Якщо раніше в медицині використовували звичні лінійну та логістичну регресію, зараз все більше використовуються баєсова мережа (Bayesian network, belief network) та інші інструменти для роботи з великим обсягом даних [1]. Для цього використовується Data Science в медицині. Цей інструмент дозволяє використовувати статистичні, математичні та аналітичні заходи. Кінцева мета – можливість передбачити розвиток захворювання, спростити діагностику, підвищити ефективність лікування.
Система моніторингу здоров'я як один із головних напрямів Data Science у медицині
Система моніторингу включає безперервне чи дискретне отримання інформації від смартгодин, смартбраслетів, розумних тренажерів, спеціальних датчиків та інших пристроїв.
Наприклад, можна на відстані оцінювати такі параметри [2]:
-
частота серцевих скорочень;
-
температуру тіла;
-
артеріальний тиск;
-
ЕКГ.
Це дуже важливо для моніторингу стану здоров'я із хронічними захворюваннями [2].
Збір великих обсягів інформації проводиться за допомогою ІТ-інструментів, наприклад, deep learning. При цьому для збереження медичної таємниці та безпеки для пацієнта під час збирання інформації використовуються блокчейн-технології, при якому не розкриваються персональні дані людини [2].
Автоматизовані діагностичні системи та досвід їх застосування
У медицині вони помічають неврологічні зміни, оперуючи Big Data. Біомаркери вилучаються із вихідних даних. Таким чином ідентифікують епілептичні напади, деменцію, хворобу Альцгеймера, аутизм, інсульти, пухлини мозку, неврологічні розлади, пов'язані з алкоголізмом [3].
Проблеми, пов'язані зі збиранням великих обсягів даних та шляхи їх вирішення
Декілька критичних проблем, які необхідно враховувати при аналізі потоків даних у реальному часі: неповнота, неоднорідність потоків, висока швидкість потоків та великий масштаб даних [4].
Для вирішення цих проблем Data Science у медицині використовується перерозподіл доменів, щоб знання витягувалися з різних «підрівнів». Завдяки такій передачі навчання система зможе розумно використовувати раніше отримані результати на вирішення нових завдань [5, 6].
Персоналізована медицина як зміна парадигми охорони здоров'я
Для кращого розуміння біологічних процесів, зокрема здоров'я людини, використовується системна біологія. Вона поєднує великі дані з геноміки, нутріоміки, метагеноміки і інтегрує різнорідну інформацію в єдину систему. За цим принципом працює персоналізована медицина. Вона ґрунтується на використанні індивідуально підібраних медичних втручань (діагностики, лікування, профілактики) [7]. Використовується велика база даних від розшифровки генотипу до оцінки фізичного навантаження протягом дня. Лікування орієнтоване конкретного пацієнта. Але там, де раціонально поділяти всіх людей на групи, наприклад у фармакогенетиці, виділяють певні підгрупи [7].
Цілі персоналізованої медицини [7]:
-
Визначення оптимального лікування кожного пацієнта, зрештою — перехід від лікування до профілактики. Для цього потрібна своєчасна діагностика захворювань на ранніх етапах.
-
Стратифікація пацієнтів для спрощення клінічних тестів, формування рекомендацій щодо здорового способу життя тощо.
-
Ідентифікація інформативних біомаркерів для застосування на практиці та розвитку науки у напрямку охорони здоров'я.
-
Підвищення ефективності лікування до максимуму та одночасно зниження шкідливих наслідків.
Однією з актуальних проблем персоналізованої медицини є різна доступність медичних послуг. Персоналізована медицина буде доступна лише в багатих країнах, а в інших же рівень її розвитку виявиться недостатнім. Тому потрібно збільшити кількість фахівців та інвестувати у розвиток персоналізованої медицини в усьому світі [8].
Гібридна освіта як шлях розвитку персоналізованої медицини та якісного аналізу медичних даних
Для розвитку персоналізованої медицини важлива гібридна освіта, тому що потрібно не лише вміти інтерпретувати «сухі» дані, а й розуміти їхній фізичний зміст із загальнобіологічними передумовами. Тому медики з навичками комп'ютерного програмування, роботи з Big Data, Deep Learning стануть не тільки суперзатребуваними на ринку праці, але й зможуть полегшити свій процес роботи внаслідок автоматизації рутинних завдань. Щоб швидко отримати базові навички роботи з інструментами Data Science у персоналізованої медицині, можна закінчити курси Data Wizard у школі Platma Academy. Дуже зручно, що за навчання можна оплачувати частинами.
Джерела:
1. Yoo, Changwon & Ramirez, Luis & Liuzzi, Juan. (2014). Big Data Analysis Using Modern Statistical and Machine Learning Methods in Medicine. International neurourology journal. 18. 50-7. 10.5213/inj.2014.18.2.50.
2. Vitabile, S. et al. (2019). Medical Data Processing and Analysis for Remote Health and Activities Monitoring. In: Kołodziej, J., González-Vélez, H. (eds) High-Performance Modelling and Simulation for Big Data Applications. Lecture Notes in Computer Science(), vol 11400. Springer, Cham. https://doi.org/10.1007/978-3-030-16272-6_7
3. Siuly, S., Zhang, Y. Medical Big Data: Neurological Diseases Diagnosis Through Medical Data Analysis. Data Sci. Eng. 1, 54–64 (2016). https://doi.org/10.1007/s41019-016-0011-3
4. Qiu, J., Wu, Q., Ding, G., Xu, Y., Feng, S.: A survey of machine learning for big data processing. EURASIP J. Adv. Sig. Proces. (1) (2016). https://doi.org/10.1186/s13634-016-0355-x.
5. EW Xiang, B Cao, DH Hu, Q Yang, Bridging domains using world wide knowledge for transfer learning. IEEE Trans Knowl Data Eng 22(6), 770–783 (2010) https://doi.org/10.1109/TKDE.2010.31
6. SJ Pan, Q Yang, A survey on transfer learning. IEEE Trans Knowl Data Eng 22(10), 1345–1359 (2010) https://doi.org/10.1109/TKDE.2009.191
7. Schleidgen, S., Klingler, C., Bertram, T. et al. What is personalized medicine: sharpening a vague term based on a systematic literature review. BMC Med Ethics 14, 55 (2013). https://doi.org/10.1186/1472-6939-14-55
8. Alyass, A., Turcotte, M. & Meyre, D. From big data analysis to personalized medicine for all: challenges and opportunities. BMC Med Genomics 8, 33 (2015). https://doi.org/10.1186/s12920-015-0108-y
Автор: Ігор Бетлей - Head of R&D in Platma
