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
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)
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.