बिग डेटा प्रौद्योगिकियाँ और स्वास्थ्य-देखभाल अनुप्रयोग

स्वास्थ्य देखभाल में बिग डेटा उन डेटासेट को संदर्भित करता है जिनकी मात्रा, वेग और विविधता पारंपरिक डेटा-प्रबंधन उपकरणों की क्षमता से अधिक होती है, और उन्हें संग्रहीत और विश्लेषण करने के लिए विकसित वितरित प्रौद्योगिकियों को भी संदर्भित करता है। अनुप्रयोग नैदानिक, जीनोमिक, प्रशासनिक और सेंसर डेटा तक फैले हुए हैं, जहाँ उद्देश्य ऐसे पैटर्न और भविष्यवाणियाँ निकालना है जिन्हें छोटे या एकल-स्रोत डेटासेट समर्थन नहीं कर सकते।

Definition

स्वास्थ्य देखभाल में बिग डेटा प्रौद्योगिकियाँ वितरित भंडारण और विश्लेषणात्मक विधियाँ हैं जिन्हें उच्च मात्रा, वेग और विविधता की विशेषता वाले स्वास्थ्य-संबंधी डेटासेट के लिए डिज़ाइन किया गया है, जो भविष्यवाणी, खोज और प्रबंधन का समर्थन करने के लिए नैदानिक, जीनोमिक, प्रशासनिक और डिवाइस-जनित डेटा पर लागू होती हैं।

Scope

यह विषय स्वास्थ्य पर लागू होने वाले बिग डेटा की परिभाषित विशेषताओं, बड़े पैमाने पर डेटा को संभालने के लिए तकनीकी दृष्टिकोणों और प्रतिनिधि स्वास्थ्य-देखभाल अनुप्रयोगों जैसे कि भविष्य कहनेवाला विश्लेषण और उच्च जोखिम वाली आबादी के प्रबंधन को शामिल करता है। यह इन दृष्टिकोणों की सीमाओं और जोखिमों को भी नोट करता है। यह विधियों और अनुप्रयोगों का एक संदर्भ अवलोकन है, न कि कार्यान्वयन या नैदानिक ​​मार्गदर्शन।

Key concepts

• मात्रा, वेग और विविधता ('तीन वी')
• वितरित भंडारण और प्रसंस्करण
• विषम और असंरचित डेटा
• भविष्य कहनेवाला विश्लेषण
• चिकित्सा में मशीन लर्निंग
• जीनोमिक और सेंसर डेटा
• स्केलेबिलिटी और अंतरसंचालनीयता
• बड़े डेटासेट में सामान्यीकरण और पूर्वाग्रह

Mechanisms

इलेक्ट्रॉनिक रिकॉर्ड, इमेजिंग, जीनोमिक्स, दावे और पहनने योग्य सेंसर के संचय के साथ स्वास्थ्य डेटा पैमाने और विषमता में बढ़ा है। बिग डेटा दृष्टिकोण भंडारण और गणना को कई मशीनों में वितरित करके और संरचित और असंरचित डेटा को एक साथ समायोजित करके इसे संबोधित करते हैं। एक बार जब डेटा बड़े पैमाने पर हो जाता है, तो विश्लेषणात्मक विधियाँ, जिनमें तेजी से मशीन लर्निंग शामिल है, पैटर्न का पता लगाने और भविष्यवाणियाँ बनाने के लिए लागू की जाती हैं, जैसे लक्षित प्रबंधन के लिए उच्च जोखिम वाले या उच्च लागत वाले रोगियों की पहचान करना। इन विधियों का मूल्य डेटा गुणवत्ता, प्रतिनिधित्व और अंतरसंचालनीयता पर निर्भर करता है; बड़े डेटासेट अपने आप में वैध निष्कर्षों की गारंटी नहीं देते हैं और यदि अंतर्निहित डेटा तिरछा है तो पूर्वाग्रह को बढ़ा सकते हैं।

Clinical relevance

बिग डेटा प्रौद्योगिकियाँ भविष्य कहनेवाला उपकरण, जोखिम मॉडल और निर्णय-समर्थन प्रणालियों को रेखांकित करती हैं जिनका उपयोग स्वास्थ्य-देखभाल वितरण और अनुसंधान में तेजी से किया जा रहा है। उनकी विशेषताओं और सीमाओं को समझना उपयोगकर्ताओं को यह तय करने में मदद करता है कि बड़े पैमाने पर विश्लेषण कब मूल्य जोड़ते हैं और कब पैमाना पूर्वाग्रह या खराब डेटा गुणवत्ता को छिपाता है। यह विषय प्रौद्योगिकियों और अनुप्रयोगों का वर्णन करता है; यह व्यक्तिगत निदान या उपचार को निर्देशित नहीं करता है।

History

जैसे-जैसे 2010 के दशक की शुरुआत में नियमित रूप से एकत्र किए गए स्वास्थ्य डेटा का विस्तार हुआ, बिग डेटा की अवधारणा, जिसे मूल रूप से सूचना प्रणालियों में मात्रा, वेग और विविधता के इर्द-गिर्द तैयार किया गया था, को स्वास्थ्य देखभाल पर लागू किया गया। समीक्षाओं ने नैदानिक, जीनोमिक और परिचालन उपयोग के लिए इसके वादे का मानचित्रण किया, और उच्च जोखिम वाली जनसंख्या प्रबंधन के लिए विश्लेषण ने ठोस अनुप्रयोगों का प्रदर्शन किया। चिकित्सा में मशीन लर्निंग के बाद के उदय ने इन बड़े डेटासेट पर निर्माण किया, जबकि पूर्वाग्रह, सत्यापन और सामान्यीकरण पर ध्यान केंद्रित किया।

Debates

क्या अधिक डेटा का मतलब स्वास्थ्य देखभाल में स्वचालित रूप से बेहतर साक्ष्य है?

बिग डेटा के प्रति उत्साह इस चिंता से कम हो जाता है कि जब अंतर्निहित डेटा अप्रतिनिधि या खराब गुणवत्ता का होता है तो पैमाना पूर्वाग्रह को दूर करने के बजाय उसे मजबूत कर सकता है; समीक्षाएँ इस बात पर जोर देती हैं कि विश्वसनीय परिणाम प्राप्त करने के लिए मात्रा को डेटा गुणवत्ता, सत्यापन और अंतरसंचालनीयता के साथ जोड़ा जाना चाहिए।

Key figures

• David W. Bates
• Alvin Rajkomar
• Isaac Kohane

Seminal works

• raghupathi-2014
• bates-2014

Frequently asked questions

स्वास्थ्य डेटा को 'बिग डेटा' क्या बनाता है?

स्वास्थ्य डेटा को अक्सर बिग डेटा के रूप में वर्णित किया जाता है जब वे मात्रा में बड़े होते हैं, तेजी से आते या बदलते हैं (वेग), और कई विषम और असंरचित प्रकारों (विविधता) को जोड़ते हैं, इस हद तक कि पारंपरिक एकल-मशीन उपकरण उन्हें आसानी से संग्रहीत या विश्लेषण नहीं कर सकते।

क्या एक बड़ा स्वास्थ्य डेटासेट हमेशा अधिक विश्वसनीय होता है?

नहीं। पैमाना पैटर्न का पता लगाने की क्षमता में सुधार कर सकता है, लेकिन यदि डेटा अप्रतिनिधि या खराब गुणवत्ता का है, तो बड़े डेटासेट पूर्वाग्रह को मजबूत कर सकते हैं। विश्वसनीय निष्कर्ष डेटा गुणवत्ता, प्रतिनिधित्व, सत्यापन और अंतरसंचालनीयता पर निर्भर करते हैं, न कि केवल आकार पर।