మెడిసిన్ లో బిగ్ డేటా సోర్సెస్
ఔషధం లో పెద్ద డేటా యొక్క ఒక సాధారణ నిర్వచనం "రోగి ఆరోగ్య సంరక్షణ మరియు శ్రేయస్సు సంబంధించిన డేటా మొత్తం" (రఘుపతి 2014). కానీ ఈ రకమైన డేటా ఏమిటి, మరియు వారు ఎక్కడ నుండి వచ్చారు?
ఆరోగ్య సంరక్షణ సంస్ధలు, పరిశోధకులు, చెల్లించేవారు, విధాన రూపకర్తలు మరియు పరిశ్రమల కోసం పెద్ద డేటా రకాలు మరియు వనరులపై విస్తృత వివరణ ఉంది.
ఈ వర్గాలు వేర్వేరు మూలాల నుండి అదే డేటాను సృష్టించగలవు ఎందుకంటే, పరస్పరం ప్రత్యేకమైనవి కాదు.
పెద్ద జాబితా విశ్లేషణ యొక్క ఆచరణాత్మక అనువర్తనం తప్పనిసరిగా విస్తరించడానికి కొనసాగుతుంది కాబట్టి, ఈ జాబితా సమగ్రమైనది కాదు.
క్లినికల్ ఇన్ఫర్మేషన్ సిస్టమ్స్
ఈ ఆరోగ్య సంరక్షణ ప్రొవైడర్లు వీక్షించడానికి అలవాటుపడిపోయారని క్లినికల్ డేటా సంప్రదాయ మూలాలు.
- ఎలక్ట్రానిక్ హెల్త్ రికార్డులు (EHRs) జనాభా వివరాలు, గత వైద్య చరిత్ర, క్రియాశీల వైద్య సమస్యలు, వ్యాధి నిరోధకత, అలెర్జీలు, మందులు, కీలక సంకేతాలు, ప్రయోగశాల మరియు రేడియాలజీ పరీక్షల ఫలితాల సేకరణ, రోగనిర్ధారణ నివేదికలు, ప్రొవైడర్స్, మరియు పరిపాలనా మరియు ఆర్థిక పత్రాలు
- ఎలక్ట్రానిక్ వైద్య రికార్డులు (EMRs) EHR లకు సమానంగా ఉండవు మరియు సాధారణంగా ఒక నిర్దిష్ట వైద్యుడుతో నిల్వ ఉన్న డేటాకు సంబంధించినవి.
- ఆరోగ్య సమాచార మార్పిడిలు వేర్వేరు క్లినికల్ సమాచార వ్యవస్థల మధ్య కేంద్రంగా పనిచేస్తాయి
- రోగుల రిజిస్ట్రీలు, వారి సొంత రోగులలో ఆరోగ్య సంరక్షణ సంస్థలు నిర్వహించబడతాయి, తరచుగా EHR కు ముడిపడి ఉంటాయి. ఇతర రిజిస్ట్రీలు రోగనిరోధకతలను, క్యాన్సర్, గాయం, మరియు ఇతర ప్రజా ఆరోగ్య సమస్యలను విస్తృత భౌగోళిక స్థాయిలో ఉంచుతాయి.
- రోగుల పోర్టల్స్ రోగులు ఆరోగ్య సంరక్షణ సంస్థ యొక్క EHR లో నిల్వ చేసిన వ్యక్తిగత ఆరోగ్య సమాచారాన్ని యాక్సెస్ చేయడానికి అనుమతిస్తాయి. కొంతమంది రోగి పోర్టల్స్ వినియోగదారులను ప్రిస్క్రిప్షన్ రీఫిల్స్ ను అభ్యర్ధించటానికి మరియు ఆరోగ్య సంరక్షణ జట్టుతో సురక్షిత ఎలక్ట్రానిక్ సందేశాలను మార్పిడి చేసుకోవడానికి కూడా అనుమతిస్తాయి.
- క్లినికల్ డేటా గిడ్డంగులు బహుళ వైద్య సమాచార వ్యవస్థల నుండి రోగి స్థాయి డేటా మొత్తం, EHR లు మరియు పైన పేర్కొన్న ఇతర వనరులు
చెల్లింపుదారుల నుండి డేటా క్లెయిమ్ చేస్తుంది
పబ్లిక్ చెల్లింపుదారులు (ఉదా. మెడికేర్) మరియు ప్రైవేటు చెల్లింపుదారులు తమ లబ్ధిదారుల పై వాదనలు డేటా పెద్ద రిపోజిటరీలను కలిగి ఉన్నారు. కొన్ని ఆరోగ్య బీమా సంస్థలు ఇప్పుడు మీ ఆరోగ్య సమాచారాన్ని పంచుకునే ప్రోత్సాహకాలను అందిస్తున్నాయి.
రీసెర్చ్ స్టడీస్
పరిశోధనా డేటాబేస్లలో అధ్యయనం పాల్గొనేవారు, ప్రయోగాత్మక చికిత్సలు మరియు క్లినికల్ ఫలితాల గురించి సమాచారం ఉంటుంది. పెద్ద అధ్యయనాలు సాధారణంగా ఔషధ కంపెనీలు లేదా ప్రభుత్వ సంస్థల ద్వారా స్పాన్సర్ చేయబడతాయి. క్లినికల్ ట్రయల్స్ డేటాలో నమూనాల ఆధారంగా, సమర్థవంతమైన చికిత్సలతో వ్యక్తి రోగులతో సరిపోలడం వ్యక్తిగతీకరించిన ఔషధం యొక్క ఉపయోగం.
ఈ విధానం ఒక ప్రయోగాత్మక ఔషధ సూత్రాలను అమలు చేయకుండానే కదులుతుంది, దీని ద్వారా రోగులకు రోగులు విస్తృత లక్షణాలు (ఉదా. వయస్సు, లింగం, జాతి, క్లినికల్ స్థితి) విచారణ పాల్గొనేవారితో పంచుకుంటారా అని ఆరోగ్య సంరక్షణ ప్రదాత నిర్ణయిస్తుంది. పెద్ద డేటా విశ్లేషణలతో, రోగి యొక్క క్యాన్సర్ యొక్క జన్యు ప్రొఫైల్ (క్రింద చూడండి) వంటి మరింత పొడి సమాచారం ఆధారంగా చికిత్సను ఎంచుకోవచ్చు.
క్లినికల్ డెలివరీ సపోర్ట్ సిస్టంస్ (CDSS) కూడా వేగంగా అభివృద్ధి చెందాయి మరియు ఇప్పుడు ఔషధం లో కృత్రిమ మేధస్సు (AI) యొక్క పెద్ద భాగాన్ని సూచిస్తున్నాయి.
వారు నిర్ణయం తీసుకోవడంలో వైద్యులకు సహాయం చేయడానికి రోగి డేటాను ఉపయోగిస్తారు మరియు తరచూ EHR లతో కలిపి ఉంటాయి.
జన్యు డేటాబేస్లు
మానవ జన్యు సమాచారం యొక్క రిపోజిటరీ వేగంగా కొనసాగుతుంది. 2003 లో హ్యూమన్ జీనోమ్ ప్రాజెక్ట్ పూర్తయిన తరువాత, మానవ DNA సీక్వెన్సింగ్ ఖర్చు మిలియన్ రెట్లు తగ్గింది. హార్వర్డ్ మెడికల్ స్కూల్ చేత 2005 లో ప్రారంభించబడిన ది వ్యక్తిగత జీనోమ్ ప్రాజెక్ట్ (PGP), ప్రపంచం మొత్తం నుండి 100,000 వాలంటీర్ల సంపూర్ణ జన్యువులను శ్రేణిని మరియు ప్రచురించడానికి ప్రయత్నిస్తుంది. PGP స్వయంగా పరిమాణం మరియు వైవిధ్యమైన డేటా కారణంగా పెద్ద డేటా ప్రాజెక్టుకు ప్రధాన ఉదాహరణ.
వ్యక్తిగత జన్యురాశిలో 100 గిగాబైట్ల డేటా ఉంటుంది. జన్యువులను సీక్వెన్సింగ్తో పాటు, EGRs, సర్వేలు మరియు మైక్రోబయోమ్ ప్రొఫైల్స్ నుండి PGP డేటాను కూడా సేకరిస్తుంది.
అనేక కంపెనీలు ఆరోగ్య, వ్యక్తిగత లక్షణాలు, మరియు ఫార్మకోజెనెటిక్స్లకు వాణిజ్యపరంగా ప్రత్యక్ష వినియోగదారుల జన్యు శ్రేణిని అందిస్తున్నాయి .
ఈ వ్యక్తిగత సమాచారం పెద్ద డేటా విశ్లేషణలకు లోబడి ఉంటుంది. ఉదాహరణకు, 23andMe US ఫుడ్ అండ్ డ్రగ్ అడ్మినిస్ట్రేషన్కు అనుగుణంగా నవంబర్ 22, 2013 నాటికి కొత్త వినియోగదారులకు ఆరోగ్య సంబంధిత జన్యు నివేదికలను అందించడం నిలిపివేసింది. అయితే, 2015 లో, సంస్థ వారి జన్యు లాలాజల పరీక్ష యొక్క కొన్ని ఆరోగ్య భాగాలు అందించడం ప్రారంభించింది, ఈ సమయం FDA ఆమోదంతో.
పబ్లిక్ రికార్డ్స్
ఆరోగ్యం, ఇమ్మిగ్రేషన్, పెళ్లి, జననం మరియు మరణం వంటి ఆరోగ్యాలకు సంబంధించి జరిగిన సంఘటనల వివరాలను ప్రభుత్వం పరిశీలిస్తుంది. US జనాభా లెక్కలు 1790 నుండి ప్రతి 10 సంవత్సరాలకు పైగా సమాచారాన్ని సేకరించాయి. జనాభా గణాంకాల వెబ్సైట్ 2013 నాటికి 370 బిలియన్ కణాలను కలిగి ఉంది, సుమారుగా 11 బిలియన్ల అదనపు వార్షికంగా ఉంది.
వెబ్ శోధనలు
గూగుల్ మరియు ఇతర వెబ్ సెర్చ్ ప్రొవైడర్లచే సేకరించబడిన వెబ్ శోధన సమాచారం జనాభా ఆరోగ్యానికి సంబంధించిన నిజ సమయ ఆలోచనలు అందిస్తుంది. అయినప్పటికీ, వెబ్ శోధన విధానాల నుండి పెద్ద డేటా యొక్క విలువ సాంప్రదాయ మూలాల ఆరోగ్య డేటాతో కలపడం ద్వారా మెరుగుపడవచ్చు.
సాంఘిక ప్రసార మాధ్యమం
ఫేస్బుక్, ట్విట్టర్ మరియు ఇతర సోషల్ మీడియా వేదికలు గడియారము చుట్టూ విస్తృతమైన వివిధ రకాలైన డేటాను, ఆరోగ్య ప్రవర్తనలను, భావోద్వేగాలను మరియు వినియోగదారుల సాంఘిక పరస్పర చర్యలను అందిస్తాయి. సాంఘిక ప్రసార సాధనాల ప్రజల ఆరోగ్యానికి సంబంధించిన పెద్ద డేటాను డిజిటల్ వ్యాధి గుర్తింపు లేదా డిజిటల్ ఎపిడెమియాలజీగా పిలుస్తున్నారు. ఉదాహరణకు, ట్విట్టర్, సాధారణ జనాభాలో ఇన్ఫ్లుఎంజా ఎపిడెమిక్స్ను విశ్లేషించడానికి ఉపయోగించబడింది.
పెన్సిల్వేనియా విశ్వవిద్యాలయంలో ప్రారంభమైన వరల్డ్ వెల్-బీయింగ్ ప్రాజెక్ట్ అనేది ప్రజల అనుభవం మరియు ఆరోగ్యాన్ని బాగా అర్ధం చేసుకోవడానికి సోషల్ మీడియా అధ్యయనం యొక్క మరొక ఉదాహరణ. ఫేస్బుక్ మరియు ట్విట్టర్లో స్థిరమైన నవీకరణలను వ్రాస్తున్నప్పుడు, ఆన్లైన్లో పరస్పర చర్య చేసేటప్పుడు ఉపయోగించిన భాషను విశ్లేషించే మానసిక నిపుణులు, గణాంకవేత్తలు మరియు కంప్యూటర్ శాస్త్రవేత్తలు కలిసి ఈ ప్రాజెక్ట్ను అందిస్తుంది. వినియోగదారుల భాష వారి ఆరోగ్యం మరియు ఆనందానికి సంబంధించింది ఎలా శాస్త్రవేత్తలు గమనిస్తున్నారు. సహజ భాషా ప్రాసెసింగ్ మరియు మెషీన్ లెర్నింగ్ లో అడ్వాన్స్లు వారి ప్రయత్నాలతో సహాయపడుతున్నాయి. పెన్సిల్వేనియా విశ్వవిద్యాలయం యొక్క ఇటీవలి ప్రచురణ సామాజిక మీడియా విశ్లేషించడం ద్వారా మానసిక అనారోగ్యం అంచనా మార్గాలు చూశారు. ఇంటర్నెట్ మా ఉపయోగం అధ్యయనం ద్వారా మాంద్యం మరియు ఇతర మానసిక ఆరోగ్య పరిస్థితులు లక్షణాలు గుర్తించవచ్చు ఇది కనిపిస్తుంది. భవిష్యత్లో శాస్త్రవేత్తలు ఈ పద్ధతులు ప్రమాదానికి గురయ్యే వ్యక్తులను బాగా గుర్తించి సహాయపడుతుంది.
ది ఇంటర్నెట్ ఆఫ్ థింగ్స్ (IoT)
ఆరోగ్య సంబంధిత సమాచారం యొక్క భారీ ట్రోవ్లు కూడా మొబైల్ మరియు గృహ పరికరాల్లో సేకరించబడతాయి మరియు నిల్వ చేయబడతాయి.
- స్మార్ట్ఫోన్లు : mHealth అనువర్తనాల వేలాది వినియోగదారుల భౌతిక చర్య, పోషక తీసుకోవడం, నిద్ర నమూనాలు, భావోద్వేగాలు మరియు ఇతర పారామితులపై సమాచారాన్ని సంగ్రహించడం. స్థానిక సెల్ ఫోన్ అనువర్తనాలు (ఉదా. GPS, ఇమెయిల్, టెక్స్టింగ్) కూడా ఒక వ్యక్తి యొక్క ఆరోగ్య స్థితిని గురించి ఆధారాలు ఇవ్వగలవు.
- ధరించగలిగిన మానిటర్లు మరియు పరికరాలు: చర్మం కింద చొప్పించిన Pedometers, accelerometers, అద్దాలు, గడియారాలు, మరియు చిప్స్ కూడా ఆరోగ్య సంబంధిత సమాచారం సేకరించడానికి మరియు క్లౌడ్ వాటిని పంపవచ్చు.
- టెలిమెడిసిన్ పరికరాలలో ఆరోగ్య సంరక్షణ అందించేవారు రక్తపోటు, హృదయ స్పందన రేటు, శ్వాసకోశ రేటు, ఆక్సిజనేషన్, ఉష్ణోగ్రత, ECG ట్రేసెనింగ్ మరియు బరువు వంటి రోగుల పారామితులను పర్యవేక్షించటానికి అనుమతిస్తారు.
ఆర్థిక లావాదేవీలు
రోగుల యొక్క క్రెడిట్ కార్డు లావాదేవీలు కరోలినాస్ హెల్త్కేర్ సిస్టంచే ఉపయోగించబడుతున్న ఊహాజనిత నమూనాలలో చేర్చబడ్డాయి, ఆసుపత్రికి తిరిగి రావడానికి అధిక ప్రమాదం ఉన్న రోగులను గుర్తించడానికి. షార్లెట్ ఆధారిత ఆరోగ్య సంరక్షణ ప్రదాత రోగులను విభిన్న సమూహాలలో విభజించడానికి పెద్ద డేటాను ఉపయోగిస్తుంది, ఉదాహరణకు, వ్యాధి మరియు భౌగోళిక స్థానాల ఆధారంగా.
నైతిక మరియు గోప్యతా చిక్కులు
ఆరోగ్య సంరక్షణలో డేటాను సేకరించి, యాక్సెస్ చేసేటప్పుడు, కొన్ని సందర్భాల్లో, ముఖ్యమైన నైతిక మరియు గోప్యతా చిక్కులు ఉండవచ్చు. పెద్ద డేటా యొక్క నూతన వనరులు వ్యక్తులు మరియు జనాభా ఆరోగ్యంపై ఏవైనా ప్రభావం చూపుతున్నాయనే దాని గురించి మన అవగాహనను పెంచుతుంది, అయితే, వివిధ ప్రమాదాలను జాగ్రత్తగా పరిశీలిస్తాము మరియు పర్యవేక్షించవలసి ఉంటుంది. ఇంతకుముందు అనామకంగా ఉన్న డేటాను గుర్తించినట్లు కూడా గుర్తించబడింది, తిరిగి గుర్తింపు పొందవచ్చు. ఉదాహరణకు, హార్వర్డ్ యొక్క డేటా ప్రైవసీ ల్యాబ్ యొక్క ప్రొఫెసర్ లాటాన్ స్వీనీ వ్యక్తిగత జీనోమ్ ప్రాజెక్ట్లో పాల్గొన్న 1,130 స్వచ్ఛంద సేవలను సమీక్షించారు. ఆమె మరియు ఆమె బృందం పాల్గొన్న వారిలో 42 శాతం మంది వారు పంచుకున్న సమాచారం ఆధారంగా (జిప్ కోడ్, పుట్టిన తేదీ, లింగం) సరిగ్గా పేరు పొందగలిగారు. ఈ పరిజ్ఞానం సంభావ్య ప్రమాదాల గురించి మా అవగాహనను పెంచుతుంది మరియు మెరుగైన డేటా భాగస్వామ్య నిర్ణయాలు తీసుకోవడానికి మాకు సహాయపడుతుంది.
> సోర్సెస్:
> కాన్వే M, ఓ 'కానర్ D. సోషల్ మీడియా, బిగ్ డేటా, మరియు మెంటల్ హెల్త్: ప్రస్తుత పురోగతులు మరియు నైతిక ప్రభావాలు. ప్రస్తుత అభిప్రాయం లో సైకాలజీ 2016; 9: 77-82.
> ఫెర్నాండెజ్ L, ఓ 'కానర్ M, వీవర్ V. బిగ్ డేటా, పెద్ద ఫలితాలు. జర్నల్ ఆఫ్ ది అమెరికన్ హెల్త్ ఇన్ఫర్మేషన్ మేనేజ్మెంట్ అసోసియేషన్ 2012; 83 (10): 38-43
> గుంటూకు ఎస్, యాడెన్ డి, కెర్న్ ఎం, అన్గర్ ఎల్, ఐచ్స్టాడ్ట్ జే. డిటెక్టింగ్ డిప్రెషన్ అండ్ మానసిక అనారోగ్యం సోషల్ మీడియా: ఎన్ ఇంటిగ్రేటివ్ రివ్యూ . బిహేవియరల్ సైన్సెస్లో ప్రస్తుత అభిప్రాయం 2017; 18: 43-49.
> లెస్సర్ D, కెన్నెడీ R, కింగ్ G, వెస్పిజ్ఞానీ A. Google ఫ్లూ యొక్క పారాబుల్: బిగ్ డేటా విశ్లేషణలో ఉచ్చులు . సైన్స్ 2014; 343 (6176): 1203-1205.
> రఘుపతి W, రఘుపతి వి. బిగ్ డేటా ఎనలిటిక్స్ ఇన్ హెల్త్కేర్: వాగ్దానం మరియు potenti అల్. హెల్త్ ఇన్ఫర్మేషన్ సైన్స్ అండ్ సిస్టమ్స్ 2014; 2: 3.
> స్వీనీ L, అబూ A, Winn J. పేరుతో వ్యక్తిగత జీనోమ్ ప్రాజెక్ట్లో పాల్గొనేవారిని గుర్తించడం . హార్వర్డ్ విశ్వవిద్యాలయం. డేటా గోప్యతా ల్యాబ్. వైట్ పేపర్ 1021-1. ఏప్రిల్ 24, 2013.