De onbewuste beelden van gezondheidszorgdatawetenschappers en -analisten aan het werk omvatten netjes georganiseerde spreadsheets, algoritmen, programmeertalen die gegevens verwerken en visualisatietools die kleurrijke grafieken en diagrammen opleveren. en vergelijkbaar. Dit is echter verre van de realiteit.
In werkelijkheid worstelen datawetenschappers dagelijks met één element: ongestructureerde data. De hausse aan big data heeft een enorme invloed gehad op de gezondheidszorg. Uit rapporten blijkt dat technische vooruitgang op het gebied van klinische apparatuur, draagbare apparaten, Elektronische medische dossiers (EPD), en meer hebben geresulteerd in enorme hoeveelheden gegevensgeneratie.
Statistieken laten zelfs zien dat de gezondheidszorgsector het grootste deel daarvan voor zijn rekening neemt 30% van het totale datavolume gegenereerd. Bovendien produceert een enkel ziekenhuis elk jaar gemiddeld meer dan 50 petabytes aan gegevens. Het probleem is echter dat meer dan 80% van de gegenereerde gegevens ongestructureerd is.
Wat is het en welke invloed heeft het op datagestuurde besluitvorming, baanbrekende revoluties en R&D en innovatie in de gezondheidszorg? We zullen het in dit artikel ontdekken.
Gestructureerde en ongestructureerde gegevens: twee helften van dezelfde capsule
Om de twee verschillende soorten gegevens te begrijpen, moeten we erkennen dat gezondheidszorggegevens worden gegenereerd telkens wanneer een zorgspecifieke actie wordt ondernomen. Dit kan net zo analoog zijn als een arts die een recept op papier schrijft, maar ook zo digitaal en onmiddellijk als een bloeddrukrapport vanaf een draagbaar apparaat.
Alle gegenereerde gegevens vallen onder een van de twee categorieën. Laten we nu begrijpen wat de twee betekenen.
Gestructureerde gegevens in de gezondheidszorg
Alle gegevens die eenvoudig zijn en netjes georganiseerd, gemakkelijk toegankelijk en in een gestandaardiseerd formaat zijn, vormen gestructureerde gegevens. De belangrijkste kenmerken van gestructureerde gegevens zijn onder meer:
- Universele of uniforme formaten met de juiste toeschrijvingen op naam, datum, medische codes en meer
- Interoperabiliteit, waar hun standaardisatie de weg vrijmaakt voor belanghebbenden in de gezondheidszorg over het hele spectrum om deze gegevens voor hun behoeften te gebruiken
- Vindbaarheid en verwerkbaarheid om klinische besluitvorming, verwijzingen, rapportage en meer te bevorderen
Voorbeelden van gestructureerde gegevens
| Klinische en medische codes | ICD- en CPT-codes, rapporten van laboratoriumresultaten |
| Demografische informatie | Naam van de patiënt, leeftijd, geboortedatum, geslacht, regio en meer |
| Fysieke maatregelen en vitale functies | Lengte, gewicht, hartslag, lichaamstemperatuur en dergelijke |
| Medicijnen | Voorgeschreven medicijnen, doseringen, toedieningsschema's, allergieën en meer |
Ongestructureerde gegevens in de gezondheidszorg
Elk type data dat niet in een gestandaardiseerd formaat beschikbaar is, zich op een toegankelijke locatie bevindt of onverwerkbaar is, valt onder de categorie ongestructureerde data. Helaas overtreft de hoeveelheid gegenereerde ongestructureerde gegevens in de gezondheidszorg de hoeveelheid ongestructureerde gegevens die daarmee gepaard gaat.
Als gestructureerde data symptomen aan het licht brengen, brengen ongestructureerde data de onderliggende redenering en andere nuances aan het licht. Om ongestructureerde gegevens zo goed mogelijk te begrijpen, moeten we naar voorbeelden uit de praktijk kijken.
Ongestructureerde gegevensvoorbeelden
| Medische aantekeningen | Offline medische notities, zoals recepten vastgelegd door zorgexperts. |
| Medische beeldgegevens | Elk beeld dat wordt gegenereerd door klinische apparaten zoals MRI-, CT- of echografiescanners |
| Audiovisuele gegevens | Audio-, video- of transcriptiegegevens maken deel uit van patiëntconsultaties, interviews of chirurgische ingrepen |
| Door de patiënt gegenereerde gegevens | Beschikbaar via draagbare datasets, mondeling gecommuniceerde informatie en dergelijke |
| Sociale media- en communicatiegegevens | Zoals analyse van patiëntfeedback geüpload door patiënten voor consultatie of door deskundigen uit de gezondheidszorg, uitgewisselde e-mails, verzonden en ontvangen berichten en dergelijke |
| Genetische gegevens | Inzichten in de DNA-rapporten en analyses van een individu waarmee erfelijke ziekten kunnen worden opgespoord |
[Lees ook: Samenvatting van AI-medische dossiers: definitie, uitdagingen en best practices]
Van acties tot inzichten: hoe u ongestructureerde gegevens kunt transformeren en benutten om de klinische besluitvorming te ondersteunen
De technologie die fungeert als de bron van talloze soorten ongestructureerde gegevens biedt ons ook oplossingen en technieken om deze te ontcijferen. Door gebruik te maken van opkomende technologieën zoals kunstmatige intelligentie (AI), machine learning (ML) en analyses kunnen we dit gegevenstype niet alleen organiseren, maar er ook betekenis aan geven voor bruikbare inzichten.
Laten we eens kijken naar de manieren waarop dit mogelijk is.
Het benutten van natuurlijke taalverwerking (NLP) in de gezondheidszorg
Zoals de naam al doet vermoeden, stelt deze technologie computers in staat menselijke taal te begrijpen en dit omvat de verschillende manieren waarop we communiceren – via spraak, audiovisueel, tekst en meer. Met behulp van machine learning-modellen kunnen we nu gigantische hoeveelheden ongestructureerde gegevens verwerken en kritische inzichten verkrijgen die anders onmogelijk zouden zijn.
Simpel gezegd kan NLP niet alleen het handschrift van een arts lezen en begrijpen, maar het ook verwerken om aspecten aan het licht te brengen die onopgemerkt blijven. Bovendien kan het ook uren aan video- of audio-inhoud ontleden en gegevens ordenen zoals vereist en gespecificeerd zodat leken eraan kunnen werken.
Voorspellende analyses in de geneeskunde
Als we de essentie moeten destilleren van waarom we data science-technieken implementeren, zou dit neerkomen op drie aspecten:
- Begrijp gegevens voor indicatieve resultaten
- Begrijp gegevens met indicatieve resultaten en beveel oplossingen aan
- Begrijp en beveel oplossingen aan en voorspel in de toekomst mogelijke gebeurtenissen en resultaten
Deze drie vormen beschrijvend, prescriptief en voorspellend analyses respectievelijk.
[Lees ook: Wat is data-annotatie in AI voor de gezondheidszorg? Definitie, technieken en use cases]
In de gezondheidszorg kunnen voorspellende analyses levensveranderend zijn, omdat ze kunnen wijzen op een toekomstige uitkomst die zeer waarschijnlijk is. Het gebruik van machinaal leren in de gezondheidszorg heeft ervoor gezorgd dat dergelijke concepten een grondrealiteit zijn geworden. Met voorspellende analyses kunnen gegevens uit medische beeldvorming nauwkeurig voorspellen of een goedaardige tumor in een kwaadaardige tumor kan veranderen, rekening houdend met levensstijl, leeftijd, demografische gegevens en meer.
Op dezelfde manier kunnen voorspellende analyses, door middel van nauwkeurige analyse van genomische gegevens, helpen aangeven of een individu waarschijnlijk diabetes, hartziekten of de ziekte van Alzheimer zal ontwikkelen. Dit is de analyse tussen leven en dood, waarbij deskundigen uit de gezondheidszorg medicijnen kunnen aanbevelen, het bewustzijn kunnen vergroten of veranderingen in levensstijl kunnen voorstellen om kansen te voorkomen.
Wanneer we verzamelen en organiseren, ontstaan er talloze mogelijkheden voor het diagnosticeren en behandelen van kwalen ongestructureerde gegevens en plaats ze in een context. Met het juiste gebruik van de ideale technologie verloopt de verwerking ervan ook naadloos.
Als u deze stappen echter wilt overslaan en over gegevens beschikt die klaar zijn voor verwerking om uw zorgalgoritmen en -oplossingen te trainen, kunt u contact met ons opnemen. Wij bieden op maat gemaakte en ethisch verantwoorde gezondheidszorggegevens voor al uw zorgspecifieke behoeften. Neem vandaag nog contact met ons op.
