Pinagmumulan ng Malaking Data sa Medisina
Ang isang simpleng kahulugan ng malaking data sa gamot ay "ang kabuuan ng data na may kaugnayan sa pangangalaga sa kalusugan ng pasyente at kagalingan" (Raghupathi 2014). Ngunit ano talaga ang mga uri ng data na ito, at saan sila nanggaling?
Ang sumusunod ay isang malawak na pangkalahatang-ideya ng mga uri at mapagkukunan ng malaking data ng interes sa mga tagapagbigay ng pangangalagang pangkalusugan, mga mananaliksik, mga nagbabayad, mga tagabigay ng batas, at industriya.
Ang mga kategoryang ito ay hindi eksklusibo, dahil ang parehong data ay nagmumula sa iba't ibang mga mapagkukunan.
Hindi rin ang listahang ito ng lubusan, dahil ang praktikal na aplikasyon ng malaking data analytics ay tiyak na patuloy na mapalawak.
Clinical Information Systems
Ang mga ito ay tradisyunal na mapagkukunan ng klinikal na data na ang mga tagapagbigay ng pangangalagang pangkalusugan ay nakasanayan na sa pagtingin.
- Ang mga electronic health record (EHR) ay nagtitipon, nag-iimbak, at nagpapakita ng impormasyon tulad ng demograpiko, nakalipas na medikal na kasaysayan, aktibong mga problema sa medisina, pagbabakuna, alerdyi, gamot, mahahalagang palatandaan, mga resulta mula sa laboratoryo at radiology test, mga ulat ng patolohiya, mga tala ng progreso na nilikha ng pangangalagang pangkalusugan provider, at mga dokumento sa pamamahala at pinansyal
- Ang Electronic medical records (EMRs) ay hindi katulad sa EHRs at karaniwan ay tumutukoy sa data na nakaimbak sa isang partikular na manggagamot.
- Ang mga palitan ng impormasyon sa kalusugan ay nagsisilbing mga hub sa pagitan ng mga sistemang mga sistema ng impormasyon ng klinikal
- Ang mga rehistro ng pasyente, na pinanatili ng mga organisasyong pangkalusugan sa kanilang mga pasyente, ay kadalasang nakaugnay sa EHR. Ang iba pang mga rehistro ay sumusubaybay sa pagbabakuna, kanser, trauma, at iba pang mga isyu sa pampublikong kalusugan sa mas malawak na heyograpikong antas.
- Ang mga portal ng pasyente ay nagpapahintulot sa mga pasyente na ma-access ang personal na impormasyong pangkalusugan na nakaimbak sa isang EHR na organisasyon ng pangangalagang pangkalusugan. Pinapayagan din ng ilang mga pasyenteng portal ang mga user na humiling ng mga reseta ng reseta at ipagpalit ang mga secure na elektronikong mensahe sa pangkat ng pangangalagang pangkalusugan.
- Ang mga datos ng klinikal na datos ng datos ay pinagsasama ang antas ng data ng pasyente mula sa maraming mga sistema ng klinikal na impormasyon, tulad ng mga EHR at iba pang mga pinagkukunan na nakalista sa itaas
Data ng Claims Mula sa Mga Payer
Ang mga pampublikong nagbabayad (hal. Medicare) at mga pribadong nagbabayad ay may malalaking repository ng mga data ng pag-angkin sa kanilang mga benepisyaryo. Ang ilang mga tagaseguro sa kalusugan ngayon ay nag-aalok din ng mga insentibo para sa pagbabahagi ng iyong data sa kalusugan.
Pag-aaral ng Pananaliksik
Ang mga database ng pananaliksik ay naglalaman ng impormasyon tungkol sa mga kalahok sa pag-aaral, mga eksperimentong paggamot, at klinikal na kinalabasan. Ang mga malalaking pag-aaral ay kadalasang inisponsor ng mga kumpanya ng parmasyutiko o mga ahensya ng pamahalaan Ang isang application ng personalized na gamot ay upang tumugma sa mga indibidwal na pasyente na may mabisang paggamot, batay sa mga pattern sa data ng klinikal na pagsubok.
Ang diskarte na ito ay gumagalaw nang lampas sa paglalapat ng mga prinsipyo ng gamot na nakabatay sa katibayan, kung saan tinutukoy ng isang tagapangalaga ng pangangalaga kung ang isang pasyente ay nagbabahagi ng malawak na katangian (hal. Edad, kasarian, lahi, klinikal na katayuan) sa mga kalahok sa pagsubok. Sa malaking analytics ng data, posibleng pumili ng isang paggamot batay sa mas maraming butil na impormasyon, tulad ng genetic profile ng kanser ng isang pasyente (tingnan sa ibaba).
Ang mga sistema ng suporta sa klinikal na desisyon (CDSS) ay mabilis na umuunlad at ngayon ay kumakatawan sa isang malaking bahagi ng artificial intelligence (AI) sa gamot.
Ginagamit nila ang data ng pasyente upang tulungan ang mga clinician sa kanilang paggawa ng desisyon at kadalasang isinama sa EHR.
Genetic na Mga Database
Ang repository ng impormasyon ng genetic ng tao ay patuloy na maipon sa mabilis na bilis. Dahil ang Human Genome Project ay nakumpleto noong 2003, ang halaga ng DNA sequencing ng tao ay nabawasan ng isang milyong beses. Ang Personal na Programa ng Genome (PGP), na inilunsad noong 2005 ng Harvard Medical School, ay naglalayong sumunod at ipatalastas ang mga kumpletong genome ng 100,000 boluntaryo mula sa buong mundo. Ang PGP mismo ay isang pangunahing halimbawa ng malaking proyekto ng proyekto dahil sa dami ng dami at iba't ibang mga data.
Ang isang personal na genome ay naglalaman ng halos 100 gigabytes ng data. Bilang karagdagan sa pag-sequencing ng mga genome, ang PGP ay kumukuha rin ng data mula sa mga EHR, survey, at microbiome profile.
Ang isang bilang ng mga kumpanya ay nag-aalok ng direktang-sa-consumer genetic sequencing para sa kalusugan, personal na katangian, at pharmacogenetics sa isang komersyal na batayan.
Ang personal na impormasyon na ito ay maaaring masasakop sa malaking analytics ng data. Halimbawa, tumigil ang 23andMe sa pagbibigay ng mga ulat sa genetic na may kaugnayan sa kalusugan sa mga bagong customer simula noong Nobyembre 22, 2013, upang sumunod sa US Food and Drug Administration. Gayunpaman, noong 2015, ang kumpanya ay nagsimulang mag-alay ng ilang mga bahagi ng kalusugan ng kanilang genetic laway test muli, oras na ito sa pag-apruba ng FDA.
Mga Pampublikong Talaan
Pinapanatili ng pamahalaan ang mga detalyadong talaan ng mga pangyayari na may kaugnayan sa kalusugan, tulad ng imigrasyon, kasal, kapanganakan, at kamatayan. Ang US Census ay nakolekta ang napakaraming impormasyon sa bawat 10 taon mula noong 1790. Ang website ng mga istatistika ng Census ay may 370 bilyon na mga cell noong 2013, na may humigit-kumulang na 11 bilyong mas idinagdag taun-taon.
Mga Paghahanap sa Web
Ang impormasyon sa paghahanap sa web na natipon ng Google at iba pang mga provider ng paghahanap sa web ay maaaring magbigay ng real-time na pananaw na may kaugnayan sa kalusugan ng isang populasyon. Gayunpaman, maaaring mapabuti ang halaga ng malaking data mula sa mga pattern ng paghahanap sa web sa pamamagitan ng pagsasama nito sa mga tradisyunal na mapagkukunan ng data sa kalusugan.
Social Media
Ang Facebook, Twitter at iba pang mga platform ng social media ay bumubuo ng maraming uri ng data sa paligid ng orasan, na nagbibigay ng pagtingin sa mga lokasyon, mga pag-uugali sa kalusugan, damdamin, at mga pakikipag-ugnayan ng mga gumagamit. Ang aplikasyon ng malaking data ng social media sa pampublikong kalusugan ay tinukoy bilang digital detection disease o digital epidemiology. Ang Twitter, halimbawa, ay ginagamit upang pag-aralan ang mga epidemya ng trangkaso sa pangkalahatang populasyon.
Ang World Well-Being Project na nagsimula sa Unibersidad ng Pennsylvania ay isa pang halimbawa ng pag-aaral ng social media upang maunawaan ang mga karanasan ng tao at kalusugan ng mas mahusay. Pinagsasama-sama ng proyekto ang mga psychologist, statistician at mga siyentipiko ng computer na nagsusuri ng wika na ginagamit kapag nakikipag-ugnayan sa online, halimbawa, kapag nagsusulat ng mga update sa katayuan sa Facebook at Twitter. Natatandaan ng mga siyentipiko kung paano nauugnay ang wika ng mga gumagamit sa kanilang kalusugan at kaligayahan. Ang mga pag-unlad sa pagproseso ng natural na wika at pag-aaral ng makina ay tumutulong sa kanilang mga pagsisikap. Ang isang kamakailang publikasyon mula sa University of Pennsylvania ay tumingin sa mga paraan ng paghula ng sakit sa isip sa pamamagitan ng pag-aaral ng social media. Lumilitaw na ang mga sintomas ng depression at iba pang mga kondisyon sa kalusugan ng isip ay maaaring napansin sa pamamagitan ng pag-aaral sa aming paggamit ng Internet. Ang mga siyentipiko ay umaasa sa hinaharap na ang mga pamamaraan na ito ay magagawang mas mahusay na makilala at tulungan ang mga taong may panganib.
Ang Internet ng mga Bagay (IoT)
Ang mga napakalaking troso ng impormasyong may kaugnayan sa kalusugan ay nakolekta rin at nakaimbak sa mga aparatong mobile at sa bahay .
- Mga smartphone : Libu-libong mHealth apps ang nakakuha ng impormasyon sa pisikal na aktibidad ng gumagamit, nutrisyonal na paggamit, mga pattern ng pagtulog, emosyon, at iba pang mga parameter. Ang mga app ng mga katutubong app ng cell (hal. GPS, email, texting) ay maaari ring magbigay ng mga pahiwatig tungkol sa katayuan ng kalusugan ng isang indibidwal.
- Mga masusupit na monitor at mga aparato: Mga pedometer, accelerometer, baso, relo, at chips na naka-embed sa ilalim ng balat ay nagtitipon din ng impormasyong may kaugnayan sa kalusugan at maaari ring ipadala ang mga ito sa cloud.
- Pinapayagan ng mga telemedicine device ang mga tagapagbigay ng pangangalagang pangkalusugan upang subaybayan ang mga parameter ng pasyente tulad ng presyon ng dugo, rate ng puso, respiratory rate, oxygenation, temperatura, ECG tracings, at timbang.
Pinansyal na transaksyon
Ang mga transaksyon ng credit card ng mga pasyente ay kasama sa predictive na mga modelo na ginagamit ng Carolinas HealthCare System upang kilalanin ang mga pasyenteng nasa panganib na maibalik sa ospital. Ang Charlotte-based health care provider ay gumagamit ng malaking data para hatiin ang mga pasyente sa iba't ibang grupo, halimbawa, batay sa sakit at heyograpikong lokasyon.
Mga Pang-etikal at Mga Implikasyon sa Pagkapribado
Kailangan itong ma-highlight na, sa ilang mga kaso, maaaring may mahalagang implikasyon sa etika at privacy kapag nagtitipon at nag-access ng data sa pangangalagang pangkalusugan. Ang mga bagong mapagkukunan ng malaking data ay maaaring mapabuti ang aming pag-unawa sa kung ano ang nakakaapekto sa mga indibidwal at kalusugan ng populasyon, gayunpaman, ang iba't ibang mga panganib ay kailangang maingat na isaalang-alang at masubaybayan. Nakilala na rin ngayon na ang data na dati ay itinuturing na hindi nakikilalang, ay maaaring makilala muli. Halimbawa, sinuri ni Professor Latanya Sweeney ng Data Privacy Lab ng Harvard ang 1,130 boluntaryo na kasangkot sa Personal na Programa ng Genome. Siya at ang kanyang pangkat ay may tamang pangalan ng 42 porsiyento ng mga kalahok batay sa impormasyong ibinahagi nila (ZIP code, petsa ng kapanganakan, kasarian). Ang kaalaman na ito ay maaaring madagdagan ang aming kamalayan sa mga potensyal na panganib at makakatulong sa amin na gumawa ng mas mahusay na mga desisyon sa pagbabahagi ng data
> Pinagmulan:
> Conway M, O'Connor D. Social media, malaking data, at kalusugan ng isip: kasalukuyang mga pag-unlad at etikal na implikasyon. Kasalukuyang Opinyon sa Psychology 2016; 9: 77-82.
> Fernandes L, O'Connor M, Weaver V. Malaking data, mas malaki ang kinalabasan. Journal of The American Health Information Management Association 2012; 83 (10): 38-43
> Guntuku S, Yaden D, Kern M, Ungar L, Eichstaedt J. Detecting depression at sakit sa isip sa social media: isang integrative review . Kasalukuyang Opinyon sa Behavioral Sciences 2017; 18: 43-49.
> Lazer D, Kennedy R, King G, Vespignani A. Ang Talinghaga ng Google Flu: Traps sa Big Data Analysis . Agham 2014; 343 (6176): 1203-1205.
> Raghupathi W, Raghupathi V. Malaking data analytics sa healthcare: pangako at potenti al. Impormasyon sa Agham at Sistema ng Impormasyon sa 2014; 2: 3.
> Sweeney L, Abu A, Winn J. Pagtukoy sa mga Kalahok sa Personal na Genome Project sa Pangalan . Unibersidad ng Harvard. Lab sa Privacy ng Data. White Paper 1021-1. Abril 24, 2013.