Dai Registri a "Big Data":

opportunità e limiti

Convention della Cardiologia Lombarda

Como, 30-31 marzo 2017

Maria Frigerio

Direttore Cardiologia 2, Insufficienza Cardiaca e Trapianto

Direttore DeGasperis CardioCenter,

ASST Grande Ospedale Metropolitano Niguarda, Milano

cardiocenter@ospedaleniguarda.it

1987 1997 2007

La stagione dei grandi trial:

Inibizione RAAS, da CONSENSUS a PARADIGM-HF

PZFollow-up

medianoEnd-point Esito Significatività

CONSENSUS,

1987

N= 253,

NYHA IV

70 a, F 30%

6 mesi Morte a 6 mesiPlacebo 44%,

Enalapril 26%

RR - 40%,

p=0.002

PARADIGM-

HF, 2015

N=8442,

NYHA II-IV

68 a., F 22%

LVEF <40%

27 mesi

Mortalità CV +

ricovero HF;

Mortalità totale

Enalapril 26.5%

LCZ696* 22%

Enalapril 20%

LCZ696* 17%

HR 0.80,

p<0.001

HR 0.84,

p<0.001

PARADIGM-HF

2014

SOLVD, 1991 RALES, 1999 CHARM, 2003 EMPHASIS, 2011

CONSENSUS

1987

ELITE II, 2000, Val-HeFT, 2001

ATMOSPHERE...

*: valsartan/sacubitril

Dai trial a "Big Data": fattori di contesto

Dal presente al futuro

Costo gestione dati1 megabyte: Da >100000 dollari nel 1950

a poco più di 0,007 centesimi attuali

Costo conduzione trial Aumento

- Pazienti da arruolareDa 253 CONSENSUS, 1987,

a 8442 PARADIGM-HF, 2014

- Tempo di osservazione

(cronici)

Da 6 mesi, CONSENSUS, 1987,

a 27 mesi PARADIGM-HF, 2014

Età pazienti Trial: Dipendente da criteri di inclusione

Mondo reale: aumento

Prevalenza comorbilitàTrial: Dipendente da criteri di inclusione

Mondo reale: aumento

Dai trial a "Big Data"

I trial Big Data

Generazione ipotesi Ideazione Algoritmi

Verifica ipotesi Sequenziale Simultanea

Contesto Sperimentale Reale

Dati Qualità Quantità

MetodoDeduttivo (validare la teoria

osservando la realtà)

Induttivo (elaborare la teoria

interpretando la realtà)

InputCondizione definita,

soggetti esclusi a priori

Sottogruppi definiti (ev. soggetti

esclusi) a posteriori

OutputCorrelazioni causa-effetto

Interpretazione fisiopatologica

Associazioni multiparametriche

Generazione di conoscenze inattese

ApplicazioneStudio di malattia: terapia, tecnica

diagnostica...

Studio di soggetti: genetica, ambiente,

risposta alle cure... E non solo

Caratteristiche di "Big Data" - 1

N° casi

x

N° variabili/

caso

= Prodotto-

soglia

n pLog(n x p) >7

(> 10.000.000)

Le 3 – (5) V Note

1 Volume v.

2 Varietà

Fonti multiple,

non strutturate,

non finalizzate

3 VelocitàIn tempo reale – o

quasi

(4) Veridicità

Difficile

validazione,

accuratezza

limitata

(5) Valorizzazione Limiti (2,3,4)

Baro E, Biomed Research International 2015, ID 639021

Schneeweiss S, J Clin Epidemiol 2005;58: 323-7

… e i Registri?

I grandi trial Registri Big Data

Generazione

ipotesiIdeazione Osservazione Algoritmi

Verifica

ipotesiSequenziale Preordinata Simultanea

Contesto Sperimentale Reale / selezionato Reale /(universale?)

Dati Qualità ----- Quantità

MetodoDeduttivo (validare la teoria

osservando la realtà)<---------->

Induttivo (elaborare la teoria

interpretando la realtà)

InputCondizione definita,

soggetti esclusi a prioriCondizione definita

Sottogruppi definiti (ev.

soggetti esclusi) a posteriori

Output

Correlazioni causa-effetto

Interpretazione

fisiopatologica

Associazioni di possibile

natura causale

Interpretazione

fisiopatologica

Associazioni

multiparametriche

Generazione di conoscenze

inattese

ApplicazioneStudio di malattia: terapia,

tecnica diagnostica...

Studio di malattia e di

soggetti: epidemiologia,

prognosi, prassi...

Studio di soggetti: genetica,

ambiente, risposta alle cure...

E non solo

Big Data, un registro più grande?

Caratteristiche di "Big Data" - 2

Ambito N° casi N° variabili/caso obiettivi

"Omics" Limitato Elevato

- Predizione di rischio

- Predizione di effetto di terapie

- Interazione con altri fattori (medici –

sociali – ambientali....)

- Identificazione di substrato/meccanismi di

(manifestazione di) malattia…

Specialità

mediche

Moderatamente

elevato

Moderatamente

elevato

- Profilazione di sottogruppi, outliers,

e pz "medio"

- Valutazione prognostica

- Sorveglianza post-marketing

- Qualità dei processi di cura

- "comparative effectiveness research"?

- HTA?

Salute

pubblica Elevato Limitato

- Trend temporali di malattia

- Prassi gestionali e prescrittive

- Stima dei fabbisogni sanitari

Baro E, Biomed Research International 2015, ID 639021

Schneeweiss S, J Clin Epidemiol 2005;58: 323-7

Incidenza primo ricovero, 2005-2012, Lombardia

Distribuzione età

all'evento incidente (G1)

(/1000 res/anno)

Mondo dei trial e mondo reale

p < 0.0001

p < 0.0001

Insufficienza cardiaca avanzata

Insufficienza cardiaca lieve/moderata

Farmaci e sopravvivenza, trials e mondo reale

Mc Murray JJ, Eur J Heart Fail 2014;929-936

0

10000

20000

30000

40000

50000

60000

70000

80000

ACE-I/ARB NO ACE-I/ARB

Prescrizione ACE-I/ARB e mortalità

VIVI MORTI

0%

20%

40%

60%

80%

100%

ACE-I/ARB NO ACE-I/ARB

% VIVI % MORTI

0

10000

20000

30000

40000

50000

60000

70000

BB NO BB

Prescrizione BB e mortalità

VIVI MORTI

0%

20%

40%

60%

80%

100%

BB NO BB

% VIVI % MORTI

Regione Lombardia HFDATA, 2005-2012, all-cause mortality

Maggioni A et al, Heart 2003; 299-305

Dai trials al mondo reale: lo studio Bring-Up –

Moderate Heart Failure

Insufficienza cardiaca

lieve/moderata

Dai trials e mondo reale: lo studio Bring-Up 2 –

Severe Heart Failure

Opasich C et al, Eur J Heart Fail 2006; 8: 649-57

All N 1-year mortality

BB untreated 247 25%

BB already treated 271 13%

BB starting treatment 187 14%

Insufficienza cardiaca avanzata

• Maggiore variabilità genetica in afroamericani (AA) che in

Euroasiatici (EA)

• Le stesse variazioni sono riscontrabili, in quota diversa, nei

diversi gruppi etnici

• Possibile associazione tra polimorfismi e suscettibilità a

malattia e risposta alle terapie

• Polimorfismo recettori beta-adrenergici

• Associati a maggior/minor affinità X NE...

• ... a maggior/minor risposta a beta-bloccanti...

• Differenze più evidenti a basse dosi

Etnia e risposta alla terapia

BEST trial, A: ALL B: European C:African-American

Questioni di dimensioni e di metodo

Meta-analisi

- Somma di trials = Big Data?

- Valore aggiunto all'analisi dei sottogruppi?

Registri e dati amministrativi

- Necessari per validare sul campo i risultati dei trials?

- Utili per costruire le evidenze dove i trials sono difficili?

Metodologia statistica

- Comportamenti non univoci delle variabili quantitative

- Dall'analisi multivariata alla profilazione multiparametrica

L'ICD – Metanalisi

su dati individuali(~13.000 pazienti, F <25%)

Heart 2015;101:1800–1806.

L'ICD – Metanalisi

International Journal of Cardiology 173 (2014) 197–203

JAMA, January 2, 2013—Vol 309, No. 1

L'ICD nei trials e nei registri - US

L'ICD nei Registri - US

J Am Heart Assoc. 2015;4:e002061 doi: 10.1161/ JAHA.115.002061

"Big Data": basta essere grandi per avere senso?

▪ Ipotesi: inquinamento e ricoveri x scompenso

- Lombardia Informatica: dati sui ricoveri

- ARPA: dati su inquinamento

➢ esiste una correlazione?

▪ I pz ricoverati

- area di residenza o area di lavoro... ?

▪ L'inquinamento

- picchi o media?

- ore, giorni...

➢ lasciamo "pensare" il computer... ma come?

Dati amministrativi e EMR = "Big Data"?

Dal presente al futuro

Dati disponibili/soggetto Limitato

Uniformità compilazione Id

Variabilità prassi medica Teoricamente eliminabile?

Variabilità aderenza paziente Non eliminabile

Proprietà dati e privacy Rispetto degli individui o questione di potere?

Velocità analisi Non sempre elevata

Titolare dati SANITARI: il soggetto

- Accessi tracciati e registrati in modo permanente

- Consentiti solo se finalizzati alla cura del soggetto

- Il soggetto può richiedere la lista degli accessi ai propri dati,

e chiederne spiegazione agli interessati

Titolare dati AMMINISTRATIVI: la regione ...

- ...e l'ufficio flussi dell'Ospedale

- Qual é il confine tra dati amministrativi e dati sanitari?

Fascicolo Sanitario Elettronico, usi consentiti

La nuova SDO: la via italiana a Big Data?

SDO 2015 SDO 2016

Anagrafica Automatica Id

Data in/out Automatica Id

Modalità in Automatica, modificabile Id

Modalità out Default, modificabile Id

Diagnosi

Manuale (Comorbilità solo se

influiscono su impegno risorse/

solo se modificano DRG)

Manuale (Comorbilità: indicare se

preesistenti o di nuova

comparsa/complicanze?)

Interventi/

procedureData, codice: Manuale

Data, codice

Primo operatore

In caso di IMA - PA all'ingresso

In SEMEOTICONS, we propose the definition of the digital semeiotics of

the face, i.e. the computerized evaluation of facial signs, focused on those signs that relate to some widely-recognized risk factors of CVDs.

These signs above will assessed by a number of computationaldescriptors that will be extracted from different observation

modalities (morphometric, biometric, colorimetric, gestural and emotional analyses of the face, spectroscopic analysis of skin and iris, sub-cutaneous substances and the function of sub-cutaneoustissues, compositional analysis of breath and exhaled gas).

www.semeoticons.eu

Social networking & research

• Spontaneous participation (primary prevention)

• Call for recruitment

• Dissemination

• Identify research questions

• (professional) networking

• Fund raising

• Crowdfunding

MyHeartCounts, un esempio di ricerca diffusa • Monitoraggio attività fisica

• Questionario stato di salute, stile di vita

• Raccomandazioni generali e feedback

• Ricerca prospettica

Da "Big Data" all'Intelligenza

Artificiale: Le 3 leggi di Asimov

1. A robot may not injure a human being

or, through inaction, allow a human

being to come to harm.

2. A robot must obey any orders given to

it by human beings, except where such

orders would conflict with the First

Law.

3. A robot must protect its own existence

as long as such protection does not

conflict with the First or Second Law. »

Da "Big Data" all'Intelligenza Artificiale:

Le leggi di Clarke

«Quando un illustre ma anziano scienziato sostiene che

qualcosa è possibile, ha quasi certamente ragione.

Quando sostiene che qualcosa è impossibile, ha quasi

certamente torto.»

➢ Le leggi di Asimov sono state uno strumento letterario di successo. …

la somma delle storie di Asimov confutano la tesi con cui iniziò: Non è

possibile limitare con certezza il comportamento dei robot..