کاربرد بیگ دیتا در پزشکی

در این مقاله می‌خواهیم برخی از کاربردهای بیگ دیتا Big Data)) را در زمینه‌ی خدمات بهداشتی و درمانی مورد بررسی قرار دهیم و شما را با توانایی های بالقوه‌ی این علم جدید در حوزه‌ی بهداشت و درمان آشنا سازیم. این علم با پیشرفتهای حاصل شده در زمینه های مختلف آن پتانسیل بسیار بالایی در بهره ور کردن هرچه بیشتر جامعه می تواند داشته باشد و در واقع علم داده های تاثیر شگفت انگیزی بر روی تصمیم گیری های بلند مدت جامعه و یا تصمیم گیری های روزانه فردی داشته باشد.

 

بیگ دیتا در بهداشت و درمان به چه معناست؟

استفاده از تجزیه و تحلیل بیگ دیتا در مراقبت های بهداشتی دارای نتایج مثبت و همچنین نجات دهنده زندگی است. داده های بزرگ به مقادیر عظیمی از اطلاعات ایجاد شده توسط دیجیتالی شدن همه موارد اشاره دارد که توسط فن آوری های خاص تلفیق و تجزیه و تحلیل می شود. در اینجا بیگ دیتا با استفاده از خدمات بهداشتی و درمانی ، از داده های خاص سلامتی یک جمعیت (یا یک فرد خاص) استفاده خواهد کرد و به طور بالقوه برای جلوگیری از همه گیری بیماری ها ، درمان بیماری ها ، کاهش هزینه ها و غیره کمک خواهد کرد.

اکنون که ما عمر بیشتری داریم ، مدل های درمانی نیز تغییر کرده اند و بسیاری از این تغییرات توسط داده ها هدایت می شوند. پزشکان می خواهند تا حد امکان در مورد یک بیمار زندگی او هرچه سریع تر بدانند تا علائم هشدار دهنده بیماری جدی وی را هنگام بروز بتوانند سریع مورد تشخیص قرار دهند. درمان هر بیماری در مراحل اولیه بسیار ساده تر و ارزان تر است. با تجزیه و تحلیل داده های مراقبت بهداشتی ، پیشگیری بهتر از درمان است و مدیریت برای ترسیم یک تصویر جامع از یک بیمار ، به بیمه اجازه می دهد تا بسته بهزینه متناسب تری تهیه کند.

در واقع ، سالهاست که جمع آوری مقادیر عظیمی از داده ها برای مصارف پزشکی پرهزینه و زمان بر بوده است. با فن آوری های همیشه در حال بهبود امروزه ، نه تنها جمع آوری چنین داده هایی بلکه تبدیل آن به بینش های مهم مربوطه ، که می توان از آن برای ارائه مراقبت بهتر استفاده کرد ، آسان تر می شود. هدف از تجزیه و تحلیل داده های مراقبت های بهداشتی این است: استفاده از یافته های داده محور برای پیش بینی و حل مسئله قبل از اینکه بسیار دیر شود ، روش ها و متد های درمانی را سریع تر ارزیابی کرده ، پیگیری بهتری از سلامتی فردی انجام دهید ، پیگیری بهتر بیماران را در سلامت را توانمند سازی کنید .

 

چرا ما در بهداشت و درمان نیاز به تجزیه و تحلیل داده های بزرگ داریم؟

به دلیل افزایش هزینه ها نیاز به داده های بزرگ در مراقبت های بهداشتی نیز وجود دارد. به عبارت دیگر ، هزینه ها بسیار بالاتر از آنچه که باید بود ، بوده است و در 20 سال گذشته افزایش یافته است. بدیهی است که ما در این زمینه به برخی تفکرات هوشمندانه و مبتنی بر داده نیاز داریم. و مشوقهای فعلی نیز در حال تغییر هستند: بسیاری از شرکتهای بیمه از برنامه های هزینه خدمات (که با استفاده از روشهای درمانی گران و بعضا غیر ضروری پاداش می گیرند و تعداد زیادی از بیماران را سریعا درمان می کنند) تغییر می دهند به برنامه هایی که اولویت نتایج بیماران را ارائه می دهد.

همانطور که نویسندگان کتابهای معروف Freakonomics ادعا کرده اند ، مشوق های مالی اهمیت زیادی دارند و انگیزه هایی که سلامت بیماران را بر اساس درمان مقادیر زیادی از بیماران در اولویت قرار می دهد ، نکته خوبی است. و چرا این امر مهم است؟

 

خوب ، در طرح قبلی ، ارائه دهندگان مراقبت های بهداشتی هیچ انگیزه مستقیمی برای به اشتراک گذاشتن اطلاعات بیمار با یکدیگر نداشتند ، که این امر استفاده از قدرت آنالیز را سخت تر کرده بود. اکنون که تعداد بیشتری از آنها بر اساس پیامدهای بیمار دستمزد دریافت می کنند ، انگیزه مالی برای به اشتراک گذاشتن داده هایی دارند که می توانند ضمن کاهش هزینه های شرکت های بیمه ، برای بهبود زندگی بیماران استفاده کنند.

سرانجام ، تصمیمات پزشکان بیشتر و بیشتر مبتنی بر شواهد است ، به این معنی که آنها به اطلاعات زیادی از تحقیقات و داده های بالینی تکیه می کنند که بر خلاف صرف تحصیل و نظر حرفه ای آنها است. مانند بسیاری از صنایع دیگر ، جمع آوری و مدیریت داده ها بزرگتر می شود و متخصصان در این زمینه به کمک نیاز دارند. این نگرش درمانی جدید بدان معنی است که بیش از گذشته تقاضای بیشتری برای تجزیه و تحلیل داده های بزرگ در مراکز درمانی وجود دارد و ظهور ابزار SaaS BI نیز پاسخگوی نیاز است.

 

موانع بهداشتی گسترده داده ها

یکی از بزرگترین موانع موجود در راه استفاده از داده های بزرگ در پزشکی ، نحوه پخش اطلاعات پزشکی در بسیاری از منابع تحت کنترل دولت ها ، بیمارستان ها و ادارات مختلف است. ادغام این منابع داده نیاز به ایجاد زیرساخت جدید دارد که کلیه ارائه دهندگان داده با یکدیگر همکاری کنند.

اجرای نرم افزار جدید گزارش دهی آنلاین و استراتژی هوش تجاری بسیار مهم است. بهداشت و درمان باید با صنایع دیگری که قبلاً از روشهای استاندارد مبتنی بر رگرسیون حرکت کرده اند به سمت آینده محور تر مانند تجزیه و تحلیل پیش بینی ، یادگیری ماشین و تجزیه و تحلیل نمودار حرکت کند.

 

ثبت سوابق بهداشت الکترونیکی ( Electronic Health Records (EHRs :

نرم‌افزار EHRs گسترده‌ترین کاربرد Big Data در مراقبت‌های بهداشتی را دارا می باشد. هر بیمار دارای رکورد دیجیتالی خود است که شامل آمارها، تاریخچه پزشکی، آلرژی، نتایج آزمایشگاهی و غیره می‌باشد.نتایج ثبت شده توسط سیستم‌های اطلاعات ایمن به اشتراک گذاشته می‌شود و برای ارائه‌دهندگان خدمات بهداشتی از بخش خصوصی و عمومی در دسترس است. هر رکور یک فایل قابل‌تغییر است که پزشکان می‌توانند تغییرات را در طول زمان بدون هیچ‌گونه کاغذ و خطر تکرار داده‌ها انجام دهند.

EHR ها همچنین می‌توانند هشدارها و یادآوری‌ها را هنگامی که بیمار باید آزمایش جدیدی یا نسخه‌ای را انجام دهد به پزشک بیمار بدهد که آیا بیمار دستورات پزشکان را دنبال کرده است یا خیر.آمریکا با توجه به تحقیقات hitech , نود و چهار درصد از بیمارستان‌های خود را به EHR مجهز کرده است. اما اتحادیه‌ی اروپا در این مقوله از آمریکا عقب‌تر است.

 

Big Data باعث نجات جان افراد در پاریس شد:                                                                

 در اولین نمونه از Big Data در مراقبت‌های بهداشتی به یک مشکل کلاسیک اشاره می‌شود که هر شیفت مدیریتی با آن روبه‌رو می‌شود؛ چه تعداد افراد از کارکنان را در هر دوره‌ی زمانی قرار دهیم؟ اگر بیش از حد باشد، خطر افزایش هزینه‌های کار غیرضروری به وجود می‌ آید و اگر هم بیش از اندازه کم باشد، می‌تواند برای بیماران در صنعتی مثل مراقبت های بهداشتی آسیب رسان باشد.

Big Data برای حل این مشکل راهکارهای فوق العاده ای دارد، حداقل در چند بیمارستان در پاریس این کار را انجام داده است. مقاله Forbes توضیح می‌دهد که چگونه 4 بیمارستان که بخشی از Public – Hospital در پاریس هستند، از داده‌های متنوعی از منابع مختلف استفاده کرده‌اند تا پیش‌بینی‌های روزانه و ساعتی را که تعداد بیماران در هر بیمارستان انتظار دارند را ارائه دهند. یکی از روش‌ها، استفاده از داده‌های کلیدی است که 10 سال ثبت پرونده‌های پذیرش در بیمارستان را دانشمندان با استفاده از تکنیک‌های تجزیه و تحلیل الگوهای مربوطه در نرخ پذیرش را پیدا می‌کنند. سپس، آن‌ها از یک ماشین برای پیدا کردن الگوریتم‌های دقیق‌تر که پیش‌بینی روند پذیرش در آینده را می‌کند، استفاده می‌کنند. نتیجه یک رابطه مبتنی بر مرورگر وب طراحی شده برای استفاده‌ی پزشکان، پرستاران و کارمندان اداری بیمارستان (بدون نیاز به آموزش در علوم داده‌ها) برای پیش‌بینی در نرخ بازدید و نرخ پذیرش برای 15 روز آینده است. کارکنان اضافی می‌توانند در زمانی که انتظار می‌رود تعداد مراجعه‌کنندگان زیاد است آماده شوند تا باعث کاهش زمان انتظار بیماران و کیفیت بهتر مراقبت و خدمات شود.

 

Real-Time alerting (هشداردهنده‌ی بهنگام):    

یکی از قابلیت‌های مهم بیگ دیتا Real-Time alerting است که به اشتراک می‌گذارد. در بیمارستان‌ها، نرم‌افزار تصمیم‌گیری بالینی (CDS,Clinical Decision Support) نرم‌افزار داده‌های پزشکی را در محل مورد بررسی قرار می‌دهد و پزشکان بهداشت را با مشاوره در صورت تصمیم‌گیری‌های قانونی آماده می‌کند. با این حال، پزشکان می‌خواهند بیماران از بیمارستان دور بمانند تا از هزینه‌های درمانی در خانه جلوگیری کنند.

دستگاه‌های تجزیه و تحلیل شخصی، که قبلاً در گذشته به عنوان business intelligence buzzwords شناخته شده‌اند، توانایی تبدیل‌شدن به بخشی از یک استراتژی تحویل سلامت بیماران را به طور مداوم جمع‌آوری می‌کنند و این اطلاعات را به Cloud می‌فرستند. علاوه بر این، این اطلاعات به پایگاه داده در وضعیت سلامت عمومی قابل دسترسی است، که به پزشکان اجازه می‌دهد این داده‌ها را در زمینه‌های اجتماعی- اقتصادی مقایسه کنند و بر اساس آن، راهبرهای درمان را اصلاح کند، مؤسسات مراقبت بهداشتی و مدیران مراقبت از ابزارهای پیچیده برای نظارت بر این جریان، از داده‌های عظیم استفاده می‌کنند و هر بار که نتیجه نگران‌کننده خواهد بود، واکنش نشان دهند. به عنوان مثال اگر فشارخون بیمار هشداردهنده باشد، سیستم در زمان درست به بیمار اخطار می‌دهد که پس از آن اقدام به رسیدن به بیمار می‌کند و اقدامات لازم برای کاهش فشار را انجام می‌دهد. مثال دیگر اینکه Asthmapolis که شروع به استفاده از رادیاتور با ردیاب‌های GPS فعال برای شناسایی روند آسم در سطح فردی است، از این داده‌ها به منظور ایجاد برنامه‌های بهتر درمان برای آسم استفاده می‌شود.

 

کاربرد بیگ دیتا در تجهیزات پزشکی

 

تجزیه و تحلیل پیش‌بینی در بهداشت و درمان:  

آزمایشگاه Optum، یک شرکت تحقیقاتی آمریکایی، EHR را از بیش از 30 میلیون بیمار جمع‌آوری کرده است تا یک پایگاه داده برای ابزارهای تجزیه و تحلیل پیش‌بینی‌کننده فراهم کند که مراقبت را بهبود می‌بخشد. هدف این است که به پزشکان کمک کند تصمیمات هوشمندانه‌ای را در عرض چند ثانیه بدست بیاورند و درمان را بهبود بخشند. برای مثال، افرادی که در معرض خطر ابتلا به دیابت هستند از این طریق توصیه می‌شود برای additional screening یا مدیریت وزن استفاده کنند.

 

استفاده از داده‌های بهداشتی برای برنامه‌ریزی استراتژیک:  

 استفاده از Big Data در مراقبت‌های بهداشتی به برنامه‌های استراتژیک اجازه می‌دهد تا با درکی بهتر از تصور افراد بدست آیند. Care managers (مدیران مراقبت) می‌توانند نتایج بررسی در میان افراد مختلف گروه‌های جمعیتی را تجزیه و تحلیل کنند و عوامل تعیین‌کننده‌ای برای جلوگیری از استفاده از درمان در نظر بگیرند.

دانشگاه فلوریدا از نقشه‌های گوگل و داده‌های بهداشت عمومی رایگان برای تهیه‌ی نقشه‌های گرمایی زمین (Heat maps) مورد نظر در زمینه مسائل مختلف مانند رشد جمعیت و بیماری‌های مزمن استفاده کرده است. بعدها، دانشگاهیان توانستند استراتژی تحویل درمان مراقبت‌های بهداشتی خود را مرور کنند و واحدهای مراقبتی بیشتری را به بخش‌های مشکل‌ساز اضافه کنند.

 

اثرات Big Data در درمان سرطان    

یکی دیگر از نمونه‌های جالب استفاده از Big Data در مراقبت‌های بهداشتی، کمک به درمان سرطان است. محققان پزشکی می‌توانند از Big Data در برنامه‌های درمان و میزان بهبودی بیماران سرطانی برای پیدا کردن درمان‌هایی که دارای بالاترین میزان موفقیت در دنیای واقعی هستند استفاده کنند. به عنوان مثال، محققان می‌توانند نمونه‌های تومور را که با پرونده‌ی درمان بیمار ارتباط دارند، در بانک‌های زیستی بررسی کنند. همچنین می‌توانند گزارش بیوپسی بیمار از سایر موسسات را در دسترس داشته باشند.

این داده‌ها همچنین می‌تواند منجر به منافع غیر منتظره مانند پیدا کردن Desipramine که یک ضدافسردگی است، توانایی کمک به درمان برخی از انواع سرطان ریه را دارد، بشود.اما موانع زیادی در این راه وجود دارد از جمله: سیستم‌های اطلاعات ناسازگار که بزرگترین چالش فنی است، زیرا این مجموعه داده‌ها باید قادر به همکاری با یکدیگر باشند. مسائل مربوط به محرمانه بودن اطلاعات بیمار قوانین متفاوتی دارد که توسط دولت تنظیم می‌شود که اطلاعات مربوط به بیمار را با رضایت و یا بدون رأی منتشر می‌کند و همه‌ی این موارد باید هدایت شوند.

به سادگی می‌توان گفت که مؤسساتی که زمان و پول زیادی را در ایجاد مجموعه داده‌های سرطانی خود قرار داده‌اند، ممکن است مشتاق همکاری با یکدیگر نباشند، هر چند که این امر می منجر به درمان بسیار سریع‌تر شود.

 

تله مدیسین Telemedicine:

بیش از 40 سال در بازار خدمات درمانی حضور داشته است، اما امروزه با ورود کنفرانس‌های ویدیویی آنلاین، گوشی‌های هوشمند، دستگاه‌های بی‌سیم و پوشیدنی‌ها، این امکان وجود دارد که به شکوفایی کامل برسد.  اصطلاح  تله مدیسین به ارائه خدمات بالینی از راه دور با استفاده از تکنولوژی اشاره دارد.

این روش برای مشاوره اولیه و تشخیص اولیه، نظارت از راه دور بیمار و آموزش پزشکی برای متخصصین بهداشت استفاده می‌شود. برخی از کاربردهای خاص عبارتند از telesurgery – پزشکان می‌توانند عمل جراحی با استفاده از روبات‌ها و تحویل داده‌های سریع در زمان واقعی را بدون جسمی در یک مکان با یک بیمار انجام دهند.

 

پزشکان از تله مدیسین برای ارائه برنامه‌های شخصی درمانی استفاده می‌کنند و از بستری شدن یا پذیرش مجدد جلوگیری می‌کنند. چنین استفاده از Big Data در مراقبت‌های بهداشتی با استفاده از تجزیه و تحلیل پیش‌بینی همانطور که قبلاً دیده می‌شود، مرتبط باشد. این روش اجازه می‌دهد تا پزشکان پیش‌بینی حوادث حاد پزشکی در پیشگیری و جلوگیری از وخامت شرایط بیمار شوند.

با نگه داشتن بیمار دور از بیمارستان‌ها، تله مدیسین به کاهش هزینه‌های مراقبت‌های بهداشتی و بهبود کیفیت خدمات کمک می‌کند. پزشکان می‌توانند زمان را برای مشاوره‌های غیرضروری و کارهای کاغذی تلف نکنند. Telemedicine نیز در دسترس بورن مراقبت‌های بهداشتی را بهبود می‌بخشد، زیرا وضعیت بیمار را می‌توان در هر زمان و هر مکان مورد نظارت قرار داد.

 

صرفه‌جویی در زمان، پول و انرژی با استفاده از تجزیه و تحلیل Big Data در مراقبت‌های بهداشتی:  

صرفه‌جویی در زمان، پول و انرژی در مراقبت‌های بهداشتی ضروری است. یک زن در کالیفورنیا در طی 3 سال، بیش از 900 بار به Emergency Room رفته است. این زن از بیماری روانی و سؤ مصرف مواد رنج می‌برد و تقریباً هر روز به انواع بیمارستان‌های محلی می‌رود.

مسائل این زن توسط فقدان سوابق پزشکی مشترک میان واحدهای اضطراری محلی، افزایش هزینه‌های مالیات‌دهندگان و بیمارستان‌ها و ایجاد مشکل برای این زن برای دریافت مراقبت‌های خوب تشدید شد.

به منظور جلوگیری از وقوع چنین شرایطی در آینده، بیمارستان‌های شهرستان‌ آلامده برای ایجاد یک برنامه به نام PREManage ED،که سوابق بیمار را در اختیار بخش اورژانس قرار می‌دهد، گرد هم آمدند.این سیستم اجازه می‌دهد که کارکنان ارشد چیزهایی مثل:

اگر بیمار در حال درمان باشد، آزمایشات خاصی که در بیمارستان‌های دیگر انجام شده است چه بوده و نتایج این آزمایش‌ها چیست.اگر بیمار در حال حاضر دارای مدیریت پرونده در بیمارستان دیگری است، جلوگیری از تکالیف غیرضروری.چه توصیه‌ای به بیمار داده شده است، به طوری که یک پیام منسجم برای بیمار می‌تواند توسط تأمین‌کنندگان مراقبت‌های بهداشتی حفظ شود.

این مثال هم یک نمونه‌ی عالی دیگر از کاربردهای داده‌های بزرگ در مراقبت‌های بهداشتی بود که Big Data را مفید و مورد نیاز نشان می‌دهد. در گذشته، بیمارستان‌ها بدون PREManage ED بارها و بارها آزمایش بیمار را تکرار می‌کردند و حتی اگر می‌توانستند ببینند که آزمایش دیگری در بیمارستانی انجام شده است، آن‌ها مجبور خواهند شد که به بیمارستان قبلی بروند و درخواست فکس کنند که مدت طولانی طول می‌کشد تا فقط بتوانند اطلاعاتی را که نیاز دارند دریافت کنند.

 

این  نمونه ها از Big Data در مراقبت‌های بهداشتی ثابت می‌کنند که توسعه داده‌های پزشکی از داده‌ها مثل سیب در چشم علوم داده‌هاست، زیرا آن‌ها توانایی صرفه‌جویی در پول و مهم‌تر از همه، زندگی مردم است. امروزه Big Data اجازه می‌دهد تا شناسایی زودهنگام بیماران و گروه‌های اجتماعی و اقدامات پیشگیرانه را شناسایی کنیم، زیرا همان‌طور که همه می‌دانیم پیشگیری بهتر از درمان است.

 

منبع: datapine

 

همچنین بخوانید:

بیمارستان هوشمند هواوی ، راهکارهای پزشکی از راه دور و بیمارستان وایرلس

رایانش ابری، بستر توانمندسازی سلامت الکترونیک

دسته‌بندی استارتاپ‌های اینترنت اشیا در سلامت

فناوری رایانش ابری در حوزه پزشکی

بالا