Büyük Veri Teknolojileri ve Sağlık Hizmetleri Uygulamaları
Sağlık hizmetlerinde büyük veri, hacmi, hızı ve çeşitliliği geleneksel veri yönetimi araçlarının kapasitesini aşan veri kümelerini ve bunları depolamak ve analiz etmek için geliştirilen dağıtık teknolojileri ifade etmektedir. Uygulamalar klinik, genomik, idari ve sensör verilerini kapsamakta olup, amaç daha küçük veya tek kaynaklı veri kümelerinin destekleyemeyeceği örüntüleri ve tahminleri çıkarmaktır.
Tanım
Sağlık hizmetlerinde büyük veri teknolojileri, yüksek hacim, hız ve çeşitlilik ile karakterize edilen sağlıkla ilgili veri kümeleri için tasarlanmış dağıtık depolama ve analitik yöntemlerdir; tahmin, keşif ve yönetimi desteklemek amacıyla klinik, genomik, idari ve cihaz tarafından üretilen verilere uygulanmaktadır.
Kapsam
Bu konu, büyük verinin sağlığa uygulandığı tanımlayıcı özelliklerini, büyük ölçekli verileri işlemek için teknolojik yaklaşımları ve tahmine dayalı analitikler ile yüksek riskli popülasyonların yönetimi gibi temsili sağlık hizmetleri uygulamalarını kapsamaktadır. Ayrıca bu yaklaşımların sınırlarını ve risklerini de belirtmektedir. Bu, yöntem ve uygulamalara ilişkin bir referans genel bakış olup, uygulama veya klinik rehberlik niteliği taşımamaktadır.
Anahtar kavramlar
- Hacim, hız ve çeşitlilik ('üç V')
- Dağıtık depolama ve işleme
- Heterojen ve yapılandırılmamış veri
- Tahmine dayalı analitikler
- Tıpta makine öğrenimi
- Genomik ve sensör verileri
- Ölçeklenebilirlik ve birlikte çalışabilirlik
- Büyük veri kümelerinde genellenebilirlik ve yanlılık
Mekanizmalar
Elektronik kayıtlar, görüntüleme, genomik, talepler ve giyilebilir sensörler biriktikçe sağlık verileri ölçek ve heterojenlik açısından büyümüştür. Büyük veri yaklaşımları, depolama ve hesaplamayı birçok makineye dağıtarak ve yapılandırılmış ve yapılandırılmamış verileri bir arada barındırarak bu durumu ele almaktadır. Veriler büyük ölçeğe ulaştığında, hedeflenen yönetim için yüksek riskli veya yüksek maliyetli hastaların belirlenmesi gibi örüntüleri tespit etmek ve tahminler oluşturmak amacıyla, giderek artan bir şekilde makine öğrenimini de içeren analitik yöntemler uygulanmaktadır. Bu yöntemlerin değeri veri kalitesine, temsil edilebilirliğine ve birlikte çalışabilirliğe bağlıdır; büyük veri kümeleri tek başına geçerli sonuçları garanti etmemekte ve temel veriler çarpık ise yanlılığı artırabilmektedir.
Klinik önem
Büyük veri teknolojileri, sağlık hizmeti sunumunda ve araştırmalarında giderek daha fazla kullanılan tahmine dayalı araçları, risk modellerini ve karar destek sistemlerini desteklemektedir. Bu teknolojilerin özelliklerini ve sınırlarını anlamak, kullanıcıların büyük ölçekli analitiklerin ne zaman değer kattığını ve ölçeğin ne zaman yanlılığı veya düşük veri kalitesini maskelediğini değerlendirmelerine yardımcı olmaktadır. Bu konu teknolojileri ve uygulamaları tanımlamaktadır; bireysel tanı veya tedaviyi yönlendirmemektedir.
Tarihçe
2010'ların başlarında rutin olarak toplanan sağlık verileri genişledikçe, başlangıçta bilgi sistemlerinde hacim, hız ve çeşitlilik etrafında çerçevelenen büyük veri kavramı sağlık hizmetlerine uygulanmıştır. Yapılan derlemeler, büyük verinin klinik, genomik ve operasyonel kullanım potansiyelini ortaya koymuş ve yüksek riskli popülasyon yönetimi için analitikler somut uygulamaları göstermiştir. Tıpta makine öğreniminin sonraki yükselişi, bu büyük veri kümeleri üzerine inşa edilirken, yanlılık, doğrulama ve genellenebilirlik konularına olan ilgiyi artırmıştır.
Tartışmalar
- Daha fazla veri, sağlık hizmetlerinde otomatik olarak daha iyi kanıt anlamına gelir mi?
- Büyük verilere yönelik coşku, temel verilerin temsil edici olmaması veya düşük kalitede olması durumunda ölçeğin yanlılığı aşmak yerine pekiştirebileceği endişesiyle dengelenmektedir; derlemeler, güvenilir sonuçlar elde etmek için hacmin veri kalitesi, doğrulama ve birlikte çalışabilirlik ile eşleştirilmesi gerektiğini vurgulamaktadır.
Öne çıkan isimler
- David W. Bates
- Alvin Rajkomar
- Isaac Kohane
İlgili konular
Temel eserler
- raghupathi-2014
- bates-2014
Sıkça sorulan sorular
- Sağlık verilerini 'büyük veri' yapan nedir?
- Sağlık verileri genellikle, hacim olarak büyük olduklarında, hızla ulaştıklarında veya değiştiklerinde (hız) ve birçok heterojen ve yapılandırılmamış türü (çeşitlilik) bir araya getirdiklerinde, geleneksel tek makine araçlarının bunları kolayca depolayamayacağı veya analiz edemeyeceği noktaya geldiklerinde büyük veri olarak tanımlanmaktadır.
- Daha büyük bir sağlık veri kümesi her zaman daha güvenilir midir?
- Hayır. Ölçek, örüntüleri tespit etme yeteneğini artırabilmektedir, ancak veriler temsil edici değilse veya kalitesizse, büyük veri kümeleri yanlılığı pekiştirebilmektedir. Güvenilir sonuçlar yalnızca boyuta değil, veri kalitesine, temsil edilebilirliğe, doğrulamaya ve birlikte çalışabilirliğe bağlıdır.
Bu kavram için yöntemler
- Hospital Readmission Prediction Model
- Real-World Evidence Studies
- Machine learning-assisted copy number variation analysis
- Digital Health Acceptance Scale
- Data Protection and Privacy in Research
- Data Warehousing
- Machine learning-assisted microbiome diversity analysis
- Machine learning-assisted pathway enrichment analysis