„Big data” az egészségügyi ellátásban

Cikk címe: „Big data” az egészségügyi ellátásban

Szerzők: Szöts Miklós, Gergely Tamás

Intézmények: Budapest, Alkalmazott Logikai Laboratórium

Évfolyam: XIV. évfolyam

Lapszám: 2015. /

Oldal: 48-54

Terjedelem: 7

Rovat:

Alrovat:

Absztrakt:

A technika fejlődésével az egészségügyben is folyamatosan növekszik a rendelkezésre álló adatok mennyisége. Az egészségügyi problémák összetettebbek lettek, mint valaha, pl. gondoljunk a személyre szabott ellátásra. Ezzel együtt egyre nagyobb az igény a releváns információra, ami gyorsabb hozzáférést tesz szükségessé több és jobb adathoz. Itt jelenik meg a mai információtechnológia egyik legszélesebb alkalmazási kört érintő jelensége, a nagymennyiségű heterogén adattal foglakozó „big data”. A cikk bemutatja a „big data” szak kifejezés jelentését, hogy milyen problémákat fed le, és hogy milyen megoldások születnek ezekre a problémákra. Bemu tatásra kerül, hogy a kutatási eredmények, alkalmazások milyen lehetőségeket nyitnak az egészségügyi informatikában, valamint hogy a big data jelenség hatására elindult kutatások, fejlesztések hogyan alakíthatják az egészségügyet, hogyan járulhatnak hozzá a páciensek eredményesebb és gazdaságosabb ellátásához.

Abstract:

The evolution of technology in health care creates a growing volume of data with along which an evergrowing demand for information is generated. The health problems became more complex than ever be fore take, for example, personalized care. This will require a faster access to more and better data. This is it where the phenomenon affecting today’s information technology is one of the widest scope of applying large amounts of heterogeneous data dealing with “big data”. The article explains the meaning of the term “big data” and refers to the actual problems and to the proposed solutions to these problems. It is shown how the re search results and applications open new perspectives in/for health information technology. It is also described how the research and development initiated by the big data phenomenon improves healthcare system and how they can contribute to a more efficient and economical care to the patients.

XIV. évfolyam

2015. / / Május


Cikk Szerző(k)
Beköszöntő Prof. Dr. Domján Gyula
Tartalom IME Szerkesztőség
Az 1-es típusú diabétesz társbetegségei gyermekkorban: egy teljes körű magyar populációs vizsgálat Lakatos Csenge, Dr. Surján György
Civil szervezetek bevonásának szükségessége a népegészségügyi programok tervezésébe Prof. Dr. Simon Tamás
A hálapénz szabályozásának büntetőjogi és etikai kérdései Dr. Berecz János Tamás, Dr. Fülöp Botond
XVI. Szolgáltatásmenedzsment – Outsourcing Konferencia IME Szerkesztőség
Új korszak az akut stroke ellátásában – Interjú Prof. Dr. Nagy Zoltánnal Boromisza Piroska
Személyre szabott kardiovaszkuláris rizikóbecslés koronária CT-vel – Strukturált leletezés és az OPeRA (Országos Plaque Regiszter és Adatbázis) Projekt Dr. Merkely Béla, Dr. Bagyura Zsolt, Kolossváry Márton, Dr. Maurovich-Horvat Pál
A diabétesz betegségterhe Magyarországon Dr. Kósa József
Hipertónia világnap 2015. május 11. IME Szerkesztőség
Az IME X. Jubileumi Képalkotó Diagnosztikai Továbbképzés és Konferencia összefoglalója, I. rész IME Szerkesztőség
Dr. Balogh Ildikó emlékére Dr. Zámbó Katalin
Merre tart a nukleáris medicina? Prof. Dr. Szilvási István
IV. Infekciókontroll Konferencia (2015. október 14-15. szerda-csütörtök) IME Szerkesztőség
Csontmetasztázisok vizsgálata 18F-NaF PET/CT-vel Dr. Lengyel Zsolt
A neuroendokrin daganatok molekuláris vizsgálata a nukleáris medicinában Dr. Dabasi Gabriella
Az OGYÉI felhívása a DNP (dinitrofenol) illegális fogyasztószerrel kapcsolatban IME Szerkesztőség
A szívbetegségek genetikai örökletessége Prof. Dr. Kárpáti Pál
Júniusban ismét lesz Mozgás Éjszakája – Mert a tested megér egy estet! IME Szerkesztőség
„Big data” az egészségügyi ellátásban Szöts Miklós, Gergely Tamás
Szerző Intézmény
Szöts Miklós Budapest
Gergely Tamás Alkalmazott Logikai Laboratórium

[1] Laney, D.: 3D Data Management: Controlling Data Volume, Velocity, and Variety, 2001 http://blogs.gartner. com/doug-laney/files/2012/01/ad949-3D-Data-Management-Controlling-Data-Volume-Velocity-and-Variety.pdf
[2] Laney, D.: The Importance of ‘Big Data’: A Definition, Gartner, Retrieved, 21 June 2012.
[3] Ginsberg, J., Mohebbi, M.H., Patel, R.S., Brammer, L., Smolinski, M.S., Brilliant, L.: Detecting influenza epidemics using search engine query data, Nature, 457, 1012-1014, 2009
[4] Intel Peer Research on Big Data Analysis. http://www.intel.com/content/www/us/en/big-data/data-insights-peer-rese-arch-report.html.
[5] Ward, J.S., Barker, A.: Undefined By Data: A Survey of Big Data Definitions
[6] Dean, J., Ghemawat, J. [2004]: MapReduce: Simplified Data Processing on Large Clusters http://static.googleu-sercontent.com/media/research.google.com/es/us/archive/mapreduce-osdi04.pdf
[7] Szőts M., Csirik J., Gergely T., Karvalics L.: MASZEKER: projekt szemantikus kereső rendszer kidolgozására, MSzNy 2010, http://www.inf.u-szeged.hu/mszny2010
[8] Szőts M., Gyarmathy Zs., Simonyi A.: Frame-szemantikára alapozott információ-visszakereső rendszter, MSzNy 2013, http://www.inf.u-szeged.hu/mszny2013
[9] Jeong, R. J., Ghani, I.: Semantic computing for Big Data Approaches, Tools, and Emerging Directions (2011-2014), KSII Transactions On Internet And Information Systems, Vol. 8, No. 6, June 2014 2022-2042
[10] Harford, T.: Big data: are we making a big mistake?Financial Times http://www.ft.com/intl/cms/s/2/21a6e7d8-b479-11e3-a09a-00144feabdc0.html#axzz3GE25hO6A
[11] Matlis J.: QuickStudy: Predictive Analytics, 2006 http://www.computerworld.com/article/2554079/business-intelli-gence/predictive-analytics.html
[12] Mayer-Schönberger, V., Cukier K.: Big Data, A Revolution That Will Transform How We Live, Work, and Think John Murrays (Publishers), 2013
[13] Hersh, W. R.: Healthcare Data Analytics. in: Hoyt RE, Yoshihashi, A, Eds. Health Informatics: Practical Guide for Healthcare and Information Technology Professionals, Sixth Edition, Pensacola, FL, Lulu.com, 2014
[14] Ross, T.R., Ng, D., Brown, J.S., Pardee. R.: The HMO Research Network Virtual Data Warehouse: A Public Data Model to Support Collaboration, eGEMs, EDM Forum, Mar 2014, Vol. 2, Iss. 1 http://repository.academyhealth.org/egems/vol2/iss1/2/
[15] Hillier TA, Pedula KL, Schmidt MM, Mullen JA, Charles MA, and Pettitt DJ. Childhood obesity and metabolic imprinting: the ongoing effects of maternal hyperglycemia, Diabetes Care, 30: 2287-2292., 2007
[16] Jensen, P.B., Jensen, L.J., Brunak, S.: Mining electronic health records: towards better research applications and clinical care, Nature Reviews Genetics http://www.nature.com/nrg/journal/v13/n6/abs/nrg3208.html, 2012
[17] Infoway, Big Data Analytics in Health. Canada Inforoute, Canada Health Infoway Inc. https://www.infoway-inforou-te.ca/index.php/resources/technical-documents/emerging-technology, 2013
[18] Groves, P., Kayyali, B., Knott, D., Kulken. S. van: The ʼbig dataʼ revolution in healthcare, Center for US Health System Reform Bussiness Technology Office, Jan, 2013 http://www.mckinsey.com
[19] Szathmáry B.: A kórházak szerepe a Kooperativ Térben, IME – Az egészségügyi vezetők szaklapja, XII. évf. 1. sz. pp 57-58, 2013
[20] Cho I, Park I, Kim E, Lee E, Bates DW.: Using EHR data to predict hospital-acquired pressure ulcers: A prospective study of a Bayesian Network model, International Journal of Medical Informatics, 82: 1059-1067., 2013
[21] Gilbert P, Rutland MD, Brockopp D.: Redesigning the work of case management: testing a predictive model for read- mission, American Journal of Managed Care, 2013. 19 (11 Spec No. 10): eS19-eSP25., 2013 http://www.ajmc.com/publications/issue/2013/2013-11-vol19-sp/redesigning- the-work-of-case-management-testing-a-predictive-model-for-readmission.
[22] Morley-Fletcher E.: Big Data Healthcare – An overview of the challenges in data intensive healthcare, Networking Session on Big Data in Healthcare at ICT 2013. http://www.lynkeus.eu/big-data-healthcare/
[23] Anshakov, O, Gergely T: Cognitive Reasoning – a Formal Approach, Springer 2010
[24] Gergely T.: Integrated care space for chronic diseases, E-Health Week, Budapest, HIMSS, 2011
[25] http://whatis.techtarget.com/definition/small-data
[26] http://highscalability.com/blog/2014/12/17/the-big-problem-is-medium-data.html
[27] http://hortonworks.com/blog/apache-hadoop-yarn-con-cepts-and-applications/
[28] http://cassandra.apache.org/
[29] http://www.w3.org/2001/sw/sweo/public/UseCases/
[30] https://www.priv.gc.ca/information/research-recher-che/2012/pa_201208_e.asp#_ftn6
[31] http://researcher.watson.ibm.com/researcher/view_group_subpage.php?id=2160
[32] http://content.healthaffairs.org/content/33/7/1187.short
[33] http://www.informationweek.com/software/information-management/ibms-watson-could-be-healthcare-game-changer/d/d-id/1108608?
[34] http://www.informationweek.com/software/information-management/ibm-ceo-rometty-shares-vision-of-big-data-era/d/d-id/1108992?