De underbevisste bildene til helsedataforskere og analytikere på jobb involverer pent organiserte regneark, algoritmer, programmeringsspråk som behandler data og visualiseringsverktøy som lager fargerike grafer og diagrammer. og lignende. Dette er imidlertid langt fra virkeligheten.
I virkeligheten sliter dataforskere med ett element på daglig basis – ustrukturerte data. Den store databoomen har påvirket helsesektoren enormt. Rapporter viser at tekniske fremskritt når det gjelder klinisk utstyr, bærbare enheter, Elektroniske helseregistre (EHR), og flere har resultert i enorme mengder datagenerering.
Faktisk viser statistikken at helsesektoren står for nesten 30 % av hele datavolumet generert. Dessuten produserer i gjennomsnitt et enkelt sykehus over 50 petabyte med data hvert eneste år. Haken er imidlertid at over 80 % av dataene som genereres er ustrukturerte.
Hva er det og hvordan påvirker det datadrevet beslutningstaking, banebrytende revolusjoner og helsevesenets FoU og innovasjon? Det finner vi ut i denne artikkelen.
Strukturerte og ustrukturerte data: To halvdeler av samme kapsel
Alle data som genereres faller inn under en av de to kategoriene. La oss nå forstå hva de to betyr.
Strukturerte data i helsevesenet
Alle data som er enkle og som er pent organisert, lett tilgjengelige og i et standardisert format utgjør strukturerte data. Nøkkelegenskapene til strukturerte data inkluderer:
- Universelle eller enhetlige formater med riktige attribusjoner til navn, dato, medisinske koder og mer
- Interoperabilitet, hvor standardiseringen deres baner vei for interessenter i helsevesenet over hele spekteret til å bruke disse dataene til deres behov
- Finnbarhet og bearbeidbarhet for å fremme klinisk beslutningstaking, referanser, rapportering og mer
Eksempler på strukturerte data
| Kliniske og medisinske koder | ICD- og CPT-koder, rapporter fra laboratorieresultater |
| Demografisk informasjon | Pasientnavn, alder, fødselsdato, kjønn, region og mer |
| Fysiske tiltak og vitals | Høyde, vekt, hjertefrekvens, kroppstemperatur og lignende |
| Medisiner | Foreskrevne legemidler, doser, administrasjonsplaner, allergier og mer |
Ustrukturerte data i helsevesenet
Enhver type data som ikke er tilgjengelig i et standardisert format, er på et tilgjengelig sted eller som ikke kan behandles, faller inn under kategorien ustrukturerte data. Dessverre, i helsevesenet, overgår volumet av ustrukturerte data generert motparten.
Hvis strukturerte data avslører symptomer, bringer ustrukturerte data frem de underliggende resonnementene og andre nyanser. For best mulig forståelse av ustrukturerte data, må vi ta en titt på eksempler fra den virkelige verden.
Eksempler på ustrukturerte data
| Medisinske notater | Offline medisinske notater som resepter registrert av helseeksperter. |
| Medisinske bildedata | Ethvert bilde generert av kliniske enheter som MR-, CT- eller ultralydskannere |
| Audiovisuelle data | Lyd-, video- eller transkripsjonsdata er del av pasientkonsultasjoner, intervjuer eller kirurgiske prosedyrer |
| Pasientgenererte data | Tilgjengelig fra bærbare datasett, muntlig kommunisert informasjon og lignende |
| Sosiale medier og kommunikasjonsdata | Slik som pasienttilbakemeldingsanalyse lastet opp av pasienter for konsultasjon eller av helseeksperter, e-poster utvekslet, meldinger sendt og mottatt og lignende |
| Genetiske data | Innsikt i en persons DNA-rapporter og analyser som kan avdekke arvelige sykdommer |
Fra handlinger til innsikt: Hvordan transformere og utnytte ustrukturerte data for å hjelpe kliniske beslutninger
Selve teknologien som fungerer som kilden til utallige typer ustrukturerte data gir oss også løsninger og teknikker for å tyde dem. Ved å bruke nye teknologier som Artificial Intelligence (AI), Machine Learning (ML) og analyse, kan vi ikke bare organisere denne datatypen, men også gi mening ut av den for praktisk innsikt.
La oss se på måtene dette er mulig på.
Utnytte naturlig språkbehandling (NLP) i helsevesenet
Enkelt sagt kan NLP ikke bare lese og forstå en leges håndskrift, men behandle den for å avdekke aspekter som også ikke blir lagt merke til. Dessuten kan den også analysere timer med video- eller lydinnhold og organisere data etter behov og spesifisert for lekfolk å jobbe med.
Prediktiv analyse i medisin
- Forstå data for veiledende resultater
- Forstå data med veiledende resultater og anbefale løsninger
- Forstå og anbefale løsninger og forutsi i fremtiden mulige hendelser og utfall
Disse tre utgjør beskrivende, foreskrivende og prediktiv henholdsvis analyser.
I helsevesenet kan prediktiv analyse være livsendrende ettersom det kan peke på et fremtidig utfall som er høyst sannsynlig. Bruken av maskinlæring i helsevesenet har gjort det mulig for slike konsepter å bli en bakkevirkelighet. Med prediktiv analyse kan data fra medisinsk bildebehandling nøyaktig forutsi om en godartet svulst kan bli en ondartet svulst etter å ha vurdert livsstil, alder, demografi og mer.
På samme måte, gjennom nøyaktig analyse av genomiske data, kan prediktiv analyse hjelpe til med å indikere om en person sannsynligvis vil utvikle diabetes, hjertesykdom eller Alzheimers. Dette er analysen mellom liv og død ettersom helseeksperter kan anbefale medisiner, øke bevisstheten eller foreslå livsstilsendringer for å forhindre sjanser.
Utallige veier for diagnostisering og behandling av plager åpner seg når vi sammenstiller og organiserer ustrukturerte data og sett dem med en kontekst. Med riktig bruk av ideell teknologi er behandlingen sømløs også.
Men hvis du ønsker å hoppe over disse trinnene og ha data som er klare for behandling for å trene helsealgoritmene og -løsningene dine, kan du kontakte oss. Vi tilbyr skreddersydde og etisk hentet helsedata for alle dine helsespesifikke behov. Ta kontakt med oss i dag.
