Оцифровка данных о пациентах приводит к появлению огромного количества информации ежегодно. Проблема в том, что сегодня большая часть неструктурированных данных не используется и хранится в основном для бюрократических целей. Во многом это вызвано тем, что современный рынок труда не способен предоставить необходимое количество специалистов в этой области аналитики. Но, несмотря на все препятствия, Big Data все активнее используется в медицине и приносит реальную пользу. Давайте посмотрим на несколько примеров применения этой технологии.

  1. Отказ от шаблонов в пользу обоснованной медицины

Шаблонная медицина предлагает использование одного и тоже набора диагностических методов для всех пациентов, поступающих со схожими симптомами. Это работает, но оптимальность такого подхода оставляет желать лучшего. По словам специалистов, диагностика, исключающая факт сердечного приступа, вряд ли поможет пациенту с желчнокаменной болезнью.

Специалисты бостонского медицинского центра Beth Israel Deaconess уверены, что оперативный доступ ко всем имеющимся медицинским сведениям о пациенте, в том числе и тем, которыми владеют конкурирующие организации, станет эффективным подспорьем. Это существенно сократит затраты времени и ресурсов на проведение диагностики, повысив при этом ее точность. Поэтому центр запускает приложение, которое позволит врачам получить данные более чем о двух миллионах пациентов.

Сложность процесса создания системы, дающей одновременный доступ к огромному количеству данных, довольно высока. Но эффективность такой системы с лихвой окупит все затраты. Еще одна проблема — отсутствие единого стандарта диагностики. То, что одна система назовет «высоким кровяным давлением», другая оценит, как «повышенное давление», а третья решит, что это «гипертония». Самым эффективным решением этой проблемы специалисты Beth Israel Deaconess считают использование стандартов SNOMED CT, что позволит унифицировать результаты аналитики и упростить процесс запроса результатов исследований и анализов.

  1. Каждый сможет поучаствовать

Практическая медицина не сможет достигнуть серьезных успехов без специальных исследований, которые связаны с некоторыми проблемами. В первую очередь, процесс усложнен тем, что рандомизированные исследования длятся годами и чрезвычайно дороги. При этом контролируемые исследования часто страдают чрезмерной предвзятостью.

Министерство по делам ветеранов США запустили добровольное исследование, которое использует образцы крови и другие медицинские данные о ветеранах для того чтобы определить, как тот или иной ген влияет на здоровье человека. В исследовании приняли участие более 150 тысяч ветеранов со всех Соединенных Штатов. Такой подход позволяет значительно упростить и ускорить рандомизированные исследования, что должно повысить общий уровень объективности исследований в области здравоохранения.

  1. Создание решений, делающих медицинские данные эффективными

Хранилища данных ­- это отлично, но в их текущей реализации их можно сравнить с линкорами, которые имеют огромную огневую мощь, но очень дороги и не могут эффективно использоваться в ряде боевых задач. Иногда лучше использовать легкие беспилотники — приложения, которые значительно проще настроить под конкретную задачу.

Для этого вам понадобится соответствие данных стандарту (CCD) Continuity of Care Document. То есть сертифицированные EHR-приложения (Electronic Health Record) должны быть в состоянии генерировать файлы, отвечающие стандарту CCD, и не стоит забывать о том, что для унификации терминологии необходимо использовать стандарты SNOMED CT и LOINC.

Дин Ситтиг, профессор школы биомедицинской информатики центра исследования здоровья при университете Техаса, подчеркивает, что одной из основных проблем является отсутствие взаимодействия между программными решениями от различных разработчиков. Последующее развитие технологий в сфере биомедицинской информатики рано или поздно упрется в необходимость унификации и объединения всех существующих решений.

Ученные утверждают, что у CCD-файлов есть множество путей использования: от предикативного анализа, использование результатов которого способно снизить количество повторных госпитализаций, до интеллектуального анализа, который даст возможность заполнить пробелы в существующих медицинских данных пациента.

  1. Улучшение публичных отчетов о проведенных исследованиях

Для повышения эффективности использования Big Data в медицине и унификации отчетов об исследованиях необходим механизм передачи результатов синдромного наблюдения, реестров иммунизации и другой информации здравоохранительным учреждениям. Такие данные должны соответствовать стандартам LOINC и SNOMED CT, а для их обработки должны использоваться автоматические инструменты.

Такой подход обеспечит не только соблюдение всех формальных требований, но гарантирует полноту данных, освобождая при этом работников медицинских учреждений от лишней рутинной работы.

  1. Ориентация производителей медицинского софта на сервис-ориентированную архитектуру

Специалисты компаний, занимающихся разработкой решений для медицины, советуют здравоохранительным организациям собирать медицинские данные на всех уровнях, на которых это возможно, и затем нормализировать их, приводя в соответствие упомянутым выше стандартам и форматам. Конечно, для этого необходимо разработать ряд инструментов и приложений, находящихся на пересечении современных наработок работы с данными и эффектных архитектурных решений. Хотя существует MUMPS (Massachusetts General Hospital Utility Multi-Programming System), который прекрасно подходит для обработки медицинских данных, реально эффективная работа с ними — довольно сложная задача.

Сервис-ориентированная архитектура позволяет эффективно работать с теми данными, которые уже есть у различных организаций, но при этом позволяют легко начать работу с новой группой данных, о необходимости использования которых мы могли даже не подозревать на этапе разработки приложения.

  1. Использование публичных данных о здравоохранении для обоснованного стратегического планирования

Стратегические планы в области здравоохранения обычно основаны на реакции на действия конкурента и разработку идей по принципу «создайте это и клиенты к вам придут сами». Использование новейших решений в области обработки данных способно решить и эту проблему.

Яркий пример такого развития — университет Флориды, который использовал карты Google и открытые медицинские данные для того чтобы определить уровень доступности медицинского обслуживания, опираясь на показатели роста населения и данные о хронических заболеваниях. Это позволило им определить, что в трех округах не хватает пунктов, позволяющих провести диагностику рака молочной железы. В соответствующие округа были направлены мобильные пункты диагностики.

Такой подход позволяет более эффективно использовать данные и давать реальное обоснование принятым решениям.

Источник

ОСТАВЬТЕ ОТВЕТ