HealthCare/RWE

Kausale Treiber in der Therapie Journey

Von der Ersteinstellung über Therapiewechsel bis zum Therapieabbruch – jeder Schritt im Therapieprozess birgt entscheidende Informationen. Mit Xplain Data verstehen Sie nicht nur die Ereignisse, sondern deren kausale Ursachen:

• Therapiestarts
  Warum beginnen Patienten mit einem bestimmten Produkt und nicht mit einem Wettbewerbsprodukt? Analysieren Sie kausale Treiber für neueinstellende und wiedereinsteigende Patienten.

• Therapiewechsel
  Verstehen Sie die Marktbewegung: Warum wechseln Patienten von oder zu Ihrem Produkt?

• Therapieabbrüche
  Wie viele Patienten steigen aus der Behandlung aus – und was sind die zugrunde liegenden Ursachen? Erkennen Sie medizinische, psychologische oder soziale Einflussfaktoren.

Diese Lösung basiert auf Ihren Daten bezüglich Diagnosen, Verordnungen und Patientendemografie. Zusätzliche Daten, z. B. aus Kliniken, von niedergelassenen Ärzten oder aus der Pflege, verbessern die kausale Genauigkeit – und damit Ihre Entscheidungsgrundlage.

Kausale Pfade in der Disease Journey

Die reine Beschreibung eines Krankheitsverlaufs reicht nicht mehr aus. Mit Xplain Data Causal AI analysieren Sie den vollständigen kausalen Krankheitsverlauf – von Vorerkrankungen über Symptome bis hin zu Eskalationen oder Remissionen.

• Welche typischen Vorerkrankungen oder Begleiterkrankungen treten auf?

• Wie verläuft eine Erkrankung wie z. B. Multiple Sklerose – schubweise, progressiv, episodisch?

• Welche kausalen Faktoren treiben die Entwicklung – direkt oder über mehrere Zwischenstationen?

So identifizieren Sie frühzeitig Risikofaktoren und können gezielte Interventionen entwickeln.

Deep Confounder Search für Real-World Studien

Das Interesse, mithilfe von Beobachtungsdaten kausale Zusammenhänge zu untersuchen, nimmt stetig zu. Solche Studien beruhen jedoch auf starken Annahmen, insbesondere der, dass keine unbeachteten Störfaktoren (Confounders) die Ergebnisse verzerren. Klassische Verfahren greifen bei der Auswahl relevanter Einflussgrößen jedoch zu kurz. Bereits im Jahr 2004 wurde in einer Studie auf unzureichende Begründungen bei der Auswahl von Confoundern hingewiesen. Seither fordern die STROBE-Richtlinien (Strengthening the Reporting of Observational Studies in Epidemiology) eine klare Definition dieser Einflussgrößen.

Denn eine präzise Schätzung kausaler Effekte in Real World Evidence (RWE) Studien ist nur möglich, wenn relevante Confounder sorgfältig berücksichtigt werden. Wird eine entscheidende Variable übersehen, kann das zu verzerrten und irreführenden Ergebnissen führen.

Unsere patentierte Causal-Discovery Engine durchforstet automatisiert Millionen möglicher Einflussfaktoren, ganz ohne Vorannahmen, und ermöglicht so verlässliche Kausalschätzungen nach höchsten wissenschaftlichen Standards. Mit Xplain Data Causal AI lassen sich potenzielle Störfaktoren für eine bestimmte Zielgröße einfach per Knopfdruck identifizieren – sowohl in eigenen als auch in öffentlich verfügbaren Gesundheitsdaten. Direkte und indirekte Einflussgrößen werden in Form anschaulicher kausaler Graphen dargestellt.