مسائل و چالش هایی در رابطه با پیاده سازی و بکارگیری داده کاوی در پزشکی وجود دارد که آن را متمایز از داده کاوی در سایر کاربردها می کند. آگاهی از این مسائل باعث بهبود و استفاده صحیح تر از داده کاوی در پزشکی شده و می تواند در جهت پشتیبانی تصمیم گیری ها و جلوگیری از بروز خطا یاری رساند. در ادامه به بررسی یکی از مشکلات چالش برانگیز در عرصه های مختلف داده کاوی پزشکی پرداخته می شود.
در اغلب موارد، طبیعت مجموعه داده های پزشکی پویا می باشد. ممکن است اشیاء و یا خصیصه های جدیدی اضافه شده و برخی نیز حذف گردند و یا اشیاء و خصیصه هایی بجای آنها جانشین شود.
بعنوان مثال نتایج آزمایشات جدید یا تصاویر SPECT برای یک بیمار موجود، جایگزین و یا برای یک بیمار جدید اضافه شوند. در چنین وضعیتی تکنیک های داده کاوی باید قادر باشند در طی زمان تکامل یابند. یعنی دانشی که تاکنون بدست آمده است را بطور کامل بروز نمایند. مشکل اصلی در ارتباط با روش های داده کاوی تکاملی، ادغام کردن دانش جدید بدست آمده از داده های جدید و دانشی که از قبل موجود است، می باشد. عمل ادغام می تواند به سادگی اضافه کردن دانش جدید به دانش موجود باشد ولی در اغلب موارد باید دانش موجود را به منظور حفظ سازگاری اصلاح کرد.
کاربرد داده کاوی در پزشکی، فرصت ها و چالش ها، طهماسبی
اگر به پژوهش در حوزه داده کاوی علاقه مند هستید توصیه می شود حتما مجموعه بی نظیر پانصد مقاله فارسی در زمینه داده کاوی و مجموعه های مشابه آن و مقالات مرتبط با کاربرد داده کاوی در پیش بینی بیماری را تهیه بفرمایید.
اگر در زمینه داده کاوی در حال تحقیق یا پیاده سازی پروژه یا پایان نامه هستید برای گرفتن مشاوره یا دادن سفارش انجام با ما تماس بگیرید. آکادمی داده در تلگرام (https://t.me/dataacademy) حضور دارد برای ارتباط از طریق ایمیل آدرس جیمیل: dataacademyir@gmail.com می باشد.
.
افتخار آکادمی داده، همسفر بودن با شما در راه یادگیری علم داده است.