کاربرد داده کاوی در مدیریت داده های بزرگ در حوزه اطلاعات سلامت با استفاده از الگوریتم CRISP-DM

کاربرد داده کاوی در مدیریت داده های بزرگ در حوزه اطلاعات سلامت با استفاده از الگوریتم CRISP-DM


  • 627 بازدید

 آکادمی داده  که به زودی پنجمین سال فعالیت خود را جشن می گیرد سالهاست به دنبال ایجاد محتوای مفید برای علاقه مندان علوم داده‌کاوی، متن کاوی و علوم مرتبط با علم داده، مدیریت دانش، هوش تجاری و مباحث مرتبط است.  آکادمی داده  امیدوار است با این اقدامات بتواند اثری هر چند اندک در افزایش آگاهی علاقه مندان به این حوزه ها داشته باشد. در این سری مقالات  آکادمی داده  تلاش دارد مقالات جالب، جدید، پر محتوا و اثرگزار را در علوم داده‌کاوی، متن کاوی، مدیریت دانش، هوش تجاری و مباحث مرتبط ارایه نماید. در این سری مقالات ابتدا مقدمه و سپس نتیجه گیری مقالات ارایه شده است و سپس‌ فایل پی دی اف مقاله برای دانلود رایگان علاقه مندان توسط  آکادمی داده تهیه شده و قابل دانلود است.

چکیده:
هدف: داده کاوی یکی از راه های تحلیل و استفاده از اطلاعات است که با استفاده از روش های تخصصی آماری و منطقی به تحلیل داده های بزرگ مقیاس می پردازد و به سازمانها در اخذ تصمیم های کلان کمک می کند. پژوهش حاضر با هدف شناسایی مهم ترین کاربردهای داده کاوی در حوزه مدیریت داده های بزرگ در حوزه اطلاعات سلامت می باشد.
روش شناسی: در پژوهش حاضر جهت شناسایی کاربردهای داده کاوی علاوه بر مطالعات کتابخانه ای با تحلیل و بررسی کاربردهای داده کاوی در حوزه های بانکداری، مدیریت ریسک، مدیریت تجارت و آمار و کاربردهای داده کاوی در حوزه سلامت و خدمات درمانی نیز ارائه می شود.
یافته ها: يافته ها نشان داد داده کاوی در بخش های مختلفی از حوزه تحلیل و مدیریت داده ها از جمله جست وجوی اطلاعات فراهم آوری، مدیریت و خدمات درمانی، جمع آوری اطلاعات مراجعان به مراکز درمانی، حفظ وفاداری مراجعان، تشخیص و پیش بینی بیماری ها، تحلیل دارو درمانی بیماران و رتبه بندی بیمارستان ها و مراکز درمانی کاربرد دارد، همچنین مشخص شد که از داده های بخش سلامت و داده های هزینه ای جهت بهتر شدن عملکرد مراکز سلامت و بیشتر شدن هزینه سودمندی مراکز درمانی میتوان بهره برد. 
در كل هدف از بکارگیری داده کاوی در حوزه سلامت ، جایگزینی آن با متخصصین و محققین این حوزه نیست، بلکه بعنوان مکمل آنها در جهت افزایش دقت ، کارایی و کاهش هزینه ها و زمان رسیدن به نتایج و دانش مورد نظر می باشد.
نتیجه گیری 
کاربردهای داده کاوی در حوزه مدیریت داده در حوزه اطلاعات سلامت و مراکز درمانی بیشتر مختص به بخش های تشخیص بیماری ، و مدیریت هزینه ها است. اما می تواند در سایر بخش ها نیز از داده کاوی برای تحلیل داده های موجود در راستای دستیابی هر چه بهتر به اهداف حوزه سلامت استفاده کرد. 
حوزه پزشکی و سلامت از بخش های مهم در جوامع امروزی می باشد . استخراج دانش از میان حجم انبوه داده های مرتبط با سوابق بیماری و پرونده های پزشکی افراد با استفاده از فرآیند داده کاوی می تواند منجر به شناسایی قوانین حاکم بر ایجاد، رشد و تسری بیماری ها گردیده و اطلاعات ارزشمندی را به منظور شناسایی علل رخداد بیماری های | تشخیص، پیش بینی و درمان بیماری ها با توجه به عوامل محیطی حاکم در اختیار متخصصین و دست اندرکاران حوزه سلامت قرار دهد و نتیجه این مساله به معنای افزایش عمر و ایجاد آرامش برای افراد جامعه است.
امروزه تولید داده های بزرگ ، بخشی از فرآیند درمان در حوزه سلامت و پزشکی شده است و از طرفی یک نمونه مورد بررسی در این حوزه شامل تعداد زیادی متغیر می باشد که این خود در افزایش حجم اطلاعات نقش عمده ای دارد . افزایش حجم داده های حوزه سلامت از یک سو و نیاز روز افزون به افزایش فهم و دانش در حوزه های مختلف سلامت و درمانی از جمله بیولوژی، بیوشیمی، پاتولوژی، روانشناسی و موارد مشابه باعث شده است که داده کاوی بتواند کاربرد فراوانی در حوزه اطلاعات سلامت و درمانی داشته باشد. 
الگوریتم های استفاده شده در تکنیک های داده کاوی سعی میکنند که نزدیکترین مدل به ویژگی های داده های مورد نظر را پیدا و ارائه نمایند . مدل ها می توانند پیشگویانه با توصیفی باشند . مدل های پیشگویانه برای اهداف پیشگویی مثلا تشخیص یک بیماری خاص استفاده می شوند. درمان یک بیماری ممکن است فقط بر اساس پیشینه و وضعیت آن بیمار خاص نباشد و نتایج حاصل از درمان سایر بیماران با علائم مشایه نیز مورد توجه قرار گیرد در این روش ها تعیین وضعیت داده های آینده، بر مبنای مقادیر گذشته و فعلی بیمار صورت می گیرد مدل های توصیفی برای شناسایی الگوها در داده ها استفاده می شوند. کلاسه بندی، رگرسیون و تحلیل سری های زمانی معروف ترین روشها در مدل پیشگویی بوده و خوشه بندی ، قوانین وابستگی و مصور سازی معروفترین روش های مدل توصیفی می باشند.
در این مقاله کاربردهای داده کاوی در حوزه مدیریت سلامت و خدمات بهداشتی و درمانی مانند پیش بینی بیماری و مدیریت ارتباط با مشتری بررسی شد و برخی از محدودیت های داده کاوی در حوزه سلامت مانند ناهگونی و حجیم بودن داده ها و محرمانگی داده ها و راهکار های رفع یا کنترل بهینه آنها مطرح گردید. همچنین تکنیک های مفید و الگوریتم های مناسب در حوزه داده کاوی اطلاعات سلامت بیان شد.
در كل هدف از بکارگیری داده کاوی در حوزه سلامت ، جایگزینی آن با متخصصین و محققین این حوزه نیست. بلکه بعنوان مکمل آنها در جهت افزایش دقت ، کارایی و کاهش هزینه ها و زمان رسیدن به نتایج و دانش مورد نظر می باشد.

این مقاله توسط آکادمی داده تهیه شده است و از طریق لینک قابل دسترسی است. محققین علاقه مند می توانند آن را به صورت رایگان دریافت نمایند. 

اگر در حال پژوهش در حوزه داده کاوی هستید، سوالات و اشکالات خود را از طریق تلگرام با آکادمی داده در میان بگذارید. با عضو شدن در کانال تلگرام  آکادمی داده از مقالات جدید و دیتاست های منتشر شده مطلع شوید. 

مجموعه مقالات فارسی در مورد کلان داده و بیگ دیتا که شامل صد 100 مقاله فارسی در مورد الگوریتم ها و روش های کلان داده و بیگ دیتا است به صورت یکجا نیز از طریق لینک قابل دسترسی هستند. 

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/dataacademyحضور دارد برای ارتباط از طریق ایمیل آدرس جیمیل: dataacademyir@gmail.com می باشد.