“Ini adalah gagasan bahwa semua data yang Anda hasilkan melalui interaksi Anda dengan teknologi — apakah itu media sosial atau dengan perangkat — semua remah roti digital itu benar-benar dapat membawa wawasan unik tentang seorang pasien,” Brownstein mengatakan selama ceramahnya di simposium tahunan Institut Harvard untuk Ilmu Komputasi Terapan.
Fenotipe digital pasien dapat diambil dari permintaan pencarian, data lalu lintas internet, dan pengaturan sosial virtual seperti Facebook dan Twitter. Kumpulan data digital seperti ini dapat bertindak sebagai sinyal potensi penyakit menular atau wabah penyakit bawaan makanan. Mereka juga bisa memberikan visibilitas yang lebih luas menjadi penyakit kronis, penyalahgunaan obat dan aktivitas pengalihan obat, di mana obat tidak digunakan oleh orang yang diresepkan.
“Kami selalu mengatakan bahwa kami mengembalikan kesehatan masyarakat ke masyarakat,” katanya.
Membangun fenotipe digital
John Brownstein
Penelitian kesehatan masyarakat yang menganalisis kumpulan data nonklinis seperti ini, bidang studi yang dikenal sebagai komputasi atau epidemiologi digital, Adalah kasus penggunaan data besar. Bagian dari proses fenotip digital adalah untuk menyerap kumpulan data besar “dari sebanyak mungkin sumber yang dapat kami identifikasi atau gores di web,” kata Brownstein, yang juga seorang profesor informatika biomedis di Harvard Medical School.
Data internet nonklinis berasal dari sumber seperti sumber berita dan posting blog; situs media sosial, seperti Twitter, Facebook dan Instagram; serta situs seperti Yelp dan bahkan OpenTable, aplikasi yang digunakan untuk melakukan reservasi di sebuah restoran. Brownstein mengatakan dia juga memanfaatkan data dari sumber tradisional, seperti Catatan medis elektronik.
Kumpulan data internet nonklinis ini tidak hanya memberikan sinyal awal baru tentang peristiwa dan populasi kesehatan masyarakat, tetapi juga memberi peneliti akses ke data dalam skala global, menurut Brownstein. “Anda dapat membayangkan bahwa data yang kami miliki di seluruh pengaturan klinis sangat disempurnakan secara geografis,” katanya.
Setelah data dikumpulkan, alat dikembangkan untuk mengatur data berdasarkan lokasi dan kata kunci, yang kemudian dipetakan ke taksonomi dan digunakan sebagai database terstruktur untuk analisis, menurut Brownstein. Di sinilah Brownstein dan timnya mengandalkan alat pembelajaran mesin untuk memisahkan sinyal potensial dari kebisingan.
Memahami fenotipe digital bukanlah tugas yang mudah. Bagian dari kerumitannya adalah karena orang berbicara tentang obat atau gejalanya dengan cara yang tidak terduga yang tidak sesuai dengan taksonomi medis dan bahkan nonmedis. Contoh fitur yang membuat data sulit diatur termasuk kesalahan ketik, variasi ejaan, kata-kata yang ditemukan, dan tagar.
“Dibutuhkan sejumlah besar kurasi dan pengembangan untuk sampai ke tempat di mana kita dapat mulai mengatur konten ini dan mengambil cara orang berbicara tentang penyakit dan mengkodekannya ke taksonomi yang lebih tradisional,” katanya.
Sistem peringatan dini
Fenotip digital semacam ini telah terbukti berhasil. Brownstein telah membangun alat “pengawasan” kesehatan masyarakat seperti HealthMap, yang diluncurkan pada tahun 2006. Ini adalah sistem kesehatan masyarakat yang menghadap pasien yang ia ciptakan bersama, dan menggunakan data internet seperti kumpulan berita, posting blog, situs web pemerintah, dan data sosial untuk "pemantauan wabah penyakit dan pengawasan real-time dari tren kesehatan masyarakat yang muncul," menurut situsnya.
“Ini adalah sistem pelacakan global yang pada dasarnya mengikat sebanyak mungkin sumber data yang bisa kami akses ke ratusan ribu situs web dan 15 bahasa berbeda,” kata Brownstein. Pada tahun 2014, HealthMap mengambil alih wabah Ebola yang mematikan di Afrika Barat seminggu sebelum pengumuman resmi dibuat. Sinyal peringatan dini datang dari berita tentang "demam berdarah misterius" yang menewaskan delapan orang di Guinea.
Dan, seiring berjalannya waktu, data media sosial dan data internet membantu menghasilkan fenotipe digital yang lebih kuat. Brownstein dan timnya sedang memantau data lalu lintas, misalnya, lonjakan halaman influenza Wikipedia untuk mengukur keadaan kesehatan global. Mereka juga melihat situs seperti OpenTable — pembatalan reservasi bisa menjadi sinyal potensi wabah influenza — dan Yelp, yang mengumpulkan ulasan tentang bisnis dan restoran. “Saya tidak yakin apakah orang mengetahui hal ini, tetapi 10% dari ulasan Yelp terkait dengan keracunan makanan,” katanya.
Faktanya, pengulas sering menyebutkan bahan tertentu yang mereka yakini menyebabkan penyakit tersebut. Ketika Brownstein dan timnya berbagi informasi itu dengan Pusat Pengendalian dan Pencegahan Penyakit (CDC), badan tersebut tidak percaya, katanya. Setelah melakukan analisis sendiri, CDC menemukan bahwa para pengulas ternyata sangat akurat.
“Dari sudut pandang kami, konsumen, pasien jauh lebih pintar daripada yang kami berikan kepada mereka,” kata Brownstein.
- Big data
- perusahaan analitik data besar
- analitik data besar mba
- proses analitik data besar
- alat analisis data besar
- arsitektur data besar
- analitik bisnis data besar
- data besar untuk kesehatan
- siklus hidup data besar
- mesin pencari data besar
- perangkat lunak data besar
- penyimpanan data besar
- data besar konferensi blockchain
- awan data besar
- Cloud Storage
- kecerdasan
- data besar konferensi crypto
- Data Analytics
- batu bata data
- data center
- insinyur data
- ilmu data
- analisis besar ilmu data
- pemrosesan data terdistribusi
- data besar github
- Hadoop
- hadoop data besar
- hadoop percikan
- Sarang lebah
- kafka
- MongoDB
- peramal
- plato
- plato ai
- Kecerdasan Data Plato
- permainan piring
- Data Plato
- permainan plato
- rmdbs
- PencarianCIO
- database kepingan salju
- basis data percikan
- penyimpanan data vr
- zephyrnet.dll
