เพื่อเรียนรู้การตกปลาในหมู่เกาะข้อมูล

ต่อไปนี้เป็นบทความแขกของ Sujay Jadhav เจ้าหน้าที่บริหารพ่อครัวที่ สุขภาพของ Verana

บริษัท วิทยาศาสตร์เพื่อชีวิตกำลังค้นหาวิธีการปรับปรุงอัตราต่อรองของการค้นหาที่มีราคาแพงซึ่งเป็นงานวิจัยทางคลินิก ทรัพยากรขนาดใหญ่: จำนวนข้อมูลที่เพิ่มขึ้นที่เกิดขึ้นในสเปกตรัมสุขภาพและมีเบาะแสที่อาจเกิดขึ้นชี้ไปที่ความก้าวหน้าของการวิจัย

ข้อมูลเพิ่มเติมในทางทฤษฎีหมายถึงแทร็กมากขึ้น ถ้าเรารวบรวมข้อมูลจำนวนมาก

ในขณะที่องค์กรวิจัยทำเช่นนั้น “Data Lakes” มีบทบาทเพิ่มขึ้นในอุตสาหกรรมวิทยาศาสตร์เพื่อชีวิต วันที่มีความคืบหน้าในเทคโนโลยีคลาวด์ทำงาน Data Lakes เป็นสถานีกลางทำให้การรวบรวมการจัดเก็บและการวิเคราะห์ของข้อมูล petabytes ในรูปแบบดิบดั้งเดิม

แต่หากไม่มีการจัดการข้อมูลที่เหมาะสมและกลยุทธ์ที่สอดคล้องกัน Data Lake สามารถรับ DataSwamp ได้ หวังว่าปลาจะกระโดดลงไปในเรือของคุณไม่ใช่กลยุทธ์ ในการแปลงข้อมูลขนาดใหญ่ให้เป็นข้อมูลเชิงลึกขนาดใหญ่ต้องมีการวิเคราะห์การกระทำ

เพื่อนำสติปัญญาไปยังทะเลสาบ

ซึ่งแตกต่างจากคลังข้อมูล (ซึ่งโดยทั่วไปจะมีข้อมูลที่ประมวลผลและมีโครงสร้าง), Data Lake มีข้อมูลทั้งที่มีโครงสร้างและไม่มีโครงสร้าง สิ่งนี้ช่วยให้องค์กรสามารถรวบรวมข้อมูลที่ไม่สามารถจัดการได้จากแหล่งข้อมูลโลกแห่งความเป็นจริง (RWD) นอกเหนือจากการทดลองทางคลินิกเช่นข้อกำหนดและข้อมูลการเรียกเก็บเงิน, การลงทะเบียนสุขภาพอิเล็กทรอนิกส์ (EHRs), บันทึกทางคลินิก, รังสีวิทยา, การถ่ายภาพและอื่น ๆ

ในขณะที่ Data Lakes มีความสำคัญต่อการจัดการข้อมูลที่หลากหลายนี้ แต่หมู่เกาะข้อมูลจะต้องจับคู่กับข้อมูลธุรกิจเพื่อสร้างข้อมูลเชิงลึกที่มีความหมายจากปริมาณข้อมูลที่แตกต่างกันเพื่อดำเนินการตัดสินใจอย่างมีข้อมูลการดำเนินงานทางคลินิกที่มีประสิทธิภาพและการดูแลผู้ป่วยที่ดีขึ้น

การค้นหาข้อมูลเชิงลึกของแอ็คชั่นนั้นขับเคลื่อนโดยคนฉลาดเท่ากับข้อมูลจริง เพื่อสนับสนุนนักวิจัยวิทยาศาสตร์เพื่อชีวิตต้องการเครื่องมือและเทคนิคการวิเคราะห์ข้อมูลที่ซับซ้อนเพื่อนำทางหมู่เกาะข้อมูลขนาดใหญ่

เครื่องมือพิเศษ: การนำทางไปยังข้อมูลเชิงลึก

ด้วยทรัพยากรที่ถูกต้องนักวิทยาศาสตร์สามารถเริ่มทำความเข้าใจกับ RWD จากการตั้งค่าและแหล่งข้อมูลที่แตกต่างกัน RWD นี้มีความสำคัญอย่างยิ่งต่อการลบช่องโหว่ความรู้จากข้อมูลเกี่ยวกับการศึกษาทางคลินิกเพียงอย่างเดียวและให้ความเข้าใจเกี่ยวกับความก้าวหน้าของโรคประชากรผู้ป่วยที่หลากหลายและผลลัพธ์ของผู้ป่วยระยะยาว

ปัญญาประดิษฐ์ (AI), การเรียนรู้ของเครื่อง (ML) และเทคนิคการประมวลผลภาษาธรรมชาติ (NLP) ได้กลายเป็นเครื่องมือสำคัญในการอำนวยความสะดวกในการดูแลของใบรับรองโลกแห่งความเป็นจริง (RWE) จากข้อมูลที่ไม่มีโครงสร้างจำนวนมากเช่นบันทึกทางคลินิกที่มีอยู่ใน EHRS ในขณะเดียวกัน Tokenization ได้กลายเป็นวิธีแก้ปัญหาที่ถูกต้องในการเชื่อมโยง RWD จากชุดข้อมูลที่แตกต่างกันในขณะที่ปกป้องการรักษาความลับของผู้ป่วยและปฏิบัติตามกฎของข้อมูลสุขภาพ

ในแง่ของความคืบหน้าเหล่านี้สิ่งสำคัญคือต้องจำไว้ว่าโมเดล AI-run นั้นดีพอ ๆ กับข้อมูลที่ขับเคลื่อนพวกเขา พื้นฐานการสร้าง RWE ที่ประสบความสำเร็จจากข้อมูลที่ไม่มีโครงสร้างคือ โดยเจตนาวิธีการทางคลินิก–

ต้องใช้ทีมแพทย์, พยาบาล, สารสนเทศทางคลินิก, นักวิทยาศาสตร์ข้อมูล, นักระบาดวิทยา, ชีวสถิติและวิศวกรที่ทำงานร่วมกันเพื่อดูแลและสร้างมาตรฐานข้อมูลอย่างมีประสิทธิภาพในขณะเดียวกันบริบททางคลินิกดั้งเดิม และข้อมูลที่กลมกลืนกัน (ข้อมูลแบบบูรณาการและไม่มีโครงสร้าง) และแบบจำลองจะต้องได้รับการปรับปรุงอย่างต่อเนื่องเพื่อป้องกันอคติและรักษาความแม่นยำ

ดำเนินการอย่างถูกต้องกระบวนการเหล่านี้สามารถให้นักวิจัยสามารถเข้าถึงชุดข้อมูลที่มีคุณภาพสูงและดูแลสำหรับพื้นที่การรักษาที่บ่งบอกถึงโรคเฉพาะ

เก็บเกี่ยวเก็บเกี่ยว

ภายในรายการดิจิทัลของการเยี่ยมชมแพทย์ผลลัพธ์ในห้องปฏิบัติการและประวัติการรักษาข้อมูลมากมายคือการส่งเสริมการออกแบบและดำเนินการทดลองทางคลินิก

เมื่อนักวิทยาศาสตร์ข้อมูลค้นหาว่าข้อมูลเชิงลึกที่ดีคือและวิธีการสร้างท่อส่งข้อมูลที่แปลงข้อมูลดิบและไม่มีโครงสร้างให้เป็นข้อมูลเชิงลึกทางธุรกิจการใช้ RWD เสนอประโยชน์มากมายสำหรับนักวิจัยทางคลินิกผู้ป่วยและผู้เชี่ยวชาญด้านการดูแลสุขภาพ

โดยการวิเคราะห์ความสำเร็จในการสรรหาบุคลากรในอดีตประชากรผู้ป่วยและภาระโรคนักวิจัยสามารถระบุสถานที่ทดลองทางคลินิกที่มีประสิทธิภาพสูงและการเพิ่มประสิทธิภาพโปรโตคอลความเร็วและทางเลือกของสถานที่ พวกเขาสามารถประเมินเกณฑ์สำหรับการมีสิทธิ์จับคู่ผู้ป่วยที่มีสิทธิ์และรับสมัครผู้เข้าร่วมที่มีศักยภาพสำหรับการทดลองทางคลินิก

สิ่งนี้จะเพิ่มประสิทธิภาพนำไปสู่ระยะเวลาที่สั้นลงและปรับปรุงการเข้าถึงการวิจัยของผู้ป่วย การทดลองที่ขับเคลื่อนด้วยข้อมูลโดย RWD เริ่มต้นด้วยรากฐานที่แข็งแกร่งขึ้นอาจหลีกเลี่ยงการลงทะเบียนที่ไม่สอดคล้องกันผลข้างเคียงที่ไม่คาดคิดและความล่าช้าที่มีราคาแพงซึ่งทำให้เกิดการทดลองแบบดั้งเดิม

RWD ยังช่วยให้นักวิจัยเข้าใจการพัฒนาตามธรรมชาติของโรคเปรียบเทียบประสิทธิภาพของการรักษาที่หลากหลายเรียนรู้วิธีการใช้การรักษาในทางปฏิบัติและได้รับข้อมูลเชิงลึกเกี่ยวกับการใช้ในเชิงพาณิชย์

ล่าสุด คู่มือองค์การอาหารและยา และกรณีการใช้งานที่เพิ่มขึ้นได้เร่งการใช้ RWE มากขึ้นเรื่อย ๆ RWE กำลังหาทางเข้าสู่การส่งกฎระเบียบสำหรับผลิตภัณฑ์ใหม่ ด้วย RWE ผู้สนับสนุนมีข้อมูลที่น่าสนใจและเสริมเพื่อเพิ่มการทดลองควบคุมแบบสุ่ม (RCTs) ที่ช่วยให้พวกเขาเร่งการพัฒนาวิธีการรักษาที่เป็นนวัตกรรมรวมถึงการตรวจจับสิ่งบ่งชี้ใหม่ของการรักษาที่ได้รับการอนุมัติ

การบันทึกข้อมูลทางคลินิกก่อนระหว่างและหลังการศึกษาช่วยให้นักวิจัยได้รับความกว้างและความลึกของข้อมูลมากขึ้น RWD ตอบสนองการขาดความเข้าใจที่ว่าการทดสอบไม่ได้จับ แต่เป็นสิ่งสำคัญสำหรับการทำความเข้าใจผลกระทบของการบำบัดและสามารถปรับปรุงความสามารถในการตีความและความสามารถทั่วไป (เช่นโดยการบรรเทาการขาดข้อมูลหรือการสูญเสียสำหรับการติดตาม) ขยายการติดตามเพิ่มเติมนอกเหนือจากการทดลอง

Data Lakes เป็นแพลตฟอร์มที่มีประสิทธิภาพและยืดหยุ่นสำหรับการจัดเก็บและรักษา RWD จำนวนมากที่เกี่ยวข้องกับการวิจัยที่ทันสมัย ด้วยวิธีการที่มีทักษะและมีสติข้อมูลที่แตกต่างนี้สามารถเปลี่ยนเป็น RWE ผลักดันการตัดสินใจที่ดีขึ้นและปรับปรุงการปฏิบัติด้านสุขภาพ

เกี่ยวกับ Sujay Jadhav

Sujay Jadhav เป็นซีอีโอของ Verana Health ซึ่งเขาช่วยเพิ่มความเร็วในการเติบโตและความยั่งยืนของ บริษัท โดยการส่งเสริมการทดลองทางคลินิกการเสนอข้อมูลแบบบริการข้อมูลการเป็นหุ้นส่วนทางสังคมทางการแพทย์และการเสริมสร้างข้อมูล Sujay เข้าร่วมกับ Verana Health ด้วยประสบการณ์มากกว่า 20 ปีในฐานะผู้อำนวยการที่มีประสบการณ์ผู้ประกอบการและผู้นำธุรกิจระดับโลก เมื่อเร็ว ๆ นี้ Sujay เป็นรองประธานฝ่ายธุรกิจด้านวิทยาศาสตร์สุขภาพที่ Oracle ซึ่งเขาทำงานเป็นทีมผลิตภัณฑ์และวิศวกรรมทั้งหมดขององค์กร ก่อนที่ Oracle Sujay เป็นซีอีโอของแพลตฟอร์มการวิจัยทางคลินิก Skybased Gobalto ซึ่งเขาตรวจสอบการเข้าซื้อกิจการของ บริษัท โดย Oracle Sujay ยังเป็นอดีตผู้อำนวยการ บริษัท เทคโนโลยีวิทยาศาสตร์เพื่อชีวิต Model N ซึ่งเขาช่วยดูแลการเปลี่ยนผ่านไปยัง บริษัท มหาชน Sujay สำเร็จการศึกษาระดับปริญญาโทจากมหาวิทยาลัยฮาร์วาร์ดและปริญญาตรีสาขาเทคนิคอิเล็กทรอนิกส์จากมหาวิทยาลัยเซาท์ออสเตรเลีย

ดูแหล่งที่มา