Использование Big Data может изменить способ управления, анализа и использования данных в любой отрасли. Одной из наиболее перспективных областей, где большие данные могут быть применены для изменений, является здравоохранение.
Медицинская аналитика может снизить затраты на лечение, прогнозировать вспышки эпидемий, предотвращать заболевания и улучшать качество жизни в целом.
Во всем мире растет средняя продолжительность жизни, что создает новые вызовы для современных методов лечения. Вместе с этим и растут расходы на здравоохранение, например в США они почти достигли 18% от ВВП. Однако нет прямой связи между ростом расходов и улучшением качества медицинской помощи и увеличения продолжительности жизни. Другими словами, расходы на здравоохранение намного выше, чем они должны быть, и они продолжают расти. Понятно, что мы нуждаемся в некотором ином подходе, основанном на данных, более глубокой аналитике и в изменении мышления в этой области. Многие страховые компании уже переходят от простой выплаты за обслуживание (оплата за дорогостоящие, а иногда и ненужные методы лечения и лечения больших количеств пациентов) к планам, которые определяют приоритетность результатов лечения пациентов.
Сегодня у медицинских центров нет большой заинтересованности делиться информацией о пациентах друг с другом, что снижает потенциал для накопления и обработки Big Data. Но, когда они начнут получать деньги на основе результатов лечения пациентов, а не просто за сам факт оказания помощи то появится финансовый стимул для обмена данными, которые могут быть использованы для улучшения жизни пациентов при сокращении расходов на страховые компании.
Наконец, все больше врачей готовы пользоваться методами лечения основанными на доказательной медицине и принимать решения полагаясь на результаты больших исследований и клинических данных, а не только на их академические знания, интуицию и профессиональный опыт. Такой подход к лечению означает, что спрос на большую аналитику данных в медицинских учреждениях больше, чем когда-либо прежде.
Данных в мире становится все больше, тем более в медицине, где в результате регулярной деятельности постоянно генерируется огромный поток данных, которых по закону необходимо хранить не один год. Пока что в России эти данные пылятся где-то в архивах и подвалах в виде бумажных историй болезней или в электронной форме на серверах современных клиник - но практически не используются. Про них вспоминают только если кому-то надо написать диссертацию или для проверки требуют надзорные органы. Как и во многих других отраслях, медицинские профессионалы нуждаются в помощи в этом вопросе.
Медицина достаточно консервативная область и всё новое внедряется с некоторой задержкой, поэтому полезно руководителям и топ-менеджерам иногда осматриваться и следить, как другие отрасли справляются с большими данными извлекая из них пользу. Они могут вдохновить на появление прогрессивных идей, их быстрое внедрение и адаптацию. Здравоохранению необходимо догнать другие отрасли, которые уже перешли от стандартных методов, основанных на регрессии, к более ориентированным на будущее, таким как интеллектуальная аналитика, машинное обучение и графовая аналитика. Специалистам здравоохранения и владельцам бизнеса, необходимо тщательно собирать медицинские данные и искать лучшие стратегии для их использования.
Приведем примеры успешного применения Big Data Analitics в медицине:
1) Решение вопроса о количестве необходимого персонала в любой заданный период времени, для обеспечения качественной медицинской помощи? Если будет слишком много это приведет к лишним затратам, если окажется мало, то пострадают пациенты. Данную проблему решили несколько центров в Париже с помощью аналитики больших данных. см. статью
2) Electronic Health Record (EHR) в США - система, хранящая все возможные записи о состоянии больного, по всем направлениям медицины, в течение всей жизни пациента. К нему подключены почти 94% клиник. По данным McKinsey это помогло улучшить результаты лечения сердечно-сосудистых заболеваний и принесло около 1 миллиарда долларов экономии сократив количество посещений врачей и лабораторных обследований. Европе к 2020 году тоже должна заработать централизованная европейская система медицинских записей.
3) Аналитика в режиме реального времени (Real-time Alerting) - помогает врачам через систему принятия решений правильно ставить диагноз и назначать лечения, а также получать оповещение с носимых устройств. Например если артериальное давление достигнет тревожного значения то врач получив уведомление сможет скорректировать лечение и сразу-же помочь пациенту. Другим примером является система Asthmapolis, используются ингаляторы с GPS-трекерами чтобы идентифицировать тенденции астмы как на индивидуальном уровне, так и в отношении более крупных групп населения. Эти данные используются чтобы разработать лучшие планы лечения астматиков.
4) Систем принятия врачебных решений - цель состоит в том, чтобы помочь врачам принимать обоснованные решения в течение нескольких секунд и улучшать лечение пациентов. Новые инструменты также смогут предсказать риск развития диабета, и других заболеваний. Для этого Optum Labs собрал через EHR более 30 миллионов записей пациентов.
5) Программа Cancer Moonshot - амбициозный проект по ускорению прогресса в лечении рака. Объединение и обработка данных по исследованиям в области онкологии из больниц, университетов и некоммерческих организации. Используя эти данные, исследователи могут видеть, как определенные мутации и раковые белки взаимодействуют с различными видами лечения, получить доступ ко всем образцам опухолей в биобанкам. Такой подход может привести к неожиданным преимуществам, как например обнаружение того, что антидепрессант Дезипрамин, обладает способностью помогать лечить определенные типы рака легких.
MedTelegraph