Распространение больших данных во всех сферах жизни, от торговли до транспорта, заставляет осознать, насколько они незаменимы в повседневной жизни. Точно так же большие данные преобразовывают медицинский сектор, коренным образом меняя то, как проводятся основные процедуры мониторинга здоровья, а также формируя и отображая неструктурированную информацию. Data Science и Big Data Analytics могут дать практическую информацию и помочь в принятии стратегических решений, касающихся системы здравоохранения. Это помогает создать комплексное представление о пациентах, потребителях и врачах. Принятие решений на основе данных открывает новые возможности для повышения качества здравоохранения.

В наши дни науку о данных делает незаменимой для здравоохранения ряд факторов, наиболее важным из которых является конкурентный спрос на ценную информацию на рынке здравоохранения. Сбор данных о пациентах по надлежащим каналам может помочь повысить качество медицинских услуг для потребителей. От врачей до поставщиков медицинских страховок и учреждений — все они полагаются на сбор фактических данных и их точный анализ для принятия обоснованных решений о состоянии здоровья пациентов.

В настоящее время заболевания можно прогнозировать на самой ранней стадии с помощью Data Science в здравоохранении, а также дистанционно с помощью инновационных устройств на основе машинного обучения. Мобильные приложения и интеллектуальные устройства постоянно собирают данные о частоте сердечных сокращений, артериальном давлении, сахаре и т. д., передавая эти данные врачам в виде обновлений в режиме реального времени, которые затем могут разработать соответствующие методы лечения [1]. Data Science используется при анализе электронных медицинских карт и клинических исследований. Фармацевтическая промышленность постоянно использует важную статистическую информацию, полученную из самых разных источников.

Data Science — это междисциплинарная область, которая извлекает знания и идеи из большого количества структурированных и неструктурированных данных с использованием научных методов, методов интеллектуального анализа данных, алгоритмов машинного обучения и больших данных [2]. Отрасль здравоохранения генерирует большие наборы данных полезной информации о демографии пациентов, планах лечения, результатах медицинских осмотров, страховках и т. д. Данные, собираемые с устройств Интернета вещей (IoT), привлекают внимание специалистов по данным. Наука о данных помогает обрабатывать, управлять, анализировать и усваивать большие объемы фрагментированных, структурированных и неструктурированных данных, созданных системами здравоохранения [3]. Эти данные требуют эффективного управления и анализа для получения фактических результатов.

Отрасль здравоохранения совершает революцию, применяя передовые технологии машинного обучения и анализа данных. Будь то уход за пациентами, операции и фармацевтика, применение науки о данных имеет далекие перспективы. К вариантам использования Data Science в здравоохранении можно отнести следующие компоненты:

• обнаружение наркотиков;

Основной вклад науки о данных в фармацевтическую промышленность заключается в создании основы для синтеза лекарств с использованием искусственного интеллекта. Профилирование мутаций и метаданные пациентов используются для разработки соединений, учитывающих статистическую корреляцию между атрибутами.

• виртуальная помощь;

В настоящее время чат-боты и платформы искусственного интеллекта разрабатываются учеными, занимающимися данными, чтобы помочь людям лучше понять свое здоровье, вводя определенную информацию о себе и получая точный диагноз. Кроме того, эти платформы также помогают потребителям с полисами медицинского страхования и лучшими руководствами по образу жизни.

• носимые устройства;

Современное явление Интернета вещей (IoT), которое обеспечивает максимальную связь, является значимым преимуществом для науки о данных. Теперь, когда эта технология применяется в области медицины, она может помочь в мониторинге здоровья пациентов [4; 5]. В настоящее время мониторы физической подготовки и умные часы используются людьми для отслеживания и управления своим здоровьем. Кроме того, эти носимые сенсорные устройства могут отслеживаться врачом, если им предоставлен доступ, а в хронических случаях врач может удаленно предлагать решения пациенту.

• отслеживание здоровья пациента;

Для общественного здравоохранения Data scientists разработали носимые устройства, которые позволяют врачам собирать большую часть этих данных, таких как частота сердечных сокращений, характер сна, уровень глюкозы в крови, уровень стресса и даже активность мозга. С помощью инструментов обработки данных и алгоритмов машинного обучения врачи могут выявлять и отслеживать распространенные состояния, такие как сердечные или респираторные заболевания.

Технология Data Science также может обнаруживать малейшие изменения в показателях здоровья пациента и прогнозировать возможные нарушения. Различные носимые и домашние устройства как часть сети IoT используют аналитику в реальном времени, чтобы предсказать, столкнется ли пациент с какой-либо проблемой, исходя из его текущего состояния.

• диагностика;

Так как диагностика является неотъемлемой частью медицинских услуг, ее можно упростить и ускорить с помощью приложений обработки данных в здравоохранении. Анализ данных пациента не только способствует раннему выявлению проблем со здоровьем, но также может быть подготовлен медицинскими тепловыми картами, относящимися к демографическим характеристикам заболеваний [6].

• предиктивная аналитика в здравоохранении;

Прогностическая аналитическая модель использует исторические данные, находит закономерности на основе данных и генерирует точные прогнозы. Данные могут включать в себя что угодно, от артериального давления и температуры тела пациента до уровня сахара. Прогнозирующие модели в науке о данных сопоставляют и связывают каждую точку данных с симптомами, привычками и заболеваниями. Это позволяет определить стадию заболевания, степень поражения и необходимую лечебную меру.

Предиктивная аналитика в здравоохранении также помогает отслеживать хроническими заболеваниями, предугадывать кризисные состояния пациента, а также быстро документировать данные больницы.

• анализ медицинских изображений;

Медицинские работники часто используют различные методы визуализации, такие как рентген, МРТ и компьютерная томография, чтобы визуализировать внутренние системы и органы вашего тела.

Технологии машинного обучения и распознавания изображений в Data Science в области здравоохранения позволяют обнаруживать мельчайшие деформации на этих отсканированных изображениях, помогая врачам планировать эффективную стратегию лечения. Некоторые из часто используемых алгоритмов машинного обучения включают в себя:

• алгоритм обработки изображения: для анализа изображения, улучшения и шумоподавления;
• алгоритм обнаружения аномалий: для обнаружения переломов костей и смещения;
• алгоритм описательного распознавания изображений: извлечение и интерпретация данных из изображений и объединение нескольких изображений для формирования более крупной картины.

Кроме того, специалисты по данным в области здравоохранения постоянно работают над разработкой более совершенных методов для улучшения анализа изображений. Например, в недавней публикации в журнале Towards Data Science было выявлено, что платформа машинного обучения Azure может использоваться для обучения и оптимизации модели для обнаружения наличия трех распространенных опухолей головного мозга: глиомы, менингиомы и опухоли гипофиза [7].

Одной из знакомых областей в здравоохранении является фармацевтическая промышленность, являющаяся одной из самых инновационных и конкурентоспособных отраслей в мире. Имея широкий ассортимент продукции, она должна быть конкурентоспособной на нескольких фронтах, от исследований и разработок до маркетинга и продаж. Data Science используется для повышения эффективности разработки лекарств, продаж и маркетинга. Это может помочь фармацевтическим компаниям не только лучше понять своих клиентов и предсказать новые тенденции на рынке, но и улучшить результаты лечения пациентов, изучая данные клинических испытаний и других клинических исследований, чтобы определить области для улучшения или новые методы лечения [5]. Кроме того, специалисты по данным используют алгоритмы машинного обучения, которые анализируют большие объемы данных на высоких скоростях, чтобы делать прогнозы будущих событий на основе исторических закономерностей, наблюдаемых в прошлых событиях (в Data Science в области фармацевтики — это известно, как прогнозное моделирование). Также в фармацевтической промышленности широко используются анализ сегментации, алгоритмы машинного обучения, инструменты визуализации и другие, помогающие улучшить процессы принятия решений.

Среди вариантов использования науки о данных в фармацевтической промышленности можно отметить:

• использование прогностических моделей для разработки лекарств;

Прогностические модели чрезвычайно полезны при разработке лекарств, поскольку они помогают прогнозировать будущие результаты на основе прошлых наблюдений [8]. Например, если пациент принимает определенное лекарство в течение длительного времени и еще не вызвал никаких побочных эффектов, то для этого пациента может быть безопасно продолжать использовать это лекарство. С другой стороны, если есть какая-то новая информация о здоровье этого пациента, которая предполагает, что продолжение его текущего лечения может быть опасным (например, болезнь сердца), то прогностические модели могут определить, какой вариант принесет им больше пользы в целом при продолжении их текущего лечения или переход на другой тип лекарства. Эти модели в Data Science в фармацевтике помогают компаниям лучше понимать своих пациентов и принимать более обоснованные решения о том, какой уход им необходим, чтобы быстрее выздороветь. Это делается учеными-фармацевтами с помощью передовых методов, таких как алгоритмы машинного обучения и модели глубоких нейронных сетей.

• прогнозирование потока/спроса пациентов;

Еще один пример использования науки о данных в фармацевтической промышленности — прогнозирование потока пациентов и спроса на конкретное лекарство или лекарство. Это помогает фармацевтическим компаниям определять производительность, удовлетворять существующие и будущие потребности при минимальных потерях, а также следить за производственным конвейером. Существующие данные и опросы могут помочь в создании моделей, которые могут прогнозировать количество пациентов, которым потребуется лекарство в ближайшие дни, недели или месяцы.

• разработка систем поддержки принятия решений на основе данных;

Системы поддержки принятия решений на основе данных (DDDS) являются важной частью фармацевтической промышленности, особенно в области клинических исследований и разработок. DDDS помогает улучшить процесс принятия решений за счет анализа данных и предоставления в режиме реального времени информации об эффективности лекарственного препарата для различных групп пациентов [9].

• содействие цифровым продажам и маркетингу;

Data Science стала важной частью цифрового маркетинга фармацевтической промышленности и используется, чтобы помочь компаниям понять своих клиентов, кто они и что им нужно. Данные помогают им разрабатывать новые продукты или процессы, которые эффективно охватывают этих людей.

• анализ медицинских изображений;

Еще одним передовым и революционным вариантом использования Data Science в фармацевтической промышленности является анализ медицинских изображений. Доказано, что анализ медицинских изображений позволяет выявить мельчайшие микроскопические дефекты. С помощью методов глубокого обучения в науке о данных программное обеспечение может быть создано для понимания и интерпретации изображений, таких как рентгеновские снимки, МРТ, маммограммы и т. д. Эти передовые методы также можно использовать для изучения роста определенного микроорганизма, такого как бактерии, в организме человека, что может дополнительно помочь фармацевтическим компаниям разработать эффективное лекарство, способное противодействовать наблюдаемой модели роста этого микроорганизма.

• индивидуальная диагностика и лечение;

Концепция персонализированной диагностики и лечения означает, что врачи уже могут видеть, какой препарат будет лучше всего работать для каждого пациента, исходя из его индивидуальных симптомов и генетической структуры [10]. Этот тип индивидуального ухода помогает пациентам быстрее выздоравливать, экономя деньги на ненужных тестах и ​​процедурах, которые не нужны сразу (или когда-либо). Это также означает меньшее количество побочных эффектов и, следовательно, меньшие общие затраты на здоровье.

• расчет ожидаемого жизненного цикла патентов на лекарства;

Жизненный цикл патента – это время между датой подачи заявки на патент и датой истечения срока действия патента [11]. Это можно использовать, чтобы определить, сколько денег компания может заработать на лекарстве и будет ли она прибыльной с помощью науки о данных в фармацевтике. Чтобы рассчитать это, нужно знать, сколько времени потребуется другой фармацевтической компании, чтобы придумать собственную идею. Это можно определить с помощью Data Science и машинного обучения, используя прошлые данные.

• доступ к информации в режиме реального времени через приложения для отслеживания здоровья;

Если фармацевтическая компания хочет использовать Data Science в своем бизнесе, должен быть доступ к информации о здоровье пациентов в режиме реального времени. Это возможно с помощью приложений для отслеживания здоровья, которые собирают данные о здоровье пользователей. Эти приложения для здоровья доступны практически для всех смартфонов и планшетов, поэтому нет необходимости покупать специальное оборудование или программное обеспечение, прежде чем начать работу с этим типом решения для анализа данных. Например, приложение отслеживает ежедневные действия пользователей, такие как пройденные шаги в день (или только минуты) и калории, сожженные за счет сжигания энергии во время тренировок дома или на рабочем месте и т. д. Затем он может помочь отслеживать, какой режим упражнений лучше всего подходит для каждого отдельного пользователя в зависимости от его конкретных потребностей.

• уменьшение побочных эффектов лекарств и нежелательных реакций;

Побочные эффекты лекарств и нежелательные реакции являются основными причинами неудовлетворенности пациентов. Data Science может помочь уменьшить вероятность того, что пациенты столкнутся с данными проблемами, используя прогностические модели для выявления пациентов с высоким риском до назначения лекарств.

• повышение эффективности клинических испытаний.

Data Science помогает повысить эффективность клинических испытаний за счет автоматизации процессов, повышения точности и снижения затрат.

Благодаря тому, что фармацевтическая промышленность имеет в своем распоряжении огромное количество исторических данных с миллионами записей, в данной области Data Science может использоваться для различных целей, таких как разработка лекарств, проведение клинических испытаний, обслуживание клиентов, продажи и маркетинг. Разработчики разумно оперируют этими данными в соответствии со стандартами и законами в области здравоохранения.

Надлежащее сотрудничество между Big Pharma и Big Data помогло отрасли сократить расходы на исследования и разработки, улучшить клинические испытания, ускорить открытие новых лекарств, контролировать реакции на лекарства и сосредоточиться на продажах и маркетинге [12]. Большую часть Data Science в фармацевтике занимают модели прогнозной аналитики. Они могут использоваться для прогнозирования вероятности возникновения события, также они известны как «модели прогнозирования» или «механизмы прогнозирования» в контексте науки о данных [13]. Прогнозные модели позволяют делать прогнозы будущих событий с высокой степенью точности и достоверности, то есть они могут предоставлять информацию о том, что произойдет дальше, на основе прошлых наблюдений или тенденций в данном наборе данных. Они управляют большей частью процесса принятия решений в фармацевтической отрасли. Прогностические модели изучают закономерности на основе ранее существовавших клинических данных и могут отвечать на некоторые вопросы на основе ответов и входных переменных.

В ХХI веке Data Science активно используется в сфере здравоохранения для оптимизации операций и процедур восстановления пациентов. Помимо технического прогресса и растущей цифровизации образа жизни, наука о данных поможет сократить расходы на здравоохранение, сделав качественные медицинские услуги доступными для всех.

В фармацевтической отрасли Data Science анализирует текущие отношения между врачом и пациентов, предлагая докторам рекомендации по дальнейшему наблюдению клиентов. Также анализ поведения пациента, такого как частота посещений, лабораторные тесты в сочетании с личной информацией и историей болезни, может использоваться для понимания потребностей посетителей [14].

В фармацевтической промышленности Data Science помогает создавать новые лекарства, выявлять побочные эффекты, улучшать клинические испытания и доказывать эффективность существующих лекарств. Данные можно использовать для разработки более эффективных методов лечения пациентов с конкретными заболеваниями или состояниями путем анализа больших наборов данных об их симптомах и возможных причинах. Это поможет врачам в диагностике и вариантах лечения, которые могут быть более эффективными, чем то, что они знали раньше. Еще одна важная возможность в фармацевтической науке о данных включает анализ изображений с использованием глубокого обучения [15]. Это помогает выявлять такие заболевания, как рак, на гораздо более ранней стадии, которые в противном случае могли бы остаться незамеченными человеческим глазом. Данные также могут ускорить открытие лекарства в случае вновь обнаруженного заболевания. Повторные испытания и сбор данных могут помочь фармацевтической промышленности быстро разработать новое лекарство с использованием передовых моделей науки о данных.

Вышеупомянутые примеры использования Data Science в здравоохранении показывают, что в ближайшем будущем Big Data станут ключевым игроком в медицинской отрасли, и то, как данные хранятся и используются сейчас, повлияет на то, каким будет здоровье людей в долгосрочной перспективе. Конечно, огромный потенциал Big Data сопряжен с некоторыми рисками, такими как отсутствие стандартизированных данных и неэффективная политика управления данными. Тем не менее, такие проблемы можно преодолеть, установив некоторые протоколы для обработки данных в здравоохранении, такие как обеспечение конфиденциальности, поддержание безопасности и работа над расширением инструментов, используемых для анализа данных, чтобы сделать их как можно более безошибочными.