Data ve zdravotnictví patří mezi nejsložitější a nejobjemnější data, která se dnes na světě vyrábějí. Mezi touto obrovskou hromadou údajů o zdravotní péči leží cenné poznatky, které mohou přímo ovlivnit a zlepšit kvalitu lidských životů. I když nám ještě donedávna před deseti lety chyběly prostředky pro analýzu těchto dat, díky pokroku v Big Data Analytics se dnes Healthcare Analytics stala zřetelnou realitou!
V tomto příspěvku na blogu pojďme prozkoumat problémy, které může analýza Big Data vyřešit v oblasti zdravotní péče. Pojďme se také podívat na několik případových studií aplikace Big Data Analytics ve zdravotnictví a nástrojů, které se používají.
Proč Big Data Analytics ve zdravotnictví?
Hlavní výhody aplikace analýzy velkých dat ve zdravotnictví jsou:
- Včasný objev a kontrola epidemií
- Přesná detekce a léčba nemocí, které mají nízkou úspěšnost léčby
- Objev nové léčby založené na genomice a profilování pacientů
- Předcházení pojišťovacím podvodům a podvodům s pojistnými událostmi
- Zvýšení ziskovosti zdravotnických zařízení
Nástup nositelných zařízení učinil sběr zdravotnických dat snadnější než kdykoli předtím. Od sledování údajů o fitness po geriatrickou péči a intenzivní péči způsobila nositelná technologie revoluci ve sběru dat ve zdravotnictví. Zpráva Global Connected Health Market 2016-2020 ve skutečnosti předpovídá, že v období 2016-2020 bude růst globálního trhu propojeného zdraví na CAGR 26,54%!
Takto shromážděná data lze uložit pomocí Hadoop a analyzovat pomocí MapReduce a Spark.
Big Data in Healthcare - Use Case
Jednou z nejznámějších implementací Big Data ve zdravotnictví v poslední době je IBM Watson, výkonná kognitivní výpočetní platforma pro analytiku ve zdravotnictví. Je vybaven schopnostmi přirozeného jazyka, generováním hypotéz a učením založeným na důkazech, aby pomohl lékařům při rozhodování.
Takto může lékař použít Watson k diagnostice a léčbě pacientů:
Krok 1 : Lékař položí dotaz popisující příznaky pacienta a související faktory.
Krok 2: Watson analyzuje vstupy těžbou dostupných údajů o pacientech pro relevantní faktory, jako je anamnéza rodinného zdraví, léky, protokoly o zkouškách atd., A rovněž bere v úvahu poznámky lékaře, klinické studie, články z výzkumu a další podobné údaje.
Krok 3: Watson uvádí seznam diagnóz s odpovídajícími skóre, která označují úroveň spolehlivosti pro každou hypotézu. To pomáhá lékaři - a pacientům - činit informovanější a přesnější rozhodnutí.
Diagnostika založená na důkazech - implementace:
Jednou ze známých aplikací IBM Watson byla Watson pro onkologii „Aplikace, kterou IBM vyvinula ve spolupráci s newyorským Memorial Sloan Kettering Cancer Center (MSK).
- Předpoklad: Základní předpoklad, na kterém je aplikace postavena, je tento - onkologové MSK jsou známými odborníky na určité typy rakoviny. Pokud může být IBM Watson vyškolen, aby převzal jejich odborné znalosti, pak tyto znalosti získá každý lékař z kteréhokoli koutu světa.
- Program: Aplikace Watson pro onkologii je komplexní aplikace pro elitní péči o rakovinu, která může běžet na iPadu nebo jiných tabletech.
- Aplikace: Pojďme si vzít hypotetický případ pacienta v dalekém koutě Asie, který trpí vzácnou formou rakoviny plic, která je geneticky spojena. Lékaři v nemocnici, kde se pacient léčí, nemusí mít potřebné znalosti k léčbě tohoto konkrétního kmene rakoviny plic, ale Watson pro onkologii ano s pomocí údajů MSK Cancer Center.
Význam této aplikace je dalekosáhlý, protože jakýkoli lékař odkudkoli na světě může k aplikaci přistupovat pouhým získáním licence pro tento program a umožnit svým pacientům přístup k léčbě rakoviny světové úrovně. Takové je kouzlo analytiky ve zdravotnictví zrozené z přístupu k velkým datům ve zdravotnictví!
Můžete najít více takových případů použití souvisejících s prediktivní analýzou a léčbami založenými na důkazech tady .
Role Hadoopu ve zdravotnické analýze
Hadoop je základní technologie, která se používá na mnoha platformách pro analýzu zdravotní péče. Je tomu tak proto, že Apache Hadoop je tím správným řešením pro zpracování obrovských a komplexních údajů o zdravotní péči a pro efektivní řešení problémů, které trápí zdravotnický průmysl. Několik argumentů pro použití Hadoopu pro práci s Big Data ve zdravotnictví je:
- Díky Hadoop je úložiště dat levnější a dostupnější:
V současné době tvoří 80% všech informací o zdravotní péči nestrukturovaná data. Patří sem mimo jiné poznámky lékařů, lékařské zprávy, laboratorní výsledky, rentgenové snímky, obrazy MRI, vitální funkce a finanční údaje. Hadoop poskytuje lékařům a vědcům příležitost najít poznatky ze souborů dat, které dříve nebylo možné zpracovat.
- Skladovací kapacita a manipulace:
Většina zdravotnických organizací může uložit maximálně tři dny dat na pacienta, což omezuje možnost analýzy získaných dat. Hadoop dokáže ukládat a zpracovávat obrovské množství dat, což z něj dělá ideálního kandidáta na tuto práci.
- Hadoop může sloužit jako organizátor dat a také jako analytický nástroj:
Hadoop pomáhá vědcům najít korelace v souborech dat s mnoha proměnnými, což je pro člověka obtížný úkol. Proto je správný rámec pro práci s údaji o zdravotní péči.
Zde je ukázka aplikace Big Data Analytics ve zdravotnictví. Tato ukázka MapReduce vám pomůže napsat program, který dokáže eliminovat duplicitní obrazy CT skenování z databáze 100 milionů obrázků. Podrobný postup, přístup a řešení najdete v tomto videonávodu.
Toto je jen jeden z mnoha případů, kdy analýza velkých dat pomohla vyřešit hlavní zdravotní problémy a přispěla k účinné detekci a prevenci nemocí. Hadoop je mimořádně důležitý při analýze obrovských datových souborů pro prevenci a včasnou léčbu chronických onemocnění. Ve využívání Big Data Analytics ve zdravotnictví existuje obrovská nevyužitá příležitost a pro profesionály Hadoop nastal ten pravý čas, aby se této výzvy zhostili!
Edureka má živý a instruktorský kurz Big Data & Hadoop, který společně vytvořili odborníci z oboru.
Máte na nás dotaz? Uveďte to prosím v sekci komentáře a my se vám ozveme.
Související příspěvky:
rozdíl mezi hashmapou a hashtable
10 nejžhavějších technických dovedností k zvládnutí v roce 2016