Технологическая основа информационных систем здравоохранения имеет новую парадигму для быстрой и ускоренной обработки медицинских данных, поступающих из разрозненных источников данных из целостной системы здравоохранения, включающей инструменты диагностики, картирование ДНК, точную медицину, биоинформатику, медицинские устройства, Интернет медицинских вещей, биофармацевтику. , неврология, сердечно-сосудистая система, открытие лекарств и разработка лекарств. Чтобы превзойти проблемы здравоохранения, увеличились затраты для людей, клинических испытаний и поставщиков радиологии. Большинство проблем проистекает из недостаточной ликвидности данных и аналитики данных в реальном времени в информационных системах здравоохранения. Поставщики медицинских услуг, внедряющие технологии больших данных, такие как Apache Hadoop, могут решить серьезные проблемы с ликвидностью данных (Sears, 2013).
Недавно McKinsey and Company выпустила отчет об исследовании, в котором описываются новые пути создания ценности для системы здравоохранения, которые позволяют создавать данные и делать потоки данных более гибкими (Sears, 2013).
Правильная жизнь
По определению это означает, что люди, участвующие в системах здравоохранения, таких как больницы, могут предотвратить лечение, увеличивая ценность лечения. Этого можно достичь с помощью прогнозной аналитики Apache Hadoop. Участники лечения сердечно-сосудистых заболеваний могут использовать носимые устройства и датчики для беспроводной передачи больших данных о жизненно важных показателях в информационные системы здравоохранения. Алгоритмы машинного обучения, развернутые в системе Apache Hadoop, могут отслеживать данные и выявлять аномалии в определенных закономерностях и тенденциях, чтобы избежать любого риска повторной госпитализации в больницы (Sears, 2013).
Правильный уход
Этого можно добиться путем участия в лечении на ранних этапах с помощью систем мониторинга в реальном времени. Данные с датчиков передаются от участников к экосистеме Apache Hadoop каждую минуту, чтобы отслеживать жизненно важные показатели и предупреждать врачей о любых помеченных предупреждениях (Sears, 2013).
Правильный поставщик
Это сделано для того, чтобы предоставить лучшие варианты лечения от различных поставщиков медицинских услуг для хранения исторического анализа EMR на Apache Hadoop на основе клинических испытаний, проведенных на участниках здравоохранения. Apache Hadoop HDFS может сыграть решающую роль в продвижении передовых методов обработки таких данных (Sears, 2013).
Правильное значение
Использование геопространственных данных и информации о местоположении с помощью данных датчиков для медицинских устройств и оборудования может дать представление об оперативном интеллекте медицинских устройств. Apache Hadoop может обеспечить рентабельность медицинских устройств за счет надежного анализа использования различных медицинских устройств и эффективности для предоставления статистики операций в реальном времени (Sears, 2013).
Правильные инновации
В экосистеме Apache Hadoop есть огромная сокровищница анонимной информации, основанной на клинических испытаниях, проведенных на пациентах, что позволило выявить когорты. Исследователи в различных медицинских учреждениях производят выборку данных с помощью статистической базы, применяя методы машинного обучения и глубокого обучения, для выявления новых методов лечения путем создания инновационных механизмов и представления их на рассмотрение и утверждение внутреннему наблюдательному совету.
Hortonworks предоставляет комплексные и надежные системы анализа больших данных для здравоохранения, которые могут помочь информационным системам здравоохранения на глобальном уровне от сквозной интеграции по всем аспектам здравоохранения. Hortonworks может собирать данные из различных источников данных здравоохранения, таких как устаревшие EMR (массив устаревших систем электронных медицинских записей в различных форматах структурированных и неструктурированных каналов), системы транскрипции с огромными рукописными заметками или системы структурированных баз данных, подключенные системы PACS к нескольким типам машин, системам лекарств, финансовым системам, системам возмещения расходов и требований, аптечным и лабораторным системам, таким как SunQuest или Cerner, системам определения местоположения в реальном времени с медицинскими устройствами и геопространственными возможностями, интегрированными в систему здравоохранения, биохранилищам, интеграции медицинских устройств в реальную -системы определения местоположения по времени через MQTT или альтернативные протоколы, домашние устройства и датчики, интегрированные в признанные медицинские информационные системы, интеграция с системами крупных фармацевтических клинических испытаний для обмена анонимными данными, большие радиологические данные, геномика, большие данные из социальных сетей для выявления паттернов гриппа или эпидемии, и точки продаж аптек системы (Sears, 2013).
Все данные из этих источников поступают в платформу анализа больших данных Horton в сфере здравоохранения через Sqoop на кластерах Hadoop. Управление данными осуществляется посредством очистки, фильтрации и обработки данных посредством управления метаданными HCatalog. В платформе Hortonworks для анализа больших данных в сфере здравоохранения используются различные инструменты для работы с большими данными, такие как инфраструктура MapReduce для пакетной обработки, Apache Hive для обработки SQL, HBase Accumulo для онлайн-обработки, YARN, Apache Storm для потоковой передачи данных в реальном времени, Apache Ambari. Для обеспечения безопасности Hortonworks использует Apache Knox на платформе здравоохранения с конфигурацией шлюза, службами аутентификации и политиками безопасности предприятия. Hortonworks также поддерживает интеграцию с внешними системами источников медицинских данных, такими как 23andMe для геномики, центр геномики рака, iSirona для интеграции медицинских устройств, платформа Radnet для радиологии, несколько приложений носимых датчиков, обнаруживаемых при движении, таких как Fitbit и Smartsleep. Hortonworks поддерживает платформу социальных сетей для извлечения и анализа данных об эпидемиях в Twitter и FourSquare (Sears, 2013).
Apache Sqoop - это интегрированный инструмент в платформе Hortonworks для анализа больших данных в сфере здравоохранения, который выполняет интенсивный прием данных как из структурированных, так и из неструктурированных форматов данных через различные источники данных. Apache Sqoop в Hortonworks может получать доступ к хранилищам структурированных данных из SAP HANA, Oracle, Teradata, Netezza или MySQL. Данные загружаются в файловую систему Apache Hive и HDFS. Прием данных соответствует правилам системы данных здравоохранения, таким как HL7, правила JAVA ETL и Apache UIMA. Обработка тяжелых пакетных данных выполняется через инфраструктуру MapReduce с помощью методов map и reduce, взаимодействующих с Apache Hive и выполнения потоковой передачи данных в реальном времени через Apache Storm. После того, как медицинские данные поступают из различных внешних источников данных в экосистему Hadoop, они могут быть проанализированы в Hadoop или экспортированы в различные хранилища реляционных данных и хранилища данных NoSQL для дальнейшего анализа. Данные можно перемещать в корпоративные хранилища данных, витрины данных по качеству здравоохранения, медицинские витрины или витрины хирургических данных. Neo4J лучше всего подходит для сложных моделей данных, такие данные можно экспортировать из кластеров Hadoop в Neo4J. Ряд инструментов визуализации данных и бизнес-аналитики может выполнять анализ непосредственно в Hadoop. Большинство клиентов Hortonworks в сфере здравоохранения обрабатывают данные, чтобы помочь исполнительным системам поддержки, основанным на принятии решений. Такие инструменты, как веб-службы Tableau, SAP HANA, Excel и RESTful, можно использовать для выполнения анализа для создания панелей мониторинга, систем показателей и внедрения аналитики в реальном времени (Sears, 2013).
использованная литература
