کاربرد کلان‌داده (Big Data) در پزشکی و بیماری

مدرس: مسعود کاویانی

MasoudKaviani.ir

از آن‌جایی که نشان دادنِ کاربردِ هر تکنولوژی می‌تواند یک چشم انداز یا انگیزه در دانشجویان و فعالان آن حوزه ایجاد کند، بر آن شدیم تا این درس و درس بعدی را اختصاصاً به توضیحِ دو موردِ کاربردیِ کلان‌داده یا همان Big Data در صنایع و مکان‌های مختلف بپردازیم.

در این درس به صورت اختصاصی و موردی کاربردِ کلان‌داده را در پزشکی و کمک به پزشکان در درمانِ بیماری‌های مختلف با همدیگر مرور می‌کنیم.

هنگامی که ما به دکتر مراجعه می‌کنیم، عملیاتِ درمان به صورت درمان بر اساس شواهد و مدارک رخ می‌دهد. چیزی که به آن Evidence Based Medicine می‌گویند. به این معنی که روندِ درمان یا داروهایی که به شما می‌دهند قبلا توسط تحقیقاتِ بالینی اثبات شده است. برای مثال شما سرماخورده‌اید و به پزشک مراجعه می‌کنید. پزشک بعد از یک سری سوالات و یک سری تشخیص‌های اولیه، برای شما داروهایی مانند آنتی‌بیوتیک‌ها، استامینوفن‌ها و… را تجویز می‌کند. این تجویز به دلیل این است که محققان اثبات کرده‌اند که این داروها می‌تواند به فردِ بیمار با این علائم (یعنی علائمِ جاریِ شما) کمک کند.

در واقع تحقیقاتِ پزشکی در حال حاضر بیشتر بر این تمرکز دارد که کدام راه‌حل‌های درمانی بر روی کدام بیماری‌ها و کدام گروه از بیماران بهترین جواب را می‌دهد. به این صورت که یک آزمایش بر روی گروهی از بیماران انجام می‌شود و علائم و نتایجی حاصل می‌شود. اگر این نتایج امیدبخش بود، این آزمایشات برای گروه بزرگ‌تری از بیماران انجام می‌شود. با اینکه پزشکان بایستی آزمایشات را به دقت انجام دهند ولی همواره ریسک خطا وجود دارد. ممکن از راه‌حل درمانی برای گروهِ کوچکی از بیماران خوب جواب بدهد ولی وقتی این راه‌حل برای گروهِ بزرگ‌تری از بیماران انجام می‌شود، عواقبِ بدی برای بعضی از بیماران داشته باشد. در واقع خاصیت عمومی‌سازی (Generalization) ممکن است به خوبی جواب ندهد و این یکی از دلایلِ کندیِ عملیاتِ آزمایش و ریسک بالای آن می‌شود. در این‌جاست که تکنیک‌های کلان‌داده‌ای می‌توانند کاربردی باشند. در واقع با کاویدن (Mining) داده‌های پزشکی مبتنی بر تمرین (Practice Based Clinical Data) برای مثال درمان‌هایی که بر روی هر بیمار انجام شده‌است و مشخصات و ویژگی‌های آن فردِ بیمار می‌توان به اطلاعات مفید‌تری دست یافت. شاید شکل زیر بتواند به نوعی این فرآیند را ساده‌سازی شده به تصویر بکشد:

جالب این‌جاست که بر اساس تحقیقاتی که انجام شده‌است نزدیک به ۸۰درصد داده‌های موجود در حوزه پزشکی به صورت غیرساختاریافته (Unstructured) هستند. (در مورد داده‌های غیرساختاریافته در این درس صحبت کردیم) برای همین داده‌کاوان بایستی این داده‌های غیرساختاریافته را پردازش کنند. برای مثال یادداشت‌های دست‌نوشته پزشکان، عکس‌های رادیولوژی یا نوارهای مغز همگی می‌توانند داده‌های مختلفی با تنوع گوناگون باشند. از دروس قبل به خاطر دارید که گفتیم Big Data به نوعی کارکردن بر روی داده‌های کلان است تا این داده‌ها را پردازش کرده و بتواند آن را تبدیل به نوعی ارزش کند. مثالِ بالا نوعی از همین تبدیل در حوزه‌ی پزشکی است.