sorveglianza e la modellazione delle malattie infettive.J Infetta Dis.2016;214(Suppl 4):S375–9.https://doi.org/10.1093/infdis/jiw400.Articolo PubMed PubMed Central Google ScholarDeloitte.Rapporto 2017 sulla promozione degli investimenti in scienze della vita e assistenza sanitaria in Cina.2017. https://www2.deloitte.com/content/dam/Deloitte/cn/Documents/life-sciences-health-care/deloitte-cn-lshc-2017-china-lshc-investment-promotion-report-en- 180927.pdf.Wakamiya S, Kawai Y, Aramaki E. Rilevamento dell'influenza basato su Twitter dopo il picco dell'influenza tramite tweet con informazioni indirette: studio di estrazione di testo.J Med Internet Res.2018;20(9):e65.https://doi.org/10.2196/publichealth.8627.Shi Y, Liu X, Kok SY, Rajarethinam J, Liang S, Yap G, et al.Modelli di previsione della dengue in tempo reale a tre mesi: un sistema di allerta precoce per avvisi di focolai e supporto alle decisioni politiche a Singapore.Prospettiva della salute ambientale.2016;124(9):1369–76.Miller AC, Polgreen LA, Cavanaugh JE, Hornick DB, Polgreen M. Le occasioni perse per diagnosticare la tubercolosi sono comuni tra i pazienti ricoverati e i pazienti visti nei reparti di emergenza.Apri Forum Infect Dis.2015;2(4):ofv171.https://doi.org/10.1093/ofid/ofv171.Articolo PubMed PubMed Central Google ScholarLee EWJ, Viswanath K. Big data nel contesto: affrontare i pericoli gemelli dell'assenteismo dei dati e dello sciovinismo nel contesto delle disparità di salute.J Med Internet Res.2020;22(1):e16377.https://doi.org/10.2196/16377.Articolo PubMed PubMed Central Google ScholarRen J, Ling F, Sun J, Gong Z, Liu Y, Shi X, et al.Profilo epidemiologico della dengue nella provincia di Zhejiang, Cina sudorientale.PLoS UNO.2018;13(12):e0208810.https://doi.org/10.1371/journal.pone.0208810.Articolo CAS PubMed PubMed Central Google ScholarYu H, Kong Q, Wang J, Qiu X, Wen Y, Yu X, et al.Più lignaggi del genotipo cosmopolita del sierotipo 2 del virus dengue hanno causato un focolaio locale di dengue a Hangzhou, provincia di Zhejiang, Cina, nel 2017. Sci Rep. 2019;9(1):7345.https://doi.org/10.1038/s41598-019-43560-5.Articolo CAS PubMed PubMed Central Google ScholarPLoS UNO.J Infetta Dis.BMC Sanità Pubblica.Int J Environ Res Sanità pubblica.Int J Infect Dis.J Infetta Dis.N inglese J Med.Informazioni sulla tecnologia per la salute degli stalloni.Il finanziatore dello studio non ha avuto alcun ruolo nella progettazione dello studio, nella raccolta dei dati, nell'analisi dei dati, nell'interpretazione dei dati o nella stesura del rapporto.Tutti gli autori hanno letto e approvato il manoscritto finale.Springer Nature rimane neutrale riguardo alle rivendicazioni giurisdizionali nelle mappe pubblicate e nelle affiliazioni istituzionali.Chiunque condivida il seguente link potrà leggere questo contenuto:Spiacenti, un link condivisibile non è attualmente disponibile per questo articolo.Fornito dall'iniziativa di condivisione dei contenuti Springer Nature SharedIt