Data sintetik dalam Penjagaan Kesihatan: Definisi, Faedah dan Cabaran

Data sintetik dalam penjagaan kesihatan merujuk kepada data yang dijana secara buatan yang mensimulasikan data kesihatan pesakit sebenar. Jenis data ini dibuat menggunakan algoritma dan model statistik. Ia direka bentuk untuk mencerminkan corak dan ciri kompleks data penjagaan kesihatan sebenar. Namun, ia tidak sepadan dengan mana-mana individu sebenar, dengan itu melindungi privasi pesakit.

Penciptaan data sintetik melibatkan menganalisis set data pesakit sebenar untuk memahami sifat statistiknya. Kemudian, menggunakan cerapan ini, titik data baharu dijana. Ini meniru gelagat statistik data asal tetapi tidak meniru maklumat khusus mana-mana individu.

Data sintetik menjadi semakin penting dalam penjagaan kesihatan. Ia mengimbangi memanfaatkan kuasa data besar dan menghormati kerahsiaan pesakit.

[Baca juga: 22 Set Data Penjagaan Kesihatan Percuma dan Terbuka untuk Pembelajaran Mesin]

Keadaan Data Semasa dalam Penjagaan Kesihatan

Penjagaan kesihatan terus bergelut dengan mengimbangi manfaat data terhadap kebimbangan privasi pesakit. Mendapatkan data penjagaan kesihatan untuk tujuan komersil atau akademik amat mencabar dan memerlukan kos yang tinggi.

Contohnya, mendapatkan kelulusan untuk menggunakan data sistem kesihatan boleh mengambil masa sehingga dua tahun. Mengakses data peringkat pesakit sering menyebabkan kos ratusan ribu, jika tidak lebih, bergantung pada skala projek. Halangan ini sangat menghalang kemajuan dalam bidang ini.

Sektor penjagaan kesihatan berada di peringkat awal kecanggihan dan aplikasi data. Beberapa faktor, termasuk kebimbangan privasi, ketiadaan format data piawai, dan kewujudan silo data, telah menghalang inovasi dan kemajuan. Walau bagaimanapun, senario ini berubah dengan cepat, terutamanya dengan peningkatan teknologi AI generatif.

Walaupun terdapat halangan ini, penggunaan data dalam penjagaan kesihatan semakin meningkat. Platform seperti Snowflake dan AWS sedang berlumba untuk menawarkan alatan yang memanfaatkan potensi data ini. Pertumbuhan pengkomputeran awan memudahkan analisis data yang lebih maju dan mempercepatkan pembangunan produk.

Dalam konteks ini, data sintetik muncul sebagai penyelesaian yang menjanjikan kepada cabaran kebolehcapaian data dalam penjagaan kesihatan.

Bagaimanakah Data Sintetik Digunakan dalam Penjagaan Kesihatan?

Data sintetik ialah revolusi masa kini dalam penjagaan kesihatan, membolehkan organisasi membuat inovasi sambil menghormati sempadan yang ditetapkan oleh keselamatan dan privasi. Oleh kerana ia menyerupai data dunia sebenar, set data sintetik membolehkan penyelidik, pakar klinik dan pembangun mendorong inovasi tanpa halangan oleh kerahsiaan pesakit.

Berikut ialah beberapa kes dunia sebenar yang mudah tentang cara data sintetik mengubah penjagaan kesihatan:

1. Menguji Rawatan Baharu Tanpa Merisikokan Privasi

Bayangkan satu pasukan penyelidik membangunkan rawatan untuk diabetes. Daripada mengakses rekod pesakit yang sulit, mereka menggunakan data sintetik yang meniru ciri pesakit sebenar, seperti umur, paras gula dalam darah dan sejarah perubatan. Mereka dapat membangunkan hipotesis dan memperhalusinya menjadi protokol tentang cara menyesuaikan rawatan sambil mengekalkan kerahsiaan pesakit.

2. Latih AI untuk Diagnosis Lebih Pantas

Fikirkan alat pembelajaran mesin yang direka untuk mengesan kanser paru-paru daripada sinar-X. Imej perubatan sintetik boleh merangkumi banyak senario—menyusun bentuk, saiz dan lokasi tumor dalam apa jua cara yang menyeronokkan yang boleh membantu mesin belajar dengan tepat dalam mengenal pasti kes dengan kanser yang berulang. Ini memudahkan diagnosis sambil mengelak sepenuhnya kebimbangan etika menggunakan imbasan pesakit sebenar.

3. Mengamalkan Pembedahan dalam Realiti Maya

Ramai pelajar perubatan memerlukan latihan praktikal sebelum mereka boleh merawat pesakit sebenar. Data sintetik mencipta keseluruhan transpose interaktif di mana pesakit maya berasaskan data disimulasikan dengan pelbagai sejarah dan keadaan perubatan, sekali gus membolehkan pelajar mengalami pembedahan atau prosedur diagnostik berulang kali dan sangat selamat.

4. Membolehkan Perancangan Kesihatan Awam

Mensimulasikan perjalanan penyakit seperti COVID-19 atau influenza dengan data sintetik adalah penting untuk membolehkan penyelidik pusat gempa memodelkan penyebaran wabak virus melalui kawasan bandar berbanding kawasan luar bandar sambil menganggar dan menguji strategi vaksinasi, sekali gus mengelak kejahilan data populasi yang sensitif.

5. Menguji Peranti Perubatan dengan Selamat

Pertimbangkan sebuah syarikat membangunkan peranti boleh pakai baharu untuk memantau kadar denyutan jantung. Dataset sintetik yang meniru pelbagai jenis kardiopati membolehkan firma menguji peranti mereka di bawah pelbagai senario sebelum memasuki ekonomi.

Cara Data Sintetik Perlu Dihasilkan untuk Penjagaan Kesihatan

Mencipta data sintetik dalam penjagaan kesihatan sememangnya merupakan satu proses yang panjang untuk menarik garis halus antara kepakaran teknikal dan pemahaman yang kukuh tentang sistem penjagaan kesihatan. Untuk memudahkan konsep, beginilah cara penciptaan data sintetik dalam tetapan penjagaan kesihatan boleh ditafsirkan.

1. Fahami Data Sebenar

Organisasi kesihatan memeriksa data pesakit sebenar bermula dengan rekod hospital, keputusan makmal atau butiran ujian klinikal. Sebagai contoh, hospital mungkin menganalisis demografi pesakit, sejarah rawatan dan hasil untuk mencapai beberapa cerapan tentang trend atau corak asas.

2. Menghentikan Pendedahan Data Pesakit dengan Mengalih keluar PII

Selepas itu, demi privasi, set data tidak lagi mengandungi maklumat pengenalan peribadi (PII)-nama, alamat atau nombor Keselamatan Sosial. Anda mungkin mengaitkan ini dengan proses menamakan beberapa nota perubatan, yang, jika dicetak sekarang, tidak akan dapat dikesan kepada individu.

3. Pengenalan Corak Utama

Seorang saintis data menuangkan set data yang telah dibersihkan dan menemui corak dan perkaitan yang membentuk satu lagi blok bangunan utama untuk penyelidikan yang berjaya. Sebagai contoh, mereka mungkin mendapati bahawa ubat-ubatan tertentu biasanya digunakan oleh orang dewasa yang lebih tua yang menghidap diabetes atau kumpulan umur tertentu cenderung mengalami gejala tertentu.

4. Membina Model Menggunakan Corak

Setelah corak ini ditentukan, cerapan membenarkan pembinaan model matematik yang meniru perkaitan statistik yang terdapat dalam data sebenar. Sebagai contoh, jika 30% pesakit dalam set data mempunyai tekanan darah tinggi, kita boleh meneka bahawa data sintetik secara kasar akan mencerminkan keadaan ini dalam perkadaran yang sama.

6. Mengesahkan Data Sintetik

Kemudian set data sintetik dibandingkan dengan data asal supaya ia mengekalkan statistik yang sama yang menentukan sifat dan perhubungan. Contohnya, jika terdapat korelasi bergantung antara obesiti dan penyakit jantung dalam set data asal, perkara yang sama harus wujud untuk set data sintetik ini.

7. Ujian Penggunaan Dunia Sebenar

Akhirnya, data sintetik dikeluarkan untuk ujian dalam pelbagai senario untuk membuat tuntutan bahawa ia boleh digunakan untuk tujuan yang dimaksudkan pada masa itu. Ini termasuk menggunakannya untuk membolehkan penyelidik melatih model AI untuk mendiagnosis penyakit atau mensimulasikan variasi sumber operasi di jabatan kecemasan yang dikaitkan dengan musim selesema.

Cara Mengesahkan Data Sintetik untuk Penjagaan Kesihatan

Pembuat keputusan dalam organisasi mesti meneliti kesahihan data sintetik sebelum aplikasinya dalam penjagaan kesihatan. Paradigma ini digunakan untuk mana-mana dan semua data yang digunakan di bawah protokol kerahsiaan. Berikut ialah cara untuk menilai kesahihan data sintetik:

• Perbandingan dengan Data Sebenar: Data sintetik dibandingkan dengan data sebenar untuk mengesahkan bahawa trend utama yang ditakrifkannya, contohnya, hubungan antara umur dan penyakit, dicerminkan dengan betul. Sebagai contoh, jika 20 peratus pesakit sebenar menghidap diabetes, maka perkadaran yang sama harus ditunjukkan dalam pesakit sintetik.
• Menjalankan Ujian Statistik: Ujian statistik membolehkan kami menguji sama ada data sintetik adalah selaras dengan asal dari segi pengagihan dan korelasi, sekali gus mengesahkan bahawa ia adalah munasabah dan boleh dipercayai untuk analisis.
• Pengesahan pada Tugasan Nyata: Tugas dunia sebenar seperti latihan latihan pada model AI akan digunakan untuk membandingkan sama ada keputusan yang diperoleh daripada latihan data sintetik juga akan menghasilkan hasil yang serupa dengan latihan pada data sebenar.
• Kajian Pakar: Set data sintetik disemak untuk sifat sahih oleh doktor dan pakar penjagaan kesihatan, seperti sejarah dan rawatan standard yang perlu dipenuhi oleh kajian penyelidikan yang realistik.
• Kawalan Privasi di Tempat: Penilaian ini akan memastikan bahawa data sintetik tidak dapat dikesan kembali kepada pesakit sebenar dan akan mengekalkan privasi pesakit sebenar sambil mengelakkan kehilangan kebolehgunaan set data.

[Baca juga: Mengapa Set Data Penjagaan Kesihatan Penting dalam Membentuk Masa Depan AI Perubatan]

Potensi Data Sintetik dalam Penjagaan Kesihatan dan Farmaseutikal

Mengintegrasikan data sintetik dalam penjagaan kesihatan dan farmaseutikal membuka dunia kemungkinan. Pendekatan inovatif ini membentuk semula pelbagai aspek industri. Keupayaan data sintetik untuk mencerminkan set data dunia sebenar sambil mengekalkan privasi merevolusikan pelbagai sektor.

1. Tingkatkan Kebolehcapaian Data Sambil Menjaga Privasi

   Salah satu halangan paling ketara dalam penjagaan kesihatan dan farmasi ialah mengakses data yang luas sambil mematuhi undang-undang privasi. Data sintetik menawarkan penyelesaian terobosan. Ia menyediakan set data yang mengekalkan ciri statistik data sebenar tanpa mendedahkan maklumat peribadi. Kemajuan ini membolehkan penyelidikan dan latihan yang lebih meluas bagi model pembelajaran mesin. Ia memupuk kemajuan dalam rawatan dan pembangunan dadah.

2. Penjagaan Pesakit yang Lebih Baik melalui Analitis Ramalan

   Data sintetik boleh meningkatkan penjagaan pesakit dengan ketara. Model pembelajaran mesin yang dilatih pada data sintetik membantu profesional penjagaan kesihatan meramalkan tindak balas pesakit terhadap rawatan. Kemajuan ini membawa kepada strategi penjagaan yang lebih diperibadikan dan berkesan. Perubatan ketepatan menjadi lebih mudah dicapai untuk meningkatkan keberkesanan rawatan dan hasil pesakit.

3. Perkemas Kos dengan Penggunaan Data Lanjutan

   Menggunakan data sintetik dalam penjagaan kesihatan dan farmaseutikal juga membawa kepada pengurangan kos yang ketara. Ia meminimumkan risiko dan kos yang berkaitan dengan pelanggaran data. Selain itu, keupayaan ramalan yang dipertingkatkan bagi model pembelajaran mesin membantu mengoptimumkan sumber. Kecekapan ini diterjemahkan kepada pengurangan kos penjagaan kesihatan dan operasi yang lebih diperkemas.

4. Ujian dan Pengesahan

   Data sintetik membolehkan ujian selamat dan praktikal bagi teknologi baharu, termasuk sistem rekod kesihatan elektronik dan alat diagnostik. Penyedia penjagaan kesihatan boleh menilai dengan teliti inovasi menggunakan data sintetik tanpa mempertaruhkan privasi pesakit atau keselamatan data. Ia memastikan bahawa penyelesaian baharu adalah cekap dan boleh dipercayai sebelum ia dilaksanakan dalam senario dunia sebenar.

5. Memupuk Inovasi Kolaboratif dalam Penjagaan Kesihatan

   Data sintetik membuka pintu baharu untuk kerjasama dalam penjagaan kesihatan dan penyelidikan farmaseutikal. Organisasi boleh berkongsi set data sintetik dengan rakan kongsi. Ia membolehkan kajian bersama tanpa menjejaskan privasi pesakit. Pendekatan ini membuka jalan untuk perkongsian inovatif. Kerjasama ini mempercepatkan penemuan perubatan dan mewujudkan persekitaran penyelidikan yang lebih dinamik.

Cabaran dengan Data Sintetik

Walaupun data sintetik mempunyai potensi yang besar, ia juga mempunyai cabaran yang perlu anda tangani.