بیماری‌های غیرواگیر (Noncommunicable Diseases – NCDs) مسئول حدود ۷۰ درصد مرگ‌ومیر جهانی هستند. پیشگیری و مدیریت این بیماری‌ها عمدتاً در محیط‌های اجتماعی و محلی انجام می‌شود؛ محیط‌هایی که زیرساخت‌های سلامت دیجیتال و تحلیل داده در آن‌ها همچنان با کمبود سرمایه‌گذاری مواجه‌اند. این وضعیت به شکل‌گیری یک «شکاف داده‌ای» (Data Chasm) جدی منجر شده است.

تصمیم‌گیری کنونی در حوزه سلامت عمومی تا حد زیادی به دارایی‌های داده‌ای سنتی و ازپیش‌طراحی‌شده (Designed Data) متکی است؛ از جمله پیمایش‌ها، ریزسامانه‌های ثبت بیماری‌ها و پایگاه‌های داده مقطعی. این منابع با تأخیرهای چندساله در انتشار همراه‌اند؛ برای مثال، در مطالعات ملی بار بیماری، حداقل سه سال فاصله میان گردآوری داده‌ها و انتشار گزارش وجود دارد. چنین تأخیری باعث می‌شود شواهد مبنای تصمیم‌گیری، برای مداخلات به‌موقع سیاستی و بالینی، منسوخ و ناکارآمد شوند.

سلامت عمومی دقیق (Precision Public Health – PPH) الگویی تحول‌آفرین برای رفع این تأخیر داده‌ای ارائه می‌دهد. در این رویکرد، داده‌های دنیای واقعی (Real-World Data – RWD) که به‌صورت مستمر و در جریان فعالیت‌های معمول تولید می‌شوند، با داده‌های سنتی تجمیع می‌شوند. این داده‌ها عوامل تعیین‌کننده اجتماعی، محیطی، رفتاری، زیست‌پزشکی و تجاری سلامت را دربرمی‌گیرند. نتیجه این تلفیق، فراهم شدن امکان پایش نزدیک به بلادرنگ یا بلادرنگ، تصمیم‌گیری دقیق، مداخلات هدفمند و ردیابی پویای پیامدهاست؛ یعنی:

«مداخله درست، برای جمعیت درست، در زمان درست».

یک مرور دامنه‌ای نظام‌مند (Systematic Scoping Review)، نمونه‌های جهانی تجمیع دیجیتال داده‌های دنیای واقعی و داده‌های سنتی را برای مدیریت بیماری‌های غیرواگیر بررسی کرده است. این مرور شامل شش مطالعه انجام‌شده در ایالات متحده آمریکا، کانادا و چین بود. مهم‌ترین یافته‌ها عبارت‌اند از:

• قابلیت‌های پایش: نمونه‌های بررسی‌شده با موفقیت روش‌های تجمیع دیجیتال را برای پایش دقیق ۲۸ بیماری غیرواگیر متمایز، از جمله دیابت نوع ۲، بیماری‌های قلبی‌عروقی، آسم، چاقی و اختلالات سلامت روان، نشان دادند. جمعیت‌های هدف این سامانه‌ها از ۷۳ هزار نفر تا بیش از ۶ میلیون نفر متغیر بود.

• نابالغ بودن تحلیل داده‌ها: تحلیل‌های جمعیتی در این سامانه‌ها عمدتاً توصیفی، جغرافیایی و زمانی بودند. هیچ‌یک از سامانه‌های ارزیابی‌شده، تحلیل‌های پیش‌بینانه (مانند یادگیری ماشین) یا تجویزی (مانند پشتیبانی از تصمیم‌گیری) را به کار نگرفته بودند.

• شکاف اقدام در افق سوم: بر اساس چارچوب سه افق تحول سلامت دیجیتال، یک مطالعه در افق اول، یعنی گردش‌کارهای دیجیتال سلامت عمومی، فعالیت داشت و پنج مطالعه به افق دوم، یعنی داده‌ها و تحلیل‌های سلامت جمعیت، رسیده بودند. هیچ مطالعه‌ای به افق سوم، یعنی سلامت عمومی دقیق، دست نیافته بود. این یافته نشان‌دهنده شکافی اساسی میان اجرای پایش دقیق و تبدیل نتایج آن به اقدامات واقعی یا الگوهای مراقبتی عملیاتی است.

پیشینه راهبردی و مفاهیم محوری

شکاف داده‌ای بیماری‌های غیرواگیر و خطر تأخیر در دسترسی به اطلاعات

هم‌زمانی چند بحران فراگیر، شامل بیماری‌های غیرواگیر، نابرابری اجتماعی و بحران‌های بیماری‌های واگیر، فشار بی‌سابقه‌ای بر سلامت عمومی وارد کرده است. با وجود پیشرفت‌های بالینی، افراد بخش بیشتری از سال‌های زندگی خود را در وضعیت سلامت نامطلوب سپری می‌کنند.

سلامت عمومی سنتی عمدتاً به استفاده ثانویه از داده‌های ازپیش‌طراحی‌شده متکی است؛ مانند پیمایش‌های شیوع نقطه‌ای و مجموعه‌داده‌های اداری که معمولاً در فواصل چندساله به‌روزرسانی می‌شوند.

نمونه مهم: در استرالیا، داده‌های گردآوری‌شده در پیمایش ملی سلامت سال ۲۰۱۸، در مطالعه بار بیماری استرالیا در اوت ۲۰۲۱ منتشر شدند. این تأخیر سه‌ساله، خطر غیرقابل‌قبولی برای دقت و به‌روز بودن اطلاعات نظام سلامت ایجاد می‌کند و تصمیم‌گیری سیاستی را در معرض اتکا به شواهد منسوخ قرار می‌دهد.

تعریف سلامت عمومی سنتی در مقایسه با سلامت عمومی دقیق

دسته‌بندی داده‌های دنیای واقعی (RWD)

داده‌های دنیای واقعی شامل داده‌هایی هستند که به‌طور معمول و در خارج از محیط‌های سنتی پژوهش اولیه تولید و گردآوری می‌شوند.

1. داده‌های بالینی، دارویی و سابقه خانوادگی: پرونده‌های الکترونیک پزشکی و سلامت (EMR/EHR)، نتایج آزمایشگاهی، تشخیص‌ها، گزارش‌های رادیولوژی، یادداشت‌های ارائه‌دهندگان خدمات، سوابق تمدید نسخه‌های دارویی.

2. داده‌های مطالبات و صورتحساب (Claims/Billing): مطالبات خدمات پزشکی، مطالبات داروهای نسخه‌ای و داده‌های مربوط به استفاده از خدمات درمانی.

3. سلامت همراه (Mobile Health – mHealth): ردیاب‌های تناسب اندام، حسگرهای پوشیدنی و اپلیکیشن‌های پایش عملکردهای بدن.

4. داده‌های محیطی: متغیرهای اقلیمی، میزان مواجهه با آلاینده‌ها، عوامل مرتبط با سبک زندگی و داده‌های تراکنش‌های تجاری و خرده‌فروشی.

5. رسانه‌های اجتماعی: جوامع آنلاین بیماران، توییتر و گفت‌وگوهای اجتماعی در فضای مجازی.

6. پروفایل‌سازی مولکولی (Molecular Profiling): داده‌های ژنومیک، ترنسکریپتومیک، متابولومیک، پروتئومیک و نشانگرهای زیستی.

7. داده‌های بیمارمحور: پرونده‌های سلامت شخصی (PHR)، سنجه‌های پیامدهای گزارش‌شده توسط بیمار (PROMs) و پیمایش‌های کیفیت زندگی.

نکته درباره عوامل تعیین‌کننده سلامت

عوامل اجتماعی، رفتاری و محیطی حدود ۷۰ درصد از تغییرات پیامدهای سلامت را توضیح می‌دهند. با این حال، پایش سنتی سلامت به‌طور نامتناسبی بر عوامل زیست‌پزشکی متمرکز بوده است؛ زیرا در گذشته، اندازه‌گیری هم‌زمان عوامل غیربیولوژیک در مقیاس جمعیتی با محدودیت‌های جدی مواجه بوده است.

روش‌شناسی مرور دامنه‌ای

این مرور دامنه‌ای با پیروی از روش‌شناسی مؤسسه جوآنا بریگز (Joanna Briggs Institute – JBI) و دستورالعمل PRISMA-ScR انجام شده است.

چارچوب جست‌وجوی PCC

• جمعیت (Population): جمعیت‌ها و سلامت عمومی.

• مفهوم (Concept): تجمیع دیجیتال داده‌ها.

• بستر یا زمینه (Context): داده‌های دنیای واقعی و داده‌های سنتی.

پایگاه‌های اطلاعاتی جست‌وجوشده

پایگاه‌های PubMed، Scopus، EMBASE، IEEE Xplore، کتابخانه دیجیتال ACM و Google Scholar بررسی شدند. محدوده زمانی جست‌وجو، مطالعات منتشرشده تا فوریه ۲۰۲۱ را دربرمی‌گرفت.

نتایج فرایند انتخاب مطالعات

از مجموع ۲۰۰۵ رکورد اولیه شناسایی‌شده:

• ۱۸۶۲ رکورد پس از حذف موارد تکراری برای غربالگری باقی ماندند.

• ۴۴ مقاله به مرحله ارزیابی متن کامل رسیدند.

• در نهایت، ۶ مطالعه تجربی وارد مرور شدند؛ چهار مطالعه از طریق غربالگری پایگاه‌های اطلاعاتی و دو مطالعه از طریق بررسی زنجیره‌ای منابع مقالات شناسایی شدند.

جمع‌بندی نمونه‌های جهانی

این مرور شش نمونه اجرایی جهانی را شناسایی کرد که در آن‌ها تجمیع دیجیتال داده‌های دنیای واقعی و داده‌های سنتی برای مدیریت بیماری‌های غیرواگیر در حوزه سلامت عمومی به کار گرفته شده بود.

۱. مطالعه Glidewell و همکاران، ۲۰۱۸ ـ ایالات متحده آمریکا

• موضوع: بیماری مادرزادی قلب (Congenital Heart Disease – CHD) در جمعیت نوجوانان و بزرگسالان، با حجم نمونه ۷۳٬۱۱۲ نفر.

• داده‌های تجمیع‌شده: پرونده‌های الکترونیک سلامت، سوابق تولد و مرگ، داده‌های نظام سلامت SPARCS و مطالبات بیمه Medicaid، همراه با ریزسامانه سنتی ثبت بیماری مادرزادی قلب.

• معماری و تناوب به‌روزرسانی: استخراج مقطعی و ایستا، با پیوند داده‌ها از طریق ابزار یکپارچه‌سازی و پیوند رکوردهای دقیق (Fine-Grained Records Integration and Linkage Tool)، با میزبانی در نرم‌افزار Microsoft Access.

• سطح افق تحول: افق اول.

۲. مطالعه Guilbert و همکاران، ۲۰۱۲ ـ سامانه UW eHealth-PHINEX، ایالات متحده آمریکا

• موضوع: آسم و دیابت نوع ۲؛ با حجم نمونه ۱۹۲٬۲۰۱ نفر.

• داده‌های تجمیع‌شده: داده‌های بالینی پرونده‌های الکترونیک سلامت، همراه با داده‌های سرشماری سنتی ایالات متحده درباره شاخص‌های اجتماعی ـ اقتصادی و محیطی.

• معماری و تناوب به‌روزرسانی: استخراج مقطعی و ایستا، مبتنی بر درگاه وب شبکه اطلاعات سلامت عمومی (Public Health Information Network – PHIN).

• تحلیل و کاربرد: تحلیل‌های توصیفی، جغرافیایی ـ مکانی، شامل زمین‌کدگذاری و رگرسیون مکانی، و تحلیل‌های استنباطی، از جمله پرس‌وجوهای چندمتغیره و داده‌کاوی. خروجی سامانه، گزارش‌های خلاصه ایستا درباره ویژگی‌های بیماری در جوامع محلی بود.

۳. مطالعه Ji و همکاران، ۲۰۱۷ ـ Social InfoButtons، ایالات متحده آمریکا

• موضوع: ده بیماری مزمن مهم، از جمله ام‌اس، فیبرومیالژیا، اختلال افسردگی اساسی، سندرم خستگی مزمن، اسکلروز جانبی آمیوتروفیک (ALS) و بیماری پارکینسون؛ با مجموعه‌ای شامل ۱۷۳٬۵۴۵ پست یا بیمار.

• داده‌های تجمیع‌شده: داده‌های رسانه‌های اجتماعی از توییتر، MedHelp و WebMD، همراه با مجموعه‌داده‌های سنتی کتاب‌شناختی و دولتی از CDC و PubMed.

• معماری و تناوب به‌روزرسانی: یکپارچه‌سازی با استفاده از فناوری وب معنایی برای پیوند اصطلاحاتی که مفاهیم سلامت یکسانی را در بسترهای مختلف توصیف می‌کنند.

• تحلیل و کاربرد: زمین‌کدگذاری جغرافیایی و تحلیل‌های توصیفی و زمانی، از جمله مقایسه درمان‌ها در طول زمان. این سامانه برای استفاده نهادهای دولتی در پایش روندهای سلامت اجتماعی طراحی شده بود.

۴. مطالعه Li و همکاران، ۲۰۲۰ ـ سامانه NCDCMS، چین

• موضوع: دیابت نوع ۲، بیماری ایسکمیک قلب، بیماری‌های عروق مغزی و نئوپلاسم‌های دستگاه عصبی مرکزی در شهر نینگبو؛ با جمعیت ۵٫۹۳ میلیون نفر و ۲۰۱ مرکز پزشکی.

• داده‌های تجمیع‌شده: سوابق بالینی و دارویی پرونده‌های الکترونیک سلامت، همراه با پایگاه‌های داده الکترونیک تاریخچه بالینی.

• معماری و تناوب به‌روزرسانی: به‌روزرسانی بلادرنگ با چرخه تازه‌سازی یک‌روزه؛ با استفاده از تبادل داده دوسویه و سه‌سطحی در حوزه سلامت عمومی، مطابق با استانداردهای یکسان داده.

• تحلیل و کاربرد: پیاده‌سازی نقشه‌برداری جغرافیایی در پنج شهر استان ژجیانگ.

۵. مطالعه Lix و همکاران، ۲۰۱۸ ـ سامانه CCDSS، کانادا

• موضوع: ۱۴ بیماری غیرواگیر، از جمله دیابت نوع ۲، پرفشاری خون، اختلالات روانی، بیماری انسدادی مزمن ریه، آسم، بیماری ایسکمیک قلب، انفارکتوس حاد میوکارد، نارسایی قلبی، پوکی استخوان، سکته مغزی و زوال عقل؛ در تمام استان‌ها و قلمروهای کانادا.

• داده‌های تجمیع‌شده: داده‌های مطالبات و صورتحساب، صورتحساب پزشکان و سوابق داروهای نسخه‌ای، همراه با خلاصه پرونده‌های ترخیص بیمارستانی و ریزسامانه‌های ثبت بیمه سلامت.

• معماری و تناوب به‌روزرسانی: تطبیق مقطعی و ایستای داده‌ها، بر اساس تعاریف یکسان درخواست‌شده از آژانس سلامت عمومی کانادا (PHAC).

• تحلیل و کاربرد: نمودارهای میله‌ای توصیفی از بروز، شیوع و مرگ‌ومیر بیماری‌ها، همراه با نقشه‌برداری جغرافیایی در مناطق مختلف.

۶. مطالعه Shaban-Nejad و همکاران، ۲۰۱۷ ـ سامانه PopHR، کانادا

• موضوع: ۱۲ بیماری غیرواگیر، از جمله چاقی، سرطان، نارسایی مزمن کلیه، آرتریت، بیماری انسدادی مزمن ریه، نارسایی احتقانی قلب، اختلالات روانی و دیابت نوع ۲؛ در جمعیتی حدود یک میلیون نفر در مونترال.

• داده‌های تجمیع‌شده: داده‌های بالینی پرونده‌های الکترونیک سلامت، مطالبات بیمه سلامت عمومی و تراکنش‌های تجاری خرده‌فروشی، همراه با داده‌های سرشماری و پیمایش‌های سبک زندگی.

• معماری و تناوب به‌روزرسانی: به‌روزرسانی نزدیک به بلادرنگ، با تناوبی از دو هفته تا یک سال؛ بر پایه معماری کارخواه ـ کارساز (Client-Server) برای پردازش، یکپارچه‌سازی و مدیریت معنایی داده‌ها.

• تحلیل و کاربرد: نقشه‌برداری جغرافیایی، تحلیل‌های توصیفی، زمانی برای بررسی تغییرات شیوع در طول زمان و تحلیل‌های مقایسه‌ای. همچنین آزمون‌های کاربردپذیری و اجرای آزمایشی با کاربران نهادهای سلامت عمومی انجام شد.

جدول مقایسه تفصیلی مطالعات

تحلیل چارچوب سه افق تحول سلامت دیجیتال

تحول دیجیتال سلامت در مسیر دستیابی به سلامت عمومی دقیق، در قالب سه افق راهبردی توصیف می‌شود:

افق اول (Horizon 1)

گردش‌کارهای دیجیتال سلامت عمومی

دیجیتالی‌سازی داده‌های پایه و پیوند منابع پراکنده برای ایجاد زیرساخت ساختاری پایش سلامت عمومی

۱ مطالعه

افق دوم (Horizon 2)

داده‌ها و تحلیل‌های سلامت جمعیت

ادغام تحلیل‌های توصیفی، مکانی و زمانی برای نمایش بار بیماری‌ها و روندهای سلامت

۵ مطالعه

افق سوم (Horizon 3)

سلامت عمومی دقیق

تبدیل پایش به اقدام از طریق مدل‌های پیش‌بینانه، تصمیم‌یار و مداخلات هدفمند و پویا برای جمعیت‌های پرخطر

بدون مطالعه محقق‌شده

افق اول: گردش‌کارهای دیجیتال سلامت عمومی

در این افق، داده‌های پایه دیجیتالی می‌شوند و منابع پراکنده به یکدیگر پیوند می‌خورند تا زیرساخت لازم برای پایش سلامت عمومی شکل بگیرد.

- وضعیت در مطالعات: یک مطالعه، یعنی مطالعه Glidewell و همکاران، مجموعه‌داده‌های ایستای چندمنبعی را در نرم‌افزار MS Access به یکدیگر پیوند داده بود.

افق دوم: داده‌ها و تحلیل‌های سلامت جمعیت

در این افق، تحلیل‌های توصیفی، مکانی و زمانی پیشرفته‌تر در سامانه‌های پایش ادغام می‌شوند تا بار بیماری‌ها و روندهای سلامت قابل مشاهده باشند.

- وضعیت در مطالعات: پنج مطالعه شامل پژوهش‌های Guilbert، Ji، Li، Lix و Shaban-Nejad در این سطح قرار گرفتند.

افق سوم: سلامت عمومی دقیق

در این افق، نتایج پایش تجمیعی به مدل‌های مراقبت بلادرنگ، خودکار یا پیش‌بینانه تبدیل می‌شوند. تحلیل‌های پیش‌بینانه و تجویزی برای هدایت مداخلات هدفمند به جمعیت‌های پرخطر به کار می‌روند.

- وضعیت در مطالعات: هیچ‌یک از نمونه‌های بررسی‌شده به مرحله استقرار کامل افق سوم نرسیده بودند.

یافته‌های کلیدی و بحث

شکاف میان پایش و اقدام

مهم‌ترین یافته مرور دامنه‌ای این است که اگرچه روش‌های پیشرفته‌ای برای پایش دقیق وضعیت سلامت وجود دارند، تبدیل خروجی این سامانه‌ها به اقدامات دقیق با ضعف قابل‌توجهی مواجه است.

بیشتر سامانه‌ها به تولید گزارش‌های ایستا یا داشبوردهایی برای بررسی‌های دولتی و اداری محدود بودند. شواهدی ارائه نشده بود که نشان دهد این سامانه‌ها به تغییر مداخلات معمول سلامت عمومی یا الگوهای مراقبت بالینی منجر شده‌اند.

بنابراین، پایش دقیق به‌تنهایی معادل سلامت عمومی دقیق نیست؛ ارزش نهایی زمانی ایجاد می‌شود که داده‌ها به تصمیم و اقدام مؤثر تبدیل شوند.

نابالغ بودن قابلیت‌های تحلیل داده

برای دستیابی به سلامت عمومی دقیق، سامانه‌ها باید از مرحله مصورسازی گذشته‌نگر فراتر بروند.

• سامانه‌های کنونی: عمدتاً از تحلیل توصیفی، مکانی و زمانی استفاده می‌کنند؛ یعنی مشخص می‌کنند چه اتفاقی افتاده، کجا رخ داده و چه زمانی روی داده است.

• سامانه‌های موردنیاز: باید تحلیل‌های پیش‌بینانه، مبتنی بر یادگیری ماشین برای پیش‌بینی مسیر خطر و شیوع بیماری‌ها، و تحلیل‌های تجویزی، مبتنی بر الگوریتم‌های پشتیبانی تصمیم برای پیشنهاد مداخلات هدفمند اجتماعی را ادغام کنند.

پیوند داده‌های بین‌بخشی

از آنجا که عوامل تعیین‌کننده غیربیولوژیک حدود ۷۰ درصد از پیامدهای سلامت را توضیح می‌دهند، داده‌های بخش سلامت، مانند پرونده‌های الکترونیک پزشکی، باید با داده‌های بخش‌های دیگر نظیر آموزش، حمل‌ونقل، خرده‌فروشی، برنامه‌ریزی شهری و امور مالی ترکیب شوند.

نمونه کاربردی: پیشگیری از چاقی

یک واحد محلی سلامت عمومی را در نظر بگیرید که داشبوردی در اختیار دارد و سه منبع داده را با یکدیگر ترکیب می‌کند:

1. داده‌های بلادرنگ تراکنش‌های خرده‌فروشی دارای مختصات جغرافیایی که افزایش خرید غذاهای آماده و فست‌فود را نشان می‌دهند.

2. داده‌های پرونده الکترونیک سلامت کودکان در سطح ایالت که روند وزن و خطر چاقی را مشخص می‌کنند.

3. شاخص‌های محرومیت محله‌ای حاصل از داده‌های سرشماری.

سامانه سلامت عمومی می‌تواند بر اساس این اطلاعات، محتوای دیجیتال هدفمند، بن‌های خرید مواد غذایی و منابع ترویج سبک زندگی سالم و متناسب با خانواده را به‌صورت خودکار از طریق رسانه‌های اجتماعی یا اپلیکیشن‌های سلامت همراه برای گروه‌های کوچک و پرخطر در مناطق جغرافیایی مشخص ارسال کند.

این مثال نشان می‌دهد که چگونه تلفیق داده‌ها می‌تواند از پایش صرف به مداخله هدفمند تبدیل شود.

درس‌هایی از پایش بیماری‌های واگیر

تحول دیجیتال در مدیریت بیماری‌های واگیر، مانند کووید ۱۹، آنفلوانزا و عفونت‌های منتقله از راه جنسی، به دلیل خطر فوری انتقال بیماری و نیاز به جریان سریع و مستمر داده‌ها، پیشرفته‌تر بوده است.

در مقابل، بیماری‌های غیرواگیر در طول زندگی و به‌تدریج شکل می‌گیرند. الگوی پزشکی واکنشی مبتنی بر «رفع مشکل پس از وقوع» برای مدیریت این بیماری‌ها کارآمد نیست؛ زیرا بیماری‌های غیرواگیر تثبیت‌شده و مرتبط با سبک زندگی، اغلب به‌سختی قابل برگشت‌اند.

ازاین‌رو، زیرساخت سلامت عمومی باید الگوهای پایش بلادرنگ سامانه‌های بیماری‌های واگیر را اقتباس کند و به سمت چارچوب‌های پیش‌نگر «پیش‌بینی و پیشگیری» (Predict–Prevent) برای بیماری‌های غیرواگیر حرکت کند.

توصیه‌های راهبردی

برای تصمیم‌گیران سلامت عمومی، پژوهشگران و مدیران نظام سلامت که به دنبال به‌کارگیری داده‌های دنیای واقعی در پیشگیری از بیماری‌های غیرواگیر هستند، چهار توصیه اصلی مطرح شده است.

۱. ایجاد «منبع واحد حقیقت» (Single Source of Truth)

داده‌های دنیای واقعی و داده‌های سنتی باید به‌صورت دیجیتال و یکپارچه در پنج حوزه اصلی عوامل تعیین‌کننده سلامت تجمیع شوند:

• اجتماعی؛

• محیطی؛

• رفتاری؛

• زیست‌پزشکی؛

• تجاری.

۲. اولویت دادن به یکپارچگی گردش‌کار و امکان‌پذیری اجرا

معیارهای ارزیابی باید از تمرکز صرف بر معماری فنی سامانه‌ها فاصله بگیرند و به سمت کاربردپذیری در دنیای واقعی، ادغام با گردش‌کارهای سلامت عمومی و سنجش تأثیر واقعی بر تصمیم‌های سیاستی حرکت کنند.

۳. توسعه قابلیت‌های تحلیل داده

باید در تحلیل‌های پیش‌بینانه مبتنی بر مدل‌های یادگیری ماشین و تحلیل‌های تجویزی مبتنی بر پشتیبانی تصمیم سرمایه‌گذاری شود تا سامانه‌های منفعل پایش به سامانه‌های فعال پیشگیری تبدیل شوند.

۴. توجه به اخلاق و عدالت در حکمرانی داده

باید مصرف‌کنندگان خدمات سلامت و جمعیت‌های دارای اولویت به‌صورت فعال در تدوین چارچوب‌های اخلاقی استفاده از داده مشارکت داده شوند. هدف آن است که پایش مبتنی بر داده‌های دنیای واقعی ناخواسته موجب تشدید نابرابری‌های سلامت یا به حاشیه رانده شدن گروه‌های آسیب‌پذیر نشود.

جمع‌بندی نهایی

 آینده پیشگیری و مدیریت بیماری‌های غیرواگیر، صرفاً به گردآوری حجم بیشتری از داده‌ها یا ایجاد داشبوردهای پیشرفته وابسته نیست؛ بلکه به توانایی نظام سلامت در تبدیل داده‌های به‌روز، چندمنبعی و بین‌بخشی به تصمیم‌ها و مداخلات دقیق، هدفمند و قابل سنجش بستگی دارد.

بر اساس شش مطالعه بررسی‌شده، تجمیع دیجیتال داده‌ها توانسته است زیرساخت‌های پایش بیماری‌های غیرواگیر را تقویت کند؛ اما فاصله قابل‌توجهی میان پایش جمعیتی و اجرای مداخلات دقیق باقی مانده است. عبور از این فاصله مستلزم یکپارچگی داده‌ها، تحلیل‌های پیش‌بینانه و تجویزی، ادغام در گردش‌کارهای واقعی سلامت و حکمرانی اخلاق‌محور و عدالت‌محور داده است.