Big Data в здравоохранении: как и для чего медицина использует Большие Данные?

МЕНЮ


Искусственный интеллект
Поиск
Регистрация на сайте
Помощь проекту

ТЕМЫ


Новости ИИРазработка ИИВнедрение ИИРабота разума и сознаниеМодель мозгаРобототехника, БПЛАТрансгуманизмОбработка текстаТеория эволюцииДополненная реальностьЖелезоКиберугрозыНаучный мирИТ индустрияРазработка ПОТеория информацииМатематикаЦифровая экономика

Авторизация



RSS


RSS новости


Каковы результаты и перспективы применения Больших Данных в сфере здравоохранения? Почему информация может стать ключевым аспектом в борьбе с инфекциями? Давайте в этом разбираться.

Если нужны конкретные примеры того, как технологии Big Data изменяют окружающий мир в лучшую сторону, то их легче всего отыскать в медицинской отрасли. Помимо вопросов увеличения прибыли и сокращения накладных расходов фармацевтических компаний, использование Big Data в сфере здравоохранения продиктовано необходимостью решать глобальные проблемы человечества. Население планеты с каждым годом увеличивается на 1.33%, поэтому прогнозирование эпидемий, борьба с существующими болезнями и усовершенствование методов лечения в целом — злободневные задачи мирового сообщества. В их решении можно серьезно продвинуться, взяв за основной инструмент анализ данных.

Предсказательные возможности электронных медицинских карт

Инициатива ввести EHR (Electronic Health Records) для каждого человека исходила от президента США Джорджа Буша-младшего еще в 2004 году. Электронная медицинская карта — это система, которая собирает информацию с ряда источников. Здесь находится сведения о диагнозах пациента, принимаемых им лекарствах, текущих проблемах со здоровьем, пройденных процедурах, результатах тестов и клинических замечаниях. Данный тип медкарты способен рассылать уведомления пациентам о необходимости прохождения нового обследования. Также в EHR предусмотрен контроль за выполнением пациентом врачебных предписаний. Это яркий пример прогнозной аналитики в здравоохранении.

EHR

Путем использования данных с электронных медкарт, врачи могут установить связь между, казалось бы, принципиально различными заболеваниями. Система уровня риска, разработанная в 2013 году членами консорциума Kaiser Permanente, позволяет сделать предположение касательно возможного развития слабоумия у пациентов с сахарным диабетом. Используя модели прогнозирования, основанные на этой системе, американская армия пытается уменьшить количество самоубийств среди ветеранов.

Преимущества электронной медкарты состоят в ее защищенности и полноте информации о пациенте. Так, за 2014 год в «традиционной» базе госпиталей США, куда люди попадали на амбулаторное лечение, зафиксировано 26?259 записей, в то время как показатель записей в электронных медицинских картах равен 19?005?777. В случаях обращения за экстренной помощью, этот показатель составляет 23?909 и 4?530?360 записей соответственно. Причем, менее 24 тыс. «ручных» записей собрано с 375 больниц, а более 4.5 млн отметок в EHR — всего с 83 госпиталей.

Создание электронных медицинских карт и их дальнейшая модернизация — один из наиболее действенных сценариев использования Больших Данных в сфере здравоохранения. Согласно исследованию HITECH, в США более 94% больниц практикуют применение электронных медкарт. Страны-члены ЕС отстают от заокеанских партнеров, но директива, подготовленная Европейской комиссией, призвана в корне изменить ситуацию. Предполагается, что к 2020 году европейская централизованная система медицинских записей станет реальностью.

Постановка диагнозов с помощью носимых устройств

Рынок носимых электронных устройств по итогам 2015 года вырос на 171.6%. В 2016 году также прослеживается тенденция роста популярности подобного рода устройств. Это гаджеты, которые содержат ряд датчиков, в том числе пульсометры и шагомеры; с их помощью можно составлять рацион сбалансированного питания. В некоторых случаях они даже могут спасти человеческую жизнь. А сейчас в США вводится практика передачи собранных носимым устройством данных личному врачу.

Даже если здоровье человека в норме, петабайты собираемой информации сформируют гибкие и постоянно растущие базы данных. Только представьте, что весь этот объем информации можно скормить IMB Watson, который на основе данных большого числа пациентов сможет рекомендовать лучшее лечение каждому из нас. Нейросети смогут выявлять зависимости между данными трекеров и склонностью к заболеваниям, помогая другим раньше узнавать о какой-либо болезни. Это не что иное, как пример работы аналитики в сфере здравоохранении. С ее помощью можно не только выявить наиболее слабые места в здоровье определенной группы людей, но и дать точный прогноз по возможным заболеваниям и способам их предотвращения.

Wearables

Такой потенциал носимых гаджетов ведет к основательной научной работе и, как следствие, объединению усилий между медиками и специалистами по Big Data. Примером кооперации действий служит Питтсбургский альянс, работа которого базируется на сборе и анализе данных с разных источников (медицинских и страховых записей, генетической информации и даже данных из социальных сетей) с целью реализации индивидуального подхода к каждому пациенту.

За счет того, что данные рассматриваются комплексно, врачи могут предугадать результат конкретного курса лечения, отталкиваясь от результатов пациентов с подобными генетическими факторами и образом жизни.

Весной 2015 года Apple и IBM также пришли к идее совместного объединения усилий ради того, чтобы использовать Большие Данные в сфере здравоохранения. Две корпорации работают на единой платформе, которая позволяет владельцам iPhone и Apple Watch отправлять собранные в ходе использования сведения в Watson Health — сервис IBM по медицинской аналитике.

Примеры использования носимых гаджетов для сбора медицинской информации свидетельствуют о том, что данная ниша активно осваивается специалистами по Big Data. Это очень перспективная область, в которой есть где развернуться.

Безопасность пациентов в отделениях реанимации и интенсивной терапии

Реанимационные отделения — это некий отдельный мир на территории больницы, где предиктивная аналитика выходит на ключевые роли по части обеспечения безопасности пациентов и качества ухода за ними. Наиболее уязвимые больные склонны к резкому ухудшению самочувствия из-за инфекций, например, сепсиса. Эти и другие кризисные явления не всегда могут спрогнозировать и без того загруженные работники ОРИТ.

Массачусетский главный госпиталь использует аналитическую систему QPID, чтобы врачи могли увериться в том, что они не пропускают важную информацию о пациенте на протяжении курса лечения. Еще одно применение QPID и, соответственно, пример действия Big Data в здравоохранении — прогнозирование хирургического риска. «Даже известные на весь мир хирурги не горят желанием оперировать пациента, который может через несколько минут умереть на столе», — говорит доктор Дэвид Тинг, заместитель директора по информационным системам Массачусетского главного госпиталя. «Последнее, что врач хочет сделать — нанести пациенту вред. Чтобы этого не случилось, система выполняет автоматический поиск протоколов лечения, после чего выводит на экран результаты с посчитанным красным, желтым или зеленым индикатором риска».

QPID

Исследователи Калифорнийского университета в Дэйвисе разработали алгоритм, в котором используются данные с электронных медицинских карт. Цель этого алгоритма — помочь врачам выявить первые признаки сепсиса. Отметим, что заражение крови, ввиду слабого проявления симптомов на ранних стадиях заболевания, в 40% случаев приводит к летальным исходам. Доцент кафедры внутренней медицины Калифорнийского университета в Дэйвисе, один из участников исследования Хиен Нгуен уверен, что такой вектор использования Больших Данных в здравоохранении обладает высоким уровнем приоритета. «Найти точный и быстрый способ определения, какие пациенты характеризуются высоким риском развития сепсиса — критически важная задача. Мы хотим добиться того, чтобы с помощью нашего алгоритма врачи определяли, когда следует переходить к интенсивной диагностике и лечению, а когда нужда в таких мерах отсутствует», — говорит Х. Нгуен.

Телемедицина

Еще один пример, того, как работает Big Data в здравоохранении — развитие телемедицины. Она присутствует на рынке медицинских услуг более 40 лет, но только сегодня, с появлением смартфонов, беспроводных переносимых устройств и видео-конференций, телемедицина смогла полностью раскрыться. Под «телемедициной» следует понимать предоставления клинических услуг на расстоянии. Данный термин включает как первичную диагностику и консультации, так и комплексный мониторинг состояния здоровья пациента. При том телемедицина допускает не только общение тет-а-тет с квалифицированным специалистом в дистанционном режиме, но самодиагностирование через посещение сервисов вроде webmd.com. Этот вид услуг предоставляет Healthtap.

Telemedicine

Врачи прибегают к использованию телемедицины, чтобы составить пациенту индивидуальный план лечения и предотвратить госпитализацию. Это позволяет предотвратить ухудшения состояния здоровья пациента. Нивелируя необходимость физического присутствия больного в клинике, телемедицина позволяет снизить финансовые затраты на медицинские услуги, обеспечивая при этом довольно высокий уровень сервиса. Разумеется, консультация проходит в любое время и в любом месте, что идет на руку как пациенту, так и врачу.

Примеры использования Big Data в сфере здравоохранения доказывают, что увеличение спектра применений данных в области медицины должно носить систематический характер, ведь Большие Данные имеют все шансы сделать жизнь людей максимально безопасной. Уже сегодня технологии сбора и анализа информации позволяют выявить как заболевания отдельных пациентов, так и дать прогноз по поводу состояния здоровья целой социальной группы. И, что самое главное, Big Data — это ключ к развитию превентивных мер в области медицины. Профилактика намного лучше лечения, не так ли?


Источник: ru.datasides.com

Комментарии: