其他分享
首页 > 其他分享> > 数据科学驱动的医疗保健挑战与创新

数据科学驱动的医疗保健挑战与创新

作者:互联网

https://cdn.sanity.io/images/0vv8moc6/mhe/79867230f1d0db2467e65e7108c2a7554e623630-1000x600.png/HealthcareMaze_148963205_0.png

数据科学驱动的医疗保健挑战与创新

H 健康是我们人类日常生活的重要组成部分。我们试图通过技术的发展向社会提供药物和医疗保健。目前,COVID-19 一直是医疗保健部门实施和引发巨大变化以适应医护人员和患者的一次很好的试验。

最近,我们看到医疗服务的提供和构想方式发生了变化,以及在先进技术的帮助下如何更快地完成疫苗研究。由于医疗保健成本快速增长,全球支出预计将以每年 4.2% 的速度增长:从 2015 年的 7.1 万亿增加到 2020 年的 8.7 万亿(Isson 和 Paul,2018 年)。负担得起和可持续的医疗保健的可及性正迫使医疗保健提供者使用数字技术和大数据实施医疗系统,以降低提供医疗流程和患者护理的成本。

医疗保健面临的问题

对医疗服务的需求增加

近年来,事实证明,Covid-19 爆发增加了对实时医疗预后的需求以及更新爆发新闻的要求。这些疫情导致医护人员工作超负荷,日常生活中断。此外,随着人口老龄化,更健康的老年人群需要获得许多不同的医疗服务。对于这些不同的人口和情况,我们需要在世界各地拥有大量灵活且训练有素的医护人员。

医学研究和创新的成本

对突破性医疗技术或专利疗法的研究是一项长期且成本高昂的开发,其根深蒂固地坚信一种新的药物或设备或程序将获得消费者业务的批准并建立起来。

根据 Life Saving Research — Funding for Medical Research,预算 2022-23 情况说明书,澳大利亚政府将在未来 4 年内投资 68 亿美元用于医学研究。估计的预算资金包括未来进行的未成功试验和研究的成本,除了那些成功的试验和研究。不可否认的事实是,制药和生物技术公司斥巨资为全球市场和竞争开发新的医疗技术和创新产品。我们已经看到了 covid-19 疫苗的现有情况,以及如果研究集中在主要目标上,它如何能够快速跟踪并分发给人群。

更好地利用健康数据

在医疗保健中,数据有多种形式,非结构化的,因为它也可能处于不同的区间,大小呈指数级,文本格式到多媒体格式,使用不同的标准和定义。由于医疗保健中的数据来自各种系统,例如电子病历软件、使用不同软件的不同医院、药房、诊所、实验室和政府等(Isson 和 Paul,2018 年)。虽然个人数据是通过智能手表、健身监视器和智能手机等设备大量填充和跟踪的。

物联网数据方面没有取得重大进展。这些庞大的个人数据和记录最终可用于改善健康计划和医疗服务。为了有目的地使用数据,需要相应地存储它。不幸的是,对于以数字方式存储的患者记录和临床编码的定义没有明确的标准。此外,数字化和格式化需要相当长的时间才能最终利用数据。但是,如果我们可以获得有关人口统计的全面数据,我们就可以对人口进行预测分析。

数据科学的创新机会

我们可以针对医疗保健中提到的问题在改进中实施以下创新。例如,远程医疗(聊天机器人)如何有效地平衡对医疗服务的需求增加,医学研究的成本可以通过使用数据分析模型来平衡,以及正确使用数据数字化和存储如何在多个系统和未来中受益创新的目的。

远程医疗

远程医疗一词已在世界范围内流传了半个多世纪。但只是在最近几年,流媒体、多媒体通信服务和可穿戴设备的大规模发展才达到了它的效果。它是指使用技术向孤立地区提供医疗和临床服务。此外,它还有助于防止因小问题而不必要地去看医生。机会将是基于文本消息和一些响应问题和答案构建一个用于初步预测的聊天框。这将有助于患者或用户同时减轻压力、不确定感和无助感。因此,医生或医疗保健专业人员将联系用户并告知他们的症状并纠正或定义初始诊断。由于可以通过某些参数来定义早期识别或检测正确诊断,这将缩短获得正确诊断的整个过程。

随着可穿戴技术的集成,临床医生可以使用远程医疗来监测某些患者是否过度劳累,并为他们提供康复反馈。这意味着临床医生可以使用当前的最新数据来预测典型的医疗事件并防止患者病情恶化。此外,远程医疗有助于减少交通成本和在医院不必要的等待时间,避免医院文书工作而没有任何不适。这意味着提高护理的可用性,因为患者可以随时随地咨询专业人士。

神经网络在研究和医学试验中的实施

近四年来,我们将预测分析视为最大的情报趋势之一。它的潜力远远超出了当前的业务目标。美国研究合作机构 Optum Labs 收集了超过 3000 万患者的电子健康记录,以实施一个用于预测分析工具的数据库,以帮助改善医疗保健服务的提供(21 个医疗保健大数据示例,2022 年) .这种工具的主要驱动力是帮助医生和专家在几分钟内做出数据驱动的诊断,并缩短患者等待时间。例如,谷歌在 2018 年使用深度学习算法来协助病理学家检测乳腺癌(Breast Cancer Prediction Dataset,2018)。从处理的瞬间开始,就可以预测结果,并且训练后的模型的表现可以等于或超过病理学家的表现。对于具有某些病史、患有不同症状和状况的患者,这种模型的目标在某种程度上是不充分的。因此,可以预测某些工具和模型的组合,例如某些警报以通知有糖尿病风险的患者,并建议他们跟踪他们的胆固醇和体重管理。

在实施此类模型和技术时,数据科学家应该为模型性能定义临床终点,而不是专注于简单的“是”和“否”分类任务或癌症进展/缓解或符合/不符合疫苗标准。具有二进制分类的模型适用于特定的研究和问题是有利的。在现实世界中,某些任务的适当结果比二元分类、多类或多变量结果更复杂。例如,在确定对类风湿性关节炎的反应的情况下,关节的衰弱性自身免疫性疾病基于 DAS28 评分,该评分范围从 0 到 10 的连续值,并且通常与低、中和高疾病活动之间的三个离散水平相关联(Fröhlich 等人,2018 年)。

在这种情况下,必须在实施阶段之前考虑具有更复杂试验终点和目标的其他技术和方法。为合适的研究选择更好的端点并结合某些监测技术(例如智能手机应用程序和可穿戴设备)将有助于在未来制作更具影响力的预测模型。

个性化医疗

目前,智能设备和物联网的进步以及人类基因组编码成本的下降以及通过社交平台开发的通信服务正在产生针对某些个人的健康数据的指数级增长。 Roski, J. 估计到 2020 年医疗保健数据将超过 25000 PB,比 2012 年增加 50 倍(Roski, J., 2014)。这种大规模的数据为发明和利用预测分析应用程序提供了各种机会,但真正的进步来自对提取和清理有意义的数据的理解,以改善医疗保健决策并降低费用。这对于考虑旨在缩小给定患者记录和病史(例如遗传和过敏)中症状和程序的诊断范围以考虑与基于人群的诊断和临床研究的差异的个性化医疗保健实践极为重要。主要目标是在正确的时间以正确的数量为个体患者提供正确的药物或程序(Jain, KK, 2009)。这种个性化医疗过程可以是一个累积学习模型,同时考虑新患者以识别系统中具有相似属性的患者。它将有助于提供更快的医疗保健、医疗诊断和医疗程序。

实施问题

在大肆宣传医疗保健大数据之前,有一些实施问题需要解决。

数据集成

只有在应对数据集成问题(例如不兼容数据)的挑战时,才能充分利用大数据的潜力,因为使这些健康记录能够在不同系统之间传输并跨入分析模型是一项艰巨的任务。

隐私和保密

除了数据集成问题外,还有一些关于数据隐私、患者数据的伦理和保密方面的担忧,这些方面必须得到保护,并被善意地用于这项任务。为了克服法规和隐私问题,需要由计算机科学家、医生、患者倡导者、医疗保健提供者和执政党组成的跨学科委员会制定完善的规则和政策。不同国家/地区的不同法律规定了哪些患者信息可以在有/没有患者同意的情况下发布,这些法律法规需要让该领域的研究人员和数据科学家了解并明确说明。作为医疗保健领域的数据科学家,此人有责任始终保护患者的隐私。

需要强调的是,一些研究人员和制药公司将毕生精力投入到开发他们可能并不急于与公众分享的特定数据或数据集上,尽管这可能会导致该学​​科的快速发展。

安全

在处理医疗保健数据时,安全性是一个主要问题。个人数据非常宝贵,可以在黑市上获利。任何类型的健康数据的泄露都会对患者及其家人造成相当大的影响。因此,许多保险提供商和健康组织正在实施措施,通过监控网络流量的变化或任何反映恶意意图的不稳定行为来防止安全漏洞。此外,同一种分析方法可以帮助防止保险提供商的欺诈性索赔。

参考:

梅里什娜·辛格·苏瓦尔 (2018)。乳腺癌预测数据集 [数据集]。 https://www.kaggle.com/merishnasuwal/breast-cancer-prediction-dataset

Roski, J.、Bo-Linn, GW 和 Andrews, TA (2014)。通过大数据创造医疗保健价值:机遇和政策影响。卫生事务(希望工程),33(7),1115–1122。 https://doi.org/10.1377/hlthaff.2014.0147

耆那教,KK(2009 年)。个性化医疗教科书(第 1 卷)。纽约:斯普林格。

商业智能博客 |数据可视化和分析博客 |数据松。 2022. 21 个具有强大分析功能的医疗保健大数据示例。 [在线] 可在:https://www.datapine.com/blog/big-data-examples-in-healthcare/ [2022 年 9 月 3 日访问]。

Fröhlich, H.,2018。从炒作到现实:数据科学支持个性化医疗。 BMC 医学,16(150)。

Isson, J.,2018 年。非结构化数据分析。威利。

health.gov.au. 2022. 救生研究——医学研究资金。 [在线] 可在: https://www.health.gov.au/sites/default/files/documents/2022/03/budget-2022-23-funding-for-medical-research.docx [2022 年 9 月 3 日访问]。

版权声明:本文为博主原创文章,遵循 CC 4.0 BY-SA 版权协议,转载请附上原文出处链接和本声明

本文链接:https://www.qanswer.top/11892/02130401

标签:医疗,挑战,医疗保健,患者,2018,2022,驱动,数据
来源: https://www.cnblogs.com/amboke/p/16654118.html