ข้อมูลด้านสุขภาพได้รับการขนานนามว่าเป็นกุญแจสำคัญในการปฏิวัติการวิจัยทางการแพทย์ โดยได้รับแรงหนุนจากนักลงทุนด้านเทคโนโลยีหลายพันล้านเหรียญ และยักษ์ใหญ่ในซิลิคอนแวลลีย์ที่มองหาตลาดใหม่ๆแต่จากการศึกษาที่ผิดพลาดเกี่ยวกับประโยชน์ของยาต้านมาเลเรียต้านโควิด-19 นักวิชาการชั้นนำเตือนว่าข้อมูลด้านสุขภาพจำนวนมากจำเป็นต้องได้รับการปฏิบัติด้วยความระมัดระวัง และไม่สามารถแทนที่ทางวิทยาศาสตร์ที่ทดลองแล้วจริงได้ วิธีการในการค้นหาการรักษาพยาบาล
การศึกษาที่ตีพิมพ์ในวารสารวิจัยทางการแพทย์ชั้นนำ
Lancet เมื่อเดือนพฤษภาคม เชื่อมโยงการใช้ไฮดรอกซีคลอโรควินกับการเสียชีวิตที่เพิ่มขึ้นในผู้ป่วยที่ติดเชื้อโควิด-19 มันทำให้องค์การอนามัยโลกหยุดการทดลองใช้ยาของตัวเองใน ทันที ในขณะที่บางประเทศได้ดำเนินการจนถึงขั้นห้ามใช้ยานี้ในการรักษาโรคโคโรนาไวรัส
ทว่าเมื่อมีคำถามเกี่ยวกับคุณภาพของข้อมูลที่ใช้สนับสนุนข้อสรุปของการศึกษา ผู้เขียนจึงถอนการสนับสนุนและวารสารก็ได้ใช้ขั้นตอนที่หายากในการดึงกระดาษออกมา
เรื่องอื้อฉาวที่ตามมาได้ส่งผลกระทบต่อความคิดของการวิจัยทางการแพทย์ที่มีพื้นฐานมาจากข้อมูลด้านสุขภาพจำนวนมาก ในขณะที่ตลาดข้อมูลด้านสุขภาพกำลังเฟื่องฟูและผู้เล่นในอุตสาหกรรมขนาดใหญ่กำลังผลักดันให้นำไปใช้ในการวิจัยทางการแพทย์ Google ในสัปดาห์นี้แจ้งอย่างเป็นทางการกับคณะกรรมาธิการยุโรปเกี่ยวกับแผนการซื้อ Fitbit บริษัท อุปกรณ์ติดตามสุขภาพที่สวมใส่ได้ – และกลุ่มข้อมูลด้านสุขภาพที่ละเอียดอ่อน – ในข้อตกลงที่สร้างความตื่นตระหนกให้กับนักรณรงค์ความเป็นส่วนตัวในขณะที่ Palantir บริษัท ขุดข้อมูลในสหรัฐอเมริกาเพิ่งได้รับการเข้าถึงสู่ข้อมูลด้านสุขภาพของสหราชอาณาจักร
“ความคิดที่ว่า AI และข้อมูลขนาดใหญ่จะมาแทนที่การทดลองแบบสุ่มนั้นเริ่มมีมาตรฐานมากขึ้น” — Charles Mayo ศาสตราจารย์แห่งมหาวิทยาลัยมิชิแกน
หัวใจสำคัญของเรื่องอื้อฉาวคือความกังวลเกี่ยวกับคุณภาพของข้อมูล และความเสี่ยงต่อสุขภาพที่ไม่สมส่วนจากการวิจัยทางการแพทย์บนพื้นฐานของข้อมูลที่ผิดพลาด
Surgisphere ซึ่งตั้งอยู่ในสหรัฐฯ ซึ่งเป็นบริษัทที่ให้ข้อมูลสำหรับการศึกษาที่ไม่เรียบร้อย อ้างว่าได้รวบรวมข้อมูลจากโรงพยาบาลประมาณ 700 แห่งในหกทวีป
เมื่อถูกท้าทายเกี่ยวกับคุณภาพของข้อมูล บริษัทปฏิเสธที่จะเปิดฐานข้อมูลสำหรับการตรวจสอบ โดยอ้างข้อตกลงความเป็นส่วนตัวและการรักษาความลับกับโรงพยาบาล
ไม่ใช่การศึกษาครั้งแรกที่ได้รับการสนับสนุนจากกลุ่ม
ข้อมูล Surgisphere Sapan Desai CEO ของบริษัทและหนึ่งในผู้เขียนงานวิจัย ได้ผลักดันให้ AI และการวิเคราะห์ข้อมูลขนาดใหญ่ใช้มากขึ้นในการวิจัยด้านสุขภาพ “ด้วยข้อมูลเช่นนี้ เราจำเป็นต้องมีการทดลองแบบสุ่มควบคุมหรือไม่” เขาได้รับรายงานว่ามีการศึกษาเกี่ยวกับไฮดรอกซีคลอโรควินก่อนที่จะหดกลับ
อย่างไรก็ตาม นักวิจัยที่ได้รับการติดต่อจาก POLITICO ได้เตือนถึงแนวคิดเรื่องข้อมูลขนาดใหญ่มาแทนที่วิธีการที่ทดลองและทดสอบแล้ว เช่น การทดลองแบบสุ่มที่มีกลุ่มควบคุม ซึ่งถือเป็นมาตรฐานทองคำในการวิจัยทางการแพทย์ พวกเขายังตั้งคำถามกับคำยืนยันของ Surgisphere ว่าไม่สามารถเปิดข้อมูลสำหรับการตรวจสอบได้
ไม่สามารถติดต่อ Surgisphere และ Desai เพื่อแสดงความคิดเห็นได้
ในการปรากฎตัวของสื่อก่อนที่เอกสารจะถูกเพิกถอนDesai ได้แสดงบทบาทของบริษัทในการวิจัยโดยกล่าวว่าการศึกษา “ขนาดและคุณภาพ” นั้นเป็นไปได้ด้วยเทคโนโลยีของ Surgisphere
“ถ้าข้อมูลตกไปอยู่ในมือของบริษัท ความรับผิดชอบของบริษัทในฐานะผู้ดูแลข้อมูลนั้นคืออะไร? ความคิดเห็นของฉันคือฉันไม่คิดว่ายังมีแนวทางที่ชัดเจนเพียงพอและตรวจสอบความสอดคล้อง ณ จุดนี้” Charles Mayo ศาสตราจารย์แห่งมหาวิทยาลัยมิชิแกนและผู้เขียนบทความเกี่ยวกับข้อมูลขนาดใหญ่ในการทดลองทางคลินิกกล่าว
Mayo เสริมว่าเรื่องอื้อฉาวของ Surgisphere มีแนวโน้มที่จะกระตุ้นให้สถาบันส่วนใหญ่ใช้แนวทางปฏิบัติและกรอบการทำงานเพิ่มเติมเพื่อให้ครอบคลุมการใช้ข้อมูลผู้ป่วยกับบริษัทการค้า — และเสริมว่าการกำกับดูแลประเภทนี้เป็นส่วนหนึ่งของการวิจัยทางคลินิกมานานแล้ว โดยมีคณะกรรมการตรวจสอบสถาบันและกำกับดูแลดูแล สำนักงานปฏิบัติตาม
บทบาทสำคัญสำหรับข้อมูลขนาดใหญ่
ผู้เชี่ยวชาญตั้งคำถามกับคำยืนยันของ Desai ว่าบิ๊กดาต้าสามารถแทนที่การทดลองแบบสุ่มได้ แต่กล่าวว่าแนวคิดนี้ยังคงได้รับความสนใจเมื่อมีข้อมูลมากขึ้น และความสามารถของ AI ก็พัฒนาขึ้น
“ต้องใช้ความพยายามอย่างมากในการรับข้อมูลจนถึงจุดที่อาจเป็นประโยชน์ … เราไม่เห็นข้อมูลมาแทนที่การทดลองแบบสุ่ม ฉันจะบอกว่านั่นเป็นการเข้าใจผิด” มาโยกล่าว
การทดลองแบบสุ่มที่มีกลุ่มควบคุมมีจุดมุ่งหมายเพื่อลดอคติโดยสุ่มมอบหมายอาสาสมัครเป็นสองกลุ่มขึ้นไป กลุ่มหนึ่งได้รับการแทรกแซงในขณะที่อีกกลุ่มหนึ่งไม่ได้รับอะไรเลยหรือยาหลอก จากนั้นนำผลลัพธ์ของกลุ่มมาเปรียบเทียบ
แม้ว่าการวิจัยทางการแพทย์จะมีความสำคัญ แต่การทดลองประเภทนี้อาจมีราคาแพงและต้องใช้เวลาหลายปีกว่าจะเสร็จสมบูรณ์ ในทางตรงกันข้าม ความน่าดึงดูดใจของการใช้บิ๊กดาต้าและ AI นั้นเชื่อมโยงกับความเร็วและต้นทุนที่ต่ำลง ด้วยคำมั่นสัญญาว่าจะมีข้อมูลจำนวนมากที่พร้อมใช้งานอยู่ในเซิร์ฟเวอร์ทั่วโลก
แต่บรรดาผู้ที่อยู่ในกลุ่มของการวิจัยทางวิทยาศาสตร์กล่าวว่าแม้ว่าข้อมูลขนาดใหญ่จะมีประโยชน์ แต่ก็ไม่ตรงกับความเข้มงวดของการทดลองภายใต้เงื่อนไขการทดสอบ
credit : whatiftheyweremuslim.com vierkanttretlager.com yovivoenvigo.com mhzetclan.com sixesboxers.com sitedotiago.com echolore.net colorfullifehikaku.net hospitalitygolfpackages.com everybodysgottheirsomething.com