lundi , décembre 18 2017
Vous êtes ici : Accueil / Actualité / Comment pouvons-nous utiliser les Big Data pour améliorer les résultats des patients?

Comment pouvons-nous utiliser les Big Data pour améliorer les résultats des patients?

big data

 

Avec le volume de données disponibles montant en flèche dans tous les secteurs, la nécessité d’une analyse précise est plus grande que jamais s’impose aux entreprises. Les ordinateurs et les algorithmes ne peuvent traiter et en faire autant. Le besoin des humains pour un aperçu réel et humaniste est de mise.

 

Les dossiers électroniques, réclamations d’assurance-maladie, la surveillance en temps réel par des dispositifs mobiles connectés. Des informations médicales sont générées et réunies aujourd’hui plus que jamais auparavant. C’est une tendance qui devrait se poursuivre.

Avec le vieillissement des populations exerçant une pression croissante sur les services de santé, et les coûts de soins de santé dans le monde entier en hausse, travailler sur la façon de rendre les soins de santé plus efficaces est également une préoccupation de plus en plus pressante.

La question est de savoir comment utiliser ces données pour conduire les résultats de santé les plus efficaces. Nous devons aller au-delà du battage du Big Data pour ses résultats.

Il existe de nombreux défis réglementaires et technologiques à surmonter pour maximiser les avantages de l’analyse de données médicales, des systèmes incompatibles à la vie privée et la propriété intellectuelle des préoccupations. Et si vous en venez à des conclusions erronées, ça pourrait vraiment être une question de vie ou de mort.

Démontrer la valeur réelle de l’analyse des soins de santé sur l’amélioration de l’efficacité et les résultats des patients est essentielle pour gagner ces défis.  C’est aussi l grand souci des gouvernements, les organisations de soins de santé et les patients individuels.

L’analyse des grandes données suffit elles ?

big data2

Bien que l’intelligence artificielle puisse être améliorée, les algorithmes ne peuvent nous emmener que jusqu’à ce niveau du dit progrès. Des portions de code peuvent être en mesure de nous aider à identifier les tendances dans les data (données), mais ils ne sont toujours pas assez intelligents pour tirer les vrais aperçus de leur propre chef.

L’exemple le plus connu est celui des tendances grippales de Google. Quand c’est apparu la première fois, sa capacité à repérer les éclosions de grippe des semaines avant les méthodes traditionnelles, en analysant les requêtes des moteurs de recherche sur les symptômes, a été saluée comme une percée.

Pour la saison grippale 2013, les prévisions de l’outil ont été largement hors de la marque. Pourquoi? L’algorithme n’a pas de distinction entre quelqu’un qui a eu des symptômes et quelqu’un qui demande simplement conseils sur les symptômes. Avec une telle grande quantité de data (données), le volume de fausses data est devenu si grand au point de rendre les conclusions presque dénuée de sens.

La nécessité humaine s’impose aux algorithmes

L’idée derrière les tendances grippales de Google était bonne, mais son approche fondée sur la corrélation a conduit à des idées analytiques qui étaient trop simplistes.

Aujourd’hui, des expériences comme celle-ci contribuent à améliorer des analyses médicales.

La clé est de reconnaître que l’accès aux data (données) et le code intelligent ne suffisent pas. Pour développer véritablement des algorithmes utiles, et d’en tirer un authentique  aperçu des poursuites de leurs analyses, nous avons besoin des êtres humains avec une authentique expertise dans le domaine.

En réunissant des personnes ayant une expertise médicale profonde avec des scientifiques de données et des codeurs, des analyses médicales sont développées non seulement avec des détails sur les symptômes, mais aussi  sur un contexte vital plus large. Cela inclut la progression de la maladie, les interactions médicamenteuses et même comment les maladies peuvent interagir avec d’autres troubles, les maladies et les facteurs de style de vie.

De plus, les analystes humains continueront d’être essentiels dans les conclusions de la machine pour une vérification-sanitaire, repérer des résultats erronés avant qu’ils ne mènent à des décisions mal éclairées. Il ne suffit pas d’obtenir les aides des analystes à seulement au début – ils ont besoin d’être là en cours et à la fin, pour surveiller en permanence les résultats. Non seulement cela rend certain que les analyses fournissent une véritable perspicacité, mais aussi qu’ils peuvent être adaptées à évoluer face à de nouvelles données (data) et des conditions changeantes.

En conclusion, les personnes et la technologie sont de plus en plus en mesure d’extraire un vrai aperçu de la vaste gamme d’informations à leur commande. Alors que les machines aident dans les data – crunching (données-crissement), et peuvent aider à mettre en évidence les tendances potentielles, les humains sont et continueront à prouver l’essentiel pour comprendre ce que les résultats de ces analyses signifient vraiment.

 

Papier réalisé par :

–  Melle Rosana Shareine Njok

– Mr Tarek Abdellatif (519)

590 Total Views 1 Views Today

Les commentaires sont fermés.