在抗击COVID-19大流行中，学术机构、医保机构、知名智库应用来自于真实世界数据的信息，分析医疗资源利用率、人群健康、干预效果，从而更有效地调配资源。

根据FDA的定义，真实世界数据（real world data，RWD）指从传统临床试验以外的其它来源获取的信息；借助于RWD，医药行业可以深入了解患者健康状况或医疗照护情况。在抗击COVID-19大流行期间，通过从患者调研、电子病历（EHR）中采集的信息，结合对既往疫情暴发和医院收容能力的研究，医药行业正在借助RWD的力量，帮助领导者根据判断，做出关键决策。

洞悉医疗资源利用率，合理配置医院收治能力

COVID-19疫情使许多医院面临着前所未有的医疗资源压力，尤其是对重症患者的医疗照护方面。对于木桶效应，大家并不陌生。一只木桶能装多少水，并不取决于最长的桶板，而是取决于最短的桶板。抗疫的道理亦然。因此，找出收治能力低的地区，非常重要。一些组织正在通过RWD监控医院利用率和收治能力数据。

总部位于马里兰州的Definitive Healthcare公司，最近与从事地理信息系统（GIS）地图和智能定位的Esri公司合作，启动了一个交互式数据平台。平台用户可跟踪全美的病床容量以及潜在的地理风险区域，显示全美病床床位、ICU床位位置和数量分布，同时还提供总床位利用率信息。

一些机构利用RWD设计建模工具，帮助医院和卫生系统为重症监护计划做好准备。今年4月7日，《内科学年鉴》（Ann Intern Med）发表宾夕法尼亚大学医疗体系（Penn Medicine）Gary E. Weissman医生和同事的论文，该团队开发的工具，用于预测最佳和最坏情况下，临床需求的激增以及新冠病毒对医院容量的影响。研究团队采用可公开获取的COVID-19流行病学数据和来自宾州的多家医院的临床结果数据，来构建模型。研究团队表示，通过医疗卫生系统临床和运营负责人与数据科学团队的密切协作，能够根据来自世界各地发布的数据，迅速探究相关情况，为相应部署提供依据。

知名智库兰德公司（RAND Corporation），创建了一个类似模型。研究人员开发了一种交互式工具，使决策者可以估算当前的收治能力，探索优化、提高收治能力的策略。

兰德公司的开发小组回顾了既往疫情暴发和与抗击COVID-19经验的文献，调研奋战在抗疫一线的临床医生，与多个急救医疗服务提供方举行了虚拟圆桌会议。兰德公司研究小组表示，对这些重症监护容量的估计，可以为跨区域重症监护资源共享提供信息，满足从需求较少区域到需求较大区域的资源调配需求。“鼓励医院负责人、地区和州官员使用此工具，根据相关社区数据的假设，探讨重症监护容量创建策略。”

识别高风险人群，为亟需者施以援手

采集、分析RWD，可用于识别、确定COVID-19大流行期间风险最高的人群。医疗补助责任机构Medical Home Network（MHN），通过找出哪些患者正在遭受社会孤立来识别确定易感个体。该机构的工作人员通过了解受访者是否独居，无家可归，是否在生病时有其它人士施以援手，来确定亟需帮助的高风险弱势群体。

该组织还利用人工智能与机器学习，来识别哪些患者属于因COVID-19入院治疗的高风险人群，哪些患者属于呼吸系统疾病引起的无关并发症人群。确定哪些患者有可能因呼吸衰竭或COVID-19入院，哪些患者与社会隔绝，最终确定应该首先对哪些患者伸出援手。

其它多家机构正在采集患者数据，以更好地了解COVID-19风险因素。内华达州健康计划（Healthy Nevada Project）的研究人员进行了一项人口健康研究，结合遗传、临床和环境数据，目前正在纳入知情同意的参与者的COVID-19数据。

在该组织开展的一项在线调研中，研究参与者回答13项问题，提供了可能的COVID-19暴露或风险的信息，包括近期出行、参加大型公共活动，以及受访者自己是否觉得有病毒感染相关症状的信息。“研究人员在不到一周的时间内提供的数据，使我们能够发现社区内的风险因素，并采取有针对性地响应行动。”项目负责人Joseph Grzymski博士表示。

州一级的政府机构也正在利用RWD来证明COVID-19对某些社区的影响。伊利诺伊州公共卫生局（IDPH）通过按照邮政编码发布COVID-19病例，使大家能够了解病毒对该州不同地区的影响程度和方式。这些信息可以帮助领导人认识到哪些地理位置可能需要更严格的干预措施，哪些地区拥有更多的重症监护资源。

追踪成功干预方法，为后续行动提供有用信息

随着确诊的COVID-19病例数继续攀升，全美各州都行动起来，采用严格的干预方法来遏制传播。保持社交距离，已在全美社区广泛采用，研究者已开始研究这些方法的潜在影响。

德克萨斯大学医学中心（UTHealth）的一个研究团队，采用AI工具确定，是否需要更严格、迅速的干预措施，减少冠状病毒在休斯顿地区更广传播。研究者根据中国和意大利的COVID-19案例开发了该模型，计划将模型应用于全球150个国家。研究人员首先在州一级使用该模型，在包括休斯顿在内的德州都市区使用。

UTHealth公共卫生学院院长、M. David Low公共卫生讲习教授Eric Boerwinkle博士表示，尽管相关数字和细节繁杂，但已经确认了两个结果非常一致的模式：早期干预效果更好；更严格的干预比不严格的干预效果更好。

斯坦福大学的研究人员开发了一个数据驱动工具，用于评估诸如保持社交距离、隔离等干预措施的可能结果。该模型显示不同假设场景情况下的潜在轨迹（前馈），而非特定位置的精确动态（反馈）。模型架构能够确定实施不同类型、强度和持续时间的干预措施，并显示这些干预措施如何影响病毒随时间的传播。研究团队正考虑在将来加入其它干预措施和方案，包括追踪接触者，相关方法的有效性，取决于检测能力、死亡率、住院率、目标人群的年龄结构等。课题负责人，从事传染病生态学研究的Erin Mordecai博士表示，希望就长期响应的结果展开范围更广的讨论。“我们担心一旦取消控制措施，该病就可能迅速传播。”

业界依据RWD，分析医疗资源利用率、人群健康、干预效果，从而更有效地调配资源。随着抗击COVID-19大流行的形势不断发展变化，运用RWD，将有助于医疗保健领域的领导者做出关键决策，减轻病毒的影响。对新冠病毒的追踪、控制和深入了解，将在很大程度上取决于行业依据既往和当前的真实世界信息的学习掌握能力。(生物谷Bioon.com）

小编推荐会议 2020（第四届）RWE真实世界研究峰会

http://meeting.bioon.com/2020RWE？__token=liaodefeng