COVID-19大流行以戏剧性和微妙的方式重塑了卫生和医学。一些不太明显的变化只能从对数百万份数据的分析中得出——病人记录、医疗记录、临床报告。
单独来看，这些数据可能提供诱人的轶事。综合分析，它们可以提供有趣的相互作用的鸟瞰图，并揭示重要的趋势，为临床医生和公共卫生专家提供有价值的线索，可以为预防和干预提供信息。
哈佛医学院布拉瓦特尼克研究所(Blavatnik Institute at Harvard Medical School)生物医学信息学助理教授马林卡·兹特尼克(Marinka Zitnik)使用数据科学和机器学习方法，收集隐藏在普通观点中的关于疾病发展和进展、治疗结果和治疗反应的见解。
Zitnik的最新研究发表在10月5日的《自然计算科学》(Nature Computational Science)杂志上，分析了大流行之前和期间的不良药物事件模式。
在这项研究中，Zitnik和合著者、HMS博士后研究员张香(Xiang Zhang)以及哈佛大学研究生研究员玛丽莎·苏玛蒂帕拉(Marissa Sumathipala)使用了超过140万份涉及2821种药物的医学报告。
研究人员发现，在大流行期间，54种不良事件的频率增加了，尽管总体上，不良药物事件的数量有所下降。此外，分析还揭示了不良事件发生可能性的性别和年龄差异。
研究人员说，这一结果对安全用药具有重要意义，并可以提供更好的方法，根据风险状况对患者进行分层，以防止或至少减少突发卫生事件期间的医疗保健不平等。
Zitnik在《哈佛医学新闻》上讨论了她的发现。
HMNews:你打算通过这项研究完成什么?
Zitnik: 2019年，药物使用和处方药的不良事件导致美国11万多人死亡。我们研究的主要动机是了解大流行及其带来的干扰可能在多大程度上挑战了卫生保健系统确保安全用药的能力。我们想知道是否有任何不平等在不同的患者群体中加剧，是否有任何不良事件高于或低于我们的预期，如果没有大流行发生。
为了回答这些问题，我们研究了大流行前7年药物不良事件的模式。我们查看了每种药物的历史趋势和数据库中记录的每种不良事件，以预测2o20的预期结果。然后我们将这个预期与我们在2020年实际看到的情况进行了比较。我们原本预计的情况与实际情况之间的差异，为我们提供了有关疫情影响的线索。
HMNews:主要的发现是什么?
Zitnik:首先，我们发现了大流行之前和期间药物不良事件的巨大变化。我们确定了64种不良事件，它们的模式与大流行前水平相比发生了相当大的变化。令人惊讶的是，64例不良事件中有54例在大流行期间增加。这有什么好惊讶的?因为你的预期可能是，由于获得卫生系统的机会有限，病人无法去医院报告不良事件，人们预计此类报告将会下降。事实的确如此。
与大流行前的水平相比，药物不良事件的报告总量确实下降了4.4%。令人惊讶的是，在大流行期间，54个药物不良事件的发生率增加了。第二，我们发现大流行前药物不良缺陷的性别差异在大流行期间加剧了。我们发现，与大流行前的水平相比，女性遭受的不良事件比男性多，而且这些性别差异在所有年龄组都存在。
这让我很惊讶。我只能想象，如果我们能获得这些数据，种族和种族之间的差异会有多大。第三，我们发现了不同年龄组药物副作用的相关临床差异。焦虑和失眠等副作用在女性和老年人中不成比例地增加，表明这些人是高危患者群体。
综上所述，我们可以确定某些可改变风险的不良事件，或风险因外部干扰而改变的不良事件，在本例中为COVID-19。
HMNews:使用大数据和大计算的优势是什么对突发公共卫生事件的变化进行分析?
兹特尼克:我们所做的许多观察和得出的许多结论都是因为我们分析了大量的数据才成为可能。我们从2013年1月至2020年9月期间的国家不良事件报告数据库中挖掘了1000多万份报告，并查看了所有批准的药物。
此前有大量关于实验室环境中药物不良事件的研究，重点是药物在批准前临床试验期间的分子特性。在大流行期间进行的患者安全研究也非常有限，仅限于少量药物(用于治疗COVID-19或相关疾病的药物)、少量报告和狭窄的时间范围。
大量的数据分析使我们能够理清大流行的影响，药物的影响，和病人特征之间的复杂关系。它使我们能够在突发公共卫生事件期间确定不良事件的变化。它让我们看到这些变化是如何在不同的患者群体中发挥作用的，根据性别、年龄和其他人口统计数据来定义。
以下是一个例子:药物瑞德西韦在大流行之前就已上市，并被重新用于治疗COVID-19，与缺氧或低氧水平风险相关。在瑞德西韦治疗COVID-19的临床试验中，缺氧被报道为一种新的不良事件，但之前并不知道。因此，在这种情况下，我们的分析强调了在人群规模上使用的算法模型是如何识别罕见和微妙的事件的，这些事件直到大量的人开始服药才会出现。
这种分析有助于提高治疗的药理学警惕性，包括那些获得紧急批准或被用于COVID-19的治疗，如瑞德西韦。显然，这种类型的人口规模分析并不能揭示观测结果背后的原因，以及背后的原因。
然而，这种方法是有价值的，因为它是一个系统范围的研究，允许我们缩小范围，看到森林中的树木。我们想了解当你看着整个国家的规模略逊一筹看看真实的患者,采取各种不同的药物和不同的疾病来捕获复杂的相互依赖关系在所有这些变量,包括非医疗因素,如年龄、性别、以及他们生活的地方。
HMNews:你的下一步是什么?
兹特尼克:最让我感到兴奋的是，这项工作为我们如何将COVID-19与其他突发公共卫生事件进行比较提供了蓝图。我们很有兴趣将COVID-19对安全药物使用的影响与阿片类药物危机或飓风和野火紧急情况的影响进行比较，这些紧急情况可能同样会中断获得医疗保健的机会。
我们是否从COVID-19中学到了一些可以转移到其他突发公共卫生事件中的东西?我们能否在此基础上为公共卫生部门制定前瞻性指引?希望通过标记在突发公共卫生事件中可能存在较高不良事件风险的个人或患者群体，这些见解可以帮助告知药物处方实践，并改善患者安全。
这些见解可以识别那些可能受到某些可预防的不平等影响的患者，并为公共卫生专家提供指导方针，以确定他们应该接触的社区，然后也许可以设计工具，自动询问患者他们正在经历的不良事件，他们使用的是哪种药物，不用病人一定要去医院，这在大流行期间是一个主要的挑战。
长期而言，这种大规模的分析可以提供足够的颗粒数据，帮助我们摆脱一刀切的方法，并允许我们根据患者广泛的特征对药物不良反应的风险进行分层。
