药物
一项研究表明,疫情期间接受阿片类药物相关远程医疗护理与更低的医疗过量风险和更好的药物保留率相关。这项研究使用了来自医疗保险费用服务的数据,分析了两个群体的数据,其中一个是105,240名受益人的预疫情队列,另一个是70,538名受益人的疫情队列。
ONC和CDC联合开发了一个名为“整合框架”的交互式资源,旨在帮助改善州处方药监测计划(PDMP)与临床工作流程的整合,以应对阿片类药物危机。
一项由Epic Research和马里兰大学药物滥用研究中心(CESAR)进行的新研究表明,尽管合成阿片类药物和芬太尼是美国18至45岁人群死亡率最高的原因,但只有5%的药物过量患者接受了这些药物的检测。
本文介绍了如何利用电子病历系统应对美国的阿片类药物危机,包括任务组的成立、电子病历如何帮助治疗、预防和监测阿片类药物滥用等方面。
肯塔基州路易斯维尔大学医疗系统与分析公司Loopback Analytics合作,利用先进的数据洞察技术提高特殊药物服务水平,改善患者护理。该合作将实施Loopback的数据分析平台,名为Loopback Rx,以支持医疗系统药房的增长,帮助提高高价值药物的捕获率,并在组织内和特殊药物网络之间建立药房活动和临床结果之间的联系。
美国儿童医院(CHOP)宣布推出新的分子靶点平台,利用小儿癌症数据来加速癌症药物开发。该平台支持儿童癌症研究,以满足“加速治愈和公平法案”(RACE)的要求。该法案扩大了FDA对某些成人癌症药物和产品赞助商的要求,以评估其药物在儿童中的使用。
MIT工程学院的研究人员开发了一种新型植入物设计,通过机械充气和放气的方式,每天10分钟,预防免疫细胞堆积和瘢痕组织形成,无需使用免疫抑制剂。这种植入物可以用于人工胰腺、免疫治疗卵巢癌和预防心力衰竭等领域。
哈佛大学和华盛顿大学医学院的研究人员开发了一款基于深度学习的人工智能软件,可用于设计具有不同功能的蛋白质,其中一些可用于制造药物、疫苗和医疗治疗。这种软件可通过从蛋白质数据库中提取数据来训练神经网络,从而生成新的蛋白质序列。
研究人员开发了一种机器学习模型,利用公共卫生信息和执法数据等代理数据源,能够准确估计全国每周阿片类药物过量死亡趋势。这项研究有助于解决过量死亡数据滞后的问题,提高公共卫生官员的预测和干预能力,从而更好地应对阿片类药物危机。
神经元技术与Alleviant Health Centers达成商业合作,将为患有神经健康问题的人提供非药物、非侵入性的治疗。该合作旨在向Alleviant及其诊所提供NeuroStar高级治疗系统,该系统使用TMS技术瞄准抑郁症患者大脑中活跃度不足的关键区域。截至目前,已经进行了超过4.5万次NeuroStar治疗,神经元技术是其独家供应商。