معرفی زمینه های کاربردی علم داده در علوم پزشکی و مراقبت های بهداشت و سلامت

دسته بندی: یادگیری ماشین
سطح مقاله: ساده
زمان مطالعه: 11 دقیقه
۱۵ اسفند ۱۳۹۸

مقدمه

علم پزشکی و بهداشت و درمان یک صنعت انقلابی و امیدوار‌کننده برای بکارگیری راه‌حل‌های مبتنی بر علوم داده است. تجزیه و تحلیل داده‌ها علوم پزشکی را به سطح کاملاً جدیدی از پرونده‌های الکترونیکی پزشکی تا کشف داروهای جدید و بیماری‌های ژنتیکی ودرمان آن‌ها، منتقل می‌کند. علم داده می‌تواند هزینه‌های سنگین علوم پزشکی و مراقبت‌های بهداشتی را با بکارگیری حجم عظیم داده‌های موجود و تحلیل و استخراج اطلاعات مفید از این داده‌ها، بهبود ببخشد. در حال حاضر تمامی صنایع زمینه‌ی به کارگیری هوش مصنوعی، یادگیری ماشین ، داده‌کاوی و به طور کل علم داده را دارند. اگرچه غول‌های فناوری مانند گوگل، مایکروسافت و آمازون بزرگترین سرمایه‌گذاری را در زمینه‌ی هوش مصنوعی دارند، این مسأله بخش مهمی از تلاش‌ها در زمینه‌ی تغییرات دیجیتالی را در بر گرفته است به طوری که، شرکت‌ها داده‌های مرتبط با عملیات و مشتریان خود را در سطح گسترده‌ای جمع‌آوری و تحلیل می‌کنند. بکارگیری تکنولوژی‌های هوش مصنوعی و علوم داده تنها مختص صنایع مبتنی بر فناوری نیست. مراقبت‌های سلامتی حوزه‌ای است که دانشمندان امیدوارند هوش مصنوعی بتواند مشکلات موجود در خصوص تشخیص و درمان بیماری‌ها را سریع‌تر و دقیق‌تر از انسان حل کند.

علم داده می‌تواند گستره‌ی وسیعی از زمینه‌ها از نگهداری سابقه‌ی پزشکی بیماران بصورت الکترونیکی، بهینه‌سازی هزینه‌های بیمارستانی، تشخیص بیماری‌ها، اکتشاف داروهای جدید و ارائه روش‌های درمان مبتنی بر ویژگی‌های ژنتیکی هر بیمار را پوشش دهد. بکارگیری علم داده در هرکدام از این زمینه‌ها درکنار مزیت‌های خود، چالش‌های فراوانی دارد که این حوزه را نیازمند بکارگیری و استخدام متخصصان زیادی می‌کند. در این مقاله سعی بر آن کرده‌ایم تا شما را با زمینه‌های کاربردی علم داده در علوم پزشکی و مراقبت‌های بهداشتی بیشتر آشنا کنیم.

فهرست محتوای این مقاله

علم داده، علوم پزشکی ، مراقبت‌های سلامتی: موضوعی جذاب برای دنیای علم و فناوری

data-science-in-healthcare

 

مراقبت‌های سلامتی حوزه‌ای است که دانشمندان امیدوارند هوش مصنوعی بتواند مشکلات موجود در خصوص تشخیص و درمان بیماری‌­ها را سریع‌تر و دقیق‌تر از انسان حل کند. در یک مطالعه‌ی صورت گرفته در یکی از دانشگاه‌های انگلستان، یک الگوریتم مبتنی بر هوش مصنوعی در آزمون‌های پزشکی عملکردی بهتر از دانشجویان پزشکی داشت. بسیاری از غول­های فناوری با بیمارستان‌ها برای اجرای راه‌حل‌­های مبتنی بر هوش مصنوعی در حال مشارکت‌اند. به طور مثال پروژه Hanover مایکروسافت با انستیتو سرطان Knigt از دانشگاه سلامت و علوم Oregon برای درمان بیماری سرطان و همچنین واحد انکولوژی واتسون IBM با مرکز سرطان Memorial sloan kettering و کلینیک Cleveland همکاری می‌کند.

چندین استارتاپ بیوتکنولوژی در جستجوی راه‌های جدیدی برای ترکیب علم، تحقیقات پزشکی و الگوریتم‌های پیشرفته، تولید ربات‌هایی برای بخیه زدن رگ‌های خونی در عمل جراحی، تجویز دارو برای الگوهای خاص در بدن انسان و تشخیص ناهنجاری‌­ها در تصاویر پزشکی هستند.

Ian Roberts مدیر ارشد دپارتمان فناوری Healx ، شرکتی که از هوش مصنوعی به منظور شناسایی و تست بیماری­های نادر استفاده می‌کند، اظهار می‌کند:

" در مراقبت‌های بهداشتی و پزشکی، هشتاد درصد اطلاعات جمع‌آوری ­شده بدون ساختار هستند. اما اکنون مؤسسات و شرکت‌ها لزوم ساختاردهی به این داده‌ها را درک می‌کنند. زیرا فرصت بسیار بزرگی برای کمپانی‌ها در صنایع است. ما هم‌اکنون بر روی سرعت بخشی به کشف دارو تمرکز کرده‌ایم. زیرا در حال حاضر در حدود ده الی پانزده سال با مبلغی بیش از یک میلیارد دلار برای تأیید یک داروی درمانی جدید نیاز است. همچنین با تشخیص، پیش­ بینی، طبقه‌بندی بیمار و در نهایت ارائه‌ی یک روش پیشگیری اختصاصی برای هر فرد براساس داده‌های بیولوژیکی و پزشکی یکپارچه، می‌توان به بهبود وضعیت سلامت و رضایت عمومی دست یافت."

تشخیص و پیش‌بینی بیماری‌ها، طبقه‌بندی بیماران، تخصیص دارو متناسب با بدن انسان و از همه مهمتر پیشگیری‌های پزشکی شخصی که ناشی از اطلاعات جامع و یکپارچه پزشکی و بیولوژیکی است می‌تواند منجر به افزایش سطح سلامت و شادابی عمومی گردد.

بررسی موسسه‌ی Ponemon نشان داد که زمینه‌های مراقبت بهداشتی سهمی 30 درصدی از داده‌های جهانی را دارد. با داشتن منابعی همچون سوابق پزشکی الکترونیکی، آزمایشات بالینی، اطلاعات ژنتیکی، صورتحساب‌های مالی، بانک‌های اطلاعاتی مدیریتی مراقبت مقالات علمی و رسانه‌های مبتنی بر وب صنعت بهداشت و درمان کمبودی در خصوص داشتن داده‌ی در دسترس ندارد. در این میان جستجوی اطلاعات مراقبتی و بهداشت از طریق اینترنت و شبکه‌های اجتماعی و همچنین بکارگیری برنامه‌های کاربردی برای اندازه‌گیری و کنترل پارامترهای عمومی سلامت مثل سنجش فشار خون، کنترل قند خون، وضعیت تنفسی و ... به طور مثال از طریق گوشی‌های هوشمند نشان‌دهنده‌ی امکان جمع‌آوری اطلاعات به صورت متمرکز است. مطابق با گزارش مشاغل در حال ظهور در ایالات متحده زمینه‌ی علم داده از سال 2012 رشد 350 درصدی داشته و فقط 35 هزار نامزد، مهارت لازم را برای پر کردن فرصت‌های شغلی دارند. از آنجاییکه تنها 3 درصد از دانشمندان علم داده‌ی مستقر در آمریکا در صنعت مراقبت‌های بهداشتی و بیمارستانی کار می‌کنند، نیاز به متخصصان داده‌­ی آموزش­ دیده به سرعت در حال رشد است.

علم داده را می‌توان برای تجزیه و تحلیل (شناسایی الگو، آزمایش فرضیه و ارزیابی ریسک) یا پیش‌بینی (مدل‌های یادگیری ماشین که بر اساس متغیر‌های شناخته شده احتمال وقوع یک رویداد در آینده را پیش‌بینی می‌کنند) استفاده کرد. مشابه هر صنعتی کارکنان مراقبت سلامت نیز می‌بایست با مباحثی همچون آمار، یادگیری ماشین و تصویرسازی داده‌ها آشنا باشند. در ادامه به بررسی اجمالی مواردی می‌پردازیم که نشان می‌دهد علم داده چگونه تحولی در مراقبت‌های بهداشتی ایجاد می‌کند.

علم داده در کشف دارو

data-science-in-healthcare

تولید و عرضه‌ی یک داروی جدید به بازار نیازمند صرف هزینه‌ی بسیار بالا و زمان طولانی چندین ساله است. داده‌های بزرگ به دانشمندان این امکان را می‌دهد تا واکنش یک دارو با پروتئین‌های بدن و انواع مختلف سلول و شرایط را شبیه‌سازی کنند. به طوری‌که احتمال به دست آوردن تأئیدیه‌ی سازمان غذا و دارو و همچنین درمان بیماران خاص (مانند افرادی که دارای جهش ژنتیکی خاصی هستند) بسیار افزایش می‌یابد.

علم داده در پیشگیری از بیماری

بهترین راه برای مراقبت‌های بهداشتی آگاهی از خطرات موجود و به کارگیری برنامه‌های پیشگیری قبل از تبدیل خطرات بهداشتی به یک معضل چالش­ برانگیز است. بکارگیری ابزار‌هایی همچون گوشی‌ها و ساعت‌های هوشمند و سایر دستگاه‌های ردیابی که تاریخچه‌ی الگوها و اطلاعات ژنتیکی هر فرد را درنظرمی‌گیرند منجر به تشخیص مشکل در سلامتی پیش از وقوع آن می‌شود.

Omada Health یک شرکت دیجیتال درمانی است که از دستگاه‌های هوشمند برای ایجاد برنامه‌های رفتار شخصی و راهنمایی آنلاین استفاده می­‌کند تا از ابتلا به بیماری‌های مزمن همچون دیابت، فشار خون بالا و کلسترول بالا پیشگیری نماید.

Propeller Health  یک ردیاب مبتنی بر GPS را که قابلیت استنشاق گازهای محیطی و تحلیل داده‌های جمع‌آوری شده بر اساس این گازها را دارند تولید کرده است و می‌تواند به کمک افراد در معرض خطر همچون بیماران قلبی و تنفسی بیاید.

یک شرکت استارتاپ کانادایی با نام Awake labs از طریق ابزارهای پوشیدنی این امکان را به خانواده‌هایی که کودکان‌شان از بیماری اوتیسم رنج می‌برند می‌دهد که از طریق ردیابی داده‌ای ارسالی، والدین قبل از وقوع حملات اضطرابی کودک از آن آگاه شوند.

علم داده در تشخیص بیماری

آکادمی‌های ملی علوم مهندسی و پزشکی در آمریکا برآوردی در حدود 12میلیون تشخیص نادرست بیماری برای مردم آمریکا دارند که برخی اوقات می‌تواند عواقب خطرناکی را به همراه داشته باشد. به طوریکه در گزارشی میزان مرگ و میر ناشی از خطای تشخیصی را سالانه بین 40 تا 80 هزار مورد ثبت کرده است.

یکی از مؤثرترین کاربرد‌های علم داده در مراقبت‌های بهداشتی و پزشکی، تصویربرداری پزشکی است. کامپیوترها قادر به تفسیر و شناسایی الگو‌های موجود در داده‌های عکس‌های MRI ، اسکن‌های اشعه X ، ماموگرافی و سایر تصاویر هستند و می‌توانند تومورها، تنگی شریان، ناهنجاری‌های موجود در اندام‌ها و موارد دیگر را تشخیص دهند.

Iquity یک پلتفرم مراقبت‌های بهداشتی و درمانی تحلیلی پیش‌بینی‌کننده در مقیاس بزرگ؛ مطالعه‌ای را با تحلیل چهارمیلیون شاخص داده از بیست­ میلیون ساکن نیویورک انجام داده است. آزمایش با ترکیبی از بیماران با تشخیص نادرست و بیماران با تشخیص درست از بیماری MS به این نتیجه دست یافتند که Iquity با دقت نود درصد پیش­‌بینی ابتلا به این بیماری را 8 ماه قبل از شناسایی با ابزارهای مرسوم همچون تصویربرداری با رزونانس مغناطیسی و ضربه زدن به ستون فقرات می‌تواند انجام دهد. حتی جستجو‌های آنلاین می‌توانند به افزایش دقت تشخیص کمک کنند. محققان مایکروسافت داده­‌های 4/6 میلیون کاربر موتور جستجوی Bing را که به دنبال نتایج جستجوی پیشنهادی برای سرطان لوزالمعده بودند تجزیه و تحلیل کردند. محققان به این نتیجه رسیدند که با جستجوی کلمات کلیدی همچون لخته شدن خون و کاهش وزن می‌توانند از موضوعات موتورهای جستجو برای پیش‌بینی تشخیص آینده‌ی سرطان لوزالمعده استفاده کنند.

علم داده در درمان بیماری

Data science in the treatment of disease

با داشتن اطلاعات بیشتر در مورد مشخصات فردی بیمار اکنون می‌توان از نسخه‌های دقیق‌تر و مراقبت‌های شخصی‌تر استفاده کرد. با نوآوری‌هایی همچون پروژه‌ی National Institute Of Health's 1000 Genome Project  که یک مطالعه‌ی منبع باز از مناطقی از ژنوم مرتبط با بیماری‌های شایع مانند بیماری عروق کرونر قلب و دیابت است، دانشمندان در حال یادگیری بیشتر در خصوص پیچیدگی ژن‌های انسانی‌اند و در حال دستیابی به این نتیجه‌اند که اغلب مقدار یکسان در خصوص دارو و درمان نمی‌تواند همه‌ی افراد بیمار با بیماری یکسان را درمان کند. علم داده در حال ظهور پدیده‌ی ژن‌تراپی است که شامل بکارگیری مواد ژنتیکی در داخل سلول‌ها به جای داروهای مرسوم جهت جبران ژن­‌های غیرطبیعی است.

دانشگاه Emory و مؤسسه‌ی سرطان‌درمانی Aflac در پروژه‌ی NextBio  بر روی نوعی تومور مغزی کودکان، که به طور مرسوم با پرتودرمانی درمان می‌شود، در حال انجام مطالعه‌اند. بررسی داده‌های ژنومیک و آزمایشات بالینی حاکی از یافتن بیومارکرهای خاص و شخصی‌سازی درمان است. تحقیقات مشابهی نیز در موسسه‌ی Mount Sinai بر روی سرطان مثانه صورت یافته است.

علم داده در کنترل مراقبت‌های پس از درمان

Data science in post-treatment care

پس از هر گونه عمل جراحی یا درمانی، خطر بروز برخی عوارض و هم‌چنین درد به صورت مکرر وجود دارد و کنترل این علائم پس از ترخیص بیمار از بیمارستان کار دشواری است. نظارت از راه دور در خانه به پزشکان کمک می‌کند تا ضمن آزادسازی منابع محدود و پرهزینه بیمارستان به صورت بلادرنگ و مستمر با بیماران در تماس باشند.

نرم‌افزار Intel Cloudera  این امکان را برای کادر درمانی فراهم می‌آورد تا بتواند وضعیت بیمار و تغییرات احتمالی وی در سی روز آینده را بر اساس پرونده‌ی پزشکی الکترونیکی ثبت شده بیمار و همچنین شرایط اقتصادی و اجتماعی محل بیمارستان، پیش‌بینی نمایند. پلتفرم SeamlessMD که برای مراقبت‌های پس از عمل جراحی در بیمارستان Saint peter در شهر نیوجرسی طراحی شده است، این امکان را برای تیم مراقبت بیمار فراهم می‌کند تا از طریق بررسی داده‌هایی که بیمار روزانه در آن وارد می‌کند، وضعیت بیمار را بررسی کرده و هشدارهای هوشمند را در خصوص مشکلات احتمالی دریافت کنند. این عمل می‌تواند سبب کاهش میانگین یک روزه‌‌ی بستری بودن بیمار و همچنین صرفه‌جویی به میزان 1500 دلار در هزینه‌های وی شود.

علم داده در عملیات بیمارستانی

data-science-in-hospital

 

مسئله‌ی هزینه و محدودیت منابع در بیمارستان‌ها موضوع حساسی است و نیاز به برنامه‌های پیچیده دارد. تعداد پرسنل در ساعات مشخص از شبانه‌روز برای به حداکثر رساندن کارایی، اطمینان از تعداد تخت کافی برای بیماران، برنامه‌ی اتاق عمل و عملکرد با کارایی بالا در آنجا نیاز به طرح‌ریزی همه جانبه دارد. تجزیه و تحلیل پیشگویانه می‌تواند برنامه‌ریزی را بهبود بخشیده و به طور مثال در تصمیم‌گیری برای اولویت‌دهی در ترخیص بیماران جهت آزادسازی منابع بیمارستان کمک نماید.

نرم‌افزارهای تجزیه تحلیل در قسمت اورژانس در اطمینان‌دهی به طی پروسه مرتبط با هر بیمار به طور منظم، کاربرد دارد. مرکز درمانی دانشگاه Emory  با استفاده از علم داده برای پیش‌بینی انواع مختلف تست‌های آزمایشگاهی توانست زمان انتظار را تا 75% کاهش دهد. علاوه بر این، هوش تجاری می‌‌تواند وضعیت صورتحساب‌‌ها را ساماندهی کند، بیمارانی را که مشکل دیرکرد پرداخت دارند شناسایی کند و با بخش‌های مالی و بیمه همکاری کند.

آینده‌‌ی علم داده در پزشکی و مراقبت‌های بهداشتی چیست؟

اکنون زمان مناسبی برای علوم پزشکی و صنعت مراقبت‌های بهداشتی مبتنی بر علم داده و افراد فعال در این حوزه همچون شرکت‌های زیست فناوری و داروسازی، تأمین‌کنندگان، بیمارستان‌ها، مراکز تحقیقاتی دانشگاهی و استارتاپ‌های تحت حمایت سرمایه‌گذار، است که در این تحول شرکت نمایند. علم داده می‌تواند با پیش‌بینی احتمال وقوع بیماری، ارائه‌ی مشاوره‌های پزشکی مبتنی بر هوش مصنوعی در مناطق روستایی و دوردست، سفارشی‌سازی روش‌های درمانی برای بیماران با ویژگی‌های خاص خود بیمار و یافتن درمان برای سرطان، ایدز، ابولا و موارد دیگر، زندگی‌های زیادی را از مرگ نجات دهد.

همچون سایر صنایع، نگرانی‌هایی در خصوص بکارگیری علم داده در مراقبت‌های سلامت وجود دارد. از لحاظ منطقی، داده اغلب بصورت نامتمرکز در شهرها، بیمارستان‌ها و واحدهای اداری متفاوت قرار دارند و ادغام آن در یک سیستم منسجم چالش‌برانگیز است. بسیاری از بیماران در مورد حفاظت و محرمانگی اطلاعات پزشکی مربوط به خود نگران هستند، به ویژه که شرکت‌هایی همچون  گوگل به علت به کارگیری اطلاعات حساس مربوط به سلامت به منظور اهداف تبلیغاتی، با طرح دعوی روبرو هستند. اگرچه علم داده می‌تواند کمبود پزشک در بسیاری از کشورها را برطرف کند، عده‌ای نگران مساله‌ی برون‌سپاری رابطه‌ی مهم پزشک و بیمار به الگوریتم‌های کامپیوتری و ماشین‌ها هستند.

نتیجه‌گیری

علم داده روز به روز در حال گسترش است و با توانایی خود در تحلیل داده‌ها در مقیاس بزرگ می‌تواند تحول بزرگی در عرصه‌ی پزشکی و مراقبت‌های بهداشتی و درمانی، در زمینه‌های گوناگون پدید آورد. در عصر کنونی و در آینده، دنیای علوم پزشکی به متخصصان زیادی در حوزه‌ی تحلیل داده‌ها و هوش مصنوعی نیازمند خواهد بود. سعی ما در آکادمی سون لرن بر این خواهد بود تا شما با جنبه‌های بیشتری از این کاربرد آشنا شوید و بتوانید درک درستی از مفاهیم مورد نیاز و همچنین توانمندی فنی در این زمینه را داشته باشید.

چه امتیازی به این مقاله می دید؟
نویسنده المیرا ناصح

نظرات کاربران

reza

باتشکر از مقاله مفیدتون فقط یه سوال!
اگه لطف کنید درمورد بازار کار هم صحبت بفرمایید ممنون میشم
بنده علاقه زیادی تو این زمینه دارم و تنها نگرانیم اینه که در آینده جایگاه اصلیش رو پیدا نکنه
ممنون میشم اگه جواب بدین

ارسال دیدگاه
خوشحال میشیم دیدگاه و یا تجربیات خودتون رو با ما در میون بذارید :