ما هو الطب الشخصي؟

في وقتنا الحالي، معظم العلاجات الطبية موجهة لشريحة كبيرة من المرضى (Standard approach) بدون أخذ الفروقات الفردية في عين الاعتبار. الطب الشخصي (Precision medicine) يأخذ الاختلاف الفردي في عين الاعتبار: الاختلاف في جيناتنا، والبيئة، وأسلوب الحياة، وحتى في الكائنات المجهرية التي تعيش داخلنا. الطب الشخصي قائم على فكرة مطابقة كل مريض مع العلاج الذي سوف يعمل بشكل أفضل بالنسبة له (Tailored approach).

الجينات + البيئة = الحالة الصحية

مثل ما أن الاختلافات الوراثية (Genetic variation) تسهم في الخصائص الفيزيائية مثل الطول ولون الشعر، فإنها أيضا تؤثر على احتمال حصولنا على بعض الأمراض. بعض الاختلافات الوراثية تحمينا من المرض، وبعضها يجعلنا أكثر عرضة. كما ان بعض الاختلافات الوراثية تؤثر على كيفية استجابتنا للأدوية وغيرها من التدخلات. على سبيل المثال، فهم الاختلافات الفردية في الإنزيمات التي تتفاعل مع الأدوية يمكن أن تساعد الطبيب على تحديد الجرعة الصحيحة من الدواء الصحيح بشكل محدد والأثار الجانبية لكل مريض على حدة. هذا العلم يسمى (Pharmacogenomics) وهو يدرس تأثير الجينات على سلوك المادة الدوائية بالجسم.

شاهد هذا المقطع عن الموضوع:

صفاتنا كبشر تحدد بأشياء أخرى غير الجينات. ففي الواقع تؤثر عوامل البيئة - بما في ذلك محيطنا المادي، ,ونظامنا الغذائي، وأسلوب حياتنا - على صحتنا. على سبيل المثال، حتى لو شخص ورث الاختلافات الوراثية التي تجعله عرضة لسرطان الجلد، فانه يمكنه ان يقلل من فرص حصول السرطان عن طريق حماية نفسه من الشمس. الطب الشخصي ينطوي على فهم كيفية تفاعل العوامل من البيئة مع الاختلافات الوراثية للتأثير على الصحة. عندما تقترن مع معلومات عن بيئة الشخص، تصبح المعلومات الوراثية أكثر قوة.

ما وراء الجينوم

فهم كيفية مساهمة الاختلافات الوراثية في الصحة هو مجرد جانب واحد من الطب الشخصي. كحقائق علمية مثبتة، التعبير الجيني يتقلب مع اختلاف الوقت وتغير البيئة. لذلك، تتضمن النُهج الإضافية للطب الشخصي قياس مستويات البروتينات (Proteins) والحمض النووي الريبوزي (RNA). دراسة هذه العلوم أو الظواهر الإضافية مثل البروتيوميات(Proteomics) وعلم ما فوق الجينوم (epigenomics) يمكن أن تساعد في تحديد خيارات طبية مقننة للمرضى بشكل شخصي.

كما يتضمن الطب الشخصي ما نتعلمه عن الميكروبات (Microbiome) التي تعيش في أجسامنا وعلى أجسامنا وكيف يمكن التلاعب بها للتأثير على الصحة والمرض. هو يجمع أيضا بين أحدث العلوم في الخلايا الجذعية مع تكنولوجيا الطباعة ثلاثية الأبعاد لبناء الجلد البديل، والأوعية الدموية، والعظام. وهو يتضمن تقنيات هندسة الخلايا المناعية للمريض لمهاجمة السرطان والأمراض الأخرى، و خوارزميات الحاسوب لبناء الوجبات الغذائية المخصصة لمرضى السكري مثلا.

إلى جانب علاج المرض، يتضمن الطب الدقيق نُهجًا للتشخيص والوقاية والفحص: 

• طرق تحديد الأشخاص المعرضين للخطر قبل الإصابة بالمرض؛ 
• أدوات تحليلية للتنبؤ استراتيجيات الوقاية التي ستعمل على أفضل وجه للمرضى؛ 
• طرق الفحص التي يمكن أن تحدد العلامات المبكرة للمرض قبل ظهور الأعراض؛ 
• اختبارات التي يمكن أن تحدد حالة الناقل المرض للآباء المحتملين؛ 
• أجهزة لإدارة الأمراض وتتبع وتوجيه التعافي

ختاما اترككم مع هذا المقطع الذي يشرح الطب الشخصي بطريقة شيقة:

مصادر

[1] Hayden, E.C. (2014). Is the $1,000 genome for real? Nature News & Comment, 15 January 2014. doi:10.1038/nature.2014.14530

[2] Wetterstrand, K.A. (June 15, 2015). DNA Sequencing Costs: Data from the NHGRI Genome Sequencing Program (GSP). Retrieved 18 August 2015, from www.genome.gov/sequencingcosts.

[3] Robison, R.M. (Jan 6, 2014). How big is the human genome? In megabytes, not base pairs. Retrieved 18 August 2015, from https://medium.com/precision-medicine/how-big-is-the-human-genome-e90caa3409b0

[4] What is Precision Medicine? Retrieved from URL: https://learn.genetics.utah.edu/content/precision/intro/

تسعة أمثلة على تطبيقات البيانات الضخمة التي يمكن أن تنقذ أرواح البشر في مجال الرعاية الصحية

من الملاحظ التغيير الذي أحدثته البيانات الضخمة على الطريقة التي تدار بها البيانات في اي مجال شاملة الرعاية الصحية. فالتحليل الناجح لهذه البيانات قادر على خفض التكاليف العلاجية، التنبؤ بتفشي الأوبئة، تجنب الأمراض التي يمكن الوقاية منها، وتحسين نوعية الحياة بشكل عام. الممارسين الصحيين قادرون على جمع كميات هائلة من البيانات والبحث عن أفضل الاستراتيجيات للاستفادة منها. في هذه المقالة، نود ان نقدم عشرة أمثلة على تطبيقات البيانات الضخمة موجودة حاليا ويستفاد منها في مجال الرعاية الصحية. 

تعيين العدد المناسب من الممارسين بناء على عدد المرضى المتوقع

بشكل عام، تعتبر مشكلة تعيين العدد المناسب من الموظفين بناء على حاجة العمل مشكلة كلاسيكية في اغلب القطاعات. الشح في التعيين قد يعرض المرضى إلى كثير من المخاطر والأخطاء القاتلة الناتجة عن زيادة ضغط العمل، على النقيض، المبالغة في التعيين قد يقلل الأخطاء لكن ينتج عنه هدر مالي غير مبرر.

البيانات الضخمة تساعد في حل هذه المشكلة. هذة المقالة في فوربس تناقش كيف ان اربعة مستشفيات في باريس تستخدم بينات من مصادر متنوعة وتقنيات الذكاء الاصطناعي للتوصل الى توقعات يومية لعدد المرضى في كل مستشفى. 

أحد المصادر الهامة الذي تم الاعتماد عليها هي التحليل الزمني لسجلات المرضى في المستشفيات الأربعة للعشر سنوات السابقة. التحليل الزمني ينتج اتجاهات معينة لكل فترة زمنية من اليوم من السنوات السابقة. هذه الاتجاهات يمكن ان تستخدم للتنبؤ بعدد المرضى المستقبلي لكل فتره زمنية باستخدام خوارزميات تعلم الاله.

السجلات الصحية الإلكترونية

هذا هو التطبيق الأكثر انتشارا حاليا للبيانات الضخمة في المجال الصحي. كل مريض لدية سجله الخاص شاملا التاريخ المرضي، نتائج التحاليل المخبرية.... الخ. يتكون كل سجل من ملف واحد قابل للتعديل والمشاركة الأمنه بين الممارسين الصحيين. ويمكن ايضا ان تساعد السجلات الإلكترونية إلى تحذير الممارسين من اخطار معينة مثل الحساسية المفرطة لدواء معين أو الحاجة لتحليل مخبري جديد.

على الرغم من انتشار هذه السجلات، فأن العديد من البلدان لا زالت تكافح من اجل تطبيقها بالكامل. فمثلا ما يقارب ال 94%  من  المنشئات الصحية في الولايات المتحدة تعتمد على هذه  السجلات. في نفس الوقت، لا زال عدد من دول الاتحاد الاوربي يعتمد على الانظمة القديمة.

احدى الأنظمة الناجحة هو نظام HealthConnect الذي يربط بينات المرضى بين كل المنشئات الصحية المتبنية للنظام. من المتوقع ان مشروع وزارة الصحة السعودية الجديد هو بناء نظام مماثل يغطي المملكة ككل. هذه الانظمة الضخمة بين عدد كبير من المنشئات لها أثر كبير في تحسين المخرجات والسيطرة على الهدر المالي. يشير تقرير من ماكينزي عن الرعاية الصحية للبيانات الضخمة إلى أن "النظام المتكامل قد حسّن النتائج في أمراض القلب والأوعية الدموية وحقق ووفر مبلغ يقدر بمليار دولار من انخفاض الزيارات المكتبية والاختبارات المعملية."

التنبيه في الوقت الحقيقي

تقوم الأجهزة القابلة للارتداء، مثل الساعات الذكية، بجمع البيانات الصحية للمرضى بشكل مستمر وإرسال هذه البيانات إلى السحابة الإلكترونية. يستطيع الممارس الصحي تحليل قاعدة البيانات لمتابعة الحالة الصحية للمرضى وتعديل الخطة العلاجية لكل مريض بناء على مؤشراته. على سبيل المثال، إذا زاد ضغط الدم للمريض بشكل مثير خطير، فإن النظام سيرسل تنبيهًا في الوقت الحقيقي إلى الطبيب الذي سيتخذ بعد ذلك إجراءات للوصول إلى المريض واتخاذ تدابير لخفض الضغط. مثال اخر على ذلك هو Asthmapolis، وهي اجهزة استنشاق للربو لكن مزودة بأجهزة تعقب مرتبطة بالأقمار الصناعية. الهدف الاساسي منها هو تعقب حالات الربو على مستوى المريض الشخصي وعلى مستوى عدد كبير من المرضى وربطها بإحداثيات المكان. يتم اقران البيانات الصادرة من هذه الأجهزة مع البيانات المجمعة من قبل مركز السيطرة على الامراض الامريكي من اجل وضع خطط علاج أفضل لمرضى الربو.

تعزيز مشاركة المريض

                   

العديد من المستهلكين – الذين يحتمل ان يكونوا مرضى – لديهم اهتمام بالأجهزة الذكية التي تسجل نشاطهم البدني، معدل ضربات القلب، عادات النوم....الخ على اساس دائم. يمكن اقرات هذه المعلومات الحيوية ببيانات اخرى لتحديد المخاطر الصحية المحتملة. الأرق المزمن وارتفاع معدل ضربات القلب يمكن أن تشير إلى خطر لأمراض القلب في المستقبل على سبيل المثال. يشارك المرضى بشكل مباشر في رصد صحتهم، ويمكن للحوافز من شركات التأمين الصحي أن تدفعهم إلى توفير هذه المعلومات (على سبيل المثال: خصومات للِأشخاص الذين يستخدمون الساعات الذكية).

التخطيط الاستراتيجي المبني على البيانات الصحية 

استخدمت جامعة فلوريدا خرائط جوجل وبينات الصحة العامة المجانية لأعداد خرائط حرارية لتركيز النمو السكاني والأمراض المزمنة. وتمت مقارنة الخرائط بالخدمات المقدمة في نفس مناطق تركز المرضى أو المناطق الساخنة في الخرائط. سمحت هذه النتائج في مراجعة سياسيات الخدمات الصحية المقدمة في أكثر الاماكن احتياجا.

علاج السرطان

يمكن للباحثين الطبيين استخدام كميات كبيره من بيانات خطط العلاج ومعدلات التعافي من مرض السرطان من اجل العثور على العلاجات التي لديها اعلى معدلات النجاح في العينة المدروسة. على سبيل المثال، يمكن للباحثين فحص عينات الاورام في البنوك الحيوية التي ترتبط بسجلات علاج المرضى. باستخدام هذه البيانات، يمكن للباحثين دراسة أشياء محددة مثل كيفية تفاعل بعض الطفرات وبروتينات السرطان مع العلاجات المختلفة. هذه البيانات يمكن تؤدي إلى نتائج إيجابية غير متوقعة، مثل العثور ان مضاد للاكتئاب (Desipramine) لدية القدرة على اعطاء نتائج ايجابية لأنواع معينة من سرطان الرئة (دراسة مستمرة).

الحد من الاحتيال وتعزيز الأمن

بينت بعض الدراسات ان بيانات المرضى أكثر عرضة للانتهاكات من اي بيانات اخرى. والسبب هو ان هذه البيانات قيمة ومربحة في السوق السوداء. مع اخذ ذلك في الاعتبار، بدأت العديد من المؤسسات الصحية في استخدام التحليلات للمساعدة في منع التهديدات الأمنية من خلال تحديد التغييرات في حركة مرور الشبكة، أو أي سلوك آخر يعكس هجومًا إلكترونيًا. بطبيعة الحال، فإن البيانات الضخمة لها قضايا أمنية متأصلة، ويعتقد الكثيرون أن استخدامها سيجعل المنظمات الصحية أكثر عرضة للهجمات مما هي عليه بالفعل. ولكن التقدم في مجال الأمن مثل تكنولوجيا التشفير، والجدران النارية، وبرامج مكافحة الفيروسات...الخ، ساعدت على تجاوز بعض هذه المخاطر.

بالمثل، يمكن ان تساعد البيانات الضخمة على منع الاحتيال والمطالبات المالية غير الدقيقة بطريقة منهجية وقابلة للتكرار. يساعد تحليل هذه البيانات في تبسيط وتسريع معالجة مطالبات التأمين، مما يمكّن المرضى من الحصول على عوائد أفضل على مطالباتهم المالية دفع التعويضات لمقدمي الرعاية الصحية بشكل أسرع. فعلى سبيل المثال، خدمات ميديكاير و مديكايد الفيدرالية وفرت اكثر من 200 مليون دولار في التصدي لعمليات الاحتيال في عام واحد فقط.

التطبيب عن بعد

يتم استخدامه عادة للاستشارات الأولية والتشخيص الأولي، ورصد المرضى عن بعد، والتعليم الطبي للمهنيين الصحيين. وتشمل بعض الاستخدامات الأكثر تحديدا الجراحة عن بعد – يمكن للأطباء إجراء عمليات باستخدام الروبوتات دون أن يكون جسديا في نفس الموقع مع المريض.

دمج البيانات الضخمة مع التصوير الطبي

يتم إجراء حوالي 600 مليون عملية تصوير كل عام في الولايات المتحدة. من المكلف ماديا حفظ هذه البيانات بشكل يدوي، حيث ان المستشفيات بحاجة إلى تخزينها لسنوات قبل التخلص منها. بالإضافه ان اخصائي الأشعه بحاجة إلى دراسة كل صورة على حدة.

البيانات الضخمة تساعد على الاستفادة من هذه الصور عن طريق خوارزميات معينة يتم تطوريها لتحليل ملايين الصور لمساعدة الطبيب في التشخيص عن طريق الشبكات العصبية.

للأستزادة

خمسة فوائد للبيانات الكبيرة في الرعاية الصحية

عند ذكر البيانات الضخمة، قد تفكر في كمية كبيرة من البيانات. لكن في الحقيقة، فإن البيانات الضخمة هي مزيج من الحجم والتنوع وسرعة البيانات. على مدى عقود من الزمن، استمر استخدام البيانات الضخمة في عدد من الصناعات. في نفس الوقت، كان المبدعون في انتظار البيانات الضخمة لتطور قطاع الرعاية الصحية عن طريق مساعدة الأطباء على تشخيص واكتشاف الأمراض.

نحن في زمن يمكن ان تؤدي البيانات الضخمة فيه إلى تغييرات هائلة في صناعة الرعاية الصحية. كمثال، عدد كبير من المستشفيات تعتمد على التحليل التنبؤي وتطبيقات الذكاء الاصطناعي في أنشطتها اليومية.

أليك بعض الفوائد التي توفرها البيانات الضخمة في قطاع الرعاية الصحية:

تحديد المرضي المعرضين لمخاطر عالية 

من الملاحظ ان المرضى يتدفقون باستمرار على أقسام الطوارئ. هذا ليس فقط مكلف من الناحية المادية على لمرضى لكن المخرجات الصحية قد لا تكون الافضل. 

في هذه الحالة يمكنك استخدام التحليل التنبؤي للبيانات المالية والسريرية والجينية للمرضي. سيكون من السهل على المستشفى الخاص بك تحديد المرضى المعرضين لخطر شديد من امراض معينه مثل السرطان. هذه المعلومات تساعد على التدخل السريع ووضع خطة علاجية مبكرة لكل مريض على حدة. 

تجنب الأخطاء الطبية 

من المعتاد ان تحدث الأخطاء من وقت لأخر. ومع ذلك، في قطاع الرعاية الصحية، يمكن ان تسبب هذه الأخطاء ضررا كبيرا وأحيانا أخرى يمكن ان تؤدي إلى الوفاة. 

تأتي البيانات الضخمة في متناول اليد في اعمال الرعاية الصحية الخاصة بك، حيث يتم تحليل جميع سجلات المريض ووصفات الادوية. في هذه الحالة سيكون من السهل الكشف عن وتصحيح اي شيء خاطئ.

الاقتصاد في التكاليف والوقت 

البيانات الكبيرة في قطاع الرعاية الصحية هي وسيله رائعة لتوفير تكاليف المستشفى والوقت الذي ينتظره المرضي في الطابور. كمثال يمكنك التنبؤ بعدد حالات التنويم التي تحدث في فترة زمنية محددة وعلى اساسها يتم تخصيص العدد المناسب من الموظفين في تلك الفترات لتوفير التكاليف. 

تحسين النتائج 

إحدى الطرق للحصول على البيانات الضخمة هي استخدام الاجهزة المخصصة التي تراقب ساعات النوم، ومعدلات ضربات القلب وغيرها من البيانات التي تساعد على التنبؤ بصحة المريض. يمكن تعقب وتوليد هذه البيانات باستخدام أجهزة معينة. بعد الحصول عليها، يمكن تحليل البيانات والاستفادة منها من قبل الطبيب. تصلح هذه التطبيقات لأمراض معينه كارتفاع ضغط الدم والربو. ومفيدة للمرضى الذين لا يزورون الطبيب بشكل منتظم.

السجلات الصحية الالكترونية 

هناك عدد من التطبيقات والنهج التي تدمج فيها الأوساط الصحية البيانات الضخمة في اعمالها. كمثال، جوجل طورت نموذج تعلم عميق مبني على البيانات الضخمة من السجلات الصحية الكترونيه عنده القدرة على التنبؤ بالنتائج السريرية بدقه أكبر من النماذج التقليدية.