In den letzten Jahren haben die Big-Data-Technologien den Geschäftsbereich der IT verlassen und sind in die verschiedenen Bereiche unseres täglichen Lebens eingezogen: staatliche Strukturen, Wirtschaft, Wissenschaft, Gesundheitswesen usw. Am Beispiel des Gesundheitswesens können Sie sehen, dass Big-Data-Technologien nicht nur die Produktion optimieren und die Einnahmen der Unternehmen steigern, sondern auch globale Probleme lösen und das Leben von Millionen von Menschen retten können.
Jedes Jahr nimmt die Bevölkerung unseres Planeten zu – deshalb sind die Vorhersage und Verhütung von Epidemien und die Bekämpfung von Krankheiten die Hauptaufgaben der modernen Gesellschaft. Dies kann mit Hilfe von Data Science effizienter geschehen.
In diesem Artikel erfahren Sie mehr über den Einsatz von Big Data im Gesundheitswesen. Sie erfahren etwas über elektronische Krankenakten, wie tragbare elektronische Geräte bei der Behandlung hilfreich sein können und wie Big-Data-Algorithmen bei der Wiederbelebung das Leben von Menschen retten können. Außerdem werden wir über Telemedizin sprechen – medizinische Fernkonsultationen zwischen Arzt und Patient.
Außerdem werden wir über das von unserem Team entwickelte Data Science-Projekt berichten. Dabei geht es darum, die Statistiken der Weltgesundheitsorganisation zu analysieren und die häufigsten Todesursachen in der europäischen Bevölkerung zu bestimmen. Bleiben Sie dran, es wird sicher interessant!
Datenwissenschaft und Gesundheitswesen
In der Zukunft wird die Geschichte aller medizinischen Verfahren von der Geburt eines Menschen an in einer elektronischen Datenbank gespeichert sein.
Die Algorithmen des maschinellen Lernens sind in der Lage, die statistischen Korrelationen in den weltweiten Mengen medizinischer Daten zu finden. Dies wird dazu beitragen, den Patienten und ihren Ärzten schnell Empfehlungen zu geben.
Die Analyse aller bekannten klinischen Aufzeichnungen wird dazu beitragen, ein Unterstützungssystem für die Ärzte einzuführen. Sie werden Zugang zu den Erfahrungen von Zehntausenden von Kollegen in der ganzen Welt erhalten. Lassen Sie uns die Vorteile der Einführung von Big-Data-Technologien im Gesundheitswesen betrachten.
Elektronische Gesundheitsakten
Die elektronische Gesundheitsakte ist ein System zum Sammeln von Informationen aus verschiedenen Quellen. Hier finden Sie Informationen über die Diagnose des Patienten, seine Medikamente, aktuelle Gesundheitsprobleme, bestandene Verfahren, medizinische Vorsorgeuntersuchungen usw. Die intelligenten Krankenaktenkarten sind in der Lage, die Patienten per E-Mail über die Notwendigkeit zu informieren, die Empfehlungen des Arztes zu befolgen.
Anhand der Daten aus dem elektronischen Krankenaktensystem kann der Arzt Zusammenhänge zwischen völlig unterschiedlichen (wie es scheinen mag) Krankheiten feststellen. So kann beispielsweise das von den Mitgliedern des Kaiser Permanente Konsortiums entwickelte Risikomanagementsystem das Risiko psychischer Erkrankungen bei Diabetespatienten berechnen. Mit Hilfe dieses Modells versucht die amerikanische Armee, die Selbstmordrate unter Veteranen zu minimieren.
Tragbare elektronische Geräte
Die Zahl der tragbaren elektronischen Geräte, wie z. B. Fitnessuhren, nimmt jedes Jahr zu. In den USA wird nun die Praxis eingeführt, die Daten an den behandelnden Arzt weiterzugeben.
Selbst wenn der Gesundheitszustand des Patienten normal ist, bilden Petabytes der gesammelten Informationen eine flexible und ständig wachsende Datenbank. Die neuronalen Netze werden in der Lage sein, die Korrelationen zwischen den Tracker-Daten und der Anfälligkeit einer Person für Krankheiten zu finden. Dies ist ein Beispiel für die Datenanalyse im Gesundheitswesen, die Schwachstellen im Gesundheitszustand von Menschen aufspüren, wahrscheinliche Krankheiten vorhersagen und Empfehlungen zu deren Vorbeugung geben kann. Für die Ärzte ist dies eine Möglichkeit, die Ergebnisse einer bestimmten Behandlungsmethode auf der Grundlage der Ergebnisse bei Patienten mit ähnlicher Genetik und Lebensweise vorherzusagen.
Reanimation & Aggressive Behandlung
Wenn es um die Reanimation geht, steht die prädiktive Analyse an erster Stelle der Patientenversorgung. Die am meisten gefährdeten Patienten sind anfällig für eine plötzliche Verschlechterung ihres Gesundheitszustands aufgrund von Infektionen. Diese Fälle können von den mit Reanimation und aggressiver Therapie beschäftigten Ärzten nicht immer vorhergesagt werden. Dies kann jedoch durch datenwissenschaftliche Algorithmen im Gesundheitswesen geschehen.
Sie werden den Ärzten helfen, sicherzustellen, dass sie keine wichtigen Informationen über die Patienten übersehen, wie z. B. ihre Anfälligkeit für Sepsis. Da die Sepsis in den frühen Stadien der Krankheit keine ausgeprägten Symptome aufweist, wird sie von den Ärzten meist erst entdeckt, wenn es bereits zu spät ist – deshalb verlaufen etwa 40 % der Sepsisfälle tödlich. Durch die Analyse des Zustands des Patienten und von Millionen ähnlicher Fälle wird das System das Risiko einer Sepsis erkennen und den Ärzten helfen, die Krankheit so früh wie möglich zu erkennen.
Telemedizin
Ein weiteres Beispiel für den Einsatz von Big Data im Gesundheitswesen ist die Entwicklung der Telemedizin. Dieser Begriff umfasst sowohl die Primärdiagnostik als auch die komplexe Überwachung des Zustands des Patienten. Dank der Entwicklung der Telemedizin ist es möglich, aus der Ferne mit einem Arzt zu kommunizieren.
Die Ärzte nutzen die Telemedizin, um einen individuellen Behandlungsplan für den Patienten zu erstellen und Krankenhausaufenthalte zu vermeiden. Durch die Verringerung der Zahl der Patienten im Krankenhaus können die finanziellen Aufwendungen für medizinische Leistungen gesenkt werden, ohne dass die Qualität der Dienstleistung darunter leidet. Die Konsultation kann zu jeder Zeit und von jedem Ort aus erfolgen, was sowohl für den Patienten als auch für den Arzt bequem ist.
Herausforderungen bei der Einführung von Big Data im Gesundheitswesen
Trotz des Fortschritts der Big-Data-Technologie wäre es falsch, sie als den Schlüssel zu allem Wissen der Welt zu betrachten. Bei der Verarbeitung der riesigen Informationsmengen kann man mit drei großen Herausforderungen konfrontiert werden.
Unstrukturierte Daten
Die Algorithmen für den Umgang mit Textinformationen wurden schon vor langer Zeit entwickelt und werden in der Big-Data-Verarbeitung häufig eingesetzt. Es ist jedoch unklar, was mit Audio- und Videodaten geschehen soll. Wenn wir die Standardalgorithmen zur Umwandlung von Sprache in Text verwenden, werden die Informationsmengen zu groß.
Dies wird zusätzliche Schwierigkeiten bei der Suche nach nützlichen Informationen mit sich bringen. Etwa 78 % der medizinischen Daten sind unstrukturiert, und es ist zu teuer, solche Informationsmengen zu filtern und zu analysieren.
Jede Menge Junk-Informationen
Big-Data-Experten sind sich sicher, dass die meisten Projekte in diesem Bereich an einer Fülle von irrelevanten Informationen in den zu analysierenden Daten scheitern.
Das Sammeln der Informationen bereitet keine Schwierigkeiten, und die Speicherung der Daten ist billiger als deren Vernichtung. Dennoch können viele minderwertige Informationen die Analysesysteme zu falschen Schlussfolgerungen verleiten, z. B. zur Feststellung einer falschen Korrelation zwischen der Krankheit und den externen Faktoren.
Fehlen von Normen
Big-Data-Unternehmen müssen ein universelles Protokoll für den Austausch medizinischer Informationen erstellen. Je mehr standardisierte medizinische Informationen verfügbar sind, desto präziser werden die analytische Beschreibung von Krankheiten und die Vorhersagesysteme sein.
Wie wir ein Gesundheitsprojekt mit Big Data realisiert haben
Wir haben einen Bericht erstellt, der einen negativen Sterblichkeitstrend seit 2012 zeigt. Kein Wunder, denn seit 2012 hat die Weltgesundheitsorganisation (WHO) ihren Haushalt überarbeitet und damit sowohl auf die neue Realität finanzieller Sparmaßnahmen als auch auf eine Reihe von Reformen zur Verbesserung der Gesamtleistung der WHO reagiert. Zu diesen Reformen gehören ein verbessertes ergebnisorientiertes Management und ein Rechenschaftsrahmen sowie ein realistischeres und flexibleres Finanzierungsmodell.
Es kann der Schluss gezogen werden, dass die Innovationen der WHO funktionieren, denn es ist ein starker Rückgang der Zahl der Toten und der Toten pro 100 000 zu beobachten.
Um die Rohdaten für die Analyse zu sammeln, haben wir API von der offiziellen Website der Weltgesundheitsorganisation verwendet, um die Statistiken über die Todesursachen zu erhalten. Um Informationen über die finanzielle Lage in den europäischen Ländern zu erhalten, haben wir die Daten von der Website der Europäischen Zentralbank verwendet.
Unser Ziel war es, die häufigsten Todesursachen in den verschiedenen europäischen Ländern zu bestimmen und die Korrelation zwischen den wirtschaftlichen Bedingungen im Land und der Sterblichkeitsrate zu ermitteln.
Praktische Anwendung des Projekts: Entwicklungsprozess
Viele Faktoren beeinflussen den Gesundheitszustand und die Fähigkeit eines Landes, seiner Bevölkerung qualitativ hochwertige Gesundheitsdienste anzubieten. Gesundheitsministerien sind wichtige Akteure, aber auch andere Regierungsstellen, Geberorganisationen, Gruppen der Zivilgesellschaft und die Gemeinschaften selbst. So können beispielsweise Investitionen in Straßen den Zugang zu Gesundheitsdiensten verbessern, Inflationsziele können die Gesundheitsausgaben einschränken, und eine Reform des öffentlichen Dienstes kann Möglichkeiten – oder Grenzen – für die Einstellung von mehr Gesundheitspersonal schaffen. Die Visualisierung zeigt die Sterblichkeit pro 100 000 Menschen in Europa. Diese Visualisierung zeigt, welche Länder Reformen und Maßnahmen benötigen, um diesen Indikator zu senken.
Wie aus der Visualisierung ersichtlich ist, sind solche Maßnahmen in vielen Ländern dringend erforderlich, insbesondere in den GUS-Ländern, Moldawien, Malta, Rumänien, Lettland, Montenegro, Bulgarien, Polen und Ungarn.
Zu messen, wie viele Menschen jedes Jahr sterben und warum sie gestorben sind, ist – neben der Messung der Auswirkungen von Krankheiten und Verletzungen – eines der wichtigsten Mittel, um die Wirksamkeit des Gesundheitssystems eines Landes zu beurteilen.
Todesursachenstatistiken helfen den Gesundheitsbehörden, den Schwerpunkt ihrer Maßnahmen im Bereich der öffentlichen Gesundheit festzulegen. Ein Land, in dem die Zahl der Todesfälle durch Herzkrankheiten und Diabetes über einen Zeitraum von einigen Jahren rapide ansteigt, hat beispielsweise ein starkes Interesse daran, ein energisches Programm zur Förderung eines Lebensstils zu starten, der zur Vermeidung dieser Krankheiten beiträgt. Verbesserungen bei der Erstellung hochwertiger Daten über Todesursachen sind für die Verbesserung der Gesundheit und die Verringerung vermeidbarer Todesfälle in diesen Ländern von entscheidender Bedeutung.
Schauen wir uns die Phasen des Entwicklungsprozesses genauer an
Wir haben uns für Power BI als Plattform für die Geschäftsanalyse entschieden. Dieses Tool bietet eine breite Palette an lokalen und cloudbasierten BI- und Analysemöglichkeiten. Power VI bietet die Vorbereitung und Erkennung von Daten, interaktive Informationspanels mit Projektwerkzeugen, die die Integration verschiedener Datenquellen und Anwendungen von Drittanbietern ermöglichen. Die Schnittstelle ist sehr übersichtlich und bequem, die Preise sind ebenfalls moderat.
Projektphasen
Der Prozess des Data Mining für dieses Projekt wurde in die folgenden Phasen unterteilt:
-
Sammeln der Informationen
In dieser Phase haben wir verschiedene Datenquellen von der offiziellen WHO-Website und den Quellen der Europäischen Zentralbank mit Informationen über die Armut in den verschiedenen Ländern gefiltert.
-
Aufbereitung der Informationen
Wir haben die Daten aus ungültigen Zahlen herausgefiltert, z. B. übersprungene Werte, Tippfehler, unmögliche Zahlen. Einige Daten wurden durch die Erstellung von Hilfswerten für die Analyse umgewandelt, z. B. der Sterblichkeitskoeffizient für 100 000 Personen. Dann wurden die Daten der Gesundheitsorganisationen mit den Informationen der Europäischen Zentralbank zusammengeführt.
-
Datenrecherche
Diese Phase war notwendig, um ein tiefes Verständnis der Daten zu erlangen. Wir haben Algorithmen entwickelt, mit denen wir Korrelationen und Unterschiede auf der Grundlage von beschreibenden und visuellen Methoden feststellen konnten. Bei der Erstellung des Projekts fanden wir heraus, dass die Sterblichkeitsrate von 100.000 Menschen mit dem Lebensstandard der Gesellschaft korreliert – d. h. je höher die Armutsrate ist, desto höher ist die Sterblichkeit. Wir haben auch versucht, die Korrelation zwischen dem Alkoholkonsum und der Sterblichkeit zu überprüfen, konnten aber keinen eindeutigen Zusammenhang feststellen.
-
Datenmodellierung
In diesem Stadium haben wir einige ML-Methoden für die Modellierung verwendet. Wir haben die Regressionsmethoden analysiert und sind zu dem Schluss gekommen, dass der Entscheidungsbaum die geeignetste Methode ist. Wir haben uns für die Verwendung von Entscheidungsbäumen entschieden, da die lineare Regression bei großen Mengen komplizierter Daten nicht effektiv ist. Der Entscheidungsbaum eignet sich perfekt für die Untersuchung komplizierter nichtlinearer Entscheidungen und hat eine bessere Produktivität als neuronale Netze. Mit Hilfe des Baums konnten wir den Wert des Sterblichkeitskoeffizienten in Abhängigkeit von Land, Körpermassenverhältnis und Anzahl der Studienjahre modellieren – wir kamen zu dem Schluss, dass die Sterblichkeitsrate niedrig ist, wenn diese Werte hoch sind.
-
Modellierung und Visualisierung
Nach der Verarbeitung der Daten haben wir beschlossen, die Ergebnisse zu visualisieren, indem wir unsere Schlussfolgerungen und Vorhersagen präsentieren. Dieser Ansatz ist universell, da es ungeachtet des Gebiets notwendig ist, die Informationen gründlich zu verstehen und zu analysieren. Die Modellierung ist der wichtigste Faktor für den Aufbau eines funktionierenden Systems oder Geschäftsmodells.
Technologien
Mit Hilfe des Entscheidungsbaums dieses Berichts können Sie die Sterblichkeitsrate pro 100.000 Personen simulieren, indem Sie ein Land auswählen. Der Koeffizient wird auf der Grundlage des BMI und der Anzahl der Studienjahre (Schulbildung) berechnet. Der Entscheidungsbaum zeigt, dass der Koeffizient umso höher ist, je höher der BMI ist, und je höher die Schulbildung ist, desto niedriger ist der Koeffizient.
Folgende Analysewerkzeuge wurden in der Arbeit verwendet: Karten zur Darstellung von Ländern und numerischen Merkmalen, Zeitreihen zur Analyse der Sterblichkeit nach Jahren, ein Entscheidungsbaum zur Modellierung der Sterblichkeitsrate, Hexbin-Scatterplot zur Analyse von Daten mit mehreren numerischen Merkmalen, Heatmap zur Visualisierung der Abhängigkeit verschiedener Merkmale und Klassifizierung von Diabetes (hohe, mittlere, geringe Inzidenz).
Ergebnisse
Die Zahl der Menschen mit Diabetes in Europa wird auf 58 Millionen geschätzt, was 8,8 % der Bevölkerung im Alter von 20 bis 79 Jahren entspricht, darunter 22 Millionen nicht diagnostizierte Fälle. Obwohl Europa die zweitniedrigste altersbereinigte vergleichende Diabetesprävalenz aller IDF-Regionen aufweist (nach der IDF-Region Afrika), gibt es immer noch viele Länder mit relativ hohen Diabetesprävalenzraten. Die Türkei hat die höchste altersbereinigte vergleichende Prävalenz (12,1 %) und die dritthöchste Anzahl von Menschen mit Diabetes in Europa (6,7 Millionen), nach Deutschland (7,5 Millionen) und der Russischen Föderation.
Mehr als 477.000 Todesfälle bei Menschen im Alter von 20 bis 79 Jahren werden in Europa auf Diabetes zurückgeführt (9 % aller Todesfälle).
Diese Probleme zeigen, dass das Thema Diabetes ein wichtiges und relevantes Thema der Gesundheitsversorgung ist.
Die vollständigen Statistiken können Sie hier einsehen.
Schlussfolgerung
Nach der Lektüre dieses Artikels wissen Sie nun, wie man Big Data im Gesundheitswesen einsetzt. Wir haben die Anwendung von Datenwissenschaft im Gesundheitswesen untersucht:
- Elektronische Gesundheitsakten, die ein genaues Bild des Gesundheitszustands einer bestimmten Person ermöglichen
- Tragbare elektronische Geräte können für die Verfolgung des täglichen Zustands des Organismus verwendet werden
- Die Effizienz der Reanimation und der aggressiven Therapie wird erhöht, da die Algorithmen in der Lage sein werden, mögliche Komplikationen vorherzusagen.
Wir haben Ihnen auch von unserem jüngsten Gesundheitsprojekt berichtet, das auf der Analyse von Big Data basiert. Es zeigt die Möglichkeit, die Algorithmen zu nutzen, um sich ein Bild von der globalen Situation zu machen. Solche Statistiken zeigen die Schwachstellen der menschlichen Gesellschaft auf und machen deutlich, in welchen Bereichen Verbesserungen möglich sind.
Generell eröffnet Big Data enorme Möglichkeiten für die Entwicklung von Präventivmaßnahmen in der Medizin. Da es einfacher ist, einer Krankheit vorzubeugen, als sie zu heilen, können wir davon ausgehen, dass die Datenwissenschaft die Qualität der medizinischen Dienstleistungen auf der ganzen Welt erheblich verbessern wird.
