مروری بر داده های بزرگ پزشکی

کلان داده های پزشکی به مجموعه داده های عظیم، متنوع و به سرعت در حال رشد تولید شده در زمینه پزشکی و بهداشت، از جمله پرونده های پزشکی الکترونیکی، داده های تصویربرداری، توالی ژن، اطلاعات نظارت بر دستگاه های پوشیدنی و غیره اشاره دارد. ارزش اصلی آن در کمک به تصمیم گیری بالینی، بهینه سازی تخصیص منابع پزشکی و ترویج تحقیقات پزشکی از طریق تجزیه و تحلیل و استخراج است. ساختار محتوای اصلی به دو دسته تقسیم می شود:تعریف و منبع(مانند سیستم های اطلاعات بیمارستانی، تجهیزات اینترنت اشیا)،سناریوهای کاربردی(پیش بینی بیماری، درمان شخصی)،پشتیبانی فنی(هوش مصنوعی، محاسبات ابری) وچالش ها و چشم اندازها(امنیت داده ها، مسائل استانداردسازی).

منابع و انواع داده های بزرگ پزشکی

کلان داده های پزشکی عمدتاً از سه دسته می آیند:داده های بالینی(مانند مدارک پزشکی الکترونیکی، گزارش های بازرسی)،داده های رفتار سلامت(گام ها، ضربان قلب ثبت شده توسط دستگاه پوشیدنی) وداده های ژنتیکی بیولوژیکی(نتایج توالی یابی ژنوم). به عنوان مثال، سیستم‌های HIS بیمارستان‌ها هر روز یک ترابایت سوابق تشخیص و درمان تولید می‌کنند و دستگاه‌های قابل حمل مانند Apple Watch می‌توانند شاخص‌های سلامت کاربر را در زمان واقعی بارگذاری کنند. این داده‌ها در فرم‌های ساختاریافته (جدول پایگاه داده) و بدون ساختار (تصاویر CT) ذخیره می‌شوند و مبنایی برای تجزیه و تحلیل بعدی فراهم می‌کنند.

برنامه های اصلی داده های بزرگ پزشکی

در زمینه بالینی، کلان داده های پزشکی می توانندبهبود دقت تشخیصی. برای مثال، IBM Watson با تجزیه و تحلیل میلیون‌ها سند، به پیشنهاد گزینه‌های درمان تومور کمک می‌کند. در سطح بهداشت عمومی، Google Flu Trends از داده های جستجو برای پیش بینی اپیدمی ها استفاده کرده است. علاوه بر این، شرکت های داروسازی از داده های دنیای واقعی (RWD) برای تسریع توسعه دارو استفاده می کنند. به عنوان مثال، فایزر از پایگاه داده های بیماران برای کوتاه کردن چرخه کارآزمایی بالینی استفاده می کند. پزشکی شخصی یکی دیگر از مسیرهای اصلی است و پزشکی دقیق مبتنی بر داده های ژنتیکی برای درمان هدفمند سرطان سینه به کار گرفته شده است.

پشتیبانی فنی و چالش های صنعت

وابستگی های پردازش داده های بزرگ پزشکیالگوریتم هوش مصنوعی(مانند یادگیری عمیق برای تشخیص تصاویر پزشکی) وپلت فرم رایانش ابری(مانند AWS Medical Cloud). با این حال، چالش ها قابل توجه هستند: جزایر داده رایج هستند و نرخ تبادل اطلاعات بین بیمارستان ها کمتر از 30٪ است. الزامات حفاظت از حریم خصوصی سختگیرانه است و باید با مقرراتی مانند GDPR مطابقت داشته باشد. علاوه بر این، کیفیت داده ها ناهموار است و باید تمیز و یکپارچه شود. تولیدکنندگان داخلی مانند Neusoft و Weining Health پلتفرم‌های کلان داده پزشکی را راه‌اندازی کرده‌اند، اما هنوز باید از گلوگاه استانداردسازی عبور کنند.

چشم انداز آینده و خلاصه

کلان داده های پزشکی در حال تغییر شکل اکوسیستم پزشکی هستند. در کوتاه مدت، تقاضا برای نظارت بر سلامت عمومی پس از اپیدمی افزایش خواهد یافت. در درازمدت، همراه با فناوری 5G و بلاک چین، به اشتراک گذاری امن بین آژانسی به دست خواهد آمد. اما باید تعادلی بین نوآوری و اخلاق وجود داشته باشد، مانند اجتناب از تبعیض الگوریتمی. صنعت باید برای تدوین استانداردها با یکدیگر همکاری کند. شرکت‌هایی مانند United Imaging Healthcare سیستم تشخیصی با کمک هوش مصنوعی «uAI» را راه‌اندازی کرده‌اند، و دولت همچنین در حال ارتقای پایلوت‌های ملی برای داده‌های بزرگ سلامت و پزشکی است. باز کردن پتانسیل داده های بزرگ پزشکی در نهایت به نفع بیماران، پزشکان و تحقیقات علمی خواهد بود.

نقل منابع:
1. سازمان جهانی بهداشت "استراتژی جهانی برای سلامت دیجیتال"
2. کاغذ سفید رسمی IBM Watson Health
3. "راهنمای استاندارد داده های کلان بهداشتی و پزشکی" کمیسیون ملی بهداشت
4. کیس های سازنده: Neusoft، United Imaging