CARRIER联盟提出的减少动脉粥样硬化性心血管疾病负担的数字健康解决方案

简介

动脉粥样硬化性心血管疾病(ASCVD)仍是全球死亡的主要原因之一[1]，是欧洲医疗开支的负担[2］．ASCVD的发生与高血压、吸烟等传统危险因素高度相关。因此，预防和治疗危险因素对减轻这一负担至关重要。健康的生活方式可在很大程度上预防ASCVD [3.］．

然而，EUROASPIRE V研究人员最近的一项调查显示，“绝大多数高[AS]CVD风险的患者未能达到生活方式、血压、血脂和血糖指标”[4］．对这些目标的有限遵守是ASCVD剩余负担的原因之一。因此，对于创新解决方案的临床需求尚未得到满足，以支持高危人群、已确诊疾病的患者及其医疗保健专业人员改善心血管预后。

电子保健有潜力触及风险人群的广泛受众，并支持患者采用健康的生活方式，降低心血管风险[5-7］．然而，正如心脏病学会电子心脏病学工作组在其最近的立场文件中所述，大规模实施数字健康存在障碍[8］．

实施电子保健的障碍之一是最终产品与其最终用户的需求之间不匹配[8-10］．众所周知，特定群体对电子保健的坚持程度较低(如老年人和卫生知识水平较低的人)。相关利益相关者(如医生和患者)在开发过程中的参与(或所谓的共同创造)可促进最终用户对最终产品的采用[11］．

除了与相关利益相关方共同创造之外，实施还取决于参与ASCVD预防的利益相关方之间数据的可用性和可通信性。数据的可获得性对于创新的临床预测模型(CPMs)至关重要，以早期识别风险人群、准确的风险估计和指导干预措施[12］．

不幸的是，数据分散在涉众之间，因此不容易获得。因此，需要开发一个连接涉众的成熟数据基础设施。使用个人健康列车的联邦数据基础设施[13是一种很有前途的连接利益相关方的技术。

最后，成功实施数字保健干预措施需要考虑对上述数据基础设施的伦理和法律要求。因此，需要建立一个负责任的卫生保健数据处理的伦理和法律框架。

荷兰CARRIER(即冠状动脉疾病:风险估计和预防和早期发现的干预措施)联盟(表1)由电子卫生发展、ASCVD、公共卫生、大数据以及伦理和法律等领域的专家合作组成。该联盟成立于2020年，由荷兰研究委员会资助。CARRIER的目标是早期识别，预防和治疗ASCVD，与荷兰南部的一个区域联盟。我们相信，医疗保健的未来是由数据驱动并由数字卫生支持的。因此，我们合作研究大数据驱动的参与式自我护理干预，以减轻ASCVD的负担。

在本文中，我们将讨论上述障碍，并提出以下实施数字健康的切实可行的解决方案，以减少ASCVD的负担:(1)描述与相关利益相关者使用共同创造的电子健康应用程序的开发过程，这将提高终端用户对最终产品的采用;(2)提出了两种创新cpm的建模方法，用于早期识别有发展ASCVD风险的人群、准确的风险估计和指导干预;(3)使用个人健康培训连接相关利益相关者的联邦数据基础设施的描述;(4)讨论卫生保健中负责任的数据处理的伦理和法律框架。

数字医疗解决方案的开发过程

为了增加最终用户成功采用最终产品的可能性，将应用以用户为中心的设计方法——“设计思维”[14，15］．设计思维是创造和评估创新解决方案的迭代过程;这意味着最终用户和相关涉众将参与整个开发过程，以确保最终产品满足所有相关方的需求和愿景。设计思维包括5个迭代阶段(图1)．

在前两个阶段(即移情和定义)中，我们使用共同创造来描述我们理想的ASCVD数字健康解决方案。该解决方案的基本要素如下:用于风险估计的CPM、个性化风险沟通、个性化治疗目标、指导和监测治疗和结果的个性化电子健康模块，以及使用联邦数据基础设施连接不同相关组织(图2)．这些元素将在下一节中更详细地解释。

在数字卫生解决方案中集成cpm，可以使用来自不同组织的相关和现成数据，以确定面临风险的人。在计算风险之后，根据个人的偏好和理解水平，将其可视化并进行沟通。这些信息支持患者和医疗保健专业人员使用共享决策制定量身定制的目标。风险沟通的最佳格式和可视化需要进一步研究，因此这也是CARRIER目标的一部分。

由于不同人群对生活方式干预措施的坚持程度不同，电子健康模块需要适应个性化方法[16］．当干预是个性化的，内容就会与个人更加相关。这将增加对干预措施的依从性，并使健康结果得到更大改善[17］．

支持患者实现其目标的电子健康模块将在电子健康解决方案中提供，用于解决心血管风险因素，如吸烟、高血压、糖尿病和高胆固醇血症，此外，还可用于药物依从性、健康饮食、体育活动和减轻压力。这些模块还应提供通过(自动)收集相关数据来监测干预措施效果的可能性。例如，活动追踪器可以用来了解患者的身体活动情况。这些模块应向患者及其医疗保健专业人员提供个性化反馈。对目标的监测可以帮助患者和保健专业人员指导医疗随访的时间和频率。应收集相关成果，并用于改进电子卫生模块的内容和cpm的风险估计。除了设计思维过程的前2个步骤(即移情和定义)，其他3个步骤包括:构思、原型和测试。测试阶段将包括最终用户参与的评估。因此，测试阶段提供反馈，并可能导致对提议的解决方案的重新评估。为确保最大限度地实施，需要将电子健康解决方案集成到护理路径的工作流程中[8］．

‎ 把这个图

‎ 把这个图

筛选和介入模型的建模方法

cpm可以支持对ASCVD风险人群的早期识别。然而，目前的cpm，如Framingham或SCORE，仅使用传统的患者特征进行风险估计[18］．为了提高cpm的准确性，可以加入非传统的风险因素，如种族、社会经济地位、肥胖和缺乏运动[12，19，20.］．添加非常规风险因素可以在不需要事先进行医学检测的情况下确定风险增加的人(不像测量高血压和高胆固醇血症)，并可以为生活方式干预提供信息(如减肥和增加体育活动)。

两个cpm将在CARRIER中构建。第一个模型旨在识别有患ASCVD风险的人群。第二个模型旨在指导高危人群或已确诊ASCVD的干预。我们将第一个模型称为筛选模型，第二个模型称为干预模型。

对于哪些常规和非常规风险因素应纳入模型，将通过德尔菲研究(Delphi study)达成共识[21ASCVD领域的专家。这些因素与ASCVD之间的关系将使用因果图来描述[22］．这是因素之间因果结构的图形表示，其中箭头表示因果影响的方向。

筛选模型将基于联邦学习(下一节解释)，使用来自三个不同组织的数据:医院、全科医生和国家统计局(在我们的例子中，是荷兰统计局[SN])。来自医院和一般做法的数据包括来自个别病人的电子健康记录(EHR)数据。电子病历数据没有系统收集，导致许多可能的偏差来源(如非随机遗漏)[23]，我们将通过应用一系列技术来调整[24］．此外，电子病历数据集包含大量自由文本形式的信息。我们将探讨自然语言处理(或文本挖掘)技术在何种程度上有助于用从自由文本中提取的数据补充结构化的电子病历数据[25］．

关于干预模式，我们计划利用正在收集临床和生活方式数据的区域观察队列研究的数据[26］．需要这些数据来构建一个可以估计生活方式干预效果的因果模型。确定了以下两种主要策略，以将假设的干预纳入cpm [27]:将CPM与随机对照试验中估计的因果效应结合起来，并仅根据观察数据估计因果效应。在CARRIER的cpm开发过程中，我们将使用这两种策略。

在统计建模技术方面，我们计划使用(1)回归模型;(2)贝叶斯网络，它很适合因果图，提供了一个直观的、可解释的框架，数据可以与专家知识相结合[28];29］．建立的模型如SCORE2 [30.]将被用来比较模型的性能。在模型开发之后，我们设想外部验证，以便研究模型对不同环境和相关人群的可移植性。cpm的开发和验证报告将遵循个人预后或诊断多变量预测模型透明报告(TRIPOD)指南[31］．

在实施筛选和干预模型时，由于数据分布的变化，我们预计模型的性能会随着时间的推移而恶化[32］．因此，我们希望安排模型的时间验证和更新。此外，我们的目标是持续监控预测器，以检测其单变量分布的变化，这可能会触发比计划更早的检查。

支持我们的数字医疗解决方案的联邦数据基础设施

使用医疗数据进行预测建模的两个主要问题是质量差和分散在不同组织之间。CARRIER的目标是通过遵循可查找、可访问、可互操作和可重用(FAIR)数据原则来解决这些问题[33以及开发联邦数据基础设施。FAIR数据原则建立了一组引导数据质量改进的指导方针，例如使用元数据和标准词汇表和本体。使用标准还可将来自不同组织的数据结合在一起[34]，并增加数据可重复使用作次要用途的机会[35］．

为了开发我们的筛选模型，我们需要结合来自不同组织的数据。目前，来自不同组织的相关和潜在的隐私敏感数据需要共享到一个中央数据库，然后才能进行分析。然而，越来越多的人意识到隐私和数据所有权相关的道德问题，导致了越来越多的法律限制数据共享。这在当前的法律制度下是显而易见的(更多细节将在下一节中提供)。

在过去的几年里，联邦学习已经在分析分布式数据方面崭露头角，例如，训练机器学习模型[36，37］．虽然术语联邦学习似乎是指算法，但我们将使用术语“联邦数据基础设施”来表示允许联邦学习安全可靠地工作所必需的工具和过程的集合。因此，联邦数据基础结构允许在不离开组织的主题级数据的情况下对分散的数据进行分析。这对保护私隐和保留数据所有者对数据的控制权有影响，从而可更安全地重用数据[38］．在CARRIER中，我们将使用个人健康列车[13，这是一个包括技术和法律方面的联合学习平台。这是通过一个处理通信和身份验证的开源软件实现的，并提供了一个实现联邦算法的环境[39］．中可视化了联邦数据基础设施图3．

‎ 把这个图

来自医院、全科医生和SN的数据将用于开发ASCVD筛查模型。因此，每个人的数据分布在不同的组织中。这被称为“垂直分区”(或“异构”)。垂直分区数据上的联邦学习提出了一组独特的挑战。第一种是隐私保护记录链接，即跨不同数据集链接对应于同一个人的记录，而不泄露任何敏感信息[40］．考虑到市民服务号码等现成的识别码因涉及私隐而不可使用，我们会采用其他替代方法，例如长期密码匙[41］．该技术使用个人特征(如姓名、出生日期和地址)创建唯一的加密代码，用于记录链接。

在匹配个别记录之后，主要的挑战是在不同的来源上执行数据分析，而不将每一方的数据透露给其他方。安全多方计算(SMC)是密码学的一个子领域，它允许一组方(或组织)使用其私人数据执行计算，而不向其他方透露这些数据[42］．在SMC中使用的一种技术是同态加密[43) (图4)，这是一种加密形式，允许对加密数据进行计算。在SMC中使用的另一种技术是秘密共享[44，在这种情况下，数字被“分割”到多个组织中，只有在合并后才能重构。因此，SMC可以用来分析数据，甚至训练来自不同组织的模型，而不显示数据。

在联邦数据基础设施内执行请求的分析后，分析的隐私敏感程度可以用ε-差分隐私[45］．在将一个来源的分析共享给另一个来源之前，这可以用作一个标准。当一个分析的结果不随总体的轻微变化而发生显著变化时，这个分析就是ε-差分私有的。这保证了结果不依赖于数据集中任何给定个体的值，因此，不可能将信息追溯到单个患者。

总之，在CARRIER中，我们正在开发一个联邦的FAIR数据基础设施。这个基础设施允许我们在垂直分区的数据上训练模型，并确保我们的分析通过SMC技术和ε-差分隐私保护。

‎ 把这个图

为卫生保健中负责任的数据处理制定道德和法律框架

CARRIER涉及不同组织持有的与公民相关的不同医疗、生活方式和其他个人数据的处理。这些数据的收集是为了一系列不同的目的，但CARRIER的处理包括处理新收集的数据，以及处理已经收集的预防和治疗ASCVD的数据。这意味着处理取决于最初收集数据的方式，以及不同适用的法律制度对处理的影响。

CARRIER是一个主要在荷兰进行的项目。因此，它受《欧盟通用数据保护条例》(GDPR)的约束，该条例直接影响欧盟成员国的法律和实施GDPR的国家法律。执行法律使荷兰能够就GDPR所包含的酌情权作出选择。除了个人数据保护法，当CARRIER寻求创建数字健康解决方案时，必须考虑与医疗设备相关的法律。SN是项目的合作伙伴，并持有对项目开发至关重要的数据集之一。SN所持有的个人数据可由第三方合作伙伴访问或处理的规则受SN法的严格管辖。最后，除了法律方面的考虑之外，还有伦理方面的考虑，特别是在“推动”人们采取特定行为方面(例如，使用电子健康解决方案来采取健康的生活方式)，更广泛地说，是在使用个人数据为ASCVD开发新型cpm时，关于个性和团结的伦理。

如前所述，联邦学习使来自不同组织的匿名数据能够通信。因此，联合学习可能提供保障措施和技术，使利益攸关方能够共享对数据提出的问题的无法识别的答案，从而在尊重个人隐私的同时促进公共卫生。然而，如何在法律和伦理的要求下组织和接受这种联邦数据基础设施是CARRIER的目标之一。

为了进行这一评估，CARRIER遵循了3个主要阶段。首先，它确保所进行的研究——特别是使用已经收集到的数据开发cpm的研究——符合目前所理解的法律。其次，它确定了法律中可持续的替代解释，以确保数字卫生解决方案的未来运行和持续研究。这部分承认GDPR(以及当地的执行法律)提供了许多选项，例如，从公共利益的角度处理数据。此外，知情同意的运作在GDPR中还很不明确。鉴于GDPR的解释有合法的选择，CARRIER正在探索如何将这些法律解释与项目的工作联系起来。这一探索的一个方面是向不同的公众(如患者、公民和政策制定者)呈现这样一个困境:公民既想要依赖大数据处理技术的新而有效的治疗方法，又想要控制自己的隐私。这种公众参与产生了一系列的答案，这些答案将反馈到最后一个阶段。最后，CARRIER将与监管部门合作，向欧洲数据保护委员会(European Data Protection Board)和荷兰监管局(Dutch Supervisory Authority)提交第二阶段工作的结果。会议的目的是围绕GDPR的解释展开对话，对中心困境(如上所述)的不同理解开放，并对(大数据)研究中使用个人数据的自主性和团结性进行解释。

结论

数字健康是预防和治疗ASCVD的一个有前途的工具。近年来，已经开发了许多数字健康解决方案，但正如心脏病学会e-心脏病学工作组所描述的，成功大规模实施存在障碍。本文提出了CARRIER联盟提出的解决方案。

我们描述了数字健康解决方案的开发过程，采用了设计思维和与相关利益攸关方的共同创造。通过共同创造，我们确保数字健康解决方案满足未来终端用户的需求和愿景。电子保健解决方案的个性化可以提高对干预的依从性。这加强了电子健康在ASCVD护理途径中的实施。

我们还描述了筛选模型的建模方法，以识别ASCVD高风险人群。cpm可以利用来自不同组织的传统和非传统风险因素，创造了早期识别和指导干预的机会，甚至不需要医疗检测。

然而，目前还没有连接这些不同组织的数据基础设施。我们描述了支持这些组织之间连接的联邦数据基础设施的可能性和特征。“个人健康训练”支持联邦数据分析，同时保持数据所有者对其数据的控制。由于这种联邦数据基础设施引发了伦理和法律问题，我们还描述了一个框架的开发，以确保在医疗保健中负责任的数据处理。

我们相信医疗保健的未来是由数据驱动和电子健康的支持。因此，我们对成熟和可持续的联邦数据基础设施以及伦理和法律方面的研究不仅将促进CARRIER，而且可能促进其他未来的医疗保健计划。