ترجمه مقاله Health big data analytics: current perspectives, challenges and potential solutions (تجزیه و تحلیل های داده های بزرگ در حوزه بهداشت و سلامت: دیدگاه های حاضر، چالش ها و راه حل های بالقوه )

مقاله با عنوان:Health big data analytics: current perspectives, challenges and potential solutions از اينجا دانلود كنيد

عنوان مقاله به فارسى:تجزیه و تحلیل های داده های بزرگ در حوزه بهداشت و سلامت: دیدگاه های حاضر، چالش ها و راه حل های بالقوه

پشتیبانی : دارد. در صورت هر گونه بروز مشکل با شماره تلفن 09367938018 یا آی دی تلگرام@research_moghimi تماس حاصل فرماييد.

ترجمه کامل این مقاله حدود 30 صفحه می باشد که بخش اندکی در ادامه جهت آشنایی شما قابل مشاهده می باشد.

کیفیت محصول :عالى

قيمت:24000 تومان

قسمتى از ترجمه محصول:

چکیده

سیستم های اطلاعاتی جدید در زمینه بهداشت و سلامت، می توانند هر ساله، یک میلیارد گیگابایت از داده های مربوط به بیماران را تولید نماید، لذا به همین خاطر “داده های بزرگ بهداشت و سلامت” نامیده می شوند. بسیاری از مدیران و متخصصان حوزه بهداشت و سلامت معتقدند که با چنین داده هایی، می توان اطلاعات و معلومات مفید و باارزشی را برای بهبود تدابیر و سیاست گذاری ها، افزایش ایمنی و حذف هزینه های مازاد و غیرضروری، استخراج نمود. هدف از مقاله حاضر، بحث و بررسی خصوصیات داده های بزرگ و همچنین چالش ها، و راه حل هایی برای تجزیه و تحلیل های داده های بزرگ (BDA )- پروسه استخراج اطلاعات از مجموعه داده های بزرگ بهداشت و سلامت- و طراحی و ارزیابی چارچوب بهم پیوسته برای استفاده بعنوان راهنما/مرجعی در تجزیه و تحلیل های داده های بزرگ بهداشت و سلامت است.

کلمات کلیدی: بهداشت و درمان، تجزیه و تحلیل های داده های بزرگ، BDA، داده کاوی، محاسبات ابری

 

  • مقدمه

قلمرو مراقبت های بهداشتی و درمانی بعنوان حوزه پرکار همراه با داده های متمرکز زیادی، مورد توجه قرار می گیرد. دامنه سیستم های اطلاعاتی بهداشت و سلامت (برای مثال رکوردهای الکترونیک بهداشت و سلامت (HER[1])، ثبت کامپیوتری دستورات پزشکی (CPOE[2])، سیستم ارتباطات ارشیو تصاویر (PACS[3])، سیستم های بالینی پشتیبان تصمیم (CDSS[4])،  و سیستم های اطلاعات ازمایشگاه)، در انواع مختلفی از چیدمان ها و مراکز مراقبتهای بهداشتی و درمانی مانند بیمارستان ها، کلینیک ها و مطب های پزشکی، مورد استفاده قرار می گیرند. این نوع از سیستم ها می توانند مقادیر عظیمی از داده های دیجیتالی حوزه بهداشت و سلامت را ایجاد نمایند که همچنین به عنوان “داده های بزرگ بهداشت و سلامت” معروف هستند. در سال 2012، داده های دیجیتالی بهداشت و سلامت در کل جهان، براورد گردید تا برابر با 500 پتابایت باشد و انتظار می رود این رقم در سال 2020 به 25000پتابایت برسد (Sun and Reddy, 2013). همچنین Hughes (2011) پیش بینی نموده است که هر ساله، رشد جهانی داده های بهداشت و سلامت بین 1.2 و 2.4 اگزابایت (Exabyte) باشد.

 

داده های بزرگ این امکان را فراهم می سازد تا بسیاری از کارهایی را انجام داد که در گذشته نمی توانست انجام بگیرد. برای مثال، داده های بزرگ می تواند برای شناخت روند و گرایش مراقبت های بهداشتی درمانی، پیشگیری از بیماری ها، مبارزه با نابرابری اجتماعی، و موارد دیگر، مورد استفاده قرار گیرند. مدیریت صحیح داده ها می تواند برای شناخت منابع جدید ارزش اقتصادی، ارائه بینش های نوین در علوم و مسئولیت مداری دولت ها، استفاده شود (Manyika et al., 2012). مطالعه موسسه جهانی McKinsey پیشنهاد می کند که “اگر مراقبت های بهداشتی درمانی ایالت متحده از داده های بزرگ بصورت خلاقانه و بطرز موثری بمنظور بهره وری و بهبود کیفیت استفاده می نمود، این بخش می توانست بیش از 300 بیلیون دلار ارزش در هر سال، ایجاد نماید”. دو سوم از ان به شکل کاهش هزینه های بهداشتی درمانی ایالت متحده تا حدود هشت درصد، می شود (Foster, 2012). Shah و Tenenhaum (2012) اعتقاد دارند که داده های بزرگ پزشکی، قادر به کشف نظریه های درمانی جدید برای بیماران خواهد بود. Garrison (2013) ادعا می کند که داده های بزرگ می تواند وضعیت سلامت جمعیت را بهبود داده و از سیاست گذاری و برنامه های بهداشتی درمانی پشتیبانی نماید.

مرحله 3: یکپارچه سازی داده ها

1.3.3- چالش ها

این مرحله شامل ادغام و انتقال داده ها به شکل یک فرمت مناسب برای تجزیه و تحلیل های بعدی داده هاست. هرچند، داده های بزرگ حوزه سلامت، بطور باور نکردنی بزرگ، توزیع شده، بی ساخت، و ناهمگن هستند، که ادغام و تغییر شکل همه انها بسیار پیچیده و گیج کننده است (Dai et al., 2012). ادغام داده های بی ساختار، چالش مهمی برای BDA است. حتی با ادغام داده های ساخت یافته EHR، مسائل زیادی وجود دارد. برای مثال، Kuo و همکاران (2011) سه چالش عمده را در ادغام داده های ساخت یافته معرفی می کنند: چالش های وظیفه ای، متاداده و نمونه (شکل 2).

 

پایگاه های محاسبات

پایگاه های محاسباتی برای اجرای انالیزهای مجموعه داده ای زیاد می تواند به چهار مدل اصلی طبقه بندی شود (Schadt et al., 2010) : سوپر محاسبات، محاسبات شبکه، محاسبات ابری، و محاسبات ناهمگن. مدل های مختلف داری نقاط قوت و ضعف متفاوتی نسبت به حجم داده ها، پهنای باند شبکه و شرایط و محدودیت های محاسباتی هستند (برای مثال، موقعیت های کاربر، الگوریتم های انالیز مورد استفاده و موارد دیگر).

  • سوپر محاسبات- اشاره به کامپیوتر بزرگ (سوپر کامپیوتر) یا گروهی از کامپیوترهای کم خرج و ارزان متصل بهم (کلاستر (گروه) کامپیوتر)، بویژه بطریق شبکه ناحیه محلی (LAN)[1] سریع، می نماید که بصورت سوپر کامپیوتر باهم کار می کنند. سوپر محاسبات، سرعت پردازش بسیار سریعتر، ظرفیت ذخیره سازی بیشتر، یکپارچگی و تمامیت بهتر داده ها، و اعتماد پذیری عالی را فراهم می سازد. با این وجود، اجرا و نگهداری ان بسیار هزینه بر است. این نتایج در سرجمه اجرای بسیار بالاتر نیز با کامپیوتر بزرگ، مقایسه شد.
  • نتیجه گیری
  • امروزه، انواع متفاوتی از سیستم های اطلاعات حوزه بهداشت و درمان مانند EHRs، CPOE، PACS، CDSS، و سیستم های ازمایشگاهی، حجم عظیمی از داده های بیماران را تولید نموده اند که “داده های بزرگ حوزه بهداشت و سلامت” نامیده می شود. مدیریان و متخصصان حوزه سلامت معتقدند که با این داده ها، محققان می توانند به راحتی اطلاعات/معلومات مهمی را برای تدابیر بهتر و سیاست گذاری های حوزه سلامت، بهبود روش های درمانی بیماران، و حذف هزینه های مازاد و غیر ضروری، ارائه نمایند. 

    استخراج معلومات مفید از داده های بزرگ حوزه سلامت می تواند بصورت خطوط بهم پیوسته پروسه پردازش در نظر گرفته شود که شامل چندین مرحله متمایز شامل جمع اوری داده ها، نگهداری، ادغام، تجزیه و تحلیل و تفسیر است. هر مرحله با چندین چالش مواجه است که در جدول 2 خلاصه شده است. در این مقاله، چارچوب بهم پیوسته را برای استفاده بعنوان مرجع و راهنمایی در DBA حوزه سلامت، طراحی و ارزیابی نمودیم. بویژه اینکه، ما را قادر به:

    • شناسایی خصوصیات داده های بزرگ حوزه سلامت و عوامل ویژه برای DBA حوزه سلامت
    • بررسی چالش های تحلیلی و راه حل ها برای چالش های معین در مسیر پردازش داده ها (جدول 2)
    • توسعه روش تحلیل استاندارد شده و ارائه ابزارهای علمی با قابلیت استفاده مجدد (از طریق مرور منابع) برای هدایت پروژه DBA حوزه سلامت

    بعلت ماهیت گسترده این موضوع تحقیق، تاکید اولیه بر بحث و بررسی مشخصات داده های بزرگ حوزه سلامت و همچنین چالش ها و راه حل هایی برای BDA حوزه سلامت است. همچنین بر توصیف جزئیات تکنیک ها و راه حل های ویژه تمرکز نمی شود. هر چند، امیدواریم این مطالعه برای پیشرفت DBA در مراقبت های بهداشتی درمانی، مثمر ثمر باشد.

[1] local area network

[1] electronic health records

[2] Computerised physician order entry

[3] picture archiving communications system

[4] clinical decision support systems

Abstract

Modern health information systems can generate several exabytes of patient data, the so called ‘health big data’, per year. Many health managers and experts believe that with the data, it is possible to easily discover useful knowledge to improve health policies, increase patient safety and eliminate redundancies and unnecessary costs. The objective of this paper is to discuss the characteristics of health big data as well as the challenges and solutions for health big data analytics (BDA) – the process of extracting knowledge from sets of health big data – and to design and evaluate a pipelined framework for use as a guideline/reference in health BDA.

  1. mahdi :
    24 سپتامبر 19

    راضیم ازتون

error: شما فقط اجازه مطالعه دارید
قیمت می خواهید؟ ما ارزانترین قیمت را ارائه می کنیم. کافیست فایل خود را یا از طریق منوی خدمات ترجمه => ثبت سفارش ترجمه ارسال کنید یا برای ما به آدرس research.moghimi@gmail.com ایمیل کنید یا در تلگرام و واتس آپ و حتی ایمو با شماره تلفن 09367938018 ارتباط بگیرید و ارزانترین قیمت ترجمه را از ما بخواهید
+