Bolji pristup predviđanju bolesti putem velike analize podataka

Breaking2 | Documentary Special (Lipanj 2019).

Anonim

Veliki podaci imaju veliko obećanje da će bolju zdravstvenu skrb promijeniti. Međutim, većina tehnologije koja će jednog dana transformirati zdravstvenu skrb i njegovu isporuku još nije dovoljno zrela da bi se koristile bolnice i drugi sustavi.

Druga IEEE / ACM konferencija o povezanom zdravlju: aplikacije, sustavi i inženjerske tehnologije donijet će stručnjake iz akademika, poslovanja i vlade kako bi razmijenili informacije i pomogli ubrzavanju transformacije zdravstvene skrbi. Ova vodeća međunarodna konferencija održat će se u Philadelphiji ovog tjedna od 17. do 19. srpnja.

Mooi Choo Chuah, profesor računalnih znanosti i inženjerstva na Sveučilištu Lehigh i suradnik Lehighovog dodiplomskog računalnog inženjerskog programa, služi kao tehnički supredsjedatelj, zajedno s profesorom Insup Lee Sveučilišta u Pennsylvaniji. Chuah je vrhunski stručnjak za sljedeću generaciju dizajnerske bežične mrežne arhitekture, mrežnu i Smart Grid sigurnost te istraživanje povezano s mobilnim / cloud computingom. Nedavno je također počela raditi na istraživanju rudarskih podataka o zdravstvenoj zaštiti.

Osim što je vodio odbor za tehnički program zadužen za planiranje i implementaciju sadržaja konferencije, Chuah će predstaviti članak u utorak, 18. srpnja pod nazivom "Poticanje visokokvalitetnih kliničkih podataka o prognozi bolesti"

Prema Chuah, najnovije istraživanje svoje grupe nudi dva doprinosa. Prvi je pristup koji je razvila s diplomiranim studentskim suradnikom Qinghanom Xueom koji koristi veliki skup podataka koji pokazuje bolji model predviđanja bolesti koji kombinira čišćenje podataka i pažljiv odabir značajki s učinkovitim tehnikama učenja stroja.

Chuah je iskoristio skup podataka koji je objavila neprofitna tvrtka Prize4Life, koja je udružila s razvojem baze baze podataka baziranog na resursima otvorenog pristupa (ALS Clinical Trials, PRO-ACT), najveće baze podataka o kliničkim podacima iz pacijenata Amyotrophic lateral skleroze (ALS), U 2012. godini, Prize4Life je održao natjecanje koja se bavi crowdourcedom kako bi se stvorila metoda za precizno predviđanje ishoda bolesti ALS na temelju podataka iz PRO-ACT.

Među rezultatima timovi sudionici nastojali su predvidjeti da li bi pacijenti s ALS-om progresivnom degenerativnom bolestom živaca doživjeli polagano napredujuću bolest koja je prosječno napredovana bolest i bolest koja brzo napreduje. Izazov je također zatražio istraživače da predviđaju koliko će ALS pacijenata preživjeti od datuma dijagnoze. Dvije su ekipe osvojile vrhunske nagrade za ova dva različita zadatka predviđanja.

Slično natjecanju koja se bavila glumom, Chuah je koristio PRO-ACT bazu podataka (koja sadrži više od 10.700 zapisa s 6.318 značajki) kako bi predvidio koji bi pacijenti bili u tri klastera napredovanja: spor, prosječan ili brz.

Izazov, kaže Chuah, bio je da je skup podataka bio "vrlo bučan".

"Na primjer, nedostajali su neki podaci", kaže Chuah. "Neki su podaci bili ne-numerički - i, kao što znate, računala poput numeričkih vrijednosti."

Njihov model očistio je podatke i pokazao poboljšanu stopu točnosti u predviđanju napredovanja bolesti pacijenta. Zapravo, Chuahova metoda je bila uspješnija od pobjedničkog tima - 58, 3% točnosti u usporedbi s 40, 5% - s manje potrebnih značajki i kvalitetnijim podacima.

"Bili smo u mogućnosti predvidjeti gdje će pacijent pasti na spektar progresije bolesti s više preciznosti i bržem", kaže Chuah. "To ima i implikacije koje štedi troškove - jer liječnik može češće vidjeti pacijenta s boljom napredovanom bolešću, ali rjeđe za pacijente koji polako napreduju - kao i za poboljšanje zdravstvenih ishoda".

Drugi doprinos članka predstavlja rješenje za jedan od glavnih izazova zdravstvene skrbi: činjenica da niti jedna bolnica niti zdravstveni sustav nemaju dovoljno svojih podataka za korisnu analizu prediktivnih bolesti.

"Bolnice i drugi sustavi zdravstvene zaštite prikupljaju podatke o podacima", objašnjava Chuah. "Međutim, svaka od njih ima ograničen broj pacijenata koji doživljavaju određenu bolest - poput ALS-a ili dijabetesa. Na primjer, napravili smo poticajnu metodu kako bismo potaknuli bolnice na razmjenu podataka kako bismo mogli stvoriti bolje modele predviđanja."

Algoritam koji je razvila i ona i njezina ekipa osmišljena su za pružanje "funkcije plaća" za svakog pružatelja zdravstvene skrbi, identificirajući troškove po pacijentu za sudjelovanje u baziranoj bazi podataka. Pojedinačna bolnica mogla bi iskoristiti poticajni model kako bi procijenio hoće li sudjelovati. Model pruža "nagradu" za pružanje istinitih, visokokvalitetnih podataka.

Chuah vjeruje kako bi oba elementa njezinih najnovijih istraživanja mogla pozitivno utjecati na točnost i korisnost modela prediktivnih bolesti i, što je najvažnije, poboljšati zdravstvene ishode za pacijente.

Ona dodaje: "U svom radu uvijek želim riješiti probleme za koje znam da će imati nekakav pozitivan društveni utjecaj".

menu
menu