Big Data Inteligencia artificial, Internet de las cosas médicas|Open Medscience

El sector de la salud se está transformando a través del internet de las cosas médicas, la convergencia de la tecnología, la digitalización y el modelado 3D.


Revolución tecnológica en salud

En la última década, las nuevas tendencias en radiología diagnóstica a través de la inteligencia artificial, el aprendizaje automático, la realidad virtual, los dispositivos médicos portátiles y el modelado 3D han supuesto una revolución en el sector sanitario. Hoy, estas plataformas tecnológicas tendrán un impacto más significativo en el manejo del paciente.

Las futuras innovaciones sanitarias en dispositivos médicos serán más modulares y flexibles para mejorar la experiencia del paciente. Por ejemplo, la impresión 3D y las simulaciones virtuales crean nuevas oportunidades para mejorar la calidad y la seguridad, especialmente la optimización. Sin embargo, la impresión 3D también puede ofrecer prototipos más rápidos y la creación de prótesis personalizadas. Además, la impresión 3D se está utilizando para ajustar la porosidad de las tabletas para producir y medicamentos personalizados en el punto de atención.

La pandemia de COVID-19 ha acelerado la tecnología de atención médica virtual debido a que los consumidores y proveedores han encontrado formas de brindar aspectos de la atención médica. Estos sistemas de interfaz digital permiten que el paciente se conecte de forma remota con profesionales de la salud mediante videoconferencias o aplicaciones móviles. Por lo tanto, las futuras prácticas generales disminuirán debido a la expansión y producción de dispositivos médicos innovadores.

Big Data se clasifica de tres maneras

Datos estructurados: Esto se refiere a datos ordenados ya almacenados en las bases de datos de matriz tradicionales y representa alrededor del 20% del total de datos. Los datos son útiles en la programación y aplicaciones relacionadas con la computadora.

Datos no estructurados: Este tipo de datos no tiene un formato claro en el almacenamiento y representa alrededor del 80 % de los datos no estructurados. Estos datos son más evaluables y solo se almacenan y analizan manualmente.

Datos semiestructurados: El tipo de datos no estructurados y datos semiestructurados a veces no es evidente para el usuario porque la mayoría de los datos semiestructurados parecen no estar estructurados cuando se encuentran por primera vez. Por ejemplo, los documentos NoSQL se consideran semiestructurados porque contienen palabras clave que se utilizan para procesar el documento.

Diferencia entre datos estructurados, semiestructurados y no estructurados

Parámetro Datos estructurados Datos semiestructurados Datos no estructurados
Organización Los datos estructurados se organizan con el más alto nivel de organización. Los datos semiestructurados están parcialmente organizados; por lo tanto, el nivel de organización es menor que
datos estructurados pero más altos que los datos no estructurados
Los datos no estructurados no están organizados
Flexibilidad Los datos estructurados son parte de una base de datos interactiva. Depende del esquema, lo que da como resultado una base de datos menos flexible y difícil de escalar Los datos semiestructurados son más flexibles y menos complicados de escalar que los datos estructurados Los datos no estructurados no tienen un esquema. Por lo tanto, los datos se vuelven más flexibles.
Versionado Los datos estructurados se basan en una base de datos interactiva. El control de versiones se realiza sobre tuplas, filas y tablas. Los datos semiestructurados, las tuplas o los gráficos son posibles ya que solo se admite una base de datos parcial Datos no estructurados, es probable que el control de versiones sea como datos completos sin soporte de base de datos
Gestión de transacciones Datos estructurados, la concurrencia de datos está disponible y, por lo tanto, generalmente se prefiere para el proceso multitarea Las transacciones de datos semiestructurados se adaptan desde el sistema de gestión de bases de datos, pero aún así, la concurrencia de datos no está disponible Hay datos no estructurados, ni gestión de transacciones ni concurrencia de datos.

Internet de las cosas médicas

El sector de la salud se está transformando a través de la convergencia de la tecnología, la digitalización y el modelado 3D. Estos cambios han creado desarrollo tecnológico a través de la innovación y la expansión del mercado por la revolución robótica. La automatización de procesos robóticos puede llevar a cabo tareas básicas y repetitivas en el entorno de la atención médica al tiempo que permite a los profesionales de la salud concentrarse más en proyectos de alto valor.

Big Data está creando una revolución digital que necesita más análisis, lo que equivale a 2,5 quintillones de bytes de datos cada día. Big Data se está convirtiendo en parte de la industria cotidiana de hoy, que es la fuerza impulsora detrás del éxito mundial de las organizaciones.

El Internet de las cosas médicas (IoMT) se refiere a la red que conecta dispositivos médicos inteligentes a través de Internet.

La próxima interacción de atención médica involucrará un dispositivo médico, por ejemplo, un monitor de presión arterial, un monitor continuo de glucosa o un escáner médico. Hoy en día hay más de 500.000 tecnologías médicas disponibles. Estos dispositivos médicos brindan servicios conectados a Internet que pueden mejorar la eficiencia y mejorar los planes de tratamiento de los pacientes. Además, el aumento de la potencia informática y las capacidades inalámbricas obligarán a las organizaciones sanitarias a utilizar más IoMT.

Los dispositivos IoMT tendrán la capacidad de acumular, analizar y transmitir datos de atención médica, especialmente para que los médicos evalúen las enfermedades crónicas del paciente y evolucionen el futuro de la atención.

Big Data, Inteligencia Artificial y Algoritmos juegan un papel en el diagnóstico médico hacia la medicina personalizada. Big Data trae consigo una gran cantidad de datos generados a partir de varias fuentes. Además, Big Data debe automatizarse, almacenarse en la categoría correcta para encontrar correlaciones, patrones ocultos y otros conocimientos valiosos. La categorización de datos heterogéneos mixtos se conoce como clasificación de datos basada en características predefinidas.

Sin embargo, en la última década, el sector de la salud se ha expandido y genera enormes cantidades de datos en términos de volumen, velocidad, variedad y veracidad. Todas estas prácticas de Big Data en el cuidado de la salud pueden aumentar el valor comercial y mejorar los servicios de atención médica.

Big Data son conjuntos de datos altamente complejos caracterizados por los atributos ‘V’

Big Data cuatro Vs – Volumen, Velocidad, Variedad y Veracidad

Volumen Los conjuntos de datos generados por los procedimientos de radiología tienen un gran volumen debido al tamaño de imagen de píxel de la tomografía computarizada, la resonancia magnética, la angiografía por tomografía computarizada, los rayos X, las imágenes PET y SPECT y la mamografía.
Velocidad Los datos se procesan a gran velocidad. Los procedimientos de radiología producen grandes cantidades de datos a alta velocidad. Los escáneres de resonancia magnética y tomografía computarizada proporcionan conjuntos de datos continuos en las redes PACS, y las imágenes luego se almacenan utilizando los Archivos neutrales de proveedores (VNA). Todos los datos se generan en tiempo real.
Variedad Las imágenes producidas por los datos de radiología se generan a partir de una variedad de modalidades, por ejemplo, radiografía computarizada, radiografía convencional, radiología intervencionista, radiografía digital, imágenes PET y SPECT, resonancia magnética y ultrasonido.
Veracidad La integridad del conjunto de datos es primordial en cualquier proyecto. Sin embargo, se requiere un análisis sistemático de los datos para asegurarse de que los conjuntos de datos de entrada sean resultados precisos. Por lo tanto, los escaneos con artefactos de movimiento y de baja calidad pueden eliminarse del grupo de estudio. Además, las comprobaciones mantienen la uniformidad de los conjuntos de datos.

Análisis de grandes datos

El análisis de Big Data gestiona y analiza volúmenes de datos masivos. Otra forma de caracterizar Big Data de manera más efectiva es aplicar el enfoque HACE (Enorme, Autónomo, Complejo, Evolutivo).

Big data utiliza un volumen de datos grande y heterogéneo. Este enfoque incluye fuentes independientes para permitir la distribución y controles reorganizados para explorar relaciones complejas y en evolución con los datos.

Big Data incorpora medidas paramétricas y no paramétricas, como diagnóstico, demografía, tratamiento y prevención de enfermedades. Todos estos atributos provienen de una variedad de fuentes mediante la aplicación de muestreo incongruente.

Este enfoque produce datos estructurados que se centran en el genotipo, la proteómica o las puntuaciones clínicas en comparación con los datos no estructurados, incluidas las notas clínicas, las imágenes médicas, las recetas, el estilo de vida, el medio ambiente y los datos económicos de la salud.

Los profesionales de la salud deben esforzarse por avanzar hacia el aprovechamiento de Big Data en imágenes, que tiene el potencial de conducir a un soporte clínico avanzado, herramientas de diagnóstico y pronóstico personalizadas, y la capacidad de optimizar los resultados de pacientes individuales de formas que antes no eran posibles.

El análisis de Big Data implica la evaluación de grandes, la identificación de clústeres y la correlación entre conjuntos de datos que conducen al desarrollo de modelos predictivos utilizando técnicas de minería de datos.

Conclusión

El sector de la imagenología diagnóstica ha experimentado un importante crecimiento tanto en términos de desarrollo tecnológico como de expansión de mercado. Este crecimiento conduce a una mayor producción de una gran cantidad de datos que colocan las imágenes de diagnóstico en el almacenamiento de Big Data en el contexto de la atención médica. En consecuencia, es necesario construir plataformas digitales y dispositivos médicos que faciliten imágenes diagnósticas utilizando Big Data.

Los usuarios de Big Data necesitan nuevos procedimientos avanzados que incorporen computación en la nube, telerradiología desde un sitio alejado del escáner de adquisición o actividades de segunda mirada finalizadas para verificar la calidad y el asesoramiento de informes especializados.

Todos estos procedimientos tecnológicos requieren la transmisión de miles de imágenes a otros lugares. Además, en los terminales debe facilitar la velocidad de descarga/carga, la integridad de los datos y la seguridad. Además, el manejo de los datos debe cumplir con las leyes de privacidad.

Además, la aplicación de varias herramientas algorítmicas y la conversión de datos sin procesar en grandes conjuntos de datos permitirán una mejor comprensión de los datos radiológicos para obtener nuevos conocimientos y perspectivas sobre un problema médico.

Fuente del artículo

Deja un comentario