Le immagini subconsce dei data scientist e degli analisti sanitari al lavoro coinvolgono fogli di calcolo, algoritmi, linguaggi di programmazione che elaborano dati e strumenti di visualizzazione ben organizzati che sfornano grafici e diagrammi colorati. e simili. Tuttavia, questo è lontano dalla realtà.
In realtà, i data scientist si confrontano quotidianamente con un elemento: i dati non strutturati. Il boom dei big data ha influenzato enormemente il settore sanitario. I rapporti rivelano che i progressi tecnici in termini di apparecchiature cliniche, dispositivi indossabili, Cartelle sanitarie elettroniche (EHR)e altro ancora hanno portato a enormi volumi di generazione di dati.
In effetti, le statistiche rivelano che il settore sanitario rappresenta quasi 30% dell'intero volume di dati generato. Inoltre, in media, un singolo ospedale produce oltre 50 petabyte di dati ogni anno. Tuttavia, il problema è che oltre l’80% dei dati generati non è strutturato.
Che cos'è e che impatto ha sul processo decisionale basato sui dati, sulle rivoluzioni rivoluzionarie e sulla ricerca e sviluppo e sull'innovazione nel settore sanitario? Lo scopriremo in questo articolo.
Dati strutturati e non strutturati: due metà della stessa capsula
Per comprendere i due diversi tipi di dati, riconosciamo che i dati sanitari vengono generati ogni volta che viene intrapresa un'azione specifica per l'assistenza sanitaria. Questo potrebbe essere analogico come un medico che scrive una prescrizione cartacea o digitale e istantaneo come un rapporto sulla pressione arteriosa da un dispositivo indossabile.
Ogni dato generato rientra in una delle due categorie. Ora capiamo cosa significano i due.
Dati strutturati in sanità
Tutti i dati semplici, ben organizzati, facilmente accessibili e in un formato standardizzato costituiscono dati strutturati. Le caratteristiche principali dei dati strutturati includono:
- Formati universali o uniformi con le dovute attribuzioni a nome, data, codici medici e altro
- Interoperabilità, dove la loro standardizzazione apre la strada alle parti interessate del settore sanitario a tutto lo spettro per utilizzare questi dati per le loro esigenze
- Reperibilità e processabilità per favorire il processo decisionale clinico, la referenziazione, la rendicontazione e altro ancora
Esempi di dati strutturati
| Codici clinici e medici | Codici ICD e CPT, referti dei risultati di laboratorio |
| Informazione demografica | Nome del paziente, età, data di nascita, sesso, regione e altro |
| Misure fisiche e parametri vitali | Altezza, peso, frequenza cardiaca, temperatura corporea e simili |
| Farmaci | Farmaci prescritti, dosaggi, orari di somministrazione, allergie e altro ancora |
Dati non strutturati in sanità
Qualsiasi tipo di dati che non è disponibile in un formato standardizzato, si trova in una posizione accessibile o non è elaborabile rientra nella categoria dei dati non strutturati. Sfortunatamente, nel settore sanitario, il volume dei dati non strutturati generati supera la loro controparte.
Se i dati strutturati rivelano sintomi, i dati non strutturati mettono in luce il ragionamento sottostante e altre sfumature. Per comprendere al meglio i dati non strutturati, dobbiamo dare un'occhiata agli esempi del mondo reale.
Esempi di dati non strutturati
| Note mediche | Note mediche offline come prescrizioni registrate da esperti sanitari. |
| Dati di imaging medico | Qualsiasi immagine generata da dispositivi clinici come risonanza magnetica, TC o scanner a ultrasuoni |
| Dati audiovisivi | Dati audio, video o trascritti che fanno parte di consultazioni, interviste o procedure chirurgiche dei pazienti |
| Dati generati dal paziente | Disponibile da set di dati indossabili, informazioni comunicate oralmente e simili |
| Dati sui social media e sulle comunicazioni | Come ad esempio analisi del feedback del paziente caricati da pazienti per consultazione o da esperti sanitari, e-mail scambiate, messaggi inviati e ricevuti e simili |
| Dati genetici | Approfondimenti sui report e sulle analisi del DNA di un individuo che potrebbero rilevare malattie ereditarie |
[Leggi anche: Riepilogo delle cartelle cliniche AI: definizione, sfide e migliori pratiche]
Dalle azioni agli approfondimenti: come trasformare e sfruttare i dati non strutturati per aiutare il processo decisionale clinico
La stessa tecnologia che funge da fonte di una miriade di tipi di dati non strutturati ci fornisce anche soluzioni e tecniche per decifrarli. Utilizzando tecnologie emergenti come l'intelligenza artificiale (AI), il machine learning (ML) e l'analisi, non solo possiamo organizzare questo tipo di dati, ma anche dargli un senso per ottenere informazioni utili.
Diamo un'occhiata ai modi in cui ciò è possibile.
Sfruttare l'elaborazione del linguaggio naturale (PNL) nel settore sanitario
Come suggerisce il nome, questa tecnologia consente ai computer di comprendere il linguaggio umano e questo include i diversi modi in cui comunichiamo: attraverso la parola, l'audiovisivo, il testo e altro ancora. Con l’aiuto dei modelli di machine learning, ora possiamo elaborare enormi quantità di dati non strutturati ed estrarre informazioni critiche che altrimenti sarebbero impossibili.
In termini semplici, la PNL non solo può leggere e comprendere la calligrafia di un medico, ma anche elaborarla per scoprire anche aspetti che passano inosservati. Inoltre, può anche analizzare ore di contenuti video o audio e organizzare i dati come richiesto e specificato affinché i non addetti ai lavori possano lavorarci.
Analisi predittiva in medicina
Se dovessimo distillare l’essenza del motivo per cui implementiamo le tecniche di data science, si ridurrebbe a tre aspetti:
- Comprendere i dati per ottenere risultati indicativi
- Comprendere i dati con risultati indicativi e consigliare soluzioni
- Comprendere e consigliare soluzioni e prevedere in futuro possibili eventi e risultati
Questi tre costituiscono descrittivo, prescrittivo e predittivo analitica rispettivamente.
[Leggi anche: Cos'è l'annotazione dei dati nell'intelligenza artificiale in ambito sanitario? Definizione, tecniche e casi d'uso]
Nel settore sanitario, l’analisi predittiva può cambiare la vita in quanto può indicare un risultato futuro altamente probabile. L'uso di apprendimento automatico nel settore sanitario ha consentito a tali concetti di diventare una realtà concreta. Con l'analisi predittiva, i dati dell'imaging medico possono prevedere con precisione se un tumore benigno potrebbe trasformarsi in maligno dopo aver considerato lo stile di vita, l'età, i dati demografici e altro ancora.
Allo stesso modo, attraverso un'analisi accurata dei dati genomici, l'analisi predittiva può aiutare a indicare se un individuo ha probabilità di sviluppare diabete, malattie cardiache o Alzheimer. Questa è l'analisi tra la vita e la morte poiché gli esperti sanitari possono raccomandare farmaci, sensibilizzare l'opinione pubblica o suggerire cambiamenti nello stile di vita per prevenire rischi.
Innumerevoli strade nella diagnosi e nel trattamento dei disturbi si aprono quando compiliamo e organizziamo dati non strutturati e impostarli con un contesto. Con il giusto utilizzo della tecnologia ideale, anche la loro elaborazione è fluida.
Tuttavia, se desideri saltare questi passaggi e disporre di dati pronti per l'elaborazione per addestrare i tuoi algoritmi e soluzioni sanitari, puoi contattarci. Offriamo dati sanitari su misura e di provenienza etica per tutte le vostre esigenze sanitarie specifiche. Mettiti in contatto con noi oggi.
