Terveydenhuollon tiedot ovat tämän päivän monimutkaisimpia ja laajimpia tietoja. Valehtelu tämän valtavan terveydenhuoltotietopinon joukossa on arvokasta oivallusta, joka voi suoraan vaikuttaa ja parantaa ihmisten elämänlaatua. Vaikka meillä ei ollut keinoja näiden tietojen analysointiin vasta kymmenen vuotta sitten, Big Data Analyticsin edistyminen on tehnyt Healthcare Analyticsista tänään todellisen todellisuuden!
Tutkitaan tässä blogiviestissä ongelmia, jotka Big Data -analytiikka voi ratkaista terveydenhuollon alalla. Tarkastellaan myös muutamia tapaustutkimuksia Big Data Analyticsin käytöstä terveydenhuollossa ja käytetyistä työkaluista.
Miksi Big Data Analytics terveydenhuollossa?
Big Data -analytiikan soveltamisen tärkeimmät edut terveydenhuollossa ovat:
- Epidemioiden varhainen löytäminen ja tarkastaminen
- Niiden sairauksien tarkka havaitseminen ja parantaminen, joiden hoito on heikkoa
- Uusien genomiikkaan ja potilaiden profilointiin perustuvien hoitojen löytäminen
- Vakuutus- ja lääkevakuutuspetosten ehkäisy
- Terveydenhuollon laitosten kannattavuuden kasvu
Puettavien laitteiden tulo on tehnyt terveydenhuollon tietojen keräämisestä helpompaa kuin koskaan ennen. Kuntotietojen seurannasta geriatriseen hoitoon ja tehohoitoon - puettava tekniikka on mullistanut terveydenhuollon tiedonkeruun. Itse asiassa maailmanlaajuisten yhdistettyjen terveysmarkkinoiden vuosien 2016--2020 raportissa ennustetaan, että maailmanlaajuiset yhdistetyt terveysmarkkinat kasvavat CAGR: n ollessa 26,54% vuosina 2016--2020!
Näin kerätyt tiedot voidaan tallentaa Hadoopilla ja analysoida MapReduce- ja Spark-ohjelmilla.
Suuret tiedot terveydenhuollossa - käyttötapaus
Yksi viime aikojen tunnetuimmista Big Data -toiminnoista terveydenhuollossa on IBM Watson, tehokas kognitiivinen laskenta-alusta terveydenhuollon analytiikkaan. Se on varustettu luonnollisilla kielitaidoilla, hypoteesien luomisella ja näyttöön perustuvalla oppimisella lääketieteen ammattilaisten tukemiseksi heidän päätöksenteossaan.
Näin lääkäri voi käyttää Watsonia auttamaan potilaiden diagnosoinnissa ja hoidossa:
Vaihe 1 : Lääkäri esittää kyselyn, jossa kuvataan potilaan oireet ja niihin liittyvät tekijät.
Vaihe 2: Watson jäsentää panokset kaivamalla käytettävissä olevat potilastiedot asiaankuuluville tekijöille, kuten perheen terveydentilalle, lääkkeille, testiraporteille jne., Ja ottaa huomioon myös lääkärin muistiinpanot, kliiniset tutkimukset, tutkimusartikkelit ja muut vastaavat tiedot.
Vaihe 3: Watson laatii luettelon diagnooseista vastaavilla pisteillä, jotka osoittavat kunkin hypoteesin luottamustason. Tämä auttaa lääkäriä - ja potilasta - tekemään tietoisempia ja tarkempia päätöksiä.
Todisteisiin perustuva diagnoosi - toteutus:
Yksi IBM Watsonin tunnetuista sovelluksista on ollut Watson onkologiaan ’-Sovellus, jonka IBM on kehittänyt yhteistyössä New Yorkin Memorial Sloan Kettering Cancer Centerin (MSK) kanssa.
- Lähtökohta: Perusoletus, johon sovellus on rakennettu, on tämä - MSK-onkologit ovat tunnettuja asiantuntijoita tietyntyyppisissä syöpätyypeissä. Jos IBM Watsonia voidaan kouluttaa ottamaan osaa asiantuntemukseensa, tieto tulee kaikkien lääkäreiden saataville mistä päin maailmaa tahansa.
- Ohjelmoida: Watson for Oncology -sovellus on yhden luukun syöpähoidon sovellus, jota voidaan käyttää iPadilla tai muilla tableteilla.
- Sovellus: Otetaan hypoteettinen tapaus potilasta Aasian kaukaisessa nurkassa, joka kärsii harvinaisesta, geneettisesti yhteydessä olevasta keuhkosyövän muodosta. Sairaalan lääkäreillä, joissa potilas hoidetaan, ei välttämättä ole tarvittavaa asiantuntemusta tämän erityisen keuhkosyövän kannan hoitamiseksi, mutta Watson for Oncology tekee apua MSK Cancer Center -tietojen avulla.
ero pidennysten ja työvälineiden välillä
Tämän sovelluksen merkitys on kauaskantoinen, koska kaikki lääkärit kaikkialta maailmasta voivat käyttää sovellusta hankkimalla vain lisenssin ohjelmaan ja antamalla potilailleen pääsyn maailmanluokan syöpähoitoon. Tällainen on terveydenhuollon analytiikan taika, joka syntyy pääsystä Big Data -palveluun terveydenhuollossa!
Löydät enemmän tällaisia käyttötapauksia, jotka liittyvät ennakoivaan analyysiin ja näyttöön perustuviin hoitoihin tässä .
Hadoopin rooli terveydenhuollon analyysissä
Hadoop on taustalla oleva tekniikka, jota käytetään monissa terveydenhuollon analyysiympäristöissä. Tämä johtuu siitä, että Apache Hadoop on oikea valinta käsittelemään valtavia ja monimutkaisia terveydenhuollon tietoja ja vastaamaan tehokkaasti terveydenhuollon haasteisiin. Muutama argumentti Hadoopin käyttämisestä Big Data -palvelun käyttämiseen terveydenhuollossa ovat:
- Hadoop tekee datan tallennuksesta halvempaa ja helpompaa:
Tällä hetkellä 80% kaikista terveydenhuollon tiedoista on jäsentämättömiä tietoja. Tämä sisältää mm. Lääkäreiden muistiinpanot, lääketieteelliset raportit, laboratoriotulokset, röntgenkuvat, magneettikuvakuvat, vitaalit ja taloudelliset tiedot. Hadoop tarjoaa lääkäreille ja tutkijoille mahdollisuuden löytää oivalluksia aineistoista, joita aiemmin oli mahdotonta käsitellä.
- Säilytyskapasiteetti ja käsittely:
Suurin osa terveydenhuollon organisaatioista voi tallentaa enintään kolmen päivän dataa potilasta kohden, mikä rajoittaa tuotettujen tietojen analysointimahdollisuuksia. Hadoop pystyy tallentamaan ja käsittelemään valtavan määrän tietoa, mikä tekee siitä ihanteellisen ehdokkaan työhön.
- Hadoop voi toimia tietojen järjestäjänä ja myös analyysityökaluna:
Hadoop auttaa tutkijoita löytämään korrelaatioita aineistoista, joissa on monia muuttujia, mikä on vaikea tehtävä ihmisille. Siksi on oikea kehys työskennellä terveydenhuollon tietojen kanssa.
Tässä on esittely Big Data Analytics -sovelluksen käytöstä terveydenhuollossa. Tämä MapReduce-esittely auttaa sinua kirjoittamaan ohjelman, joka voi poistaa päällekkäiset CT-skannauskuvat 100 miljoonan kuvan tietokannasta. Vaiheittaiset menettelytavat, lähestymistapa ja ratkaisu löytyvät tästä opetusohjelmasta.
Tämä on vain yksi niistä monista tapauksista, joissa Big Data -analyysi on auttanut ratkaisemaan tärkeimmät terveydenhuollon ongelmat ja edesauttaneet sairauksien tehokasta havaitsemista ja ehkäisemistä. Hadoopilla on erittäin merkitystä analysoitaessa ihmisoikeudellisia aineistoja kroonisten sairauksien ennaltaehkäisyyn ja oikea-aikaiseen hoitoon. Big Data Analyticsin käytössä terveydenhuollossa on valtava käyttämätön mahdollisuus, ja Hadoopin ammattilaisille on oikea aika ryhtyä toimiin ja vastata haasteeseen!
Edurekalla on live-ohjaajien johtama Big Data & Hadoop -kurssi, jonka ovat luoneet alan ammattilaiset.
Onko sinulla kysymys meille? Mainitse se kommenttiosassa ja palaamme sinuun.
Aiheeseen liittyvät julkaisut:
10 kuuminta teknistä osaamista vuonna 2016