2. Orvostudomány mint adat tudomány
Az elmúlt évtizedekben az élettudomány, az orvosbiológia és az egészségügy
egyre inkább adatintenzív tudományokká váltak
Ez a rendelkezésre álló elektronikus adatok bővülésével járt, beleértve a
következőket:
Az elektronikus egészségügyi nyilvántartások digitalizálása
Kutatási adatok összegyűjtése gyógyszeripari adatbázisokba
A tárolt betegadatok a kormányok által kutatási célokra történő kiadása (pl.
betegbiztosítási igények)
A klinikai vizsgálatok, az epidemiológiai és az orvosbiológiai kutatás kutatási
adatai összevonása
A high-tech orvoslás (omics-medicine) előtérbe kerülése
A beteg önellenőrzésének és távfelügyeletének elndulása mobil eszközök és
bioszenzorok használatával
3. Az orvosi informatika klasszikus definíciója
A döntéstámogatás a kulcs
az orvosi informatika szerepében
5. A biomedicinában található adatok jellemzői
A biomedicina különböző forrásai továbbra is aktívan generálják az adatokat
növekvő méretben (mennyiség) és sokszínűségben (különböző forrásokból)
Ezen adatok jellemzői:
Többdimenziós (különböző jelentésű, alkategorizálás)
Nagyon összetett (például élesztőfehérje hálózat mikroszkópos szerkezete) (2. ábra)
Gyakran gyengén strukturált (mint a páciensrekordok szövege, a fiziológiás érzékelők jelei)
Zajos (hiányzó és következetlen)
Az adatok integratív elemzése és modellezése egyre növekszik
6. 2. ábra: Az élesztőfehérje-hálózat számítógépes vizualizációja
nagy kihívás, hogy ismeretlen struktúrákat (strukturális homológiákat) találjunk a
nem jellemzett adatok óriási halmazában
Egy speciális vizualizációs módszer alkalmazásával az ilyen szerkezetek grafikusan
láthatóvá tehetők, lehetővé téve az orvosi szakemberek számára, hogy könnyebben
megértsék ezeket az adatokat
7. Big Data
A biomedicinális gyakorlat és a tudomány adatai volumenének és sokszínűségének
növekedését - közösen „Big Data” -nak nevezik
A nagy adathalmazok egyedülálló lehetőséget kínálnak arra, hogy betekintést
adjanak, ismereteket közvetítsenek és elősegítsék azokat a felismeréseket, amelyek
javítják a betegek gyógyulásának esélyét, csökkentik a költségeket és gyorsítják az
orvosbiológiai előrelépéseket
8. Példák a nagy adatok felhasználhatóságára az orvosi
gyakorlatban
A klinikai vizsgálatok alkalmazhatóságának növelése a valós forgatókönyvekben,
ahol a népesség heterogenitása akadály
(így megváltoztatva a paradigmát - a hipotézistől az adat-vezérelt
orvostudományig) (3. ábra)
A hatalmas adatmennyiségben rejlő ismeretek kitermelésének hatékony és
innovatív felhasználásának elősegítése
Azon betegcsoportok azonosítása akiknek nagyobb kockázata van a kedvezőtlen
egészségügyi kimenetek tekintetében (betegség, halál, kórházi (újbóli) belépés)
Ahhoz, hogy a betegek rétegzése révén hatékony és precíz gyógyszereket lehessen
biztosítani, ez a legfontosabb lépés a személyre szabott egészségügyi ellátás felé
Az előrejelző elemzés lehetővé tétele a személyre szabott egészségügyi ellátásban
(5. ábra)
9. 1)
Hipotézis-vezérelt kontra adat-vezérelt medicina
2) A klinikai kutatási feladatoknak meg kell határoznia a jelenlegi módszerekkel ellentétes
kutatási módszereket.
ahol a klinikai projektek megfelelnek az elfogadott kutatási módszerek kritériumainak
3) leíró (gyógyítható) és a prediktív (megelőzhető) és proaktív, részvételi (beteg aktív
részvétel) gyógyászat
4) Testreszabott gyógyszerelésre váltás a „mindekinek ugyazat” elvről
Big Data és paradigm változás a biomedicinális tudományokban
10. Nagy adatok és az Omics-alapú orvostudomány
A személyre szabott orvostudomány iránti növekvő érdeklődés két jelentős
technológiai fejlődéssel együtt fejlődik
Először is, az új generációs, gyors és olcsóbb DNS-szekvenálási módszer
a molekuláris biológia figyelemre méltó előrehaladásával - ami a posztgenomikus
korszakhoz vezet (transzkriptomika, proteomika, metabolomika)
Másodszor, a számítástechnikai eszközök fejlődése, amely lehetővé teszi a
hatalmas mennyiségű adat azonnali elemzését
Amellyel egy új univerzumot jön létre az orvosi kutatásokhoz, a „big data”,
amit számítógépes modellezéssel elemezzük
11. 3. ábra: A Big Data elemzése az omics-alapú gyógyászatban
Genomika, proteomika, metabolomika
Gének és molekuláris útvonalak és hálózatok
Rendszerbiológia - a testszervezés különböző szintjeinek adatainak integratív
elemzése
12. (P4) orvostudomány - személyre szabott, előrejelző, megelőző és részvételi
gyógyászat ((P4) Personalized, Predictive, Preventive and Participatory medicine
A P4 medicina legfőbb előnyei
Annak lehetősége, hogy
- a betegséget korábbi szakaszában lehet kimutatni, amikor hatékonyabb és kevésbé költséges kezelést lehet adni
- a betegeket olyan csoportokba lehet csoportosítani, amelyek lehetővé teszik az optimális terápia kiválasztását (5. ábra)
- az egyéni gyógyszer-válaszok hatékonyabb korai értékelésével csökkenthetők a mellékhatások
- segíti az új biokémiai targetek kiválasztását a gyógyszeripari kutatásokhoz
- csökkenti az új terápiákra vonatkozó klinikai vizsgálatok idő-, költség- és meghibásodási arányát;
5. ábra A betegek csoportosítása
csoportokba az optimális terápia
kiválasztása érdekében
13. A Big Data gyakorlati célú hatékony használatának akadályai
A heterogén adatok problémája (biomedikai adatok különböző forrásokból és különböző
szerkezeti dimenziókból származnak - a mikroszkopikus világtól (pl. Omics-adatok) változva
a makroszkopikus világig (pl. közegészségügyi informatika - populációjában elterjedt
betegségek típusú adatokig)
Az adatmegosztás és a terjesztés problémája a különböző szolgáltatók és osztályok között
Gyakran zajos, hiányzó, következetlen és nem szabványosított adatok
Van egy szakadék a „természetes”, a rendelkezésre álló adatok és a gyakorlati célokra
alkalmazható adatok között
az adatfeldolgozáshoz szükséges gépek és eljárások
14. Tudás felfedezés az adatbázisokban(KDD)
A KDD folyamat klasszikus értelmezése több lépést is tartalmaz: az adatok kiválasztása,
előfeldolgozása, átalakítása, adatbányászat és értelmezés (6. ábra)
6. ábra: A KDD folyamatot lefedő lépések áttekintése
15. Tudásfeltárás Big Data -ból
A kihívás
az adatokból származó érdemi információk kinyerése
új ismeretek megszerzése
a korábban ismeretlen ismeretek felfedezése
Minták azonosítása
Adatok értelmezése
16. Tudásfeltárás Big Data -ból
Sok különböző megközelítés
Új matematikai és grafikus módszerek
Adatbányászat (DM) és gépi tanulás (ML) módszerek - többnyire a múltban
használt módszerek
Adatbányászat - kulcsfontosságú lépés a KDD folyamatában a tudásfeltárás és az
adatbányászat (KDD) kifejezés
17. Adatbányászat
A korábban ismeretlen, érvényes minták és kapcsolatok felfedezése a nagy
adatállományokban - előrejelzés, osztályozás és klaszterezés céljából
bonyolult módszerek kombinációjával
Statisztikai modellek
Matematikai algoritmusok
ML módszerek - olyan algoritmusok, amelyek a tapasztalat révén automatikusan
javítják teljesítményüket
Ameny elvezetett
18. Adatbányászati technikák alkalmazása az
egészségügyi területen
az intelligens rendszerek és döntéshozatali rendszerek fejlesztése (szabályalapú
szakértői rendszerek)
a kedvezőtlen egészségügyi eredmények és diagnózis előrejelzésének javítása
jobb betegség-osztályozás
a kóros adatok és a klinikai adatok, valamint a betegek jellemzői és a gyógyszerek
hatékonysága közötti összefüggések felfedezése
az orvosi vizsgálatok és eljárások kiválasztási eljárása
19. A humán-számítógép kölcsönhatás elve (HCI)
A tudás felfedezése - az adat fizikai oldalától a tudás emberi oldaláig terjedő
folyamat (kognitív folyamatként definiálva)
A kihívás az, hogy a végfelhasználók számára az ismeretek felhasználhatók
legyenek (az adatok értelmezése révén)
A KDD-hez hozzáadott folyamat az interakció (kommunikáció) az emberi
végfelhasználóval (orvosi szakértő)
Az emberi végfelhasználó (nem gép), aki a problémamegoldó intelligenciát
tartalmazza, ezért képes az intelligens kérdéseket feltenni az adatokkal
kapcsolatban
Az emberi (orvosi szakértő) néha intuitív módon képes megoldani a bonyolult
problémákat (vagyis anélkül, hogy leírná a problémaelemzés során használt pontos
szabályokat vagy folyamatokat)
20. Interakció a kulcs HCI megközelítésben
Az új megközelítés a KDD & HCI kombinálása
21. ...ahogy Albert Einstein
amerikai (német születésű) fizikus (1879 - 1955)
mondta
A számítógépek hihetetlenül gyorsak, pontosak és
ostobaak.
Az emberek hihetetlenül lassúak, pontatlanok és
ragyogóak.
Együtt a képzeletet meghaladóan erőteljesek.