5 ví dụ về dữ liệu lớn trong chăm sóc sức khỏe


Bùi Quang Thuận
2 năm trước
Hữu ích 7 Chia sẻ Viết bình luận 0
Đã xem 2026

Chi phí chăm sóc sức khỏe đang thúc đẩy nhu cầu về các ứng dụng chăm sóc sức khỏe dựa trên dữ liệu lớn. Những người ra quyết định công nghệ trong các hệ thống chăm sóc sức khỏe không thể bỏ qua hiệu quả tăng lên, tính kinh tế hấp dẫn và tốc độ đổi mới nhanh chóng hiện có thể được áp dụng để cung cấp và thanh toán cho chăm sóc sức khỏe. Nhiều người đang thấy rằng các tiêu chuẩn và khuyến khích mới cho việc số hóa và chia sẻ dữ liệu chăm sóc sức khỏe - cùng với việc cải thiện và giảm chi phí lưu trữ và xử lý song song trên phần cứng hàng hóa - đang gây ra một cuộc cách mạng dữ liệu lớn trong chăm sóc sức khỏe với mục tiêu chăm sóc tốt hơn với chi phí thấp hơn.

Ngành công nghiệp chăm sóc sức khỏe có thể được hưởng lợi rất nhiều từ việc sử dụng các công nghệ phân tích tiên tiến và dữ liệu lớn. Trong bài đăng này, chúng tôi sẽ xem xét năm ví dụ sản xuất dữ liệu lớn trong chăm sóc sức khỏe.

1. Valence Health: Cải thiện kết quả và bồi hoàn

Valence Health đang sử dụng Nền tảng dữ liệu hội tụ MapR để xây dựng một hồ dữ liệu là kho lưu trữ dữ liệu chính của công ty. Valence tiêu thụ 3.000 nguồn cấp dữ liệu trong nước với 45 loại dữ liệu khác nhau hàng ngày. Dữ liệu quan trọng này bao gồm kết quả xét nghiệm trong phòng thí nghiệm, hồ sơ sức khỏe bệnh nhân, đơn thuốc, chủng ngừa, lợi ích nhà thuốc, yêu cầu và thanh toán, và yêu cầu từ bác sĩ và bệnh viện, được sử dụng để thông báo quyết định cải thiện cả kết quả chăm sóc sức khỏe và bồi hoàn. Tăng trưởng khách hàng nhanh chóng của công ty và khối lượng dữ liệu ngày càng tăng liên quan đang làm căng cơ sở hạ tầng công nghệ hiện có.

Trước giải pháp MapR của họ, nếu họ nhận được nguồn cấp dữ liệu với 20 triệu hồ sơ phòng thí nghiệm, sẽ mất 22 giờ để xử lý dữ liệu đó. MapR giảm thời gian chu kỳ xuống từ 22 giờ xuống còn 20 phút, chạy trên phần cứng ít hơn nhiều. Valence Health hiện cũng có thể đáp ứng các yêu cầu của khách hàng rất khó giải quyết trong quá khứ. Ví dụ, một khách hàng có thể gọi và nói, tôi đã gửi cho bạn một tệp không chính xác ba tháng trước và tôi cần bạn lấy tệp đó ra. Hồi giải pháp cơ sở dữ liệu truyền thống của họ có thể mất ba đến bốn tuần để xóa dữ liệu đó. Ảnh chụp nhanh MapR cung cấp khả năng phục hồi tại thời điểm cho phép Valence quay lại và xóa tệp đó trong vài phút.

2. UnitedHealthcare: Gian lận, Lãng phí và Lạm dụng

UnitedHealthcare cung cấp các lợi ích và dịch vụ y tế cho gần 51 triệu người. Công ty ký hợp đồng với hơn 850.000 bác sĩ và chuyên gia chăm sóc và khoảng 6.100 bệnh viện trên toàn quốc. Nhóm Liêm chính thanh toán của họ có công việc khó khăn là đảm bảo rằng các khiếu nại được thanh toán chính xác và đúng hạn. Cách tiếp cận trước đây của họ để quản lý hơn một triệu khiếu nại mỗi ngày (10 TB dữ liệu hàng ngày) là đặc biệt, dựa trên quy tắc và bị giới hạn bởi các silo dữ liệu và môi trường dữ liệu bị phân mảnh. UnitedHealthcare đã đưa ra một chiến lược mô hình kép độc đáo, có nghĩa là tập trung vào việc vận hành tiết kiệm, đồng thời theo đuổi sự đổi mới để không ngừng tận dụng các công nghệ mới nhất.

Đây là cách họ đang thực hiện: Về mặt vận hành tiết kiệm, nhóm đang xây dựng một phân tích dự đoán, nhà máy, nơi họ có thể xác định các yêu cầu không chính xác theo cách có thể lặp lại có hệ thống. Hadoop hiện là khung dữ liệu cho một nền tảng duy nhất được trang bị các công cụ để phân tích hàng loạt thông tin từ khiếu nại, đơn thuốc, người tham gia chương trình, nhà cung cấp dịch vụ chăm sóc theo hợp đồng và kết quả xem xét khiếu nại liên quan.

Họ đã tích hợp tất cả dữ liệu này từ nhiều silo dữ liệu trên toàn doanh nghiệp, bao gồm hơn 36 tài sản dữ liệu. Và hiện tại họ có nhiều mô hình dự đoán (PCR, True Fraud, Ayasdi, v.v.) trong tầm tay cung cấp một danh sách xếp hạng các nhà cung cấp có khả năng gian lận mà họ có thể theo đuổi theo cách có mục tiêu, có hệ thống.

3. Liason Technologies: Hệ thống phát trực tiếp hồ sơ chăm sóc sức khỏe

Liaison Technologies cung cấp các giải pháp dựa trên đám mây để giúp các tổ chức tích hợp, quản lý và bảo mật dữ liệu trên toàn doanh nghiệp. Một giải pháp theo chiều dọc mà họ cung cấp là cho ngành khoa học chăm sóc sức khỏe và khoa học đời sống, đi kèm với hai thách thức - đáp ứng các yêu cầu tuân thủ HIPAA và phổ biến các định dạng và biểu diễn dữ liệu. Với MapR Streams, phần dòng dữ liệu của thử thách tuân thủ được giải quyết vì luồng trở thành một hệ thống bản ghi bằng cách là một bản ghi vô hạn, bất biến của mỗi thay đổi dữ liệu. Để minh họa cho thách thức sau, hồ sơ bệnh nhân có thể được sử dụng theo nhiều cách khác nhau - biểu diễn tài liệu, biểu diễn hoặc tìm kiếm - bởi những người dùng khác nhau như các công ty dược phẩm, bệnh viện, phòng khám và bác sĩ. Bằng cách truyền dữ liệu thay đổi theo thời gian thực vào tài liệu JSON của MapR-DB, HBase, MapR-DB, biểu đồ và cơ sở dữ liệu tìm kiếm, người dùng luôn có chế độ xem dữ liệu cập nhật nhất ở định dạng phù hợp nhất. Hơn nữa, bằng cách triển khai dịch vụ này trên Nền tảng dữ liệu hội tụ MapR, Liaison có thể bảo mật tất cả các thành phần dữ liệu cùng nhau, tránh các silo dữ liệu và bảo mật mà các giải pháp thay thế yêu cầu.

4. Bộ gen của Novartis

Trình tự thế hệ tiếp theo (NGS) là một ứng dụng dữ liệu lớn cổ điển, liên quan đến thách thức kép của một lượng lớn dữ liệu không đồng nhất thô và thực tế là các thực tiễn tốt nhất trong nghiên cứu NGS là mục tiêu di chuyển tích cực. Ngoài ra, phần lớn các nghiên cứu tiên tiến đòi hỏi sự tương tác mạnh mẽ với dữ liệu đa dạng từ các tổ chức bên ngoài. Nó đòi hỏi các công cụ quy trình công việc đủ mạnh để xử lý lượng lớn dữ liệu NGS thô nhưng đủ linh hoạt để theo kịp các kỹ thuật nghiên cứu thay đổi nhanh chóng. Nó cũng đòi hỏi một cách có ý nghĩa để tích hợp dữ liệu từ Novartis với dữ liệu từ các tổ chức bên ngoài lớn này - chẳng hạn như 1000 Genome, GTEx của NIH (Biểu hiện kiểu gen) và TCGA (Atlas Genome Atlas) - đặc biệt chú ý đến lâm sàng, kiểu hình thử nghiệm và dữ liệu liên quan khác.

Nhóm Novartis đã chọn Hadoop và Apache Spark để xây dựng một hệ thống quy trình công việc cho phép họ tích hợp, xử lý và phân tích dữ liệu đa dạng cho nghiên cứu Trình tự thế hệ tiếp theo (NGS) trong khi đáp ứng các tiến bộ trong tài liệu khoa học.

5. Khởi nghiệp chăm sóc sức khỏe IoT: Làm việc để phân loại tình trạng tim nhanh hơn

Quá trình phân tích nhịp tim hiện tại là chậm và phân loại được thực hiện thủ công. Họ tải lên hàng loạt từ các thiết bị vào các máy phần mềm phân tích để các nhà phân tích y tế xem xét dữ liệu phân loại và sau đó gửi báo cáo cho các bác sĩ và bệnh viện sau đó đưa ra quyết định y tế về bệnh nhân. Quá trình này mất hơn 24 giờ - một độ trễ dài trước khi các bác sĩ có thể truy cập dữ liệu của bệnh nhân, làm tăng nguy cơ cấp cứu y tế.

Với MapR-FS, Telemed giờ đây sẽ có thể nhập dữ liệu từ nhiều thiết bị y tế khác nhau trực tiếp qua NFS vào cụm của họ để hiểu sâu hơn về bệnh nhân theo thời gian thực. Giải pháp này cần có tính sẵn sàng cao và cũng cung cấp nhiều hợp đồng thuê nhà (do HIPAA) khi họ bắt đầu lưu trữ dữ liệu bệnh nhân khác nhau của bệnh viện và dữ liệu của công ty thiết bị y tế. Có thể phân đoạn dữ liệu đó theo khách hàng của họ là thực sự quan trọng.

Với sự trợ giúp của MapR Professional Services, họ đã có thể xây dựng một giải pháp để hoàn thành hạn chót xem xét HIPAA vào ngày 18 tháng 7 và cung cấp một kiến ​​trúc phù hợp với tất cả các yêu cầu về HA, đa thuê nhà và hiểu biết thời gian thực. Giám đốc điều hành đã hoàn thành yêu cầu và thời hạn của mình cho các nhà đầu tư của mình và công ty sẽ đi đúng hướng để bắt đầu bán các giải pháp SaaS của họ trong quý 3.

Phần kết luận

Cải thiện kết quả của bệnh nhân với chi phí tương đương hoặc thậm chí ít hơn là một yêu cầu cực kỳ cao đối với bất kỳ nhà cung cấp dịch vụ chăm sóc sức khỏe nào, do chi phí chung cho việc chăm sóc sức khỏe đang tăng ở Mỹ với mức 15% cao. Chuyển đổi kỹ thuật số toàn diện là chìa khóa để biến mục tiêu này thành hiện thực, với số hóa, truyền thông nâng cao và phân tích dữ liệu lớn là đôi chân để hỗ trợ nỗ lực chuyển đổi. Nhiều trường hợp sử dụng mới nổi cho các phân tích dữ liệu lớn gắn chặt với khả năng của các giải pháp dựa trên Hadoop để thu thập và lưu trữ số lượng lớn dữ liệu khác nhau - có cấu trúc và không cấu trúc - từ bất kỳ nguồn nào và trình bày nó để phân tích chuyên sâu.

Khi chọn một nền tảng dữ liệu lớn và đặc biệt là phân phối Hadoop, hãy chắc chắn rằng nền tảng này rất thành thạo trong việc xử lý hỗn hợp các loại dữ liệu trong chăm sóc sức khỏe thường được đặt trong các silo, với dữ liệu lâm sàng trong một silo, dữ liệu dược phẩm khác vật tư bệnh viện trong khác. Nền tảng này phải đủ linh hoạt để người chăm sóc có thể sử dụng dữ liệu phức tạp như ghi chú của bác sĩ và tệp hình ảnh để phân tích bệnh nhân thực sự, không chỉ để lưu trữ.

Hữu ích 7 Chia sẻ Viết bình luận 0
Đã xem 2026