医疗卫生信息技术专业人士长期以来一直面临着数据挑战——从在大数据时代整理存储问题，到遵守HL7标准，再到在向远程医疗快速转变的过程中调整基础设施。虽然这些进步改善了整个行业的信息共享，并最终改善了患者的体验，但它也创造了大量的数据。事实上,加拿大皇家银行资本的报告医疗行业产生了全球30%的数据，预计到2025年，这一数字将增长到36%。
数据的泛滥只会给IT专业人员带来新的挑战，其中很多已经在HIT advisor上讨论过了。虽然大多数关注的焦点是数据互操作性或存储成本的上升，但很少有人讨论每天创建的海量数据中隐藏的宝贵见解。这些暗数据包含重要的商业智能，但隐藏在冗余的、过时的或琐碎的数据中，并被分散在不同的部门中。结果，它在很大程度上变得难以接近。
揭开这些数据似乎是徒劳的。在传统的数据管理实践中，情况可能是这样的。但数据结构和深度学习等新技术使这一过程变得容易得多，为IT团队和整个业务带来了新的机遇。
揭示医疗保健机会中的黑暗数据
与暗数据相关的最大挑战之一是，它的绝大部分是非结构化的。这些pdf文件、诊断图像、临床试验文档、病例记录等包含了团队最有价值的见解，但不可能轻松地从中识别和收集信息。这些数据也充满了细微差别。例如，类似的治疗副作用的不同名称、疾病的缩写、句子结构或手写笔记，所有这些都可能根据手头的项目具有不同的值。
这些因素使得传统的搜索方法无效。指派研究人员手动执行这项任务肯定会带来项目时间表的延迟和人为的错误，这在扫描数百份文件以提取特定信息时必然会发生。
结果呢?浪费时间、错失洞察力和有限的投资回报率。
深度学习算法的进步被证明是解决这一问题的一种方法。这些算法使自然语言处理成为可能，使有价值的文本和见解能够比传统搜索方法更快地识别。
现在，研究人员或医疗保健IT专业人员在接受为期几周的研究项目的任务时，可以在数小时或数天内完成任务。
让数据为你工作
一旦解锁暗数据，医疗保健IT专业人员可以为组织提供显著的好处，特别是在那些有数据支持的决策对产品安全、公共健康和患者体验等多种因素至关重要的医疗保健行业。虽然借助深度学习利用暗数据的机会无穷无尽，但一些近期应用包括:
-临床试验设计:确定临床试验的可行性是至关重要的，尤其是在试验成本持续飙升的情况下。通过利用以前的暗数据，公司可以通过分析对决策至关重要的洞见(如疾病适应症、临床试验方案、站点细节和受试者人口统计数据)，进行更准确的风险评估。
-医疗成像检测:图像是产生暗数据的最大原因之一，因为大多数计算机应用程序都面临着读取此类内容的挑战。然而，随着癌症等疾病的病例数量持续增加，更容易获得的筛查图像可以帮助肿瘤学家加快有关组织的识别，提高最初诊断的准确性。
——病人护理:在诊断或确定治疗路径时，医疗专业人员通常依赖于他们最容易获得的数据。通过解锁黑暗数据，这些人可以从复杂的文本和文件中获得丰富的见解，以确定可选择的治疗方法、潜在的副作用和更多可以大大提高患者体验的东西。
未来会怎样
医疗保健行业正在经历数据复兴。在增强118金宝搏抽水 新的数据互操作性协议和加速的数字转型，行业的信息共享得到了极大的提高。我们最近一直在经历这样的事新型冠状病毒肺炎大流行。实时数据共享和获得新见解帮助影响了公共卫生指南，确定了适当的治疗类型，并加快了各种疫苗的开发。
随着行业的IT实践变得越来越先进，我们可以确保未来对新出现疾病的反应增强，改善患者护理和更健康的人口。而揭示黑暗数据将在实现这一未来中扮演关键角色。
关于Christopher Bouton博士
Christopher Bouton博士是毗耶娑该公司是一家深度学习人工智能分析软件提供商。在加入Vyasa之前，Bouton创立了大数据分析公司Entagen(被汤森路透收购)，并在辉瑞公司担任整合数据挖掘主管。Bouton博士拥有约翰霍普金斯大学分子神经生物学博士学位。
