Big Data в медицине: текущая ситуация и перспективы

Содержание

Персонифицированная медицина на основе Big Data: опыт Aetna

Big Data в медицине: текущая ситуация и перспективы

Aetna – одна из крупнейших американских компаний, специализирующихся на медицинском страховании. Помимо основного направления – страховой деятельности, компания осуществляет исследования в сфере здравоохранения, в связи с чем сталкивается с проблемой обработки огромного количества информации ежедневно.

Этоё данные, получаемые от пациентов (компания обслуживает более 18 млн. страхователей), а также бесчисленные потоки сведений, предоставляемых лечебными учреждениями, лабораториями, врачами.

Благодаря правильному подходу в использовании технологий больших данных, компании не только удалось завоевать авторитет в своем секторе рынка, повысить эффективность работы,  увеличить прибыль, но и принести немало пользы клиентам.

Основные цели

Прошлым летом Aetna запустила несколько инновационных исследовательских программ, помогающих сохранить здоровье ее страхователям, соответственно, и деньги страховщику.

А секрет такого успеха, по словам генерального директора компании по инновационным системам Майкла Палмера, очень прост.

Есть 3 основных цели в использовании больших данных: безопасность пациентов, забота о них и их «личное участие».

  • С целью обеспечения безопасности своих клиентов Aetna проводит глубокий анализ случаев неэффективных программ лечения. Подобные исследования полезны не только компании, но и пациентам, которые получают возможность узнать о том, какие, к примеру, лекарственные препараты не следует совмещать для достижения максимального результата в лечении.
  • Забота о пациентах реализуется путем передачи результатов исследований врачам, которые впоследствии на основании полученных данных должны подобрать оптимальную программу лечения заболевания тому или иному больному.
  • «Участие пациента» подразумевает под собой сложные способы воздействия на людей с целью изменить их отношение к своему здоровью и содействовать поддержанию ими здорового образа жизни. Именно в достижении этой цели работа М. Палмера по освоению технологий больших данных принесла наибольшие плоды.

Метод персонифицированной медицины: в чем суть и какова польза?

Рассмотрим достижения Aetna  на примере метаболического синдрома. Этот термин используется для обозначения целого ряда заболеваний, в том числе инфарктов, инсультов, сахарного диабета. Симптомы могут быть самыми разнообразными: от ожирения до повышенного артериального давления, от низкого уровня холестерина до повышенного содержания глюкозы в крови.

Однако выявление симптомов заболевания и их устранение не означает полного излечения. Скорее всего, после диагностирования пациенту просто будет рекомендовано правильное питание, умеренные физические нагрузки и лекарственные препараты, нормализующие уровень холестерина. Такой режим вряд ли сможет исключить риск заболевания.

Многие попытки Aetna сократить уровень заболеваемости метаболическим синдромом среди клиентов не увенчивались успехом. Тогда М. Палмер принял решение о необходимости использования той информации, которая имеется в компании, т.е. об использовании больших данных.

Была запущена исследовательская программа, осуществляемая независимой лабораторией. Скрупулезному исследованию подверглись все страховые случаи, связанные с заболеванием, за текущий год, изучены все истории болезней, проведен сравнительный анализ анамнеза пациентов от одних и тех же работодателей.

Для осуществления поставленной задачи было обработано более 1,3 терабайта информации.

Результатом проведения такого масштабного эксперимента стала разработка высокоточного алгоритма лечения заболевания, который основывается на необходимости выявления индивидуальных факторов риска для конкретного человека и акцентировании внимания на их устранении.

Таким образом, разработанная методика позволила сформировать дифференцированный, индивидуальный подход к каждому больному.

Одному пациенту, к примеру, нужно сбросить несколько лишних килограмм, а другому – нормализовать уровень глюкозы в крови для того, чтобы свести вероятность получения сердечного приступа к минимуму.

М. Палмер утверждает, что 90% пациентов, которые до оформления страховки не посещали врача, только выиграют от проведения обследования, а 60% из них — такое обследование поможет сохранить здоровье, а также улучшить его состояние.

Сейчас основные усилия компании направлены на борьбу с заболеванием века – раком. В целях получения еще более эффективных превентивных результатов М. Палмер планирует проводить исследования на основании рукописных записей врачей, которые также будут включены в общую систему данных компании.

Eviti

Aetna активно стимулирует применение врачами аналитической медицинской программы Eviti, основанной на обработке больших данных, которая анализирует и прогнозирует состояние здоровья пациента, а также дает рекомендации относительно оптимального выбора лечения больному. Сейчас Aetna соглашается на выплату медицинской страховки только после того, как диагноз и программа лечения, назначенные врачом, подтверждены заключением Eviti.

Оба проекта по использованию больших данных компанией Aetna оправдали себя и показали, каким образом большие данные могут улучшить качество медицины с точки зрения пациента, а также с точки зрения страховщиков. К сожалению, отмечает М.

Палмер, достижение максимальных результатов в области улучшения системы здравоохранения и уровня здоровья всего населения пока лишь мечта, поскольку отсутствие возможности максимально оперативно и в полном объеме получать все необходимые для анализа медицинские данные, нехватка единых медицинских стандартов и подходов, утвержденных на уровне государства, препятствуют внедрению позитивной практики в широкие массы.

Но как знать, вполне вероятно, что уже в скором будущем мы сможем гордиться не миллионами, а миллиардами спасенных жизней, а система медицинского страхования станет лишь вспомогательным инструментом в достижении поставленной цели – здоровья Человека.

Источник: http://datareview.info/article/personifitsirovannaya-meditsina-na-osnove-big-data-opyit-aetna/

Использование Big Data в фармацевтической индустрии

Big Data в медицине: текущая ситуация и перспективы

В недалеком прошлом экономия денег не была приоритетной для производителей лекарственных препаратов. Однако сейчас, в связи со вступившими в силу новыми реформами здравоохранения, многие компании по всему миру ищут способы остаться в рамках запланированного бюджета.

Технологии анализа Больших Данных позволяют добиваться больших успехов в нескольких отраслях, включая фармацевтическую. Благодаря сбору больших объемов информации компании по всему миру могут экономить деньги, повышать уровень безопасности пациентов и эффективность клинических испытаний, управлять рисками, сотрудничая с другими фармацевтическими компаниями для обмена опытом.

В недалеком прошлом экономия денег не была приоритетной для производителей лекарственных препаратов. Но законы и требования регуляторов значительно изменились, поэтому многие предприятия ищут способы остаться в рамках запланированного бюджета и в то же время увеличить эффективность расходования денежных средств.

Разработка нового препарата стоит в среднем $ 500 млн, в эту сумму входит также обработка большого количества данных: о побочных эффектах, фармакологических свойствах и т.д.

Существует пять способов, с помощью которых технология Big Data привносит крупные изменения в отрасль:

1. Прогнозное моделирование

Такие отрасли, как сельское хозяйство и промышленное производство, используют предиктивный анализ для прогнозирования возможных проблем с промышленным оборудованием.

Фармацевтическая промышленность может использовать предсказательное моделирование для определения конкретного препарата для пациента на основе генетики, перенесенных или хронических заболеваний или расстройств, а также его образа жизни.

Этот тип анализа также учитывает факторы риска, которые могут оказаться фатальными для пациента.

Компании, специализирующиеся на аналитике больших данных, для открытия новых лекарственных препаратов используют алгоритмы анализа в облаке.

Так, компания Numerate создает платформу, которая включает в себя программы, специально предназначенные для лечения сердечно-сосудистых и нейродегенеративных заболеваний.

В совокупности с целенаправленным и индивидуальным подходом к процессу лечения, пациенты будут принимать только эффективные лекарства, которые позволят им быстрее пойти на поправку. Это означает, что они больше не будут тратить средства на препараты, которые не оказывали или не окажут должного эффекта.

2. Клинические испытания

Используя технологии Big Data и предиктивный анализ, компании могут сделать клинические испытания более эффективными.

Пациенты, отобранные для участия в медицинском исследовании действенности препаратов наиболее полно отвечающие определенным предварительным требованиям, могут быть обнаружены в нескольких базах данных.

Исследователи смогут осуществлять мониторинг добровольцев в режиме реального времени.

Большие данные также применяются в прогнозировании побочных эффектов для конкретных соединений и компонентов еще до начала клинического испытания.

В настоящее время существует метод, который предсказывает общую токсичность препарата. Ранее в ходе испытаний на людях интоксикация могла быть обнаружена слишком поздно.

Используя метод Проктора, который включает анализ 48 различных характеристик лекарственных препаратов, компании могут сэкономить время, деньги и сохранить жизни.

3. Взаимодействие между отраслями

Теперь фармацевтические компании могут использовать Big Data для совместной работы со страховыми компаниями, фирмами по управлению базами данными и учеными, работающими в различных учреждениях.

Обмениваясь информацией со страховыми компаниями и провайдерами/поставщиками внутри своей сети, фармацевтическая компания может расширить свою базу данных для обеспечения будущих клинических испытаний и предсказательного моделирования.

Ученые, работающие вне определенной фармацевтической компании, могут представить на рассмотрение коллегам свои выводы для анализа и тестирования относительно состава лекарственного препарата. Сбор данных в облаке делает обмен идеями и информацией доступными для всей отрасли.

4. Продажа фармацевтической продукции и маркетинг

С точки зрения продаж и маркетинга в фармацевтической отрасли интеграция технологий анализа Больших Данных может принести свою выгоду.

Представители фармацевтических компаний могут сосредоточиться на конкретных специалистах в конкретной географической области, и пациентах, которым, скорее всего, потребуется продвинутое медикаментозное лечение, основанное на данных предсказательного анализа.

Компании будут экономить время и деньги, отправляя своих представителей только к тем врачам, мнение которых необходимо для улучшения качества продукции и развития соответствующего направления.

Согласно данным опроса, проведенного в 2013 году, 25% маркетинговой кампании реализуется на цифровой платформе.

Хотя визиты представителей фармкомпаний еще не устарели, в руководстве многих из них считают, что аналитика Big Data может повысить отдачу от инвестиций.

5. Цифровые приложения

В настоящее время фармацевтические компании выстраивают отношения с потребителями через платформы социальных сетей и цифровые приложения. Этот электронный поток данных связывает все аспекты отрасли, от наблюдений за пациентами и исследований и разработок (R&D) до ведения врачами электронных медицинских карт.

Цифровые приложения, носимые и другие электронные устройства, предоставляют компаниям возможность мониторинга за состоянием здоровья пациентов в режиме реального времени. Эта информация дает непосредственный взгляд на согласие пациентов использовать подобный подход. Врачи, а также компании, могут получать мгновенные отзывы о состоянии пациента с помощью этих приложений и устройств.

Барьеры для внедрения Big Data в фармацевтической промышленности

Стоимость — один из наиболее значительных факторов медленного роста и принятия технологий анализа Big Data в фармацевтической отрасли. Обновление всей инфраструктуры требует больших затрат, поэтому многие компании «разбивают» ИТ-проекты на несколько этапов и вводят технологии Big Data в порядке приоритетности.

Защита конфиденциальности пациентов — еще один барьер, который ограничивает стремительный рост и полноценный обмен данными. В отличие от подобных процессов в других отраслях, фармацевтическая промышленность потенциально может раскрыть личную информацию о пациенте.

Фармацевтические компании должны осуществлять свою деятельность в соответствии с HIPAA (Health Insurance Portability and Accountability Act, Федеральный закон США «О перемещаемости и подотчетности страхования здоровья») при внесении изменений в методику сбора и обработки данных, чтобы избежать затяжных судебных процессов, которые могут навредить их репутации.

Фармацевтическая индустрия получит прибыль от использования технологий анализа Big Data, если будет придерживаться регламентов и законов и продолжить защищать конфиденциальность пациентов.

Источник: https://GMPnews.ru/2017/06/ispolzovanie-big-data-v-farmacevticheskoj-industrii/

Цифровая экосистема медицины будущего

Big Data в медицине: текущая ситуация и перспективы

Последние несколько лет стали знаковыми для медицины: внедрение высоких технологий вывели здравоохранение на новый — цифровой — уровень.

Нынешняя «медицина в цифре» — это не только электронная запись на прием или онлайн-консультация врача, но и применение систем нового поколения, использующих возможности искусственного интеллекта, интернета вещей, дополненной реальности, BlockChain и т.д.

Все эти технологии работают сегодня на повышение качества и доступности медицинских услуг при сокращении финансовых затрат.

IT плюс медицина

Зарубежный рынок цифрового здравоохранения (digital health) развивается весьма активно: по данным Rock Health, инвестиции в эту отрасль только в США за первую половину 2017 года составили $3,5 млрд; 80% американцев использовали, по крайней мере, одну из категорий цифровой медицины, а 56% — три и более категорий.

В России система digital health пока в процессе становления.

В 2017 году лишь 22% российского населения и 53% медработников знали о возможности применения цифровых технологий в медицине (исследование «Индекс здоровья будущего», Philips), однако важные решения для развития цифрового здравоохранения начали приниматься на государственном уровне.

В 2016 году был утвержден паспорт приоритетного проекта Правительства РФ «Электронное здравоохранение» и «дорожная карта» HealthNet. В 2017 году цифровое здравоохранение стало одной из важнейших составляющих госпрограммы «Цифровая экономика РФ». В 2018 году вступил в силу закон о телемедицине.

Сегодня на отечественный рынок цифрового здравоохранения приходят игроки разного уровня — от стартапов до лидеров российской IT-индустрии («Яндекс», Mail.ru). В их числе и компания Philips — признанный в мире эксперт в области технологий для здоровья.

В активе Philips — опыт множества разработок в сфере digital health и умение решать главную задачу цифрового здравоохранения — создавать системы, которые позволяют органично интегрировать IT-решения в здравоохранение и адаптировать инновационные технологии для нужд медицины.

В тесном сотрудничестве с ведущими мировыми медицинскими учреждениями Philips объединяет врачей, пациентов, внешние цифровые сервисы и технологии в единые целостные экосистемы, что теперь является одним из ключевых фокусов компании в дальнейшем развитии своих решений для индустрии здравоохранения.

Создание подобных интегрированных систем делает медицинскую помощь более доступной и качественной, что особенно важно для российских регионов, — благодаря цифровизации врач из любой точки страны может получить консультацию у экспертов центральных клиник, отправив результаты исследований пациента по «внутрисистемной связи».

Big Data в помощь

Объем информации, необходимой для успешной работы современной медорганизации, огромен. Это весьма обширные, детализированные и разнесенные по времени данные о пациентах. Это обмен информацией и практиками между различными медицинскими учреждениями. А также хранение справочных сведений, интеграция различных программ и многое-многое другое.

Главные помощники в оперативной и качественной обработке этих больших данных (Big Data) — облачные технологии и искусственный интеллект. Их возможности широко использует разработанная Philips облачная платформа — настоящая цифровая вселенная.

Она собирает и анализирует самые разные медицинские данные, позволяя врачам не тратить время на поиск и оформление массивов информации, а сосредоточиться на решении своих основных задач.

К примеру, использование решения Philips в Wellcentive (США) позволило снизить стоимость лечения на 34%, число повторных обращений пациентов — на 75%, срок пребывания в стационаре — на 50%.

Цифровая медицина — это удобно

Новейшие технические средства позволяют легко осуществить то, что вчера казалось невозможным, упростив жизнь докторов и пациентов.

Теперь, например, данные УЗИ можно получить с помощью приложения для смартфона или планшета с системой датчиков.

Болезненную биопсию успешно может заменить высокоточное исследование состава тканей на спектральном томографе.

Хирургам стало проще проводить оперативные вмешательства: увидеть все детали операционного поля им помогает комплексная платформа для интервенционной радиологии, где использованы технологии дополненной реальности.

В цифровой медицине успешно применяются и технологии интернета вещей.

Так, круглосуточный телемониторинг данных о здоровье с помощью носимых персональных датчиков существенно снижает сроки пребывания пациентов в стационаре, а часто позволяет обойтись и без госпитализации — к примеру, в медицинском центре Banner Health (Аризона, США) количество госпитализаций после начала использования телемониторинга уменьшилось вдвое.

Еще один плюс цифровизации — возможность интеграции, «сотрудничества» процессов и систем от разных производителей медицинского оборудования.

Для этого, например, Philips предлагает технологические решения для отделения реанимации и интенсивной терапии, позволяющие передавать данные с различного оборудования в единую интеллектуальную информационную систему поддержки принятия решения.

Подобные системы можно настраивать по множеству критериев и правил, анализировать данные пациента и вести протоколы лечения. С их помощью удается снизить время пребывания пациентов в реанимации и число ошибок в медназначениях.

Цифровая медицина уже начала менять систему здравоохранения, делая ее более эффективной и точной. Объединяя усилия экспертов в медицине и ИТ-сферах и сосредоточив внимание на пациенте, можно создать систему, которая повысит качество лечения и позволит снизить расходы на обслуживание медицинских учреждений.

Источник: http://health.rbc.ru/treatment/cifrovaya-ekosistema-mediciny-budushego/

Наука и образование: технологии Big Data против рака

Big Data в медицине: текущая ситуация и перспективы

В январе фармацевтический швейцарский гигант Рош вложил более миллиарда долларов в небольшую компанию Foundation Medicine, которая занимается исследованиями и разработками в области лечения онкологических заболеваний.

Foundation Medicine была обречена оставаться убыточной, как и многие другие компании инновационных разработок в области здравоохранения, поскольку страховые компании, за счёт которых обычно и существует рынок прорывных заинтересованы в производстве новых лекарств или приборов.

Конкретно эту компанию спас её онкологический профиль — их платформа молекулярной информации, отслеживающая геномные изменения в раковой опухоли каждого пациента, при предоставлении серьёзного количества клинических данных, может дать крайне ценную информацию для комплексной борьбы с раком.

Грубо говоря, Рош предоставляет Foundation Medicine базу данных, которая содержит последовательности ДНК опухолей 35 00 пациентов, а также информацию о принимаемых ими препаратах.

Источник: news.rice.edu

Проблемы современной типологии раковых опухолей

И Рош, и Foundation, и многие другие научно-исследовательские центры в области онкологии сейчас видят в Big Data большие возможности в будущей победе над раком. Ещё относительно недавно традиционная онкология располагала весьма скудным набором данных.

Виды опухолей классифицировали по месту их образования, либо по стадиям их роста, либо по видам клеток, из которых они состоит (доброкачественная/злокачественная). Типичный раковый диагноз выглядел как «рак толстой кишки II стадии».

Эта типология с годами становилась всё обширнее, но основная проблема оставалась: самые различные виды опухолей всё равно оказывались в одной категории. С таким же успехом можно описать кошку как четырёхлапое пушистое существо, а лягушку — как четырёхлапое мокрое.

Это не грешит против истины, но не даёт целостной картины.

Для онкологии такой подход не слишком хорош.

Лекарственные препараты против рака в принципе работают, то есть сокращают размер опухоли, в 22% случаев, и большая головная боль всех онкологов — предсказать, какой препарат сработает для конкретного оценка.

По приблизительным подсчётам, 39 млрд долларов из 50 млрд долларов, которые ежегодно тратятся на противораковые препараты, уходят именно на «холостые» попытки. Это медицина проб и ошибок.

Составление геномного профиля и другие биоинформационные технологии постепенно меняют наше представление об онкологии.

Уже сейчас определение последовательностей в ДНК опухолей даёт понять, что та группа заболеваний, которые мы привыкли называть «раком», на деле является тысячами и миллионами различных патологий, каждая из которых имеет индивидуальную модель мутаций и других ошибок на молекулярном уровне.

Каждая опухоль — это миниатюрный Ноев ковчег, уместивший в себе множество дисфункциональных клеток. Одно из последних исследований рака почек показало, что у изучаемых пациентов наборы генетических ошибок ни разу не совпали.

Более того, наборы мутаций не совпадали даже в двух разных опухолях одного и того же пациента! А ещё одно прошлогоднее исследование, посвящённое изучению рака груди, показало, что даже внутри одной опухоли не нашлось двух генетически схожих клеток.

Ноев ковчег. Источник: Википедия

Почему это так важно?

Это чрезвычайно важно, поскольку определение природы мутаций позволит целенаправленно атаковать слабые места опухоли.

Разработчики и производители медицинских препаратов на данный момент выпустили на рынок десятки препаратов таргетированной терапии, которые действуют на конкретные раковые генетические мутации клеток, либо убивая, либо обезвреживая эти клетки.

Именно в узкой направленности этих препаратов скрывается их сила. Но для того, чтобы эффективно использовать такое мощное оружие, нужно знать врага в лицо.

Скажем, уже привычным стал анализ на наличие мутаций в гене HER2 при исследовании рака груди, или в гене EGFR при изучении запущенных стадий рака лёгких. Тем не менее, эти анализы способны определить только одну мутацию единовременно. Чтобы решить проблему с идентификацией мутаций в поражённых раком клетках, необходим обширный анализ.

Что происходит с данными, поступающими в Foundation Medicine?

Клинические анализы пациентов Roche сканируются на наличие приблизительно 300 известных на настоящее время мутаций, играющих роль в образовании раковых опухолей, вне зависимости от того, образец какой именно ткани взят — груди, кости, лёгкого. Учёные предполагают, что информация, полученная в ходе такого масштабного анализа геномного профиля, позволит обнаружить некие общие слабые свойства мутирующих клеток.

Такие новые данные позволят нам категоризировать случаи заболеваний, чтобы потом иметь дело не с пациентом, страдающим от «рака груди степени Х», а определить вид рака на глубоком молекулярном уровне.

— сказал в январе этого года президент Foundation Medicine Майкл Пеллини на Всемирной Конференции по персонализированной медицине.

Примерно такой же подход к обработке данных используется многими алгоритмами персонализации в современных веб-сервисах типа Amazon или, например, в приложениях, основанных на сборе и анализе данных от множества пользователей — вспомнить тот же «Яндекс.пробки».

Комплексная биологическая система, коей является наш организм, несоизмеримо сложнее, чем искусственно созданные человеком сети.

Для примера: одно из исследований 2012 года, изучавшее 100 пациентов с раком груди, обнаружило мутации в 40 различных генах в 73 различных комбинациях; у некоторых из пациентов не менее 6 мутаций сыграло роль в развитии рака.

Дело осложняется ещё и тем, что опухоли в ответ на терапию зачастую разрастаются, поэтому необходимо проводить определение последовательностей ДНК опухоли на регулярной основе, чтобы хотя бы на шаг опережать развитие рака. И во многих случаях нужный лекарственный препарат всё равно не найдётся.

Успехи уже есть

Несмотря на всю сложность затеи с применением технологий Big Data в онкологии, уже есть истории успеха. Например, история 22-хлетней девушки по имени Кори Вуд, у которой был обнаружен немелкоклеточный рак лёгких IV стадии, уже пустивший обширные метастазы в кости и зрительную систему.

Источник: visualsonline.cancer.gov

Обычно на такой стадии заболевания медицинские препараты срабатывают в 20% случаев. Но образец её опухоли оказался в числе тех 35 000 образцов, которые были высланы компанией Рош лаборатории Foundation Medicine.

Молекулярный анализ обнаружил ошибку в гене ROS-1, что дало все основания назначить препарат Ксалкори. Дело в том, что такой вид мутации появляется крайне редко — менее чем в 2% случаев возникновения рака лёгких.

Без такого подробного анализа геномного профиля онкологи девушки вряд ли бы назначили ей этот препарат

Через три месяца приёма препарата рак почти полностью покинул организм Кори. В феврале официально стало известно, что девушка полностью здорова.

С раком мне помогают справиться геномное секвенирование и технологии обработки данных.

По материалам статьи Кэт МакГоуэн на nautilus, а также информации с официального сайта Рош.

Нашли опечатку? Выделите фрагмент и нажмите Ctrl+Enter.

Источник: https://newtonew.com/tech/big-data-vs-cancer

Big Data в здравоохранении: как и для чего медицина использует Большие Данные?

Big Data в медицине: текущая ситуация и перспективы

Если нужны конкретные примеры того, как технологии Big Data изменяют окружающий мир в лучшую сторону, то их легче всего отыскать в медицинской отрасли.

Помимо вопросов увеличения прибыли и сокращения накладных расходов фармацевтических компаний, использование Big Data в сфере здравоохранения продиктовано необходимостью решать глобальные проблемы человечества. Население планеты с каждым годом увеличивается на 1.

33%, поэтому прогнозирование эпидемий, борьба с существующими болезнями и усовершенствование методов лечения в целом — злободневные задачи мирового сообщества. В их решении можно серьезно продвинуться, взяв за основной инструмент анализ данных.

Предсказательные возможности электронных медицинских карт

Инициатива ввести EHR (Electronic Health Records) для каждого человека исходила от президента США Джорджа Буша-младшего еще в 2004 году. Электронная медицинская карта — это система, которая собирает информацию с ряда источников.

Здесь находится сведения о диагнозах пациента, принимаемых им лекарствах, текущих проблемах со здоровьем, пройденных процедурах, результатах тестов и клинических замечаниях. Данный тип медкарты способен рассылать уведомления пациентам о необходимости прохождения нового обследования.

Также в EHR предусмотрен контроль за выполнением пациентом врачебных предписаний. Это яркий пример прогнозной аналитики в здравоохранении.

Путем использования данных с электронных медкарт, врачи могут установить связь между, казалось бы, принципиально различными заболеваниями.

Система уровня риска, разработанная в 2013 году членами консорциума Kaiser Permanente, позволяет сделать предположение касательно возможного развития слабоумия у пациентов с сахарным диабетом.

Используя модели прогнозирования, основанные на этой системе, американская армия пытается уменьшить количество самоубийств среди ветеранов.

Преимущества электронной медкарты состоят в ее защищенности и полноте информации о пациенте.

Так, за 2014 год в «традиционной» базе госпиталей США, куда люди попадали на амбулаторное лечение, зафиксировано 26 259 записей, в то время как показатель записей в электронных медицинских картах равен 19 005 777.

В случаях обращения за экстренной помощью, этот показатель составляет 23 909 и 4 530 360 записей соответственно. Причем, менее 24 тыс. «ручных» записей собрано с 375 больниц, а более 4.5 млн отметок в EHR — всего с 83 госпиталей.

Создание электронных медицинских карт и их дальнейшая модернизация — один из наиболее действенных сценариев использования Больших Данных в сфере здравоохранения.

Согласно исследованию HITECH, в США более 94% больниц практикуют применение электронных медкарт. Страны-члены ЕС отстают от заокеанских партнеров, но директива, подготовленная Европейской комиссией, призвана в корне изменить ситуацию.

Предполагается, что к 2020 году европейская централизованная система медицинских записей станет реальностью.

Постановка диагнозов с помощью носимых устройств

Рынок носимых электронных устройств по итогам 2015 года вырос на 171.6%. В 2016 году также прослеживается тенденция роста популярности подобного рода устройств.

Это гаджеты, которые содержат ряд датчиков, в том числе пульсометры и шагомеры; с их помощью можно составлять рацион сбалансированного питания. В некоторых случаях они даже могут спасти человеческую жизнь.

А сейчас в США вводится практика передачи собранных носимым устройством данных личному врачу.

Даже если здоровье человека в норме, петабайты собираемой информации сформируют гибкие и постоянно растущие базы данных. Только представьте, что весь этот объем информации можно скормить IMB Watson, который на основе данных большого числа пациентов сможет рекомендовать лучшее лечение каждому из нас.

Нейросети смогут выявлять зависимости между данными трекеров и склонностью к заболеваниям, помогая другим раньше узнавать о какой-либо болезни. Это не что иное, как пример работы аналитики в сфере здравоохранении.

С ее помощью можно не только выявить наиболее слабые места в здоровье определенной группы людей, но и дать точный прогноз по возможным заболеваниям и способам их предотвращения.

Такой потенциал носимых гаджетов ведет к основательной научной работе и, как следствие, объединению усилий между медиками и специалистами по Big Data.

Примером кооперации действий служит Питтсбургский альянс, работа которого базируется на сборе и анализе данных с разных источников (медицинских и страховых записей, генетической информации и даже данных из социальных сетей) с целью реализации индивидуального подхода к каждому пациенту.

За счет того, что данные рассматриваются комплексно, врачи могут предугадать результат конкретного курса лечения, отталкиваясь от результатов пациентов с подобными генетическими факторами и образом жизни.

Весной 2015 года Apple и IBM также пришли к идее совместного объединения усилий ради того, чтобы использовать Большие Данные в сфере здравоохранения. Две корпорации работают на единой платформе, которая позволяет владельцам iPhone и Apple Watch отправлять собранные в ходе использования сведения в Watson Health — сервис IBM по медицинской аналитике.

Примеры использования носимых гаджетов для сбора медицинской информации свидетельствуют о том, что данная ниша активно осваивается специалистами по Big Data. Это очень перспективная область, в которой есть где развернуться.

Безопасность пациентов в отделениях реанимации и интенсивной терапии

Реанимационные отделения — это некий отдельный мир на территории больницы, где предиктивная аналитика выходит на ключевые роли по части обеспечения безопасности пациентов и качества ухода за ними.

Наиболее уязвимые больные склонны к резкому ухудшению самочувствия из-за инфекций, например, сепсиса. Эти и другие кризисные явления не всегда могут спрогнозировать и без того загруженные работники ОРИТ.

Массачусетский главный госпиталь использует аналитическую систему QPID, чтобы врачи могли увериться в том, что они не пропускают важную информацию о пациенте на протяжении курса лечения.

Еще одно применение QPID и, соответственно, пример действия Big Data в здравоохранении — прогнозирование хирургического риска.

«Даже известные на весь мир хирурги не горят желанием оперировать пациента, который может через несколько минут умереть на столе», — говорит доктор Дэвид Тинг, заместитель директора по информационным системам Массачусетского главного госпиталя.

«Последнее, что врач хочет сделать — нанести пациенту вред. Чтобы этого не случилось, система выполняет автоматический поиск протоколов лечения, после чего выводит на экран результаты с посчитанным красным, желтым или зеленым индикатором риска».

Исследователи Калифорнийского университета в Дэйвисе разработали алгоритм, в котором используются данные с электронных медицинских карт. Цель этого алгоритма — помочь врачам выявить первые признаки сепсиса.

Отметим, что заражение крови, ввиду слабого проявления симптомов на ранних стадиях заболевания, в 40% случаев приводит к летальным исходам.

Доцент кафедры внутренней медицины Калифорнийского университета в Дэйвисе, один из участников исследования Хиен Нгуен уверен, что такой вектор использования Больших Данных в здравоохранении обладает высоким уровнем приоритета.

«Найти точный и быстрый способ определения, какие пациенты характеризуются высоким риском развития сепсиса — критически важная задача. Мы хотим добиться того, чтобы с помощью нашего алгоритма врачи определяли, когда следует переходить к интенсивной диагностике и лечению, а когда нужда в таких мерах отсутствует», — говорит Х. Нгуен.

Телемедицина

Еще один пример, того, как работает Big Data в здравоохранении — развитие телемедицины. Она присутствует на рынке медицинских услуг более 40 лет, но только сегодня, с появлением смартфонов, беспроводных переносимых устройств и видео-конференций, телемедицина смогла полностью раскрыться.

Под «телемедициной» следует понимать предоставления клинических услуг на расстоянии. Данный термин включает как первичную диагностику и консультации, так и комплексный мониторинг состояния здоровья пациента.

При том телемедицина допускает не только общение тет-а-тет с квалифицированным специалистом в дистанционном режиме, но самодиагностирование через посещение сервисов вроде webmd.com. Этот вид услуг предоставляет Healthtap.

Врачи прибегают к использованию телемедицины, чтобы составить пациенту индивидуальный план лечения и предотвратить госпитализацию. Это позволяет предотвратить ухудшения состояния здоровья пациента.

Нивелируя необходимость физического присутствия больного в клинике, телемедицина позволяет снизить финансовые затраты на медицинские услуги, обеспечивая при этом довольно высокий уровень сервиса.

Разумеется, консультация проходит в любое время и в любом месте, что идет на руку как пациенту, так и врачу.

Примеры использования Big Data в сфере здравоохранения доказывают, что увеличение спектра применений данных в области медицины должно носить систематический характер, ведь Большие Данные имеют все шансы сделать жизнь людей максимально безопасной.

Уже сегодня технологии сбора и анализа информации позволяют выявить как заболевания отдельных пациентов, так и дать прогноз по поводу состояния здоровья целой социальной группы. И, что самое главное, Big Data — это ключ к развитию превентивных мер в области медицины.

Профилактика намного лучше лечения, не так ли?

Источник: http://ru.datasides.com/big-data-medicine/

Cовременные Big Data решения: где они используются и что еще им по силам? | CHIP Россия

Big Data в медицине: текущая ситуация и перспективы

Основным двигателем внедрения решений Big Data является осязаемая выгода для бизнеса. Веб-страницы, транзакции, клики, лайки и твиты – бизнес-ценность выжимается буквально из каждого бита доступной информации.

Сейчас многие интернет-компании перешли на модель монетизации, в которой пользователь платит за услуги своими персональными данными.

Они превращаются в персонализированную рекламу, реклама двигает продажи, и компания получает прибыль.

Кроме этой модели существуют и другие сценарии извлечения выгоды из больших данных. К примеру, банки борются за клиентов, соревнуясь в качестве алгоритмов по выявлению мошеннических транзакций.

Еще один способ использования накопленных данных в пользу бизнеса — построение описательной аналитики, которая помогает компаниям понять своих клиентов, разделить их на категории и скорректировать стратегию своего развития.

Областью, в которой технологии Big Data только начинают раскрывать свой потенциал, можно назвать «Интернет вещей». Идея проста: хочется, чтобы повседневные предметы адаптировались под пользователя, взаимодействуя как с обычными домашними объектами, так и с другими умными устройствами в домашней сети.

Но чтобы с нуля научиться работать с произвольной домашней средой, такому девайсу потребуется собрать огромное количество информации о параметрах дома и его обитателях. Очевидное решение – использовать опыт уже благополучно живущих в других домах умных устройств.

Сдерживающий фактор

Ряд преград затрудняют использование данных, полученных от других пользователей, не нарушив их приватность, – умные устройства сильно связаны с частной жизнью своих владельцев. Кроме того, необходимо тщательно продумать вопрос безопасности. Использование умного обогревателя не должно привести к пожару, а плита не должна допустить утечки газа.

Из этого вытекает еще одна проблема – на кого ложится юридическая ответственность в несчастных случаях, связанных с использованием IoT? Неопределенность в отношении этих вопросов препятствует ведению бизнеса в области интернета вещей и, соответственно, внедрению промышленных решений Big Data.

Чем полезны Big Data быть полезна конечному пользователю

В первую очередь, речь идет о персональных, когда пользователь – субъект и инициатор использования Big Data. Часто на этот вопрос отвечают банальными фразами типа «каждый раз, когда вы пользуетесь поисковыми системами Google или Яндекс, вы работаете с большими данными».

Однако суровая правда заключается в том, что пока разговор о Big Data приложениях для массового пользователям (B2C big data, если хотите) больше похож на рекламные плакаты эпохи «атомного романтизма» 50-х, где домохозяйкам обещают атомные пылесосы, а детям – атомные игрушки. Трудно представить ситуацию, в которой массовый пользователь будет являться не просто источником информации или потребителем готовых приложений, а полноценным участником процесса.

Где Big Data лучше всего показали свои преимущества

Первыми технологии big data стали применять те отрасли, деятельность которых завязана на обработке больших потоков информации ежедневно, – банки, мобильные операторы, торговые сети. В основном работа с данными в этих сферах направлена на формирование портрета клиента, чтобы предложить ему наиболее подходящие для него услуги.

Каждая из них имеет свою специфику, например, операторы сотовой связи сейчас оперируют достаточно детальными данными об абонентах, чтобы извлекать из них серьезную прибыль.

Более того, некоторые мобильные операторы не просто используют эти данные для повышения эффективности, но и создают отдельные ветви бизнеса по разработке B2B-сервисов на основе собираемых данных.

Вместе с тем, Big Data очень медленно проникает в государственные структуры. Казалось бы, нужно радоваться, что государство не спешит превращать жизнь граждан в матрицу. На самом деле, часто устаревшие методы работы с данными, которые обусловлены как административными преградами, так и недостатком экспертизы в госструктурах, мешают использовать BD во благо населения.

Хотя, с точки зрения зрелости в области Big Data, российские госструктуры крайне неоднородны: например, почти все организации так или иначе касающиеся государственных финансов могут дать фору многим видным коммерческим банкам в части работы с данными.

Конечно, нам еще далеко до полного раскрытия потенциала технологии в повышении эффективности государственного управления. Помимо очевидных примеров вроде помощи в раскрытии преступлений и единого реестра документов, существуют несколько задач, которые BD помогла бы решить на качественно более высоком уровне.

Например, пока еще не раскрыт весь потенциал больших данных в медицине. Алгоритмы машинного обучения уже активно применяются в диагностике онкологических заболеваний, но этот подход не используется в других областях, например, в лечении гриппа и персонализированных советов по диете.

Было бы интересно посмотреть на связку больших данных и дополненной реальности. Городские и музейные гиды, инструкции ко всему, что попадает в объектив вашей мобильной камеры, советы по первой помощи – сейчас просто не хватает фантазии, чтобы представить эффект синергии двух этих технологий в будущем.

Что мешает дальнейшему развитию

Технические проблемы, связанные с использованием решений Big Data, в течение последних лет удалось полностью устранить. Задачи, для решения которых недостаточно текущего набора технологий, встречаются крайне редко. Тем не менее, есть несколько факторов, замедляющих развитие big data.

Часто бизнес-процессы в компании недостаточно отлажены для применения новых технологий.

Разные отделы компаний создают аналитические хранилища для своих нужд, данные в этих хранилищах оказываются рассогласованными и в результате, когда появляется необходимость решать более масштабные аналитические задачи, интеграция данных из разных источников оказывается сильно затруднена – требуется переход на общий стек технологий и кропотливая совместная работа аналитиков. Таких ситуаций можно избежать, если изначально ответственно подходить к хранению данных – стремиться к централизации, так называемой «единой версии правды».

Психологической преградой к внедрению Big Data до сих пор является мнимая дороговизна таких решений. При словах большие данные в голове возникает картинка дата-центра со стройными рядами серверов астрономической стоимости.

На самом деле, сейчас существует большое количество платформ, предоставляющих виртуальные вычислительные ресурсы.

Самые масштабные из них – такие как Amazon Web Services и Microsoft Azure – берут на себя практически все управление кластерами клиентов.

С точки зрения разработки ПО для Big Data ситуация также очень изменилась за последние три года.

Многие open source проекты перешли из стадии тестирования в стабильные релизные версии, технологии виртуализации и контейнеризации позволяют разворачивать приложения любой сложности на кластерах любых конфигураций. На рынке появляется все больше специалистов, готовых работать с этими технологиями.

Искусственный интеллект, нейронные сети и Big Data

Без этой связки нейронные сети и инструменты глубокого обучения теряет смысл. Дело в том, что для эффективной работы необходим значительный объем исходных данных для обучения модели. В такой ситуации без инструментов Big Data просто не обойтись.

Сейчас инструменты искусственного интеллекта рука об руку с Big Data шагают по миру просто устрашающими темпами.

О том, как применяются технологии Big Data в сфере аналитики мы попросили рассказать руководителя направления Data Science Teradata Россия Александра Смирнова

«Компания Teradata использовала технологии нейросетей и искусственного интеллекта задолго до того, как вокруг них поднялся шум.

Из последних новинок технологического характера – Teradata Analytical Platform – сплав высокопроизводительной базы данных и передовых аналитических инструментов, включая и алгоритмы искусственных нейронных сетей.

Кроме этого, мы реализовали множество проектов в области глубокого машинного обучения в разных отраслях, начиная с систем распознавания объектов на дороге для производителей автомобилей и заканчивая определением банковского мошенничества с использованием искусственного интеллекта.

Наиболее ярким, наверное, является кейс из банковской сферы — Teradata создала математическую модель, которая позволила сократить количество ложноположительных срабатываний системы обнаружения карточного мошенничества минимум в два раза. В этой ситуации Big Data и  искусственный интеллект не только и не столько помогают крупным корпорациям заработать, но и делают жизнь простого человека лучше.»

Где можно увидеть big data в повседневности

Большинство людей уже используют Big Data, но чаще всего опосредованно – через веб-приложения, банкоматы, даже турникеты метро.

В дальнейшем большие данные могут стать более «личными» именно в таких областях, как «интернет вещей» – датчики умных объектов будут производить достаточное количество информации, например, для применения алгоритмов машинного обучения, чтобы учитывать предпочтения пользователя.

Источник: https://ichip.ru/covremennye-big-data-resheniya-gde-oni-ispolzuyutsya-i-chto-eshhe-im-po-silam.html

Поделиться:
Нет комментариев

    Добавить комментарий

    Ваш e-mail не будет опубликован. Все поля обязательны для заполнения.