BIG DATA В ОБЛАСТИ ЗДРАВООХРАНЕНИЯ ПРОБЛЕМЫ И ВОЗМОЖНОСТИ

Big Data в здравоохранении сегодня

Варианты использования  Big Data в здравоохранении огромны . Некоторые научно-исследовательские учреждения здравоохранения либо экспериментируют с большими данными, либо используют их в передовых исследовательских проектах. Эти учреждения используют ученых, статистов, аспирантов и т.д., чтобы спорить о сложностях Big Data. В следующих разделах мы рассмотрим некоторые из этих сложностей и что делают для упрощения больших данных и повышения доступности.

Системы здравоохранения без больших данных

Большинство систем здравоохранения сегодня могут делать большие объемы Big Data без большого количества данных, включая удовлетворение большинства в аналитике и отчетности. Мы даже не приблизились к тому, чтобы ограничить возможности аналитики здравоохранения с помощью традиционных реляционных баз данных, а использование этих баз данных - более ценный ресурс, в отличие от формирования Big Data.

В настоящее время большинство медицинских учреждений забиты некоторыми очень обыденными проблемами, такими как нормативная отчетность и оперативные информационные панели . В настоящее время большинству просто нужен «воздух и вода», но как только основные потребности будут удовлетворены, а некоторые из первоначальных продвинутых приложений будут внедрены, появятся новые варианты использования (например, носимые медицинские устройства и датчики), что будет требовать использования Big Data - стандартные решения.

Ограничения для использования Big Data в здравоохранении сегодня

Ряд задач с большими данными еще предстоит решить в текущих больших распределениях данных. Две организации, использующие  Big Data в сфере здравоохранения - это технические знания, необходимые для их использования, а также отсутствие надежной и интегрированной безопасности.

Экспертиза

Значение больших данных в здравоохранении сегодня в основном ограничено исследованиями, потому что использование больших данных требует очень специализированного набора навыков. Специалисты ИТ-отдела больницы, знакомые с языками программирования SQL и традиционными реляционными базами данных, не готовы к крутой кривой обучения и другим сложностям, связанным с Big Data.

Фактически, большинству организаций нужны эксперты для управления и получения данных из «окружающей среды». Это, как правило, мыслители уровня доктора философии, обладающие значительным опытом, и, как правило, они не просто плавают вокруг средней системы здравоохранения. Этих специалистов трудно найти и очень дорого, и только исследовательские учреждения обычно имеют к ним доступ. Эксперты пользуются огромным спросом в таких отраслях, как банковские и интернет-компании с большим капиталом.

Безопасность

В сфере здравоохранения соблюдение норм безопасности  не подлежит обсуждению. Ничто не является более важным, чем конфиденциальность и безопасность данных пациентов. Но, честно говоря, не так много хороших интегрированных способов управления безопасностью в Big Data. Системы безопасности развиваются и они наконец дошли до Big Data. И не зря. Если больница только должна предоставить доступ к нескольким ученым-экспертам, на самом деле можно не беспокоиться. Но при открытии доступа к большой, разнообразной группе пользователей безопасность может быть низкой.

Сегодня организации здравоохранения могут предпринять некоторые шаги для обеспечения большей безопасности больших данных. Big Data распространяются на технологию с открытым исходным кодом и с непоследовательной технологией безопасности. Чтобы избежать больших проблем, организации должны быть выборочными относительно крупных поставщиков данных и не предполагать, что любые Big data, которые они выбирают, будут безопасными.

В настоящее время в сфере здравоохранения

Большие данные отличаются от типичной реляционной базы данных. Это очевидно для ИТ-директора или ИТ-эксперта, но краткое объяснение того, как эти две системы отличаются, покажет, почему Big Data в настоящее время находятся в процессе разработки, но уже обладают таким большим потенциалом.

Большие данные имеют минимальную структуру

Самая большая разница между большими данными и реляционными базами данных заключается в том, что Big Data не имеют традиционной структуры таблиц и столбцов, которые имеют реляционные базы данных. В классических реляционных базах данных требуется схема данных (например, демографические данные размещаются в одной таблице, соединенной с другими таблицами с помощью общего идентификатора, такого как идентификатор пациента). Каждая часть данных существует в четко определенном месте. Напротив, большие данные практически не имеют структуры. Данные извлекаются из исходных систем в исходном виде, хранящихся в массивной, хаотичной распределенной файловой системе.

Big Data - это сырые данные

По соглашению большие данные обычно не преобразуются каким-либо образом. Мало или вообще нет «чистки» и вообще не применяются бизнес-правила. Некоторые люди ссылаются на эти необработанные данные в терминах «Принципа суши» (т.е. данные лучше всего, когда они сырые, свежие и готовы к употреблению). Интересно, что Data Catalyst Late-Binding ™ Data Warehouse придерживается тех же принципов. Этот подход не преобразует данные, не применяет бизнес-правила или не связывает данные семантически до последнего момента - другими словами, связывается как можно ближе к прикладному уровню.

У Big Data нет «дорожной карты»

Отсутствие предопределенной структуры означает, что большая среда данных дешевле и её проще создавать.  Трудность с Big Data заключается в том, что нетрудно найти необходимые данные в этом массиве, неструктурированном хранилище данных. Структурированная реляционная база данных, по существу, содержит дорожную карту - схему того, где каждая часть данных существует. На стороне больших данных нет традиционных схем и, следовательно, мало ориентиров. С реляционной базой данных простой структурированный язык запросов (т.е. SQL) извлекает нужные данные с использованием сложного механизма запросов, оптимизированного для поиска данных.

Big Data будут важны в здравоохранении

Когда организации здравоохранения предвидят будущее больших данных, они часто думают использовать его для анализа текстовых заметок. Современные аналитические технологии по большей части используют дискретные данные и пытаются извлечь выгоду из всей ценной клинической информации, зафиксированной в примечаниях врачей и медсестер. Методы индексирования больших данных и некоторые новые данные о поиске работы в текстовых областях действительно могут принести реальную ценность аналитике здравоохранения в будущем.

Использование Big Data для предсказательной аналитики, предписывающей аналитики и геномики

Предупреждение в режиме реального времени - это лишь одно из будущих в использования больших данных. Другая - интеллектуальная аналитика . Случаи превентивной аналитики в здравоохранении были ограничены до настоящего времени, потому что у нас просто не было достаточного количества данных для работы. Большие данные могут помочь заполнить этот пробел.

Одним из примеров данных, которые могут играть роль в аналитике прогноза, являются социально-экономические данные. Социально-экономические факторы существенно влияют на здоровье пациентов. Социально-экономические данные могут показать, что люди в определенном почтовом индексе вряд ли будут иметь автомобиль. Таким образом, есть хороший шанс, что пациент в этом почтовом индексе, который только что выписан из больницы, будет испытывать трудности с его последующим назначением в офисе удаленного врача. (Системы здравоохранения, по сути, обнаружили, что дешевле отправить такси, чтобы забрать пациента на прием, чем для нее, чтобы пропустить встречу и быть отправлена ​​в больницу).

Эти и подобные данные могут помочь организациям прогнозировать пропущенные встречи, несоблюдение медикаментов и многое другое. Это всего лишь небольшой пример того, как большие данные могут стимулировать интеллектуальный анализ данных.

Список литературы:

1. Интернет ресурс: Medical big data: promise and challenges [ссылка]
2. Статья «Big Data в медицине: текущая ситуация и перспективы» [ссылка]
3. Открытые системы, Леонид Черняк: Большие Данные – новая теория и практика, 2011.