際際滷

際際滷Share a Scribd company logo
INTEREG Projekt
Biomedicinska informatika
Ljiljana Majnari Trtica
I. Medicina kao znanost podataka
Medicina - znanost podataka
 U posljednjih nekoliko desetljea, 転ivot znanost, biomedicina i zdravstvo - sve se
pretvara u podatke intenzivne znanosti
 Ovo je povezano sa 邸irenjem dostupnih elektronikih podataka, ukljuujui:
 Digitalizacija elektronike zdravstvene evidencije (EHR)
 Agregacija znanstvenih podataka u bazama podataka u farmaceutskoj industriji
 Oslobaanje pohranjenih podataka o bolesniku vlade za istra転ivake svrhe (npr
potra転ivanja pacijenti zdravstveno osiguranje)
 Agregacija znanstvenih podataka iz klinikih ispitivanja, epidemiolo邸ki i
biomedicinskih istra転ivanja
 Hitna je high tech medicine (Omics-medicina)
 Napad od pacijenta self-praenje i daljinski nadzor pomou mobilnih ureaja i
Biosenzori
Klasinial Definicija medicinski janformatics
Podr邸ka Odluka je klju
role medicinske informatike
Sl. 1
Biomedicinska informatika vs medicinsku informatiku
Karakteristike podataka u biomedicini
 Razliiti resursi u biomedicini i dalje aktivno stvaraju podataka
 Poveanje veliine (volumen) i razliitost (iz raznih izvora)
 Karakteristike tih podataka su takoer da su:
 Vi邸edimenzionalan (razliitog znaenja, podklase)
 Vrlo slo転eno (npr mikroskopska struktura od kvasca protein mre転e) (sl. 2)
 esto slabo strukturirana (kao i tekst u evidenciju pacijenata, signali iz fiziolo邸kih senzora)
 umovi (nestalih i nedosljedan)
 Postoji rastua potreba za integrativni analizu i modeliranje tih podataka
Sl. 2.
Raunalo se temelji vizualizacija kvasac protein mre転e
 Veliki izazov je pronai nepoznate strukture (strukturne homologije) meu
ogroman skup dosad nepoznate podatke
 By primjena posebne metode vizualizacije, takve strukture mo転e se grafiki
vidljivaomoguujui zdravstvenih djelatnika do Razumijem te podatke lak邸e
Big podataka
 Poveanje volumena i raznolikosti podataka u biomedicinskoj praksi i znanosti -
kolektivno nazivaBig Data
 Big podataka predstavljaju jedinstvenu priliku za stjecanje uvida, izvui znanje i
poticanje otkrie koje e rezultirati boljim rezultatima bolesnika, smanjenje tro邸kova
i ubrzano biomedicinskih napredak
Primjeri upotrebljivosti Big Data u medicinskoj praksi
 Kako bi pobolj邸ao primjenjivost klinikih istra転ivanja u stvarnom svijetu situacijama
u kojima stanovni邸tvo heterogenost je prepreka
 (Dakle, mijenjanje paradigmu - od pretpostavke da se pokree upravljanim
podacima lijeka) (Sl. 3)
 Poticanje ekstrakcije i uinkovit i inovativne uporabe znanja skriveno u ogromnim
koliinama podataka
 Da biste omoguili identifikaciju pacijenata koji su pod rizikom za nepovoljne
zdravstvene ishode (bolest, smrt u bolnici (ponovno) ulaz)
 Da bi se omoguilo uinkovito i precizno lijek kroz raslojavanja pacijenata - kljuni
zadatak prema personalizirane zdravstvu
 Da biste omoguili predicitive analitike u personaliziranu zdravstvu (Sl. 5)
1) hipoteza upravljan vs upravljanim podacima lijek
2) Klinika istra転ivanja zadaci trebaju odrediti metode istra転ivanja - suprotno onome 邸to je
danas -
gdje klinika projekti ispunjavaju kriterije utvrene metode istra転ivanja
3) Iz opisna (skruujua) na prediktivni (sprijeiti) i proaktivna, sudjelovanja (uz aktivno
sudjelovanje pacijenta) lijek
4) S (prilagoene jedna uniformnog sve) do personilized recepta
Big Data i paradigmu promjene u biomedicinske znanosti
Big podataka i Omics-based medicine
 Sve vei interes za personaliziranu medicinu evoluira zajedno s dva velika
tehnolo邸ki napredak
 Prvo, nova generacija, brzi i jeftiniji, sekvenciranje DNA metoda
 U kombinaciji sa znatan napreduje u molekularnoj biologiji - 邸to dovodi do post-
genomske doba (transkriptomika, proteomike, metabolomics)
 Drugo, oplemenjivanje raunalnih alata, koja omoguuje neposrednu analizu velike
koliine podataka
 Dakle, stvara novi svemir za medicinska istra転ivanja, koji od veliki podataka
kada analizirani kompjuteriziranom modeliranje
Slika 3. Izazov analize velikih podataka omics-based medicina
Genomike, proteomike, metabolomics
Geni i molekularne putove i mre転e
Sustavi biologije - integrativni analiza podataka razliitih razina tjelesne
organizacije
(P4) lijek - Pprilagoenu,
Predictive, Preventive i Participatory lijek
Kljune prednosti P4 medicine
Mogunost da
- detitd bolest u ranijoj fazi, kada je lak邸e
i jeftiniji lijeiti uinkovito
- stratify pacijenata u skupine koje omoguavaju izbor
za optimalnu terapiju (Sl. 5)
- rizazvati nuspojave od uinkovitiji
rano procjena pojedinanih odgovora na lijekove
- ipospje邸iti izbor novih biokemijskih ciljeva
za otkrivanje lijekova
- rizazvati vrijeme, tro邸ak i neuspjeh stopa klinikim ispitivanjima
za nove terapije
- shift naglasak u medicini iz reakcijske
za prevenciju
i od bolesti u wellness
Sl. 5. Stratifp icationatients u grupe do
omoguuju odabir optimalnu terapiju
Prepreke
uinkovito kori邸tenje Big data za praktine svrhe
 Problem heterogene podataka (Biomedicinske podaci proizlaze iz razliitih izvora i razliitih
strukturnih dimenzija - koje variraju od mikroskopskih svijeta (npr Omics-podaci) na makroskopski
svijet (npr 邸irenje bolesti u populaciji javnozdravstvenih informatike)
 Problem dijeljenje i distribuciju podataka meu razliitim pru転ateljima i odjela
 esto glasan, nedostaje, nedosljedna i ne-standardizirani podaci
 Postoji razlika izmeu prirodnog, dostupnih podataka, a podaci se primjenjuje za praktine svrhe
strojevi i postupci za obradu podataka
Otkrivanje znanja u bazama podataka (KDD)
 Klasian interpretacija procesa KDD ukljuuje nekoliko koraka: odabir podataka, pre-
obradu, transformirati, vaenje podataka i interpretacija (Sl. 6)
Sl. 6. prikaz koraka koji obuhvaa proces KDD
Otkrivanje znanja iz Big Data
 Izazov je da se
 izvui smislene podatke iz podataka
 stei nova znanja
 otkrili do sada nepoznate spoznaje
 tra転iti uzorke
 smisla podataka
Otkrivanje znanja iz Big Data
 Mnogi razliiti pristupi
 Novi matematiki i grafiki postupci
 Data Mining (DM) i strojno uenje (ML) metode - uglavnom se koriste metode u
pro邸losti
 Data mining - kljuni korak u procesu KDD pojam otkrivanje znanja i Data Mining
(KDD)
Rudarenje podataka
 Raunalni proces otkrivanja prethodno nepoznatih, va転ee obrasce i odnose u
velikim skupovima podataka - za predvianja, klasifikacije i klastera svrhe
 Ukljuujui kombinacije sofisticiranijim postupcima
 Statistiki modeli
 Matematiki algoritmi
 ML metode - algoritmi koji automatski pobolj邸avaju njihovu izvedbu kroz iskustvo
 Dovela je do razvoja
Primjena data mining tehnike
u zdravstvu domena
 Dovelo je do
 Developmnet inteligentnih sustava i sustava za podr邸ku odluivanju (na temelju pravila
ekspertni sustavi)
 Pobolj邸anje predvianja nepovoljnih zdravstvenih ishoda i dijagnoza
 Pobolj邸ana klasifikacija bolesti
 Otkrie odnosa izmeu patolo邸kih podataka i klinikih podataka i izmeu pacijenata
karakteristike i lijekovi uinkovitosti
 Postupak odabir kandidata za medicinske testove i postupke
Koncept interakcije ovjeka i raunala (HCI)
 Otkrie znanja - proces u rasponu od fizikoj podataka u ljudskom strani znanja
(definirano kao kognitivni proces)
 Izazov je u tome da znanje da bi bio upotrebljiv od strane krajnjih korisnika (inei
osjeaj podataka)
 Dodana u KDD postupak INTERAKCIJA (KOMUNIKACIJA) ljudskom krajnjeg
korisnika (medicinski strunjak)
 To je ljudska krajnji korisnik (nije stroj) koji posjeduju rje邸avanja inteligenciju
problem, dakle, sposobnost da se pitati inteligentna pitanja o podacima
 Ljudska (medicinski strunjak) mo転e rije邸iti slo転ene probleme ponekad intuitivno
(odnosno, bez potrebe da se opisuju tone pravila ili procesa koji se koriste u
analizi problema)
Interakcija je glavna tema
u koncept HCl
Nova pristup je kombinirati KDD & HCI
... ili kao Albert Einstein rekao je
SAD (njemaki-roen) fiziar (1879-1955)
Raunala su nevjerojatno brzo, precizno i glupo.
Ljudska bia su nevjerojatno sporo, neprecizne i
sjajan.
Zajedno su moni izvan ma邸te.

More Related Content

Medicina kao znanost podataka

  • 1. INTEREG Projekt Biomedicinska informatika Ljiljana Majnari Trtica I. Medicina kao znanost podataka
  • 2. Medicina - znanost podataka U posljednjih nekoliko desetljea, 転ivot znanost, biomedicina i zdravstvo - sve se pretvara u podatke intenzivne znanosti Ovo je povezano sa 邸irenjem dostupnih elektronikih podataka, ukljuujui: Digitalizacija elektronike zdravstvene evidencije (EHR) Agregacija znanstvenih podataka u bazama podataka u farmaceutskoj industriji Oslobaanje pohranjenih podataka o bolesniku vlade za istra転ivake svrhe (npr potra転ivanja pacijenti zdravstveno osiguranje) Agregacija znanstvenih podataka iz klinikih ispitivanja, epidemiolo邸ki i biomedicinskih istra転ivanja Hitna je high tech medicine (Omics-medicina) Napad od pacijenta self-praenje i daljinski nadzor pomou mobilnih ureaja i Biosenzori
  • 3. Klasinial Definicija medicinski janformatics Podr邸ka Odluka je klju role medicinske informatike
  • 4. Sl. 1 Biomedicinska informatika vs medicinsku informatiku
  • 5. Karakteristike podataka u biomedicini Razliiti resursi u biomedicini i dalje aktivno stvaraju podataka Poveanje veliine (volumen) i razliitost (iz raznih izvora) Karakteristike tih podataka su takoer da su: Vi邸edimenzionalan (razliitog znaenja, podklase) Vrlo slo転eno (npr mikroskopska struktura od kvasca protein mre転e) (sl. 2) esto slabo strukturirana (kao i tekst u evidenciju pacijenata, signali iz fiziolo邸kih senzora) umovi (nestalih i nedosljedan) Postoji rastua potreba za integrativni analizu i modeliranje tih podataka
  • 6. Sl. 2. Raunalo se temelji vizualizacija kvasac protein mre転e Veliki izazov je pronai nepoznate strukture (strukturne homologije) meu ogroman skup dosad nepoznate podatke By primjena posebne metode vizualizacije, takve strukture mo転e se grafiki vidljivaomoguujui zdravstvenih djelatnika do Razumijem te podatke lak邸e
  • 7. Big podataka Poveanje volumena i raznolikosti podataka u biomedicinskoj praksi i znanosti - kolektivno nazivaBig Data Big podataka predstavljaju jedinstvenu priliku za stjecanje uvida, izvui znanje i poticanje otkrie koje e rezultirati boljim rezultatima bolesnika, smanjenje tro邸kova i ubrzano biomedicinskih napredak
  • 8. Primjeri upotrebljivosti Big Data u medicinskoj praksi Kako bi pobolj邸ao primjenjivost klinikih istra転ivanja u stvarnom svijetu situacijama u kojima stanovni邸tvo heterogenost je prepreka (Dakle, mijenjanje paradigmu - od pretpostavke da se pokree upravljanim podacima lijeka) (Sl. 3) Poticanje ekstrakcije i uinkovit i inovativne uporabe znanja skriveno u ogromnim koliinama podataka Da biste omoguili identifikaciju pacijenata koji su pod rizikom za nepovoljne zdravstvene ishode (bolest, smrt u bolnici (ponovno) ulaz) Da bi se omoguilo uinkovito i precizno lijek kroz raslojavanja pacijenata - kljuni zadatak prema personalizirane zdravstvu Da biste omoguili predicitive analitike u personaliziranu zdravstvu (Sl. 5)
  • 9. 1) hipoteza upravljan vs upravljanim podacima lijek 2) Klinika istra転ivanja zadaci trebaju odrediti metode istra転ivanja - suprotno onome 邸to je danas - gdje klinika projekti ispunjavaju kriterije utvrene metode istra転ivanja 3) Iz opisna (skruujua) na prediktivni (sprijeiti) i proaktivna, sudjelovanja (uz aktivno sudjelovanje pacijenta) lijek 4) S (prilagoene jedna uniformnog sve) do personilized recepta Big Data i paradigmu promjene u biomedicinske znanosti
  • 10. Big podataka i Omics-based medicine Sve vei interes za personaliziranu medicinu evoluira zajedno s dva velika tehnolo邸ki napredak Prvo, nova generacija, brzi i jeftiniji, sekvenciranje DNA metoda U kombinaciji sa znatan napreduje u molekularnoj biologiji - 邸to dovodi do post- genomske doba (transkriptomika, proteomike, metabolomics) Drugo, oplemenjivanje raunalnih alata, koja omoguuje neposrednu analizu velike koliine podataka Dakle, stvara novi svemir za medicinska istra転ivanja, koji od veliki podataka kada analizirani kompjuteriziranom modeliranje
  • 11. Slika 3. Izazov analize velikih podataka omics-based medicina Genomike, proteomike, metabolomics Geni i molekularne putove i mre転e Sustavi biologije - integrativni analiza podataka razliitih razina tjelesne organizacije
  • 12. (P4) lijek - Pprilagoenu, Predictive, Preventive i Participatory lijek Kljune prednosti P4 medicine Mogunost da - detitd bolest u ranijoj fazi, kada je lak邸e i jeftiniji lijeiti uinkovito - stratify pacijenata u skupine koje omoguavaju izbor za optimalnu terapiju (Sl. 5) - rizazvati nuspojave od uinkovitiji rano procjena pojedinanih odgovora na lijekove - ipospje邸iti izbor novih biokemijskih ciljeva za otkrivanje lijekova - rizazvati vrijeme, tro邸ak i neuspjeh stopa klinikim ispitivanjima za nove terapije - shift naglasak u medicini iz reakcijske za prevenciju i od bolesti u wellness Sl. 5. Stratifp icationatients u grupe do omoguuju odabir optimalnu terapiju
  • 13. Prepreke uinkovito kori邸tenje Big data za praktine svrhe Problem heterogene podataka (Biomedicinske podaci proizlaze iz razliitih izvora i razliitih strukturnih dimenzija - koje variraju od mikroskopskih svijeta (npr Omics-podaci) na makroskopski svijet (npr 邸irenje bolesti u populaciji javnozdravstvenih informatike) Problem dijeljenje i distribuciju podataka meu razliitim pru転ateljima i odjela esto glasan, nedostaje, nedosljedna i ne-standardizirani podaci Postoji razlika izmeu prirodnog, dostupnih podataka, a podaci se primjenjuje za praktine svrhe strojevi i postupci za obradu podataka
  • 14. Otkrivanje znanja u bazama podataka (KDD) Klasian interpretacija procesa KDD ukljuuje nekoliko koraka: odabir podataka, pre- obradu, transformirati, vaenje podataka i interpretacija (Sl. 6) Sl. 6. prikaz koraka koji obuhvaa proces KDD
  • 15. Otkrivanje znanja iz Big Data Izazov je da se izvui smislene podatke iz podataka stei nova znanja otkrili do sada nepoznate spoznaje tra転iti uzorke smisla podataka
  • 16. Otkrivanje znanja iz Big Data Mnogi razliiti pristupi Novi matematiki i grafiki postupci Data Mining (DM) i strojno uenje (ML) metode - uglavnom se koriste metode u pro邸losti Data mining - kljuni korak u procesu KDD pojam otkrivanje znanja i Data Mining (KDD)
  • 17. Rudarenje podataka Raunalni proces otkrivanja prethodno nepoznatih, va転ee obrasce i odnose u velikim skupovima podataka - za predvianja, klasifikacije i klastera svrhe Ukljuujui kombinacije sofisticiranijim postupcima Statistiki modeli Matematiki algoritmi ML metode - algoritmi koji automatski pobolj邸avaju njihovu izvedbu kroz iskustvo Dovela je do razvoja
  • 18. Primjena data mining tehnike u zdravstvu domena Dovelo je do Developmnet inteligentnih sustava i sustava za podr邸ku odluivanju (na temelju pravila ekspertni sustavi) Pobolj邸anje predvianja nepovoljnih zdravstvenih ishoda i dijagnoza Pobolj邸ana klasifikacija bolesti Otkrie odnosa izmeu patolo邸kih podataka i klinikih podataka i izmeu pacijenata karakteristike i lijekovi uinkovitosti Postupak odabir kandidata za medicinske testove i postupke
  • 19. Koncept interakcije ovjeka i raunala (HCI) Otkrie znanja - proces u rasponu od fizikoj podataka u ljudskom strani znanja (definirano kao kognitivni proces) Izazov je u tome da znanje da bi bio upotrebljiv od strane krajnjih korisnika (inei osjeaj podataka) Dodana u KDD postupak INTERAKCIJA (KOMUNIKACIJA) ljudskom krajnjeg korisnika (medicinski strunjak) To je ljudska krajnji korisnik (nije stroj) koji posjeduju rje邸avanja inteligenciju problem, dakle, sposobnost da se pitati inteligentna pitanja o podacima Ljudska (medicinski strunjak) mo転e rije邸iti slo転ene probleme ponekad intuitivno (odnosno, bez potrebe da se opisuju tone pravila ili procesa koji se koriste u analizi problema)
  • 20. Interakcija je glavna tema u koncept HCl Nova pristup je kombinirati KDD & HCI
  • 21. ... ili kao Albert Einstein rekao je SAD (njemaki-roen) fiziar (1879-1955) Raunala su nevjerojatno brzo, precizno i glupo. Ljudska bia su nevjerojatno sporo, neprecizne i sjajan. Zajedno su moni izvan ma邸te.