Aplicații ale Data Science în domeniul medicinii

În ultimii ani au fost investite sume din ce în ce mai mari de bani în digitalizarea
companiilor ce oferă servicii medicale. Astfel, problema principală devine utilizarea datelor ,
folosind algoritmi specifici de Data Science pentru a îmbunătăți rezultatele din domeniul
medicinii.
Statisticile arată faptul că sunt generate anual aproximativ 1,2 miliarde de fișe și
documente medicale în Statele Unite ale Americii, ceea ce reprezintă o bază de date
consistentă ce poate fi folosită de către specialiștii în Data Science.
Progresele tehnologiei din ultima perioadă facilitează colectarea, structurarea și
procesarea unui volum foarte mare de date, ceea ce conduce în final la o mai bună înțelegere a
organismului uman. În continuare vor fi prezentate șapte exemple de îmbunătățiri în domeniul
sănătății aduse folosind Data Science.
1.) Utilizarea unor dispozitive portabile pentru a monitoriza și preveni problemele de
sănătate
Organismul uman genereaza aproximativ 2 TB de date zilnic. Datorită dispozitivelor
portabile, marea majoritate a acestora poate fi colectată. Astfel, informații precum bătăile
inimii, orele de somn, nivelul glucozei din sânge, nivelul de stres și activitatea cerebrală pot
fi salvate și analizate ulterior pentru a obține inovații în acest domeniu.
Folosirea algoritmilor de Machine Learning face posibilă detectarea și monitorizarea
eficientă a bolilor, cum ar fi cele de inimă sau cele respiratorii. Colectarea și analizarea
datelor duce la predicții privind posibile boli, și detectarea acestora într-o fază incipientă.
Foarte multe vieți pot fi salvate prin predicția problemelor cardiace, de exemplu.
Bolile cronice pot fi de asemenea monitorizate folosind aceste dispozitive electronice, cum
ar fi obezitatea ce conduce la diabet și la hipertensiune arterială. Folosind algoritmi de Data
Science, greutatea corporală poate fi ținută sub control prin propunerea unui program
personalizat de activități zilnice. În funcție de informațiile colectate, dispozitivele calculează
automat ce activități și ce durată zilnică trebuie să aibă acestea, pentru a evita obezitatea.
Algoritmii de învățarea automată facilitează aceste îmbunătățiri, analizând la început
activitățile zilnice ale persoanei și programul zilnic al acesteia.

2.) Îmbunătățirea diagnosticării prin creșterea preciziei și a eficienței

Statisticile arată ca în aproximativ 5% dintre situații, diagnosticările se fac greșit, ceea ce
conduce în anumite situații la creșterea mortalității. Astfel, s-au făcut investiții serioase în
dezvoltarea unor algoritmi de Deep Learning, ce analizează imagini cum ar fi razele X, sau
CT-uri și propun un diagnostic în urma evaluării unei baze de date de rapoarte clinice și de
studii de laborator. Diagnosticul pus este cu 70% mai precis și de 50000 de ori mai rapid,
arată statisticile.
De exemplu, pentru diagnosticarea bruxismului s-au dezvoltat rețele neurale ce
analizează sunete, folosind o bază de date construită cu diverse sunete, etichetate atat true
cât și false, având posibilitatea de a diagnostica fiecare caz dacă suferă sau nu de această
boală.

3.) Eficientizarea îngrijirii pacienților folosind tratamente precise și personalizate

Ca și în cazul colectării datelor pentru diagnosticarea unui pacient, datele pot fi utilizate
pentru a monitoriza evoluția tratamentului odată făcută diagnosticarea. Astfel, se poate
prezice evoluția medicală a fiecărui pacient și se poate reduce rata mortalității.
Secvențierea genomului a permis medicilor să aibă suficient de multă informație pentru a
identifica anumite pattern-uri în simptome și deci pentru a încadra pacienții în anumite
profile. Acestea pot fi folosite inclusiv în tratarea cancerului de plămâni, analizând istoricul
pacientului, informația genetică ceea ce va conduce la îmbunătățirea tratamentului.

4.) Avansarea cercetărilor farmaceutice pentru gasirea tratamentelor pentru cancer și Ebola

Folosind algoritmi de Machine Learning au fost analizate probe biologice de la aproximativ

1000 de pacienți, obținându-se astfel aproximativ 14 miliarde de puncte din fiecare imagine
analizată. Astfel, o companie a reușit să detecteze celulele canceroase și să creeze un
medicament care le elimină din corpul omenesc, declansând omorârea acestora. Folosind
aceeași idee, la ora actuală continuă cercetările pentru descoperirea tratamentelor în
cazurile mai multor boli. Rezultatele obținute sunt mult mai eficiente și mult mai rapide față
de abordările clasice. Luptând împotriva unor viruși mortali cu luni de zile sau chiar ani în
avans, vor fi salvate zeci de mii de vieți.
5.) Optimizarea planificării activității din cadrul clinicilor și spitalelor
O alta utilizare a algoritmilor de Machine Learning este în planificarea optima a programului
cadrelor medicale, pentru a reduce timpul de așteptare al pacienților și gestionarea
eficientă a personalului medical în funcție de situația de la momentul curent din spital. De
asemenea, algoritmii pot fi folosiți pentru a distribui eficient personalul medical inclusiv în
situații de criză, cum ar fi cele de epidemie sau gripă sezonieră, ce presupune un flux mare
de pacienți într-un termen scurt.
 6.) Reducerea riscului de a prescrie un medicament greșit
Folosirea algoritmilor pentru a verifica în bază de date toate prescripțiile anterioare ale
medicamentelor pentru o anumită boală este eficientă în declanșarea unor alarme atunci
când se face o prescriere neobișnuită, iar medicul este întrebat și pus să confirme că
dorește să prescrie acel medicament neobișnuit conform datelor istorice anterioare. Acest
lucru este valabil și pentru prescrierea unor doze de medicamente neobișnuite, considerate
periculoase de către algoritmi.

7.) Reducerea numărului de reinternări pentru a reduce costurile spitalizărilor

Implementarea unor algoritmi care identifică pacienții considerați a fi cu risc, împreună cu

oferirea tratamentului adecvat conduc la reducerea numărului de reinternări, ceea ce duce
la o economie consistentă din partea spitalului. De exemplu, îmbunătățirea procesului de
operație la genunchi a dus la reducerea drastică a revenirii pacienților, deoarece au fost
operați eficient și nu au mai avut nevoie de o intervenție ulterioară.

În concluzie, toate datele medicale colectate de la pacienți pot fi folosite pentru eficientizarea
serviciilor medicale, cu ajutorul algoritmilor de Data Science, ceea ce conduce la rezultate mai
bune și la costuri mai reduse. Provocarea principală în folosirea algoritmilor pentru optimizarea
medicinii a fost reprezentată de strângerea informațiilor necesare în baze de date, acest lucru
fiind rezolvat datorită evoluției tehnologiei. Îmbinarea algoritmilor de Data Science cu
cunoștințele medicilor specialiști a dus la o reală optimizare în multe ramuri ale medicinii.

Bibliografie:
https://www.altexsoft.com/blog/datascience/7-ways-data-science-is-reshaping-healthcare/