직장에서 의료 데이터 과학자와 분석가의 잠재의식적 시각에는 깔끔하게 정리된 스프레드시트, 알고리즘, 데이터를 처리하는 프로그래밍 언어, 다채로운 그래프와 차트를 만들어내는 시각화 도구가 포함됩니다. 그리고 유사합니다. 그러나 이는 현실과는 거리가 멀다.
실제로 데이터 과학자들은 매일 한 가지 요소, 즉 구조화되지 않은 데이터와 씨름합니다. 빅데이터 붐은 의료산업에도 막대한 영향을 미쳤다. 보고서에 따르면 임상 장비, 웨어러블 기기, 전자 건강 기록(EHR)등으로 인해 엄청난 양의 데이터가 생성되었습니다.
실제로 통계에 따르면 의료 산업이 거의 대부분을 차지합니다. 전체 데이터 양의 30% 생성되었습니다. 게다가 평균적으로 단일 병원에서는 매년 50페타바이트가 넘는 데이터를 생성합니다. 그러나 문제는 생성된 데이터의 80% 이상이 구조화되지 않았다는 것입니다.
데이터 기반 의사결정, 획기적인 혁명, 헬스케어 R&D 및 혁신은 무엇이며 어떻게 영향을 미치나요? 이 기사에서 알아 보겠습니다.
구조화된 데이터와 구조화되지 않은 데이터: 동일한 캡슐의 두 부분
두 가지 유형의 데이터를 이해하기 위해 의료 관련 조치가 취해질 때마다 의료 데이터가 생성된다는 점을 인정하겠습니다. 이는 의사가 종이에 처방전을 작성하는 것처럼 아날로그적일 수 있으며, 웨어러블 장치의 혈압 보고서처럼 디지털적이고 즉각적일 수 있습니다.
생성된 모든 데이터는 두 범주 중 하나에 속합니다. 이제 두 가지가 무엇을 의미하는지 이해해 봅시다.
의료 분야의 구조화된 데이터
간단하고 깔끔하게 정리되어 있으며 쉽게 접근할 수 있고 표준화된 형식의 모든 데이터는 구조화된 데이터를 구성합니다. 구조화된 데이터의 주요 특징은 다음과 같습니다.
- 보편적이거나 균일한 형식 이름, 날짜, 의료 코드 등에 대한 적절한 속성 포함
- 상호 운용성, 표준화를 통해 다양한 범위의 의료 이해관계자가 요구 사항에 따라 이 데이터를 사용할 수 있는 길을 열어줍니다.
- 검색 가능성 및 가공성 임상 의사 결정, 참조, 보고 등을 촉진하기 위해
구조화된 데이터의 예
| 임상 및 의료 코드 | ICD 및 CPT 코드, 실험실 결과 보고서 |
| 인구 통계 학적 정보 | 환자 이름, 나이, 생년월일, 성별, 지역 등 |
| 신체적 조치 및 활력소 | 키, 몸무게, 심박수, 체온 등 |
| 약물 | 처방약, 복용량, 투여 일정, 알레르기 등 |
의료 분야의 비정형 데이터
표준화된 형식으로 제공되지 않거나, 접근 가능한 위치에 있거나, 처리할 수 없는 모든 유형의 데이터는 구조화되지 않은 데이터 범주에 속합니다. 불행하게도 의료 분야에서는 생성되는 비정형 데이터의 양이 그 양을 능가합니다.
구조화된 데이터가 증상을 드러낸다면 구조화되지 않은 데이터는 근본적인 추론과 기타 미묘한 차이를 밝혀줍니다. 구조화되지 않은 데이터를 가장 잘 이해하려면 실제 사례를 살펴봐야 합니다.
구조화되지 않은 데이터 예
| 의료 기록 | 의료 전문가가 기록한 처방전 등 오프라인 의료 기록입니다. |
| 의료 영상 데이터 | MRI, CT 또는 초음파 스캐너와 같은 임상 장치에서 생성된 모든 이미지 |
| 시청각 데이터 | 환자 상담, 인터뷰 또는 수술 절차의 오디오, 비디오 또는 기록 데이터 일부 |
| 환자 생성 데이터 | 웨어러블 데이터세트, 구두로 전달되는 정보 등에서 이용 가능 |
| 소셜 미디어 및 커뮤니케이션 데이터 | 같은 환자 피드백 분석 상담을 위해 환자 또는 의료 전문가가 업로드한 이메일, 주고받은 메시지 등 |
| 유전 데이터 | 유전병을 발견할 수 있는 개인의 DNA 보고서에 대한 통찰력과 분석 |
[또한 읽기: AI 의료 기록 요약: 정의, 과제 및 모범 사례]
조치에서 통찰력까지: 구조화되지 않은 데이터를 변환하고 활용하여 임상 의사 결정을 지원하는 방법
수많은 유형의 비정형 데이터의 소스 역할을 하는 바로 그 기술은 우리에게 이를 해독할 수 있는 솔루션과 기술도 제공합니다. 인공지능(AI), 머신러닝(ML) 및 분석과 같은 최신 기술을 활용하여 이러한 데이터 유형을 구성할 수 있을 뿐만 아니라 실행 가능한 통찰력을 위해 이를 이해할 수 있습니다.
이것이 가능한 방법을 살펴보겠습니다.
의료 분야에서 자연어 처리(NLP) 활용
이름에서 알 수 있듯이 이 기술을 통해 컴퓨터는 인간의 언어를 이해할 수 있으며 여기에는 음성, 시청각, 텍스트 등을 통해 우리가 의사소통하는 다양한 방식이 포함됩니다. 기계 학습 모델의 도움으로 우리는 이제 대량의 구조화되지 않은 데이터를 처리하고 다른 방법으로는 불가능했던 중요한 통찰력을 추출할 수 있습니다.
간단히 말해서, NLP는 의사의 손글씨를 읽고 이해할 수 있을 뿐만 아니라 이를 처리하여 눈에 띄지 않는 측면도 찾아냅니다. 게다가 몇 시간 분량의 비디오 또는 오디오 콘텐츠를 분석하고 일반 사람들이 작업할 수 있도록 필요에 따라 데이터를 구성하고 지정할 수도 있습니다.
의학에서의 예측 분석
데이터 과학 기술을 구현하는 이유의 본질을 정리해야 한다면 다음 세 가지 측면으로 요약됩니다.
- 지표 결과에 대한 데이터 이해
- 지표가 있는 결과를 통해 데이터를 이해하고 솔루션 추천
- 솔루션을 이해 및 권장하고 향후 발생할 수 있는 발생 및 결과를 예측합니다.
이 세 가지가 구성되어 있다 서술적, 규정적, 예측적 각각 분석.
[또한 읽기: 헬스케어 AI에서 데이터 주석이란 무엇인가? 정의, 기술 및 사용 사례]
의료 분야에서 예측 분석은 가능성이 높은 미래 결과를 지적할 수 있으므로 삶을 변화시킬 수 있습니다. 사용 의료 분야의 머신러닝 그러한 개념이 실제 현실이 되도록 허용했습니다. 예측 분석을 통해 의료 영상 데이터는 생활 방식, 연령, 인구통계 등을 고려한 후 양성 종양이 악성 종양으로 변할 수 있는지 여부를 정확하게 예측할 수 있습니다.
마찬가지로 예측 분석은 게놈 데이터의 정확한 분석을 통해 개인이 당뇨병, 심장병 또는 알츠하이머병에 걸릴 가능성이 있는지 여부를 나타내는 데 도움이 될 수 있습니다. 이는 의료 전문가가 약물 치료를 권장하고, 인식을 높이거나, 기회를 예방하기 위해 생활 방식의 변화를 제안할 수 있기 때문에 삶과 죽음 사이의 분석입니다.
질병을 진단하고 치료하는 방법은 우리가 정리하고 정리할 때 열립니다. 비정형 데이터 컨텍스트로 설정합니다. 이상적인 기술을 올바르게 사용하면 처리도 원활하게 이루어집니다.
그러나 이러한 단계를 건너뛰고 의료 알고리즘 및 솔루션 교육을 위해 처리 가능한 데이터를 갖고 싶다면 당사에 문의하세요. 우리는 귀하의 모든 의료 관련 요구 사항에 맞는 맞춤형 윤리적 소스 의료 데이터를 제공합니다. 오늘 우리에게 연락하세요.
