Данните за здравеопазването са сред най-сложните и обемни данни, получени в света днес. Леженето сред тази огромна купчина данни за здравеопазването е ценна информация, която може пряко да повлияе и подобри качеството на човешкия живот. Докато ни липсваха средства за анализ на тези данни допреди десетилетие, напредъкът в анализа на големи данни превърна Healthcare Analytics в отделна реалност днес!
В тази публикация в блога нека разгледаме проблемите, които анализът на големите данни може да реши в областта на здравеопазването. Нека разгледаме и няколко казуса на приложението на Big Data Analytics в здравеопазването и инструментите, които се използват.
Защо анализ на големи данни в здравеопазването?
Най-важните ползи от прилагането на анализа на големи данни в здравеопазването са:
- Ранно откриване и проверка на епидемии
- Точно откриване и лечение на заболявания, които имат нисък успех на лечението
- Откриване на нови лечения, базирани на геномика и профилиране на пациенти
- Предотвратяване на застраховки и измами с медийни искове
- Повишаване на рентабилността на здравните заведения
Появата на носими устройства направи събирането на здравни данни по-лесно от всякога. От проследяване на данните за фитнес до гериатрични грижи и интензивни грижи, технологията за носене революционизира събирането на данни в здравеопазването. Всъщност докладът Global Connected Health Market 2016-2020 прогнозира, че глобалният свързан здравен пазар ще нарасне с CAGR от 26,54% през периода 2016-2020!
Така събраните данни могат да се съхраняват с помощта на Hadoop и да се анализират с помощта на MapReduce и Spark.
Големи данни в здравеопазването - случай на употреба
Едно от най-известните внедрявания на Big Data в здравеопазването в последно време е IBM Watson, мощна когнитивна изчислителна платформа за анализи в здравеопазването. Той е оборудван с възможности за естествен език, генериране на хипотези и обучение, основано на доказателства, за да подпомогне медицинските специалисти при вземането на решения.
Ето как лекарят може да използва Уотсън, за да подпомогне диагностицирането и лечението на пациенти:
print_r във php
Етап 1 : Лекарят задава запитване, описващо симптомите на пациента и свързаните с него фактори.
Стъпка 2: Уотсън анализира входните данни, като извлича наличните данни за пациентите за релевантни фактори като здравна история на семейството, лекарства, доклади от тестове и т.н., а също така взема предвид лекарските бележки, клиничните проучвания, научните статии и други подобни данни.
Стъпка 3: Уотсън извежда списък с диагнози със съответни резултати, които показват нивото на доверие за всяка хипотеза. Това помага на лекаря - и пациента - да вземат по-информирани и точни решения.
Диагноза, основана на доказателства - Прилагане:
Едно от добре познатите приложения на IBM Watson е „ Уотсън за онкология Приложение, разработено от IBM в партньорство с Нюйоркския център за раково заболяване Memorial Sloan Kettering (MSK).
- Помещение: Основната предпоставка, върху която се гради приложението, е тази - онколозите на MSK са известни експерти по някои видове рак. Ако IBM Watson може да бъде обучен да се възползва от техния опит, тогава знанията стават достъпни за всеки лекар от всяка точка на света.
- Програма: Приложението Watson for Oncology е едно гише за елитно лечение на рак, което може да работи на iPad или други таблети.
- Приложение: Да вземем хипотетичен случай на пациент в далечен ъгъл на Азия, който страда от рядка форма на рак на белия дроб, която е генетично свързана. Лекарите в болницата, където пациентът се лекува, може да не разполагат с необходимата експертиза за лечение на този специфичен щам на белодробния рак, но Watson for Oncology прави това с помощта на данните от Центъра за рак на MSK.
Значението на това приложение е широкообхватно, тъй като всеки лекар от всяка точка на света може да получи достъп до приложението, като просто получи лиценз за програмата и предостави на своите пациенти достъп до лечение на рак от световна класа. Такава е магията на здравните анализи, родени от достъпа до големи данни в здравеопазването!
Можете да намерите повече такива случаи на употреба, свързани с прогнозен анализ и базирани на доказателства лечения тук .
Роля на Hadoop в Healthcare Analytics
Hadoop е основната технология, която се използва в много платформи за анализ на здравеопазването. Това е така, защото Apache Hadoop е подходящ за обработка на огромните и сложни данни за здравеопазването и ефективно справяне с предизвикателствата, измъчващи здравната индустрия. Няколко аргумента за използването на Hadoop за работа с големи данни в здравеопазването са:
- Hadoop прави съхранението на данни по-евтино и по-достъпно:
В момента 80% от цялата информация за здравеопазването са неструктурирани данни. Това включва бележки на лекарите, медицински доклади, лабораторни резултати, рентгенови снимки, ЯМР изображения, жизненоважни данни и финансови данни, наред с други. Hadoop предоставя на лекарите и изследователите възможност да открият прозрения от набори от данни, които по-рано са били невъзможни за обработка.
- Капацитет за съхранение и обработка:
Повечето здравни организации могат да съхраняват данни на стойност не повече от три дни на пациент, ограничавайки възможността за анализ на получените данни. Hadoop може да съхранява и обработва огромно количество данни, което го прави идеалният кандидат за работа.
- Hadoop може да служи като организатор на данни, а също и като инструмент за анализ:
Hadoop помага на изследователите да намерят корелации в набори от данни с много променливи, трудна задача за хората. Ето защо е правилната рамка за работа със здравни данни.
Ето демонстрация за приложението на Big Data Analytics в здравеопазването. Тази демонстрация на MapReduce ще ви помогне да напишете програма, която може да елиминира дублираните CT сканирани изображения от база данни със 100 милиона изображения. Процедурата, подход и решение стъпка по стъпка могат да бъдат намерени в този видео урок.
Това е само един от многото случаи, когато анализът на големи данни е помогнал за решаването на големи проблеми в здравеопазването и е допринесъл за ефективно откриване и профилактика на заболявания. Hadoop е изключително подходящ при анализа на огромни масиви от данни за превенция и навременно лечение на хронични заболявания. Има огромна неизползвана възможност за използването на Big Data Analytics в здравеопазването и моментът е подходящ за професионалистите от Hadoop да се заемат и да се справят с предизвикателството!
Edureka има курс на живо и ръководен от инструктори по Big Data & Hadoop, създаден съвместно от специалисти в бранша.
Имате въпрос към нас? Моля, споменете го в раздела за коментари и ние ще се свържем с вас.
Подобни публикации:
10 най-горещи технически умения за овладяване през 2016 г.