In Silico Trials van chirurgische ingrepen

Routinematig verzamelde gezondheidsgegevens, zoals National Health Service Hospital Episode Statistics (HES), bevatten een schat aan real-world longitudinale gezondheidsgegevens van patiënten, waaronder demografische gegevens, diagnoses, procedures en andere klinische informatie. Deze gegevens kunnen worden gebruikt om veel van de bestaande uitdagingen bij het opzetten en uitvoeren van klinische onderzoeken aan te pakken door het ontwerp van onderzoeken te optimaliseren en de beoordeling van therapietrouw, veiligheid en resultaten te vereenvoudigen. Wanneer een proefconcept wordt geïnitieerd, kunnen onderzoekers HES-gegevens gebruiken om de hypothese te onderzoeken en de haalbaarheid van de proef te beoordelen. De grote hoeveelheden patiëntgegevens maken een gedetailleerd begrip mogelijk van de kenmerken van de beoogde patiëntenpopulaties en de schatting van de real-world behandelingseffecten voor verschillende patiëntengroepen, waardoor identificatie van gerichte populaties voor specifieke interventies mogelijk wordt. Door gebruik te maken van deze bron en geavanceerde statistische en machine learning-methoden te gebruiken, kunnen de onderzoekers de proef nabootsen en zo de belangrijkste onderzoeksparameters verkrijgen die nodig zijn voor het ontwerpen van een klinische proef, het aantal toegerekende aannames minimaliseren en het ontwerp en de ontwikkeling van klinische proeven versnellen , eenvoudiger en betrouwbaarder.