Công nghệ Dữ liệu lớn và các Ứng dụng trong Chăm sóc Sức khỏe

Dữ liệu lớn trong chăm sóc sức khỏe đề cập đến các tập dữ liệu có khối lượng, tốc độ và sự đa dạng vượt quá khả năng của các công cụ quản lý dữ liệu thông thường, cũng như các công nghệ phân tán được phát triển để lưu trữ và phân tích chúng. Các ứng dụng bao gồm dữ liệu lâm sàng, gen, hành chính và cảm biến, với mục tiêu là trích xuất các mẫu và dự đoán mà các tập dữ liệu nhỏ hơn hoặc đơn nguồn không thể hỗ trợ.

Definition

Công nghệ dữ liệu lớn trong chăm sóc sức khỏe là các phương pháp lưu trữ và phân tích phân tán được thiết kế cho các tập dữ liệu liên quan đến sức khỏe có đặc điểm khối lượng, tốc độ và sự đa dạng cao, được áp dụng cho dữ liệu lâm sàng, gen, hành chính và dữ liệu do thiết bị tạo ra để hỗ trợ dự đoán, khám phá và quản lý.

Scope

Chủ đề này bao gồm các đặc điểm xác định của dữ liệu lớn khi áp dụng vào lĩnh vực sức khỏe, các phương pháp công nghệ để xử lý dữ liệu ở quy mô lớn, và các ứng dụng chăm sóc sức khỏe tiêu biểu như phân tích dự đoán và quản lý các nhóm dân số có nguy cơ cao. Nó cũng đề cập đến những hạn chế và rủi ro của các phương pháp này. Đây là một tổng quan tham khảo về các phương pháp và ứng dụng, không phải hướng dẫn triển khai hoặc lâm sàng.

Key concepts

• Khối lượng, tốc độ và sự đa dạng ('ba chữ V')
• Lưu trữ và xử lý phân tán
• Dữ liệu không đồng nhất và phi cấu trúc
• Phân tích dự đoán
• Học máy trong y học
• Dữ liệu gen và cảm biến
• Khả năng mở rộng và khả năng tương tác
• Khả năng tổng quát hóa và sai lệch trong các tập dữ liệu lớn

Mechanisms

Dữ liệu sức khỏe đã tăng lên về quy mô và tính không đồng nhất khi hồ sơ điện tử, hình ảnh, gen, yêu cầu bồi thường và cảm biến đeo được tích lũy. Các phương pháp dữ liệu lớn giải quyết vấn đề này bằng cách phân phối lưu trữ và tính toán trên nhiều máy và bằng cách kết hợp dữ liệu có cấu trúc và phi cấu trúc. Khi dữ liệu ở quy mô lớn, các phương pháp phân tích, ngày càng bao gồm học máy, được áp dụng để phát hiện các mẫu và xây dựng các dự đoán, chẳng hạn như xác định bệnh nhân có nguy cơ cao hoặc chi phí cao để quản lý mục tiêu. Giá trị của các phương pháp này phụ thuộc vào chất lượng dữ liệu, tính đại diện và khả năng tương tác; các tập dữ liệu lớn không tự chúng đảm bảo kết luận hợp lệ và có thể khuếch đại sai lệch nếu dữ liệu cơ bản bị lệch.

Clinical relevance

Công nghệ dữ liệu lớn là nền tảng cho các công cụ dự đoán, mô hình rủi ro và hệ thống hỗ trợ quyết định ngày càng được sử dụng trong cung cấp và nghiên cứu chăm sóc sức khỏe. Hiểu rõ các đặc điểm và giới hạn của chúng giúp người dùng đánh giá khi nào phân tích quy mô lớn mang lại giá trị và khi nào quy mô che giấu sai lệch hoặc chất lượng dữ liệu kém. Chủ đề này mô tả các công nghệ và ứng dụng; nó không chỉ đạo chẩn đoán hoặc điều trị cá nhân.

History

Khi dữ liệu sức khỏe được thu thập thường xuyên mở rộng vào đầu những năm 2010, khái niệm dữ liệu lớn, ban đầu được định hình xung quanh khối lượng, tốc độ và sự đa dạng trong các hệ thống thông tin, đã được áp dụng vào chăm sóc sức khỏe. Các đánh giá đã chỉ ra tiềm năng của nó cho việc sử dụng lâm sàng, gen và hoạt động, và phân tích để quản lý dân số có nguy cơ cao đã chứng minh các ứng dụng cụ thể. Sự phát triển sau đó của học máy trong y học được xây dựng trên các tập dữ liệu lớn này đồng thời làm tăng sự chú ý đến sai lệch, xác thực và khả năng tổng quát hóa.

Debates

Liệu nhiều dữ liệu hơn có tự động có nghĩa là bằng chứng tốt hơn trong chăm sóc sức khỏe không?

Sự nhiệt tình đối với dữ liệu lớn bị hạn chế bởi lo ngại rằng quy mô có thể củng cố thay vì khắc phục sai lệch khi dữ liệu cơ bản không đại diện hoặc chất lượng kém; các đánh giá nhấn mạnh rằng khối lượng phải đi kèm với chất lượng dữ liệu, xác thực và khả năng tương tác để mang lại kết quả đáng tin cậy.

Key figures

• David W. Bates
• Alvin Rajkomar
• Isaac Kohane

Seminal works

• raghupathi-2014
• bates-2014

Frequently asked questions

Điều gì khiến dữ liệu sức khỏe trở thành 'dữ liệu lớn'?

Dữ liệu sức khỏe thường được mô tả là dữ liệu lớn khi chúng có khối lượng lớn, đến hoặc thay đổi nhanh chóng (tốc độ), và kết hợp nhiều loại không đồng nhất và phi cấu trúc (đa dạng), đến mức các công cụ máy đơn thông thường không thể dễ dàng lưu trữ hoặc phân tích chúng.

Một tập dữ liệu sức khỏe lớn hơn có luôn đáng tin cậy hơn không?

Không. Quy mô có thể cải thiện khả năng phát hiện các mẫu, nhưng nếu dữ liệu không đại diện hoặc chất lượng kém, các tập dữ liệu lớn có thể củng cố sai lệch. Các kết luận đáng tin cậy phụ thuộc vào chất lượng dữ liệu, tính đại diện, xác thực và khả năng tương tác, chứ không chỉ riêng kích thước.