Big Data και επιστημονική έρευνα
Τα Big Data έχουν χαρακτηριστεί, τα τελευταία χρόνια, «μια ανεκτίμητη πηγή αξίας», ο νέος χρυσός, αλλά η απλή συλλογή των δεδομένων, ενώ εκμεταλλεύεται τις καλύτερες διαθέσιμες τεχνολογίες στην αγορά, δεν εγγυάται ότι θα αποφέρει πολύτιμες πληροφορίες και, το κυριότερο, ότι θα εξαγάγει χρήσιμη γνώση για την πρόοδο στην υγεία.
Τα δεδομένα υγείας είναι χρήσιμα μόνο εάν μπορούν να μετατραπούν σε ουσιαστικές πληροφορίες, και αυτό απαιτεί σύνολα δεδομένων υψηλής ποιότητας, επικοινωνία μεταξύ συστημάτων πληροφορικής και τυποποιημένες μορφές δεδομένων που μπορούν να επεξεργαστούν εύκολα.
Η ψηφιοποίηση της ιατρικής υπόσχεται μεγάλη πρόοδο για την παγκόσμια υγεία· τα ψηφιακά δεδομένα αναμένεται να μεταμορφώσουν την ιατρική.
Ωστόσο, τα περισσότερα από τα σημερινά ιατρικά δεδομένα στερούνται διαλειτουργικότητας: τα δεδομένα είναι κρυμμένα σε απομονωμένα σιλό και ασύμβατα συστήματα που είναι δύσκολο να ανταλλαγούν, να αναλυθούν και να ερμηνευθούν. Και αυτό επιβραδύνει την ιατρική πρόοδο, επειδή οι τεχνολογίες που βασίζονται σε αυτά τα δεδομένα δεν μπορούν να χρησιμοποιηθούν στο πλήρες δυναμικό τους.
Η χρήση διαλειτουργικών μορφοτύπων για δεδομένα του πραγματικού κόσμου, Real World Data (RWD), δεδομένα κατάστασης υγείας ασθενών που συλλέγονται τακτικά στην κλινική πράξη ή, όλο και περισσότερο, μέσω εφαρμογών κινητών τηλεφώνων στην καθημερινή ζωή των ασθενών, ανοίγει διάφορες ευκαιρίες για τους ερευνητές.
Η ψηφιοποίηση της ιατρικής και η τεράστια ενίσχυση των υπολογιστικών δυνατοτήτων κατέστησαν πλέον δυνατή τη συλλογή δεδομένων υγείας ηλεκτρονικά, σε μεγάλες ποσότητες, πολύ γρήγορα και ταυτόχρονα με την παροχή της υπηρεσίας. Είναι επομένως δυνατή η χρήση δεδομένων από μεγάλο αριθμό υποκειμένων αντιπροσωπευτικών του πραγματικού πληθυσμού για την περιγραφή του αντικτύπου της περίθαλψης, την πρόβλεψη των αποτελεσμάτων και της ανταπόκρισης σε διάφορες θεραπείες με σχετικά χαμηλό κόστος, επειδή παράγονται στην καθημερινή ρουτίνα και δεν συλλέγονται μόνο από ad hoc μελέτες.
Τα Real World Data (RWD) συλλέγονται στην τρέχουσα κλινική πρακτική μέσω μιας ποικιλίας πηγών, όπως ηλεκτρονικοί φάκελοι υγείας, διοικητικές ροές που σχετίζονται με νοσηλείες, συνταγογραφήσεις φαρμάκων ή εξωτερικές υπηρεσίες, μητρώα φαρμάκων και ασθενειών, δεδομένα που συλλέγονται από άλλες πηγές, όπως κινητές συσκευές και τηλεϋγεία.
Τα δεδομένα του πραγματικού κόσμου είναι επίσης πολύτιμα για την τεχνητή νοημοσύνη και τις μεθόδους μάθησης.
Επιτρέπουν την εύρεση μοτίβων και συσχετίσεων σε σύνολα δεδομένων υψηλών διαστάσεων που μπορούν να βοηθήσουν τους ερευνητές να προσδιορίσουν νέες ερευνητικές υποθέσεις οι οποίες μπορούν αργότερα να μελετηθούν με πιο εστιασμένο τρόπο σε ελεγχόμενες κλινικές δοκιμές (αυτές οι ελεγχόμενες μελέτες θα παραμένουν πάντα σημαντικές για τον αποκλεισμό μεροληψίας και τον προσδιορισμό αιτιωδών σχέσεων).
Γενικότερα, εάν τα δεδομένα υγείας είναι δομημένα σύμφωνα με διεθνή πρότυπα, τα δεδομένα είναι πολύ πιο εύκολο να αναλυθούν και η προσπάθεια που απαιτείται για την προετοιμασία των δεδομένων για ανάλυση μειώνεται, επιτρέποντας την επιτάχυνση της ερευνητικής διαδικασίας.
Ομοίως, τα διαλειτουργικά δεδομένα μπορούν να διασφαλίσουν ότι μια ανάλυση εκτελείται σε διαφορετικές πηγές δεδομένων, χρησιμοποιώντας δεδομένα από διαφορετικά ιδρύματα ή χώρες. Αυτό είναι πολύ σημαντικό για την επιστημονική έρευνα όπου είναι συχνά απαραίτητο να συγκεντρωθούν πολλαπλές διεπιστημονικές ερευνητικές ομάδες για να επιτευχθεί ουσιαστική ανάλυση και να περάσουν τα αποτελέσματα στην κλινική πράξη.
Συνοψίζοντας, η διαλειτουργικότητα μπορεί να δημιουργήσει νέα ιατρική γνώση επιτρέποντας την αποτελεσματικότερη ανάλυση των υπαρχουσών πηγών δεδομένων, να προωθήσει ιατρικές πρακτικές βασισμένες σε τεκμήρια και να επιταχύνει την εφαρμογή τους στις πολιτικές δημόσιας υγείας.
Κοινοποίηση
22 / 51
Σχετικές αναρτήσεις
Τι είναι το έργο AAL – Active and Assisted Living
Spring School of Young Neurologists: μαζί για το μέλλον