داده کاوی و کاربرد آن در سلامت

داده کاوی و کاربرد آن در نظام سلامت

پایگاه داده ها در حوزه سلامت حاوی میزان وسیعی از داده های بالینی است که کشف ارتباطات و الگو ها در آن میتواند به دانش جدید پزشکی بیانجامد. امروزه با توجه به ظهور نظام های اطلاعات یکپارچه و رشد فن اوری اطلاعات، این مهم بیش از پیش نمایان شده است. داده کاوی از جمله پیشرفت های فن آوری در راستای مدیریت داده ها است و استفاده گسترده از سیستم های اطلاعات و پایگاه های داده، ادغام آن را باش یوه های سنتی به یک الزام تبدیل کرده است. در این مقاله که از نوع مروری می باشد هدف آن است تا به بررسی مفاهیم مرتبط داده کاوی و کاربرد ان در حوزه سلامت پرداخته شود.

واژه های کلیدی : داده کاوی ، سلامت ، دانش ، نظام سلامت

ارایه درگاه پرداخت بانکی برای فعالان حوزه نظام سلامت :: سایتهای پزشکی در ePayBank.ir

تحول در سنعت سلامت به واسطه این هدف واحد که چگونه سازمانهای سلامت هزینه ها را کاهش و کیفیت را افزایش دهند و هم چنان رقابتی بمانند؟  به پیش می رود و این مقوله همواره یک چالش بزرگ محسوب می شود. بهبود کیفیت در صنعت سلامت را میتوان به واسطه نیروهای محرکی که بر آن تاثیرگذار است بهتر تعریف نمود و از جمله این نیروهای محرک، داده های سلامت است، به عبارت دیگر در هر نوع برنامه ی بهبود کیفیت متمرکز بر بیمار، داده ها قلب آن برنامه به حساب می آید. داده ها در عصر امروزی یعنی عصر اطلاعات، عمده ترین دارایی برای سازمان های سلامت بوده و موفقیت های سازمان های سلامت در گروی جمع آوریف ذخیره و تحلیل انها است. با این وجود، جمع آوری و ذخیره ی میزان زیادی از داده ها به شکل سودمند استفاده شده و تبدیل به یک منبع مالی برای سازمان گردد. برای تبدیل این ارزش بالقوه به اطلاعات استراتژیک، بسیاری از سازمان ها به داده کاوی روی آورده اند، چرا که به واسطه داده کاوی امکان کشف روابط، روندها و الگوهای مخفی بین داده ها و دستیابی به دانش نوین در زمینه چالش های آشکار و نهان سازمان میسر خواهد شد.

داده کاوی در اواخر دهه 1980 پدیدار گشت، در دهه 1990 گام های بلندی در این شاخه از علم برداشته شد و انتظار می رود در قزن حاضر نیز به رشد و توسعه خود ادامه دهد و پیش بینی ها حاکی از آن است که در دهه های آتی با توسعه ای انقلابی مواجه شود. موسسه فن آوری ماساچوست داده کاوی را یکی از ده فن آوری برتری می داند که نقش چشم گیری در تحول جهان خواهد داشت.

با توجه به این که در حال حاضر در کشورمان روزانه حجم وسیعی از داده ها طی فرایندهای مراقبت و درمان حاصل می شود، اما تحلیل و تفسیر انها با هدف کشف الگوها و دانش جدیدی که بتواند منتج به ارتقای سلامت باشد بسیار کمرنگ است. هدف از مطالعه حاضر بررسی مقوله داده کاوی به عنوان یکی از رویکردهای مهم در این راستا بوده است.

اصطلاح داده کاوی برگرفته از ( Gold Mining )  یا استخراج طلا از صخره های سنگی است. در رابطه با استخراج و اکتشاف طلا از واژه Rock Mining استفاده نشده است و بنابراین شاید نام مناسب تر برای Data mining نیز واژه ی Knowledge mining from data بود، از از آنجا که این واژه طولانی است و ممکن است اصطلاح کوتاه تر Knowledge mining نیز نتواند موکد بر استخراج دانش از میزان وسیعی از داده ها باشد از واژه Data mining استفاده می شود.

Data archaeology , Data pattern analysis , Information harvesting  از دیگر نام های به کار گرفته شده برای داده کاوی است.

داده کاوی مفهومی است که با پایگاه داده های بزرگی مانند Data Repository  ها و Data Warehouse ها عجین شده است و به دنبال استخراج اطلاعات مفید و ناشناخته از داده های خام است.

اگر چه داده کاوی هم چون دیگر مفاهیم فن آوری اطلاعات معانی متعددی را برای افراد مختلف تداعی می کند، اما اگر به طور دقیق استفاده شود به ابزار تحلیل پیچیده ای – که به طور خودکار الگوهای مفیدی را در میان داده های یک مخزن داده کشف می کند – اشاره دارد.

در واقع داده کاوی شکل پیشرفته پشتیبانی از تصمیم است و برخلاف ابزارهای پرس و جوی غیرفعال Passive بدون الزام به طرح سوال از طرف کاربر، به تولید الگو، روندها و قواعد برنامه ریزی شده می پردازد. به عبارت دیگر قدرت داده کاوی در این است که میتواند الگوهایی را که در جستجوی کاربر مورد توجه قرار نگرفته است، افشا کند و پاسخ هایی را برای سوالاتی که هرگز درخواست نشده بود، تولید نماید.

بنابراین هدف داده کاوی، استخراج اطلاعات با ارزش از داده ها با هدف غایی کشف دانش است، لذا برخی از افراد اصطلاح کشف دانش از داده ها Knowledge discovery from data را به جای داده کاوی به کار می برند و برعکس عده زیادی داده کاوی را هسته فرایند کشف دانش از داده ها و گامی اساسی در آن دانسته و آن را یکی از مهم ترین زیر شاخه های مدیریت دانش معرفی می کنند.

با توجه به تعریف داده کاوی نظر دوم صحیح است و داده کاوی بخشی از کشف دانش است که شامل مراحل زیر می باشد:

  1. پاک سازی داده ها Data Cleaning : در این مرحله داده های غیر همسان و زاید از میان داده ها خارج می شود.
  2. یکپارچگی داده ها Data Integration : در این مرحله منابع متعدد داده ها با هم ترکیب می شوند.
  3. گزینش داده ها Data selection : در این مرحله داده های مربوط به هدف از پایگاه داده بازیابی می شود
  4. تغییر شکل داده ها Data transformation :   در این مرحله داده ها تغییر شکل یافته و به واسطه عملیات مختلفی مثل خلاصه برداری به اشکال مناسب برای استخراج تبدیل می شوند.
  5. داده کاوی Data mining  : فرایندی ضروری است که برای استخراج الگو های داده ها از شیوه های منطقی و خردمند استفاده می کند.
  6. ارزشیابی الگو Pattern evaluation
  7. ارایه دانش Knowledge presentation

هر یک از این مراحل پیش نیاز مرحله بعد بوده و فرایندی تکرارپذیر است. بدین ترتیب کل فرایند کشف دانش از داده ها، از مجموعه وسیعی از داده ها شروع شده و به محصول نهایی دانش و ایجاد مدل ختم می وشد.

داده کاوی با سرنام SEMMA مشخص می شود. این سرنام متشکل از Sample نمونه که بیانگر یک نمونه ی آماری از داده ها است، Explore  ( اکتشاف ) که به استفاده از تکنیک های اکتشافی و آماری اشاره داردف Modify  یا Manipulation ( اصلاح یا دستکاری ) که به گزینش و تغییر شکل مهم ترین متغیرهای قابل پیش بینی اشاره دارد، Model ( نمونه ) به معنای مدلی از متغیرها برای پیش بینی پیامدها یا الگو ها می باشد و Assess ( ارزیابی ) به معنای تایید صحت مدل ارایه شده است. SEMMA خود یک چرخه است که در صورت نیاز میتواند به طور متوالی انجام شود.

مهم ترین دلایل استفاده از داده کاوی

Wickramasinghe و همکاران، مهم ترین علل استفاده از داده کاوی را به شرح زیر بیان کرده اند:

  1. دلیل اصلی استفاده از داده کاوی، افزایش حجم داده های موجود و آتی سازمان ها است که نیاز به پردازشی فراتر از رویکردهای سنتی دارد. برای انسان کنارآمدن با این حجم انبوه و در حال رشد داده ها با اتکای محض به شیوه های سنتی غیرممکن است.
  2. ذهن انسان به هنگام تحلیل داده ها ممکن است دچار خطا شود و علاوه بر این، همیشه سعی بر این دارد که نتایج را مبنی بر تجربیات و آزمون های قبلی بنا نهد، اما داده کاوی بدون تکیه بر فرضیه های از پیش پنداشته به تحلیل داده ها می پردازد.
  3. یکی از مهم ترین مزایای داده کاوی به ویژه در حجم وسیع داده ها، این است که داده کاوی نسبت به استخدام تیمی از افراد خبره بسیار کم هزینه تر است، اگر چه داده کاوی مانند سایر تکنیک ها بدون مداخله ی انسان میسر نیستف اما به راحتی اجازه می دهد تحلیلگری که در آمار یا برنامه نیوسی زیاد حرفه ای نیست بتواند به مدیریت فرایند استخراج دانش از داده ها بپردازد.

داده کاوی در عرصه سلامت

مفهوم کشف دانش از داده ها بیش از یک دهه است که در محیط های مالی – تجاری در حال استفاده می باشد و در علوم مدیریت ارتباطات، مهندسی، وب کاوی ، تحلیل جرایم و پزشکی جای خود را باز کرده است. اگر چه کشف دانش با هدف شناسایی اختلاس مالی وارد عرصه ی سلامت شد، اما به تدریج در حوزه بالینی نیز مورد استفاده قرار گرفت. این مهم ناشی از تغییر سریع هوشیاری نسبت به اطلاعات در حوزه سلامت است.

صنعت سلامت به طور مستمر در حال تولید میزان زیادی از داده ها می باشد و افرادی که با این نوع داده ها مواجه هستند، دریافته اند که بین جمع آوری تا تفسیر آنها شکاف وسیعی وجود دارد، حوزه ی به نسبت جوان و در حال رشد داده کاوی در سلامت از جمله شیوه هایی است که میتواند این صنعت را از تحلیل عمیق این داده ها بهره مند سازد و به توسعه ی تحقیقات پزشکی و تصمیم گیری های علمی در زمینه تشخیص و درمان منتج شود.

داده کاوی در پزشکی و بیولوژی بخش مهمی از انفورماتیک زیست – پزشکی است و یکی از کاربردی ترین علوم کامپیوتر در این علم بوده که در بیمارستان ها، کیلینیک ها، آزماشگاه ها و مراکز تحقیقاتی به کار گرفته شده است.

داده کاوی به کندی اما به طور فزاینده ای برای رفع مشکلات متعدد در کشف دانش و در بخش سلامت به کار گرفته شده است. 4 مورد از مهم ترین دلایل رشد کند این علم در سلامت، حساسیت علم پزشکی و گره خوردن آن با جان انسان ها ( تفاوت جزیی در الگو های داده کاوی میتواند به تغییر تعادل بین مرگ و زندگی بیانجامد )، سردرگمی در تعریف داده کاوی ( گاه ایجاد یک طرح ساده از پایگاه داده های پزشکی به غلط به عنوان الگوی حاصل از داده کاوی مطرح می شود )، حریم شخصی و محرمانگی داده های سلامت و در نهایت مهم ترین چالش این است که اگر فرض بر این باشد که نتایج داده کاوی به طور کامل قابل اعتماد است، تغییر عادت ارایه دهندگان مراقبت از پزشکی سنتی به پزشکی مبتنی بر شواهد evidance based medicine دشوار است.

با این وجود، امروزه بخش سلامت بیش ترین نیاز را به داده کاوی پیدا کرده است و حرکت از پزشکی سنتی به سمت پزشکی مبتنی بر شواهد از جمله مواردی است که میتواند موکد این امر باشد. در ادامه رایج ترین استراتژی های داده کاوی، تکنیک های داده کاوی و نمونه هایی از کاربردهای آن در سلامت بیان می گردد.

استراتژی های داده کاوی

به طور کلی هدف داده کاوی، یادگیری و آموختن از داده ها است و بر این اساس دو دسته کلی از استراتژی های داده کاوی شامل یادگیری نظارت شده و یادگیری فاقد نطارت وجود دارد. شیوه های یادگیری نظارت شده زمانی به کار می رود که ارزش متغیرهای ورودی ( درون دادها ) برای ما شناخته شده باشد. یافتن مدل های پیش بینی خطا در مطالبات بیمه ی یک موسسه سلامت، نمونه ای از استراتژی یادگیری نظارت شده است، در این استراتژی مدل ها و ویژگی ها برای ما شناخته شده و با هدف پیش بینی داده ها و کشف اطلاعات به کار می رود اما در شیوه ی یادگیری فاقد نظارت، بر روی داده هایی که ارزش آنها شناخته شده نیست، تمرکز می شود. به عنوان مثال در مدل های فاقد نظارت، ویژگی ها و مدلهای خطاهای مطالبات شناخته شده نیست، اما الگوها و خوشه های حاصل از داده کاوی منجر به کشفیات جدید می شود.

تکنیک های داده کاوی

داده کاوی از تکنیک هایی همچون مدل های Bayesian  ، درخت تصمیم گیری ، شبکه های عصبی مصنوعی، قواعد ارتباطات و الگوریتم های ژنتیک برای کشف الگو استفاده می کند که برخی از آنها بیان می شود.

درخت تصمیم گیری Decision Tree : این تکنیک، ساختاری شبیه درخت است که مجموعه قواعدی که منجر به تصمیم گیری شده است را توصیف می کند و سهولت تفسیر از ویژگی های مهم آن است. برای مثال درخت تصمیم گیری میتواند عوامل موثر بر میزان بقای پیوند کلیه را تعیین کند، همچنین استفاده از الگوریتم DRG ( کدهای تشخیصی وابسته )  در بازپرداخت هزینه های بیمه پزشکی سالمندان در ایالات متحده، مثال کلاسیکی از روش شناسی این تکنیک محسوب می شود.

شبکه های عصبی Neural Networks : این تکنیک مدل های پیش بینی غیر خطی تولید می کند که یاد می دهد چگونه یک الگو با یک پروفایل خاص قابل تطبیق است، اما درباره علت رسیدن به این نتیجه خاص توضیحی ارایه نمی کند. برای مثال شبکه های عصبی میتواند مشخص کند که چه نوع بیماری هایی احتمال دارد با یک بیماری همراه شود و با تحلیل تصاویر، نوارهای قلبی و سایر مشاهدات بالینی به تشخیص، درمان و تولید دارو کمک می کند.

منطق فازی Fuzzy Logic : منطق فازی نسبت به دیگر تکنیک ها انعطاف پذیر می باشد و مفاهیم مبهم و پیچیده را مدیریت می کند. شناسایی بیمارانی که شاید حاضر هستند آگاهانه به ابتکار بیمارستان ها در پیش گیری از ایدز به عنوان نمونه ی مورد مطالعه پاسخ دهند از موارد کاربرد این تکنیک است.

Nearest neighbor : تکنیکی قدیمی برای کشف ارتباطات در مواردی که داده ها عددی هستند، می باشد.

الگوریتم های ژنتیک Genetic algorithms : تکنیک های بهینه ای برای ارتقای سایر الگوریتم های داده کاوی، به گونه ای که از بهترین مدل بر روی مجموعه ی داده ها استفاده کنند و میتواند برای کی بیماری خاص بهترین برنامه درمانی را تعیین کند.

نمونه هایی از کاربرد داده کاوی در سلامت

– داده کاوی در تشخیص های غیرتهاجمی: برخی از اقدامات تشخیصی و آزمایشگاهی برای بیمارتن، تهاجمی و هزینه بر و در عین حال رنج آور هستند. به عنوان مثال باقت برداری از گرئن رحم به مظنور تشخیص سرطان گردن رحم از جمله این موارد است.

Thangavel و همکاران از طریق الگوریتم های خوشه بندی به تحلیل بیماران مبتلا به سرطان گردن رحم پرداختند و نتایج پیش گیری کننده تری را نسبت به عقاید پزشکی کنونی پیدا کردند. همچنین Gorunescu نشان داد که داده کاوی میتواند با ادغام CAD ( تشخیص با کمک کامپیوتر  ) و اندوسکوپی اولتراسونوگرافی در شناسایی غیرتهاجمی سرطان به عنوان یک شیوه جدید به کار رود.

– داده کاوی در تعیین نوع درمان : به کار گیری داده کاوی بر روی داده های پزشکی دستاوردهای حیاتی و اثرگذاری را در انتخاب نوع درمان و نجات جان انسانها به ارمغان آورده است. به عنوان مثال در بیمارستان شهید هاشمی نژاد تهران برای تعیین نوع درمان سنگ حالب از راهکار داده کاوی استفاده می شود. در این بیمارستان یک الگوریتم درختی وجود دارد که پزشک براساس آن درمانی را که میزان موفقیت بالاتری برای بیمار دارد انتخاب می کند و بررسی ها نشان داده است که میزان عملکرد این الگوریتم 77 درصد بوده و بسیار بهتر از عملکرد الگوریتم بیمارستانی و مدل ذهنی پزشکان است.

– داده کاوی در شناسایی عوارض جانی داروها : برخی از داروها که در ابتدا به عنوان داروهای غیر مضر برای انسان به تایید رسیده اند، بعد از استفاده عموم در طولانی مدت اثرات زیان بار خود را نشان می دهند.

اداره دارو و غذای امریکا FDA یا Food and drug administration  با استفاده از داده کاوی به کشف دانش درباره عوارض جانی داروها در پایگاه داده خود پرداخته است. الگوریتم مورد استفاده در این روش MGPS یا Multi-item gamma posson shrinker نام دارد که توانسته است با موفقیت 67 درصد عوارض جانی داروها را 5 سال زودتر از شیوه سنتی شناسایی کند.

– داده کاوی در پرونده الکترونیک سلامت : در حال حاضر مطالعات متعددی موکد این است که تکنیک های داده کاوی ابزار موثری را برای شناسایی الگوهای مهم سلامت از درون پرونده های پزشکی فراهم می کند.

پرونده های سلامت کامپیوتری به واسطه دربرداشتن مجموعه ای از داده ها درباره ی تشخیص، درمان، اقدامات آزمایشگاهی و دارویی به طور بالقوه منبع غنی از دانش هستند. اگر چه کشف دانش از انبوه داده  ها در آنها برای انسان غیرممکن نیست، اما امری دشوار است و داده کاوی بهترین شیوه برای حل این چالش می باشد.

در بیمارستان Brigham and Women تحقیقی با فرضیه ای مبنی بر این که میتوان عناصر اطلاعاتی موجود در پرونده الکترونیک سلامت را با تکنیک داده کاوی شناسایی و روابط بالینی معنی دار و درستی را کشف کرد انجام شد./ در این مطالعه با اجرای داده کاوی بر روی 100000 پرونده و تمرکز بر مجموعه داده های تشخیصی ( 272749 مورد ) ، دارویی ( 442658 مورد ) و نتایج آزمایشگاهی ( 11801068 مورد ) روابط علمی مهمی بین مشکلات بیمار، داروها و نتایج آزمایشگاهی آنها کشف و توصیف شد.

– داده کاوی در کنترل عفونت بیمارستانی : در ایالات متحده سالانه 2 میلیون نفر به عفونت های بیمارستانی مبتلا می شوند، لذا تمرکز زیادی برای شناسایی این بیماران صورت گرفته است. به عنوان مثال در ابالت آلباما نوعی سیستم نظارتی وجود دارد که از تکنیک های داده کاوی استفاده می کند. این سیستم با استفاده از قوانین و روابط داده کاوی بر روی کشت خون بیمار و داده های بالینی به دست آمده از سیستم اطلاعات آزمایشگاه Laboratory Information System الگوهای جدید و جالب توجهی را مشخص می سازد و ماهانه الگوهایی که توسط کارشناسان کنترل عفونت مورد بررسی قرار می گیرد را تهیه می کند. سازندگان این سیستم دریافته اند که ارتقای کنترل عفونت با سیستم داده کاوی حساس تر از سیستم کنترل عفونت سنتی عمل می کند.

– داده کاوی در رتبه بندی بیمارستان ها : رتبه بندی بیمارستان ها و برنامه های بهداشتی میتواند بر مبنای اطلاعات گزارش شده توسط ارایه دهندگان مراقبت باشد، بنابراین گزارش دهی استاندارد برای مقایسه ی معنی دار بیمارستان ها و رتبه بندی آنها بسیار مهم است. از جمله شیوه های استاندارد کردن این گزارشات استفاده از تکنیک های داده کاوی می باشد، به عنوان مثال اگر کدهای ICD ( کدهای عوامل خطر ) اختصاص یافته به پرونده های بیمار با تکنیک های داده کاوی مانند خوشه بندی و ارتباطات همراه شود، میتواند به ایجاد گزارشاتی بیانجامد که با تعیین نرخ واقعی میزان ناخوشی ها، مرگ و میر و سایر شاخص های کیفیت در رتبه بندی بیمارستان ها مورد استفاده واقع شود.

– داده کاوی در بهره برداری از خدمات سلامت : در برنامه سلامت آکسفورد Oxford health plan، داده کاوی به منظور پاسخ به موضوعات پیچیده ای پیرامون بهره برداری خدمات ارایه شده به بیماران می پردازدو در اصل به دبنال درک بهتر نحوه ی بهره برداری از مراقبت ها و خدمات ارایه شده به بیماران می باشد.

به واسطه داده کاوی در این برنامه، بیمارستان ها در دستیابی به متغیرهای کلیدی در پیش بینی بهره برداری از خدمات، بهبود پیامدهای کیفیت، پیش بینی رفتارهای آتی بیماران و بهبود برنامه های درمانی انها، شناسایی بیماران پرخطر و مدیریت مراقبت آنها توانمند می شوند.

با استفاده از داده کاوی و مدل سازی داده ها میتوان بیماران با شرایط پر خطر را شناسایی کرد. در واقع داده کاوی با ارایه اطلاعات به ارایه دهندگان مراقبت، آنها را در شناسایی بیماران پرخطر به گونه ای که بتوان کیفیت مراقبت آنها را بهبود داد و از مشکلات آتی انها جلوگیری کرد، کمک می کند و با طراحی مداخله ای مناسب منجر به کاهش پذیرش های بیمارستانی می شود. به عنوان مثال تکنیک های مدل سازی پیش بینی کننده داده کاوی در رابطه با مدیریت بیماری دیابت منجر به ارتقای کیفیت و کاهش هزینه ی بیماران مبتلا به دیابت می شود.

یکی از مهم ترین موضوعات چالش برانگیز در مراقبت سلامت، تغییر شکل داده های بالینی خام به اطلاعات معنی دار به دنبال تولید مستمر انبوهی از داده ها است. چرا که بسیاری از سازمان های مراقبت سلامت با وجود غنای داده با فقر دانش روبرو شده اند. به عبارت دیگر، رویارویی با مجموعه های عظیم داده ها و توسعه پایگاه داده ها نسبت به دهه های گذشته نیازهای جدیدی را مانند خلاصه سازی خودکار داده ها، استخراج اطلاعات ذخیره شده و کشف الگو ها از داده های خام به وجود آورده است که داده کاوی نمونه ای از آنها می باشد.

استخراج اطلاعات و دانش از داده ها مفهومی دیرینه در مطالعات علمی و پزشکی می باشد و آن چه که جدید است هم گرایی و اشتراک چندین رشته و فن آوری متناظر آنها است که فرصت منحصر به فردی را برای داده کاوی ایجاد کرده است.

داده کاوی با ایجاد پزشکی مبتنی بر شواهد نقش حیاتی در سلامت دارد و منجر به کشف دانش جدید، سودمند و ماندگار در پایگاه داده ای سازمان های سلامت می شود . چرا که برای دستیابی به پزشکی مبتنی بر شواهد باید از شناسایی شکاف و خلاء دانش در فرایندهای مراقبت سلامت کنونی شروع کرد و سپس به دبنال بهترین ادله بود، در قدم بعدی باید به بررسی صحیح بودن و معتبر بودن اقدامات شناسایی شده در بهترین ادله پرداخت و در قدم آخر این ادله را بر روی بیماران اجحرا کرد. داده کاوی دستیابی به اولین گام در این زمینه را هموار می سازد.

در محیط رقابتی امروزف سازمان های سلامتی که به واسطه ی فن آوری های هم چون داده کاوی بتواند دادهخ ها را دئر راستای بهوبد کیفیت سلامت به کار برندس ریع تر به قله موفقیت خواهند رسید، لذا لازم است سازمان های سلامت ما نیز با استفاده از تخصص صاحبان این فن از این عرصه رقابت باز نمانند.

بسیاری از مراکز تحقیقاتی کشورمان مانند مراکز تحقیقات غدد و متابولیسم، سرطان، تروما، پوست و غیره و همچنین نظام های اطلاعات بیمارستان ها Hospital information systems دارای حجم زیادی از داده ها هستند که یا هرگز تحلیل نمی شوند و یا اگر هم تحلیل و به دانش منتج می شوند به واسطه استفاده از شیوه های سنتی، امری مقطعی و زمان بر است، حال ان که با روی آوردن به داده کاوی و اجرای آن میتوانند داده ها را به ابزاری نیرومند و رقابتی تبدیل نموده و گام های جدیدی را در پیش گیری، تشخیص ، درمان و ارایه خدمات با کیفیت به مشتریان سلامت بردارند.

پیشنهادها

  1. داده کاوی بر روی دفاتر ثبت بیماری ها و حوادث
  2. داده کاوی بر روی زیرستم های HIS مانند LIS و PACS و غیره
  3. داده کاوی بر روی پایگاه داده های کدگذاری بیماری ها و اقدامات
  4. مقایسه اثربخشی مراقبت و درمان قبل از اجرای داده کاوی و بعد از اجرای آن در مراکز سلامت

ارایه درگاه پرداخت بانکی برای پزشکان ، اساتید دانشگاهی در ePayBank.ir

  • کاربرد داده کاوی در پزشکی (27)