Tıp ve sağlık hizmetlerinin maliyeti, büyük verinin yönlendirdiği tıbbi ve sağlık uygulamalarına olan talebi yönlendirir. Geçtiğimiz birkaç on yılda, ABD tıbbi ve sağlık harcamaları GSYİH'deki artışı aştı ve diğer gelişmiş herhangi bir ülkenin tıbbi harcamalarını aştı. Ekonomik İşbirliği ve Kalkınma Örgütü'ne (OECD) göre, yüksek harcamalara rağmen kolaylık, eşitlik, kalite, verimlilik ve sağlıklı insanlar gösterge olarak kullanılırsa ABD sağlık sistemi 11 ülke arasında son sırada yer alıyor (aşağıdaki gibi) Şekilde gösterildiği gibi). Tıbbi veri dijitalleştirme ve veri paylaşımının standardizasyonu ve savunuculuğu, veri depolama maliyetinin iyileştirilmesi ve azaltılması ve ticari donanım üzerinde çalıştırılabilmesi, tıp endüstrisinde büyük verilerin uygulanmasına ve daha düşük maliyetlerle daha iyi tıbbi bakıma katkıda bulunmuştur. Sağlık hizmetleri amaçtır.
ABD tıp endüstrisinde, dolandırıcılık, israf ve kötüye kullanımdan kaynaklanan maliyet, giderek artan tıbbi harcamalarda önemli bir faktördür, ancak büyük veri analizi bu fenomenin bir değiştiricisi olarak adlandırılabilir. Tıbbi bakım ve tıbbi yardım merkezleri, yılda 210 milyon yuan'den fazla sağlık sigortası dolandırıcılığını önlemek için tahmine dayalı analiz kullanır. Hadoop büyük veri platformuna dayanan United Healthcare, öngörülebilir bir modelleme ortamına dönüşümü gerçekleştirdi. Bu büyük veri platformu, uygun olmayan talepleri sistematik ve tekrarlanabilir bir şekilde belirleyebilir ve veri geri bildiriminin% 2200'ünü alabilir.
Dolandırıcılığı belirlemenin anahtarı, depolanmış ve izlenebilir kayıtlar aracılığıyla tarihsel tazminat kayıtlarındaki çok sayıda yapılandırılmamış veri setini analiz etmek ve anormal şeyleri ve kalıpları tanımlamak için makine öğrenimi algoritmalarını kullanmaktır.
Tıbbi kuruluşlar, tıbbi hizmetlerin kısa sürede aşırı kullanımı, farklı hastanelerde farklı yerlerde tıbbi hizmet alan hastalar veya birden fazla kurumda aynı reçeteyi alan aynı hasta gibi anormallikleri tespit etmek için hasta kayıtlarını ve faturalarını analiz edebilir. .
Hasta kalitesi ve verimliliği, sağlık hizmetleri endüstrisinin başarısının anahtarıdır, ancak tıbbi sorumluluğun bir sorun olmaya devam ettiği hızlı tempolu bir ortamla sonuçlanmıştır.
Veri toplama, bu riskleri azaltmaya, karı artırmaya, sonuçları tahmin etmeye, daha iyi sonuçlar sağlamaya ve hatta israfı azaltmaya yardımcı olacak bir araç olarak kullanılmaktadır. Büyük veri, hastanelerin ve bakım merkezlerinin verimliliği artırmasına yardımcı olabilir.
Özel sektör işi hızla gelişti. 2010 ve 2016 yılları arasında aşağıdakileri sağlamak için 200 şirket kuruldu:
Bazı gruplar, talepleri azaltmak ve hasta sonuçlarını iyileştirmek için bu yeni çözümleri zaten kullanıyor.
Physician Empowerment Suite, büyük verinin temellerinin ötesine geçen bulut tabanlı bir çözümdür. Çözümün rolü, kullanıcıların ekibin ve hasta deneyiminin etkinliğini daha iyi anlamasına yardımcı olmak için eyleme geçirilebilir içgörü çözümleri sağlamaya yardımcı olmak için derin verileri analiz etmektir.
Üç platform var: Hasta deneyimi, klinik etkililik ve geri ödeme etkinliği .
Bu araçların rolü, tıbbi yanlış uygulamalardan kaynaklanan yasal anlaşmazlıkların önlenmesine yardımcı olmaktır. Veriler, ekiplerin yaptıkları hataları anlamalarına yardımcı olmak, yaygın hatalardan kaçınmanın yollarını sağlamak ve daha hasta merkezli bir atmosfer sağlamak için kullanılabilir.
Tıbbi alana odaklanmanın büyük veri yoluyla çözülmesi, ekibin anında harekete geçmesini ve henüz gerçekleşmemiş olası sorunları çözmesini sağlar. Bu, daha karmaşık ve zor sağlık sorunlarının ortaya çıkmasını engeller, çünkü ekip bunları yüzeye çıkmadan önce kontrol edecektir.
Tıbbi ortamı iyileştirmek için büyük veri daha fazla kullanılır. Geliştirilmekte olan platform, hastalar için daha iyi bir ortam yaratmak için önemli değişiklikleri uygulayacak ve tamamlayacaktır.
Büyük veri mevcut olduğunda ve uygun şekilde analiz edildiğinde, sağlayıcılar hastanın deneyimini daha iyi anlayabilir. Hastanın tıbbi geçmişini, onları rahatsız eden koşulları ve hatta gelecekte hastalık geliştirme olasılıklarını daha iyi kavramalarına yardımcı olur.
Büyük veri, kişisel tıbbi bakımı azaltmak yerine kişiselleştirilmiş tıbbi bakım ihtiyaçlarını karşılayabilir. Tabii ki, büyük veri tıbbi uygulama hatası riskini azaltmaya yardımcı olabilir ve daha fazla hayat kurtarabilir.
Tıbbi yanlış uygulama vaka verileri
Kapalı tıbbi uygulama hatası iddialarından elde edilen verileri kullanmak, güçlü bir öğrenme deneyimi oluşturur. Veriler, bazı şeyler yapmak için çıkarılıyor ve analiz ediliyor:
Kullanılan veriler, hatanın hiçbir zaman düzeltilmemesine neden olan önceki hatalardan gelir. Büyük veriyi kullanmanın amacı, verileri geçmiş hatalara bakarak hastanın tıbbi sonuçlarını iyileştirmenin yollarını bulmak için kullanmaktır.
Devlet yardımı, Ulusal Uygulayıcı Veritabanı (NPDB) adı verilen bir veritabanı aracılığıyla sağlanır. Kongre, tıbbi uygulama hatası davaları hakkında bilgiler de dahil olmak üzere sağlık hizmeti verilerini sağlamak için NPDB'yi oluşturdu.Giderek daha fazla veri dijitalleştikçe ve kamuya açık hale geldikçe, büyük veriyi tıbbi sorumluluk riskini azaltmak için geçerli bir araç olarak kullanmak için güçlü çözümler sağlayacaktır. Anonimliğin korunması, bu çözümlerin gelişmesi için çok önemlidir ve bu, tüm tarafların bakım kalitesini iyileştirmeyi kabul ettiği bir şeydir.
Sigorta şirketleri, sağlık uzmanları ve kanun koyucular, doğru kullanıldığında hasta sonuçlarını iyileştirebilecek ve dava maliyetlerini azaltabilecek büyük verilerin kullanılmasını istiyorlar.
Elektronik sağlık kayıtlarının (Elektronik Sağlık Kayıtları, EHR'ler) etkin kullanımının hızlandırılması, hasta bilgilerinin miktarı ve ayrıntıları ve çeşitli yapılandırılmış ve yapılandırılmamış analizleri analiz etmek için çeşitli bilgi kaynaklarını birleştirme yeteneği gibi birçok olumlu girişim Veriler, hastanın durumunu teşhis etme, tedavi planını duruma göre eşleştirme ve hastanın hastalanma veya tekrar hastalanma riskini tahmin etme doğruluğunu artırmaya yardımcı olur.
Elektronik sağlık kayıtlarından (EHR) alınan verilere dayanan tahmin modelleri sabah erken hastalıkların tespiti için uygulanmış ve ayrıca konjestif kalp yetmezliği (KKY) ve sepsis gibi bazı hastalıkların ölüm oranını azaltmıştır. Konjestif kalp yetmezliği (KKY) ve sepsisin ölüm oranını azaltın. CHF, sağlık bakım harcamalarının en büyük bölümünü oluşturmaktadır. CHF ne kadar erken tedavi edilirse, komplikasyonları tedavi etmek için daha fazla para harcamaktan kaçınmak için o kadar iyidir. Ancak doktorlar genellikle erken klinik belirtilerini görmezden gelirler. Georgia Institute of Technology'den alınan bir makine öğrenimi örneği, makine öğrenimi algoritmalarının hasta tablolarındaki doktorlardan daha fazla faktörü analiz edebildiğini göstermektedir. Aynı zamanda, makine öğrenimi algoritmaları ek özellikler ekleyerek modeli CHF hastaları ile KKY olmayan hastaları ayırt etmek için etkili bir şekilde iyileştirebilir. Kabiliyet.
Daha fazla hasta verisi içeren büyük örnek verileri analiz ederek, tahmine dayalı modeller ve makine öğrenimi, daha önce keşfedilmemiş ince farklılıkları ve kalıpları keşfedebilir. Optum Labs, EHR'lerden 300.000 hasta hakkında bilgi topladı ve tahmine dayalı analiz araçları için büyük bir veritabanı oluşturdu. Bu araçlar, doktorların büyük veri bilgilerine dayalı kararlar almasına yardımcı olacak ve böylece hasta tedavisini iyileştirecektir.