Teknologi Big Data dan Aplikasi Perawatan Kesehatan

Big data dalam perawatan kesehatan mengacu pada kumpulan data yang volume, kecepatan, dan varietasnya melebihi kapasitas alat manajemen data konvensional, serta teknologi terdistribusi yang dikembangkan untuk menyimpan dan menganalisisnya. Aplikasinya mencakup data klinis, genomik, administratif, dan sensor, dengan tujuan untuk mengekstraksi pola dan prediksi yang tidak dapat didukung oleh kumpulan data yang lebih kecil atau bersumber tunggal.

Definition

Teknologi big data dalam perawatan kesehatan adalah metode penyimpanan dan analitik terdistribusi yang dirancang untuk kumpulan data terkait kesehatan yang ditandai oleh volume, kecepatan, dan varietas tinggi, diterapkan pada data klinis, genomik, administratif, dan yang dihasilkan perangkat untuk mendukung prediksi, penemuan, dan manajemen.

Scope

Topik ini mencakup karakteristik penentu big data yang berlaku untuk kesehatan, pendekatan teknologi untuk menangani data dalam skala besar, dan aplikasi perawatan kesehatan yang representatif seperti analitik prediktif dan manajemen populasi berisiko tinggi. Ini juga mencatat batasan dan risiko dari pendekatan ini. Ini adalah tinjauan referensi tentang metode dan aplikasi, bukan implementasi atau panduan klinis.

Key concepts

• Volume, kecepatan, dan varietas ('tiga V')
• Penyimpanan dan pemrosesan terdistribusi
• Data heterogen dan tidak terstruktur
• Analitik prediktif
• Pembelajaran mesin dalam kedokteran
• Data genomik dan sensor
• Skalabilitas dan interoperabilitas
• Generalisasi dan bias dalam kumpulan data besar

Mechanisms

Data kesehatan telah berkembang dalam skala dan heterogenitas seiring dengan akumulasi rekam medis elektronik, pencitraan, genomik, klaim, dan sensor yang dapat dikenakan. Pendekatan big data mengatasi hal ini dengan mendistribusikan penyimpanan dan komputasi di banyak mesin dan dengan mengakomodasi data terstruktur dan tidak terstruktur secara bersamaan. Setelah data berskala besar, metode analitik, yang semakin banyak mencakup pembelajaran mesin, diterapkan untuk mendeteksi pola dan membangun prediksi, seperti mengidentifikasi pasien berisiko tinggi atau berbiaya tinggi untuk manajemen yang ditargetkan. Nilai dari metode ini bergantung pada kualitas data, representativitas, dan interoperabilitas; kumpulan data yang besar tidak dengan sendirinya menjamin kesimpulan yang valid dan dapat memperkuat bias jika data yang mendasarinya miring.

Clinical relevance

Teknologi big data mendukung alat prediktif, model risiko, dan sistem pendukung keputusan yang semakin banyak digunakan dalam penyediaan dan penelitian perawatan kesehatan. Memahami karakteristik dan batasannya membantu pengguna menilai kapan analitik skala besar menambah nilai dan kapan skala menutupi bias atau kualitas data yang buruk. Topik ini menjelaskan teknologi dan aplikasi; ini tidak mengarahkan diagnosis atau perawatan individu.

History

Ketika data kesehatan yang dikumpulkan secara rutin berkembang pada awal 2010-an, konsep big data, yang awalnya dibingkai berdasarkan volume, kecepatan, dan varietas dalam sistem informasi, diterapkan pada perawatan kesehatan. Tinjauan memetakan janjinya untuk penggunaan klinis, genomik, dan operasional, dan analitik untuk manajemen populasi berisiko tinggi menunjukkan aplikasi konkret. Munculnya pembelajaran mesin dalam kedokteran selanjutnya dibangun di atas kumpulan data besar ini sambil mempertajam perhatian pada bias, validasi, dan generalisasi.

Debates

Apakah lebih banyak data secara otomatis berarti bukti yang lebih baik dalam perawatan kesehatan?

Antusiasme terhadap big data diimbangi oleh kekhawatiran bahwa skala dapat memperkuat daripada mengatasi bias ketika data yang mendasarinya tidak representatif atau berkualitas buruk; tinjauan menekankan bahwa volume harus dipasangkan dengan kualitas data, validasi, dan interoperabilitas untuk menghasilkan hasil yang dapat dipercaya.

Key figures

• David W. Bates
• Alvin Rajkomar
• Isaac Kohane

Seminal works

• raghupathi-2014
• bates-2014

Frequently asked questions

Apa yang membuat data kesehatan menjadi 'big data'?

Data kesehatan sering digambarkan sebagai big data ketika volumenya besar, tiba atau berubah dengan cepat (kecepatan), dan menggabungkan banyak jenis yang heterogen dan tidak terstruktur (varietas), sampai pada titik di mana alat mesin tunggal konvensional tidak dapat dengan mudah menyimpan atau menganalisisnya.

Apakah kumpulan data kesehatan yang lebih besar selalu lebih dapat diandalkan?

Tidak. Skala dapat meningkatkan kemampuan untuk mendeteksi pola, tetapi jika data tidak representatif atau berkualitas buruk, kumpulan data yang besar dapat memperkuat bias. Kesimpulan yang dapat diandalkan bergantung pada kualitas data, representativitas, validasi, dan interoperabilitas, bukan hanya ukuran.