#TechToday #ChămSócSứcKhỏeNgàyHômNay
Dữ liệu có cấu trúc và phi cấu trúc trong chăm sóc sức khỏe đang trở nên phổ biến, tuy nhiên nó cũng đặt ra nhiều thách thức về lưu giữ, xóa và hủy dữ liệu. Việc xóa hoặc lọc dữ liệu nghiên cứu sau khi hoàn thành cũng gây mất mát siêu dữ liệu đã liên kết với chúng. Dữ liệu sức khỏe do bệnh nhân tạo cũng đòi hỏi sự quan tâm riêng biệt, và thông tin đó thường chỉ được chuyển sang EHR dưới dạng báo cáo tóm tắt, khiến cho sắc thái giá trị của tài liệu tóm tắt bị mất đi.
Để giải quyết vấn đề này, Hiệp hội Bệnh viện Hoa Kỳ đã gợi ý sáu bước để làm cho dữ liệu phi cấu trúc trở nên có ý nghĩa hơn trong chăm sóc sức khỏe. Đầu tiên, tối ưu hóa lưu trữ cho dữ liệu phi cấu trúc. Thứ hai, phân loại dữ liệu theo cách sử dụng, người truy cập, mức độ bảo mật và chính sách bảo mật. Thứ ba, tạo trật tự cho dữ liệu phi cấu trúc bằng việc chuẩn hóa. Thứ tư, tìm ngữ cảnh cho dữ liệu. Thứ năm, mã hóa thông tin theo tiêu chuẩn ngành và cuối cùng, đưa ra hướng dẫn cho khoa học dữ liệu.
Điều quan trọng để thành công với dữ liệu phi cấu trúc trong chăm sóc sức khỏe là xác định rõ ràng phạm vi và trường hợp sử dụng của nó. Thay vì tập trung vào đun sôi đại dương, các tổ chức nên tập trung vào các số liệu kinh doanh chính hoặc lĩnh vực cải tiến có thể định lượng khác. Điều này đồng nghĩa với việc cần rõ ràng về những gì muốn thu được từ dữ liệu có sẵn.
Với các bước trên, các tổ chức dựa trên dữ liệu có thể rút ra ý nghĩa từ dữ liệu phi cấu trúc trong chăm sóc sức khỏe và cải thiện việc ra quyết định kinh doanh và lâm sàng, đồng thời giúp các bệnh viện phục vụ bệnh nhân và cộng đồng của họ tốt hơn trong những lúc cần thiết.
Nguồn: https://techtoday.co/structured-vs-unstructured-data-in-healthcare/
bản tin
Sed ut perspiciatis unde.
Sự phổ biến của dữ liệu phi cấu trúc trong chăm sóc sức khỏe cũng có thể đặt ra những thách thức về lưu giữ, xóa và hủy dữ liệu. Vấn đề không phải là lượng dữ liệu phải được lưu trữ và thời gian lưu trữ; thay vào đó, nó là nơi nó đã được lưu trữ và những gì đã được lưu trữ, Laberge nói.
Ví dụ: các tổ chức thường thanh lọc các hồ sơ y tế không hoạt động hoặc xóa các bộ dữ liệu nghiên cứu sau khi hoàn thành nghiên cứu. Anh ấy nói, với những kiểu dữ liệu phi cấu trúc này, “Bạn đang xóa không chỉ một cơ sở dữ liệu đơn lẻ. Có thể có nhiều tệp hơn ở đó và có siêu dữ liệu được liên kết với chúng.”
Làm việc với dữ liệu sức khỏe do bệnh nhân tạo
Dữ liệu sức khỏe do bệnh nhân tạo đi kèm với các mối quan tâm riêng. Mặc dù nó có thể có sẵn trong thời gian thực từ các nguồn như thiết bị giám sát hoặc ứng dụng trị liệu kỹ thuật số — và nó có thể được cấu trúc theo đúng nghĩa của nó — hầu hết nó chỉ có thể chuyển sang EHR dưới dạng báo cáo tóm tắt không có cấu trúc, Natalie Schibell, phó chủ tịch kiêm hiệu trưởng lưu ý. nhà phân tích tại Forrester. (Điều này cũng đúng với các bản tóm tắt lượt truy cập đến từ các nhà cung cấp dịch vụ chăm sóc khẩn cấp, sức khỏe bán lẻ hoặc chăm sóc sức khỏe từ xa không liên kết với hệ thống y tế.)
Trong những tình huống này, sắc thái có giá trị của tài liệu tóm tắt phần lớn bị mất đi. Điều đó không cung cấp một bức tranh hoàn chỉnh về sức khỏe của bệnh nhân, khiến các hệ thống y tế khó phân tích kho dữ liệu khổng lồ của họ và xem bệnh nhân nào cần được chú ý nhiều hơn, Schibell nói. Nó cũng góp phần vào việc chi tiêu lãng phí, vì các bác sĩ không có sẵn kết quả sẽ chỉ yêu cầu một xét nghiệm khác. Cô ấy nói thêm: “Có một rủi ro lớn trong việc chăm sóc trùng lặp và gián đoạn.
PHÁT HIỆN: Làm thế nào các nền tảng dữ liệu hiện đại có thể tăng cường sự linh hoạt trong chăm sóc sức khỏe.
Sáu bước để làm cho dữ liệu phi cấu trúc trở nên có ý nghĩa hơn trong chăm sóc sức khỏe
Hiệp hội Bệnh viện Hoa Kỳ đã gợi ý rằng bây giờ là lúc để các bệnh viện tự chuyển đổi thành các tổ chức dựa trên dữ liệu. AHA cho biết điều này sẽ cải thiện việc ra quyết định kinh doanh và lâm sàng, đồng thời giúp các bệnh viện phục vụ bệnh nhân và cộng đồng của họ tốt hơn trong những lúc cần thiết.
Trở thành một tổ chức dựa trên dữ liệu phụ thuộc vào khả năng rút ra ý nghĩa từ dữ liệu phi cấu trúc. Mặc dù đây là yêu cầu cao đối với nhiều hệ thống y tế, nhưng có một số bước quan trọng mà các tổ chức có thể thực hiện để tiến lên phía trước.
- Tối ưu hóa lưu trữ: Các tổ chức nên xem xét nơi dữ liệu được lưu trữ cũng như cách các mảng lưu trữ đó được đồng bộ hóa và phân phối. Bất cứ thứ gì có thể được di chuyển lên đám mây. Điều này sẽ giải phóng không gian tại chỗ cho dữ liệu mới nhất và có liên quan.
- Phân loại dữ liệu: Dữ liệu nên được cấu trúc thành các nhóm dựa trên cách dữ liệu sẽ được sử dụng, ai cần truy cập dữ liệu, mức độ bảo mật cần thiết và chính sách bảo mật nào áp dụng cho dữ liệu. Việc xem xét định dạng của dữ liệu và xác định xem trên thực tế, nó có thể được cấu trúc hay không cũng rất quan trọng.
- Mang lại trật tự cho dữ liệu phi cấu trúc: Nếu dữ liệu phi cấu trúc có giá trị lâm sàng hoặc kinh doanh, nó sẽ được hưởng lợi từ quá trình chuẩn hóa nhằm mục đích làm cho dữ liệu trông giống dữ liệu có cấu trúc hơn. Schibell nói: “Với khối lượng dữ liệu khổng lồ này, bạn không thể thực hiện thủ công,” nhưng trí tuệ nhân tạo và xử lý ngôn ngữ tự nhiên có thể giúp ích.
- Tìm ngữ cảnh: Laberge nói: Chỉ riêng NLP là không đủ để chuẩn hóa dữ liệu phi cấu trúc. Một lưu ý lâm sàng có thể bao gồm các từ bệnh tiểu đường, nhưng điều đó không có nghĩa là bệnh nhân bị tiểu đường. Bác sĩ có thể đã ghi lại rằng bệnh nhân không mắc bệnh tiểu đường hoặc cha của bệnh nhân mắc bệnh tiểu đường.
- Mã theo tiêu chuẩn ngành: Sau khi hiểu được ngữ cảnh của dữ liệu, các tổ chức nên mã hóa càng nhiều thông tin càng tốt theo các tiêu chuẩn ngành hiện hành như ICD-10 hoặc SNOMED. Điều này giúp mang lại cấu trúc cho dữ liệu phi cấu trúc, giúp dữ liệu có thể đọc được — và hữu ích — cho các mô hình máy học và phân tích.
- Đưa ra hướng dẫn cho khoa học dữ liệu: Nhiều nhà khoa học dữ liệu không có nền tảng lâm sàng và có thể không biết, chẳng hạn như chẩn đoán bệnh tiểu đường Loại 2 có thể được biểu thị bằng một trong gần hai tá mã ICD-10. Laberge nói, các nhóm lâm sàng nên cung cấp cho các nhóm khoa học dữ liệu hướng dẫn phù hợp trước khi họ đi sâu vào tập dữ liệu.
Cũng như nhiều sáng kiến công nghệ quy mô lớn, bí quyết thành công với dữ liệu phi cấu trúc trong chăm sóc sức khỏe là phạm vi và trường hợp sử dụng được xác định rõ ràng, Laberge nói. Thay vì cố gắng đun sôi đại dương, các tổ chức nên tập trung vào một số liệu kinh doanh chính hoặc lĩnh vực cải tiến có thể định lượng khác.
Laberge nói: “Bạn cần rõ ràng về những gì bạn muốn thu được từ dữ liệu bạn có.
TIẾP THEO: Mở khóa bộ thực hành dữ liệu này để đạt được thành công trên nền tảng dữ liệu hiện đại.
[ad_2]
