De undermedvetna bilderna hos dataforskare och analytiker inom sjukvården på jobbet involverar prydligt organiserade kalkylblad, algoritmer, programmeringsspråk som bearbetar data och visualiseringsverktyg som tar fram färgglada grafer och diagram. och liknande. Detta är dock långt ifrån verkligheten.
I verkligheten brottas dataforskare dagligen med ett element – ostrukturerad data. Big data-boomen har påverkat sjukvårdsbranschen enormt. Rapporter visar att tekniska framsteg när det gäller klinisk utrustning, bärbara enheter, elektroniska patientjournaler (EHR) med mera har resulterat i enorma mängder datagenerering.
Statistik visar faktiskt att sjukvårdsbranschen står för nästan 30 % av den totala genererade datamängden . Dessutom producerar ett enskilt sjukhus i genomsnitt över 50 petabyte data varje år. Haken är dock att över 80 % av den genererade datan är ostrukturerad.
Vad är det och hur påverkar det datadrivet beslutsfattande, genombrottsrevolutioner och forskning, utveckling och innovation inom sjukvården? Det får vi reda på i den här artikeln.
Strukturerade och ostrukturerade data: två halvor av samma kapsel
Varje data som genereras faller under en av de två kategorierna. Låt oss nu förstå vad de två betyder.
Strukturerade data inom vården
All data som är enkel och som är snyggt organiserad, lättillgänglig och i ett standardiserat format utgör strukturerad data. De viktigaste egenskaperna hos strukturerad data inkluderar:
- Universella eller enhetliga format med korrekt attribution till namn, datum, medicinska koder och mer
- Interoperabilitet, där deras standardisering banar väg för hälso- och sjukvårdsintressenter över hela spektrumet att använda dessa data för sina behov
- Sökbarhet och bearbetbarhet för att främja kliniskt beslutsfattande, referenser, rapportering med mera
Exempel på strukturerad data
| Kliniska och medicinska koder | ICD- och CPT-koder, rapporter från labbresultat |
| Demografisk information | Patientens namn, ålder, födelsedatum, kön, region med mera |
| Fysiska åtgärder och vitals | Längd, vikt, puls, kroppstemperatur och liknande |
| Läkemedel | Föreskrivna läkemedel, doser, administreringsscheman, allergier och mer |
Ostrukturerade data i vården
Alla typer av data som inte är tillgängliga i ett standardiserat format, finns på en tillgänglig plats eller är obearbetbar faller under kategorin ostrukturerad data. Tyvärr överträffar volymen ostrukturerad data som genereras inom vården dess motsvarighet.
Om strukturerad data avslöjar symtom, lyfter ostrukturerade data fram de underliggande resonemangen och andra nyanser. För att på bästa sätt förstå ostrukturerad data måste vi ta en titt på de verkliga exemplen.
Exempel på ostrukturerade data
| Medicinska anteckningar | Offline medicinska anteckningar som recept registrerade av sjukvårdsexperter. |
| Medicinsk avbildningsdata | Alla bilder som genereras av kliniska enheter som MRI, CT eller ultraljudsskannrar |
| Audiovisuella data | Ljud-, video- eller transkriptionsdata del av patientkonsultationer, intervjuer eller kirurgiska ingrepp |
| Patientgenererad data | Tillgänglig från bärbara datauppsättningar, muntligt kommunicerad information och liknande |
| Sociala medier och kommunikationsdata | Såsom patientfeedback analys laddas upp av patienter för konsultation eller av sjukvårdsexperter, e-postmeddelanden utbytta, meddelanden skickade och mottagna och liknande |
| Genetiska data | Insikter om en individs DNA-rapporter och analyser som skulle kunna upptäcka ärftliga sjukdomar |
[Läs även: Sammanfattning av AI Medical Records: Definition, utmaningar och bästa praxis]
Från åtgärder till insikter: Hur man transformerar och utnyttjar ostrukturerade data för att underlätta kliniskt beslutsfattande
Själva tekniken som fungerar som källan till otaliga typer av ostrukturerad data ger oss också lösningar och tekniker för att dechiffrera den. Genom att använda framväxande teknologier som artificiell intelligens (AI), maskininlärning (ML) och analys, kan vi inte bara organisera denna datatyp utan också förstå den för handlingsbara insikter.
Låt oss titta på hur detta är möjligt.
Utnyttja Natural Language Processing (NLP) inom vården
Enkelt uttryckt kan NLP inte bara läsa och förstå en läkares handstil utan också bearbeta den för att avslöja aspekter som går obemärkt förbi. Dessutom kan den också analysera timmar av video- eller ljudinnehåll och organisera data efter behov och specificerat för lekmän att arbeta med.
Prediktiv analys inom medicin
- Förstå data för vägledande resultat
- Förstå data med vägledande resultat och rekommendera lösningar
- Förstå och rekommendera lösningar och förutsäga i framtiden möjliga händelser och resultat
Dessa tre utgör deskriptiv, preskriptiv respektive prediktiv analys.
[Läs också: Vad är dataannotering inom AI inom sjukvården? Definition, tekniker och användningsfall ]
Inom sjukvården kan prediktiv analys vara livsförändrande eftersom den kan peka på ett framtida utfall som är mycket troligt. Användningen av maskininlärning inom sjukvården har gjort det möjligt för sådana koncept att bli verklighet. Med prediktiv analys kan data från medicinsk avbildning exakt förutsäga om en godartad tumör kan förvandlas till en elakartad efter att ha beaktat livsstil, ålder, demografi med mera.
På samma sätt, genom noggrann analys av genomiska data, kan prediktiv analys hjälpa till att indikera om en individ sannolikt kommer att utveckla diabetes, hjärtsjukdom eller Alzheimers. Detta är analysen mellan liv och död eftersom sjukvårdsexperter kan rekommendera medicinering, öka medvetenheten eller föreslå livsstilsförändringar för att förhindra risker.
Otaliga möjligheter att diagnostisera och behandla sjukdomar öppnas upp när vi sammanställer och organiserar ostrukturerad data och sätter den i ett sammanhang. Med rätt användning av ideal teknik blir bearbetningen av dem också sömlös.
Men om du vill hoppa över dessa steg och har färdiga data för att träna dina sjukvårdsalgoritmer och lösningar kan du kontakta oss. Vi erbjuder skräddarsydda och etiskt hämtade vårddata för alla dina vårdspecifika behov. Kontakta oss idag.
