Tıpta Büyük Veri Kaynakları

Tıpta büyük verilerin basit bir tanımı “hasta sağlığı ve refahıyla ilgili verilerin toplamıdır” (Raghupathi 2014). Ama bu tür veri tam olarak nedir ve nereden geliyorlar?

Aşağıda, sağlık hizmeti sağlayıcılarına, araştırmacılara, ödeme yapanlara, politika yapıcılara ve endüstriye yönelik büyük veri türlerinin ve kaynaklarının geniş bir genel görünümü yer almaktadır. Bu kategoriler birbirini dışlayan değildir, çünkü aynı veriler çeşitli kaynaklardan kaynaklanabilir.

Bu liste de kapsamlı değildir, çünkü büyük veri analitiğinin pratik uygulaması kesinlikle genişlemeye devam edecektir.

Klinik Bilgi Sistemleri

Bunlar, sağlık hizmeti sağlayıcılarının görüntülemeye alışık oldukları geleneksel klinik veri kaynaklarıdır.

• Elektronik sağlık kayıtları (EHR), demografik bilgiler, geçmiş tıbbi geçmiş, aktif tıbbi sorunlar, bağışıklamalar, alerjiler, ilaçlar, yaşamsal belirtiler, laboratuvar ve radyoloji testlerinden elde edilen sonuçlar, patoloji raporları, sağlık hizmetleri tarafından oluşturulan ilerleme notları gibi bilgileri toplar, depolar ve görüntüler. sağlayıcılar, idari ve mali belgeler
• Elektronik tıbbi kayıtlar (EMR'ler) EHR'lerle aynı değildir ve genellikle belirli bir hekimle birlikte saklanan verilere aittir.
• Sağlık bilgisi değişimleri, farklı klinik bilgi sistemleri arasındaki merkezler olarak hizmet eder.
• Kendi hastaları tarafından sağlık kuruluşları tarafından tutulan hasta kayıtları genellikle EHR ile bağlantılıdır. Diğer kayıtlar, daha geniş bir coğrafyada bağışıklama, kanser, travma ve diğer halk sağlığı konularını takip etmektedir.

• Hasta portalları, hastaların bir sağlık kuruluşunun EHR'sinde saklanan kişisel sağlık bilgilerine erişmesine izin verir. Bazı hasta portalları ayrıca kullanıcıların reçete doldurma talep etmelerine ve sağlık ekibiyle güvenli elektronik mesajlar paylaşmalarına olanak tanır.
• Klinik veri ambarları, yukarıda listelenen EHR'ler ve diğer kaynaklar gibi çoklu klinik bilgi sistemlerinden hasta düzeyindeki verileri toplar.

Ödemelerden Alacak Verileri

Kamu mükellefler (ör. Medicare) ve özel mükelleflerin fayda sahiplerine ilişkin tazminat taleplerinin büyük bir deposu vardır. Bazı sağlık sigorta şirketleri artık sağlık verilerinizi paylaşmaya yönelik teşvikler sunmaktadır.

Araştırma çalışmaları

Araştırma veritabanları, çalışma katılımcıları, deneysel tedaviler ve klinik sonuçlar hakkında bilgi içerir. Büyük çalışmalar genellikle ilaç şirketleri veya devlet kurumları tarafından desteklenmektedir. Kişiselleştirilmiş bir ilaç uygulaması, bireysel hastaları klinik çalışma verilerindeki modellere dayanan etkili tedavilerle eşleştirmektir.

Bu yaklaşım, kanıta dayalı tıp ilkelerinin uygulanmasının ötesine geçmekte olup, bir sağlık hizmeti sağlayıcısı, bir hastanın deneme katılımı yapan kişilerle geniş özellikleri (örneğin yaş, cinsiyet, ırk, klinik durum) paylaşıp paylaşmadığını belirler.Büyük veri analizi ile, bir hastanın kanserinin genetik profili gibi daha ayrıntılı bilgilere dayanan bir tedavi seçmek mümkündür (aşağıya bakınız).

Klinik karar destek sistemleri (CDSS) de hızla gelişmektedir ve şimdi tıpta yapay zekanın (AI) büyük bir kısmını temsil etmektedir. Klinisyenlere karar verme süreçlerinde yardımcı olmak için hasta verilerini kullanırlar ve sıklıkla EHR'lerle birleştirilirler.

Genetik Veritabanları

İnsan genetik bilgilerinin deposu hızlı bir şekilde birikmeye devam ediyor. İnsan Genom Projesi 2003 yılında tamamlandığından, insan DNA dizilişinin maliyeti bir milyon kat azalmıştır. Harvard Tıp Fakültesi tarafından 2005 yılında başlatılan Kişisel Genom Projesi (PGP), dünyanın dört bir yanından 100.000 gönüllünün genomlarını sıralamak ve tanıtmak istiyor. PGP'nin kendisi, büyük hacim ve veri çeşitliliği nedeniyle büyük veri projesinin en iyi örneğidir. Kişisel bir genom yaklaşık 100 gigabayt veri içerir. Genomları sıralamaya ek olarak, PGP ayrıca EHR, anket ve mikrobiyom profillerinden de veri toplamaktadır.

Bir dizi şirket, ticari olarak sağlık, kişisel özellikler ve farmakogenetik için doğrudan tüketiciye genetik sıralama sunar.

Bu kişisel bilgi, büyük veri analizine boyun eğdirilebilir. Örneğin, 23andMe, ABD Gıda ve İlaç İdaresi'ne uyum sağlamak için 22 Kasım 2013 itibarıyla yeni müşterilere sağlıkla ilgili genetik raporlar sunmayı bıraktı. Bununla birlikte, 2015 yılında şirket, genetik tükürük testinin bazı sağlık bileşenlerini yine FDA’nın onayıyla yeniden sunmaya başladı.

Genel Kayıtlar

Hükümet, göç, evlilik, doğum ve ölüm gibi sağlıkla ilgili olayların detaylı kayıtlarını tutar. ABD Nüfus Sayımı, 1790'dan bu yana her 10 yılda bir çok miktarda bilgi topladı. Sayım istatistikleri istatistikleri, 2013 yılı itibariyle 370 milyar hücrelere sahipti.

Web Aramalar

Google ve diğer web arama sağlayıcıları tarafından toplanan web arama bilgileri, bir popülasyonun sağlığına ilişkin gerçek zamanlı bilgiler sağlayabilir. Bununla birlikte, web arama modellerinden gelen büyük verilerin değeri, geleneksel sağlık verileriyle birleştirilerek geliştirilebilir.

Sosyal medya

Facebook, Twitter ve diğer sosyal medya platformları, kullanıcıların yerlerine, sağlık davranışlarına, duygularına ve sosyal etkileşimlerine bir bakış sunarak, gün boyunca zengin bir veri çeşitliliği oluşturur. Sosyal medyaya büyük verilerin halk sağlığına uygulanması, dijital hastalık tespiti veya dijital epidemiyoloji olarak adlandırılmıştır. Örneğin, Twitter, genel nüfus arasında influenza salgınlarını analiz etmek için kullanılmıştır.

Pennsylvania Üniversitesi'nde başlayan Dünya İyi Yaşam Projesi, insanların deneyimlerini ve sağlıklarını daha iyi anlamak için sosyal medyayı incelemek için bir başka örnektir. Proje, çevrimiçi etkileşim sırasında kullandığı dili analiz eden psikologlar, istatistikçiler ve bilgisayar bilimcileri ile Facebook ve Twitter'da durum güncellemeleri yazarken bir araya geliyor. Bilim adamları, kullanıcıların dilinin sağlık ve mutluluklarıyla nasıl bağlantılı olduğunu gözlemliyor. Doğal dil işleme ve makine öğrenimindeki ilerlemeler, onların çabalarına yardımcı oluyor. Pennsylvania Üniversitesi'nden yapılan son bir yayın, sosyal medyayı analiz ederek akıl hastalığını tahmin etmenin yollarını aradı. İnternet kullanımımızı inceleyerek, depresyon ve diğer zihinsel sağlık durumlarının belirtilerinin tespit edilebileceği anlaşılmaktadır. Bilim adamları gelecekte bu yöntemlerin risk altındaki bireyleri daha iyi tanımlayıp destekleyebileceklerini umuyorlar.

Nesnelerin İnterneti (IoT)

Sağlıkla ilgili bilgilerin büyük bir kısmı da mobil ve ev cihazlarında toplanır ve saklanır.

• Akıllı telefonlar: Binlerce mHealth uygulaması, kullanıcının fiziksel aktivitesi, besin alımı, uyku düzenleri, duygular ve diğer parametreler hakkında bilgi toplar. Yerel cep telefonu uygulamaları (ör. GPS, e-posta, mesajlaşma) ayrıca bir bireyin sağlık durumu hakkında ipuçları verebilir.
• Giyilebilir monitörler ve cihazlar: Cildin altına yerleştirilen pedometreler, ivmeölçerler, gözlükler, saatler ve yongalar aynı zamanda sağlıkla ilgili bilgileri de toplar ve bunları da buluta gönderebilir.
• Teletıp cihazları, sağlık hizmeti sağlayıcılarının kan basıncı, kalp hızı, solunum hızı, oksijen oranı, sıcaklık, EKG izleri ve kilo gibi hasta parametrelerini izlemesine izin verir.

Finansal işlemler

Hastaların kredi kartı işlemleri, yüksek risk altında olan hastaları hastaneye yatırılmak üzere tespit etmek için Carolinas HealthCare System tarafından kullanılan tahmin modellerine dahil edilmiştir. Charlotte merkezli sağlık hizmeti sunucusu, hastaları çeşitli gruplara ayırmak için büyük veri kullanır; örneğin, hastalığa ve coğrafi yere göre.

Etik ve Gizlilik Uygulamaları

Bazı durumlarda, sağlık hizmetlerinde veri toplarken ve erişirken önemli etik ve mahremiyet etkileri olabileceği vurgulanmalıdır. Yeni büyük veri kaynakları, bireyleri ve nüfus sağlığını etkileyen faktörleri anlamamızı geliştirebilir, ancak farklı risklerin dikkatle dikkate alınması ve izlenmesi gerekir. Ayrıca, daha önce anonim olarak kabul edilen verilerin yeniden tanımlanabileceği de kabul edilmiştir. Örneğin, Harvard’ın Veri Gizliliği Laboratuvarı'ndan Profesör Latanya Sweeney, Kişisel Genom Projesinde yer alan 1.130 gönüllüyü gözden geçirdi. O ve ekibi, katılımcıların yüzde 42'sini paylaştıkları bilgilere (Posta kodu, doğum tarihi, cinsiyet) göre doğru bir şekilde isimlendirebildiler. Bu bilgi, potansiyel riskler konusundaki farkındalığımızı artırabilir ve daha iyi veri paylaşımı kararları vermemize yardımcı olabilir.