在COVID-19大流行期间,大多数卫生系统都难以获取和分析实时数据,但可以研究成功的地方,为未来流行病和大流行的数据应对提供模型。
2019年12月在中国武汉爆发的COVID-19大流行,已导致全球至少6.03亿例病例和超过640万人死亡(截至2022年9月)。1.由于一些政府实施了一系列全国性和更局部的封锁,社会、经济和卫生系统后果造成了大量额外的干扰、发病率和死亡率2.这一流行病需要采取一系列政策、公共卫生和临床决策,对社会运作、经济和保健提供产生重大影响。做出这些决定总是很复杂的,但对大多数地方来说,缺乏相关数据加剧了这一问题3..相比之下,少数领土在大流行期间大幅发展了数据能力,为指导本国决策和国际审议提供了重要见解。
应在大流行的各个阶段提供关键数据来源。对在数据能力方面具有积极异常值的领土进行案例研究,可以吸取可能可转移的教训,以便更好地利用数据对未来的流行病和大流行病作出反应。由于COVID-19大流行尚未结束,本文所载的想法应被视为一项正在进行的工作。
数据需求
所有大流行病都有其独特的层面,这取决于致病传染因子的性质、国家和国际非药物反应的速度,以及疫苗和治疗剂的可得性和部署情况。但是,有可能确定大流行病的一些核心阶段,并因此考虑在这些阶段理想情况下应可用于支持决策的数据来源。世卫组织(世界卫生组织)大流行阶段框架概述了大流行的核心阶段,该框架最初是为流感制定的3..
尽管大多数政府在一定程度上发展了大流行数据应对能力,但少数国家在COVID-19期间为发现与政策相关的见解做出了不成比例的贡献。这些地方的例子包括冰岛、以色列、卡塔尔、苏格兰和台湾(其中一些在表中讨论1).
拥有相关数据集是基本的,但还不足以确保有能力以数据为基础的政策应对大流行病。还需要不同利益攸关方访问数据的权限(最好由国家科学委员会协调和授予),以及将这些数据整理、链接、分析、可视化、解释和传达给政府机构、决策者、卫生系统领导人和其他受众的能力(通常跨越国界)。这些步骤都很耗时,但在大流行病感染呈指数级增长的背景下,时间是一种奢侈。因此,作为国家大流行病防范计划的一部分,必须适当重视数据基础设施和管道。
分析能力
在生成基于数据的洞察能力方面,另一个关键的速率限制步骤是缺乏数据处理和分析能力。需要训练有素的工作人员,他们最好熟悉有关数据集,能够及时检查、清理、链接、分析和帮助政策受众和其他人可视化数据。这需要具备多种技能的员工一起工作8.例如,花时间开发数据字典和共享源代码可以极大地提高分析的效率和方法的透明度。
透明度
与以往一样,以透明的方式进行分析是很重要的9提供探索性分析。例如,在大流行的早期阶段,尚不清楚哪些变量对于确定COVID-19预后不良风险最大的患者最有用,因此需要进行若干探索性分析。重要的是要透明地报告这种探索性分析。其他提高透明度的建议包括:报告元数据;在可能的情况下,提前指定统计分析计划(SAP),并公开提供这些计划;通过GitHub等存储库提供源代码;并且,在可能的情况下,提供实际或合成的数据,以促进复制和验证研究以及新分析师的培训。虽然当务之急是向政策制定者提供见解,但在预印本和同行评议期刊上发表分析报告,以便对方法进行独立验证,并与全球社区分享见解,也有相当大的价值
国际合作
在许多情况下,能够跨国家、区域或全球运行分析非常重要10.然而,这是困难的,因为跨越国界移动主权数据集是不可能的,因此需要联邦分析与某种形式的数据综合。最突出的例子是约翰·霍普金斯大学冠状病毒资源中心COVID-19检测仪表板(方框)1).
其他例子包括分析英国各国的数据,以调查封锁措施对卫生系统功能的影响,调查罕见的疫苗安全信号,如脑静脉窦血栓形成11,12在美国,人们关注的变异(巴西的Gamma和苏格兰的Delta)对疾病严重程度和疫苗效力减弱的影响13以及通过国际COVID-19数据联盟在40多个国家开展的工作;https://icoda-research.org)调查封锁措施对围产期结局的影响14.
结论
随时获得高质量的多维数据是产生有效证据和明智政策应对大流行病的基础,但大多数地方在这方面都遇到了困难。许多分析需要跨越国际边界,这最有可能通过联合分析方法实现,但需要政府之间的协调。在大流行期间,一些地区在卫生数据科学方面表现出色,这为未来的流行病和大流行提供了一个可能开发和部署的框架(方框)2).
参考文献
谁。世卫组织冠状病毒(COVID-19)仪表盘;https://covid19.who.int/(2022年9月6日访问)。
联合国开发计划署。COVID-19:社会经济影响;https://www.undp.org/coronavirus/socio-economic-impact-covid-19(2022年9月6日访问)。
谁。大流行性流感防备和应对;https://www.ncbi.nlm.nih.gov/books/NBK143061/(2015)。
刘易斯。TechTargethttps://go.nature.com/3fuPPUp(2022年9月8日访问)。
DbBee。https://go.nature.com/3UOdIGU(2022年9月8日访问)。
NHS研究管理局。https://go.nature.com/3dTcQQE(2021)。
NHS的数字。https://go.nature.com/3y258dQ(2022年9月8日访问)。
奥尔索普R.等。OMDDAChttps://doi.org/10.13140/RG.2.2.30601.98405(2021)。
NHS。https://go.nature.com/3CkIyQk(2021)。
杨,L.等。弧。医学科学。17, 829-837(2021)。
Shah, S. A.等。eClinicalMedicine49, 101462(2022)。
克尔,S.等人。科学硕士。19, e1003927(2022)。
Katikireddi, S. V.等。《柳叶刀》399, 25-35(2022)。
Stock, S.等。惠康开放保留区。6, 21(2021)。
辛普森,C.等。健康抛光工艺。评估.https://doi.org/10.3310/hta19790(2015)。
辛普森,C.等。BMJ开放10, e039097(2020)。
瓦西里乌,E.等人。《柳叶刀》397, 1646-1657 (2021)
谢赫等人。《柳叶刀》397, 2461-2462(2021)。
谢赫等人。柳叶刀感染。说。22, 959-966(2022)。
陈,C. M.等。J.医学互联网保留区。22, e19540(2020)。
台湾疾病控制中心。https://go.nature.com/3CjYCS6(2020)。
王俊杰等。《美国医学协会杂志》上。323, 1341-1342(2020)。
董,E.等。柳叶刀感染。说。20., 533-534(2020)。
确认
我们感谢S. Afdhal和Z. Sheikh对本文早期草稿的评论和贡献。最初的报告是由卡塔尔基金会(Qatar Foundation)资助的,本文是该报告的删节版。
作者信息
作者及隶属关系
相应的作者
道德声明
相互竞争的利益
A.S.曾在英国和苏格兰政府的几个COVID-19咨询机构任职,并担任世界卫生创新峰会(WISH)关于大流行病数据化应对报告的顾问。D.W.B.报告了来自EarlySense的赠款和个人费用,来自CDI Negev的个人费用,来自ValeraHealth的股权,来自Clew的股权,来自MDClone的股权,来自AESOP的个人费用和股权,来自Feelbetter的个人费用和股权,来自Guided Clinical Solutions的股权,来自IBM Watson Health的赠款,在提交的工作之外,以及一项关于术中临床决策支持的专利(PHC-028564 US PCT)。所有其他作者报告没有冲突。
权利和权限
关于本文
引用本文
Dhami, S., Thompson, D., El Akoum, M.。et al。以数据为基础的大流行病应对:2019冠状病毒病的政策教训。Nat地中海(2022)。https://doi.org/10.1038/s41591-022-02054-0
发表:
DOI:https://doi.org/10.1038/s41591-022-02054-0