تقنيات البيانات الضخمة وتطبيقاتها في الرعاية الصحية

تشير البيانات الضخمة في الرعاية الصحية إلى مجموعات البيانات التي يتجاوز حجمها وسرعتها وتنوعها قدرة أدوات إدارة البيانات التقليدية، وإلى التقنيات الموزعة التي طُوّرت لتخزينها وتحليلها. تمتد التطبيقات لتشمل البيانات السريرية والجينية والإدارية وبيانات أجهزة الاستشعار، حيث يهدف الهدف إلى استخلاص الأنماط والتنبؤات التي لا يمكن لمجموعات البيانات الأصغر أو أحادية المصدر دعمها.

Definition

تقنيات البيانات الضخمة في الرعاية الصحية هي أساليب التخزين والتحليل الموزعة المصممة لمجموعات البيانات المتعلقة بالصحة والتي تتميز بالحجم الكبير والسرعة والتنوع، وتُطبق على البيانات السريرية والجينية والإدارية والبيانات المولدة بواسطة الأجهزة لدعم التنبؤ والاكتشاف والإدارة.

Scope

يغطي هذا الموضوع الخصائص المميزة للبيانات الضخمة كما تنطبق على الصحة، والأساليب التكنولوجية لمعالجة البيانات على نطاق واسع، والتطبيقات التمثيلية للرعاية الصحية مثل التحليلات التنبؤية وإدارة الفئات السكانية عالية الخطورة. كما يشير إلى حدود ومخاطر هذه الأساليب. إنه نظرة عامة مرجعية على الأساليب والتطبيقات، وليس إرشادات تنفيذية أو سريرية.

Key concepts

• الحجم والسرعة والتنوع ('الخصائص الثلاثة')
• التخزين والمعالجة الموزعة
• البيانات غير المتجانسة وغير المنظمة
• التحليلات التنبؤية
• التعلم الآلي في الطب
• البيانات الجينية وبيانات أجهزة الاستشعار
• قابلية التوسع والتشغيل البيني
• التعميم والتحيز في مجموعات البيانات الكبيرة

Mechanisms

نمت بيانات الصحة من حيث الحجم والتغاير مع تراكم السجلات الإلكترونية، والتصوير، وعلم الجينوم، والمطالبات، وأجهزة الاستشعار القابلة للارتداء. تعالج أساليب البيانات الضخمة هذا الأمر عن طريق توزيع التخزين والحوسبة عبر العديد من الأجهزة وعن طريق استيعاب البيانات المنظمة وغير المنظمة معًا. بمجرد أن تصبح البيانات على نطاق واسع، تُطبق أساليب التحليل، بما في ذلك التعلم الآلي بشكل متزايد، للكشف عن الأنماط وبناء التنبؤات، مثل تحديد المرضى المعرضين لمخاطر عالية أو ذوي التكلفة العالية للإدارة المستهدفة. تعتمد قيمة هذه الأساليب على جودة البيانات، وتمثيليتها، وقابليتها للتشغيل البيني؛ فمجموعات البيانات الكبيرة لا تضمن بحد ذاتها استنتاجات صحيحة ويمكن أن تضخم التحيز إذا كانت البيانات الأساسية منحرفة.

Clinical relevance

تدعم تقنيات البيانات الضخمة الأدوات التنبؤية، ونماذج المخاطر، وأنظمة دعم القرار التي تُستخدم بشكل متزايد في تقديم الرعاية الصحية والبحث. يساعد فهم خصائصها وحدودها المستخدمين على الحكم متى تضيف التحليلات واسعة النطاق قيمة ومتى يخفي الحجم التحيز أو ضعف جودة البيانات. يصف هذا الموضوع التقنيات والتطبيقات؛ ولا يوجه التشخيص أو العلاج الفردي.

History

مع توسع بيانات الصحة التي تُجمع بشكل روتيني في أوائل العقد الأول من القرن الحادي والعشرين، طُبّق مفهوم البيانات الضخمة، الذي صيغ في الأصل حول الحجم والسرعة والتنوع في أنظمة المعلومات، على الرعاية الصحية. رسمت المراجعات وعودها للاستخدام السريري والجيني والتشغيلي، وأظهرت التحليلات لإدارة الفئات السكانية عالية الخطورة تطبيقات ملموسة. بنى الارتفاع اللاحق للتعلم الآلي في الطب على مجموعات البيانات الكبيرة هذه مع زيادة الاهتمام بالتحيز والتحقق والتعميم.

Debates

هل تعني زيادة البيانات تلقائيًا دليلًا أفضل في الرعاية الصحية؟

يُخفف الحماس للبيانات الضخمة من خلال القلق من أن الحجم يمكن أن يرسخ التحيز بدلاً من التغلب عليه عندما تكون البيانات الأساسية غير ممثلة أو ذات جودة رديئة؛ وتؤكد المراجعات على أن الحجم يجب أن يقترن بجودة البيانات والتحقق وقابلية التشغيل البيني لإنتاج نتائج جديرة بالثقة.

Key figures

• David W. Bates
• Alvin Rajkomar
• Isaac Kohane

Seminal works

• raghupathi-2014
• bates-2014

Frequently asked questions

ما الذي يجعل البيانات الصحية 'بيانات ضخمة'؟

غالبًا ما تُوصف البيانات الصحية بأنها بيانات ضخمة عندما تكون كبيرة الحجم، وتصل أو تتغير بسرعة (السرعة)، وتجمع العديد من الأنواع غير المتجانسة وغير المنظمة (التنوع)، لدرجة أن الأدوات التقليدية أحادية الجهاز لا تستطيع تخزينها أو تحليلها بسهولة.

هل مجموعة البيانات الصحية الأكبر دائمًا أكثر موثوقية؟

لا. يمكن أن يحسن الحجم القدرة على اكتشاف الأنماط، ولكن إذا كانت البيانات غير ممثلة أو ذات جودة رديئة، يمكن لمجموعات البيانات الكبيرة أن تعزز التحيز. تعتمد الاستنتاجات الموثوقة على جودة البيانات، والتمثيلية، والتحقق، وقابلية التشغيل البيني، وليس على الحجم وحده.