THE CONCEPT OF USING BIG DATA TECHNOLOGY IN MODERN MEDICINE


Cite item

Full Text

Abstract

Actual problems of Big Data collection and retrieval in medicine are considered, the role and significance of large data for modern medicine are illustrated based on a review of domestic and foreign works in this area. New concept and structure of large data processing system in medicine is advanced. The main idea of this system is the integration and coherence of theoretical knowledge about man and the environment with knowledge obtained as a result of the experimental data analysis in various diagnostic and prognostic tasks in medicine. The necessity of implementing such a system in the Military Medical Academy Scientific Research Centre is substantiated (2 figs, bibliography: 21 refs).

About the authors

A. V. Yakovlev

S. M. Kirov Military Medical Academy of the Russian Defense Ministry

Saint Petersburg, Russia

K. A. Naydenova

S. M. Kirov Military Medical Academy of the Russian Defense Ministry

Saint Petersburg, Russia

References

  1. Partik B., Schaefer-Prokop С. Digital radiology in chest imaging. In: Hruby W., ed. Digital Evolution in Radiology. Vienna: Springer-Verlag; 2001: 189-203.
  2. Anishchenko V. V., Van’kevich P. E., Kovalev V. A. The use of digital scanning devices and advanced telemedicine and innovative technologies in the diagnosis of lung diseases. Minsk: OIPI NAN Belarusi; 2010. 136. Russian@@Анищенко В. В., Ванькевич П. Е., Ковалев В. А., Куцан Н. В., Лапицкий В. А., Линев В. Н. Применение цифровых сканирующих аппаратов и передовые телемедицинские инновационные технологии в диагностике заболеваний легких. Минск: ОИПИ НАН Беларуси; 2010. 136.
  3. Kovalev V. A. Big data database in medicine: database of X-ray images to meet the challenges of diagnosis, treatment and research. In:Using BIG DATA to optimize business and information technologye. Minsk: BSUIR; 2015: 66-71. Russian@@Ковалев В. А. Большие данные в медицине: база данных рентгеновских изображений для решения задач диагностики, лечения и проведения научных исследований. В сб.: Использование BIG DATA для оптимизации бизнеса и информационных технологий. Минск: БГУИР; 2015: 66-71.
  4. Banerjee S. J., Azharuddin M., Sen D., Savale S., Datta H., Dasgupta A. K., Roy S. Using complex networks towards information retrieval and diagnostics in multidimensional imaging. Scientific Reports. 2015; 5: 1-13. doi: 10.1038/srep17271
  5. Gudfellou Ya., Bendgio I., Kurvil A. Deep Learning. Cambridge: MIT Press; 2017. 652. Russian@@Гудфеллоу Я., Бенджио И., Курвиль А. Глубокое обучение. Кембридж: MIT Press; 2017. 652.
  6. Lavrač N. Machine learning for Data Mining in Medicine. In: Horn W., ed. AIMDM’99, LNAI 1620. Berlin; Heidelberg: Springer-Verlag; 1999: 47-62. Available at: https://link.springer. com/chapter/10.1007/3-540-48720-4_4 (accessed 01.03.2017).
  7. Deo R. K. Machine Learning in Medicine. Circulation. 2015; (20): 1920-1930. Available at: http://circ.ahajournals. org/content/132/20/1920.long (accessed 01.03.2017).
  8. Zagoruyko N. G. Cognitive analysis of data. Novosibirsk: Geo; 2013. 183. Russian@@Загоруйко Н. Г. Когнитивный анализ данных. Новосибирск: Гео; 2013. 183.
  9. Big Data in medicine: current situation and prospects. Available at: https://medaboutme.ru/zdorove/publikacii/ stati/sovety_vracha/big_data_v_meditsine_tekushchaya_ situatsiya_i_perspektivy (accessed 31.05.2017). Russian@@Big Data в медицине: текущая ситуация и перспективы. Доступен по: https://medaboutme.ru/zdorove/publikacii/ stati/sovety_vracha/big_data_v_meditsine_tekushchaya_ situatsiya_i_perspektivy (дата обращения 31.05.2017).
  10. Trifirò G., Sultana J., Bate A. From Big Data to Smart Data for Pharmacovigilance: The Role of Healthcare Databases and Other Emerging Sources. Drag Saf. 2017: Aug 24. doi: 10.1007/s40264-017-0592-4
  11. Uneno Y., Taneishi K., Kanai M., Okamoto K., Yamamoto Y., Yoshioka A., Hiramoto S., Nozaki A., Nishikawa Y., Yamaguchi D., Tomono T., Nakatsui M., Baba M., Morita T., Matsumoto S., Kuroda T., Okuno Y., Muto M. Development & validation of a set of six adaptable prognosis prediction (SAP) models based on time-series real-world big data analysis for patients with cancer receiving chemotherapy: A multicenter case crossover study. PLos One. 2017; 12 (8): e0183291.
  12. Kharat A. T., Singhal S. A peek into the future of radiology using big data applications. Indian J. Radiol. Imaging. 2017; 27 (2): 241-8.
  13. Mikkelsen M., Barker P. B., Bhattacharyya P. K., Brix M. K., Buur P. F., Cecil K. M., Chan K. L., Chen D. Y., Craven A. R., Cuypers K., Dacko M., Duncan N. W., Dydak U., Edmondson D. A., Ende G., Ersland L., Gao F., Greenhouse I., Harris A. D., He N., Heba S., Hoggard N., Hsu T. W., Jansen J. F. A., Kangarlu A., Lange T., Lebel R. M., Li Y., Lin C. E., Liou J. K. Big GABA: Edited MR spectroscopy at 24 research sites. Neuroimage. 2017; 159: 32-45. doi: 10.1016/j.neuroimage
  14. Bekmachev A.Experience of creation and application of mHealth systems based on portable heart-monitor CardioQVARK. DAMDID/RCDL’2016 “Analytics and data management in the areas of dataintensive using. Ershovo; 2016: 247-52. Russian@@Бекмачев А., Садовский С., Сунцова О. Опыт создания и применения mHealth системы на базе портативного кардиомонитора CardioQVARK. DAMDID/RCDL’2016 «Аналитика и управление данными в областях с интенсивным использованием данных». Ершово; 2016: 247-52.
  15. Vinokhodova A. G. The use of “SOPR-monitoring” computer assessing methods for evaluating human work-capacity in the course of space flight factor modelling. Aerospace and Ecological Medicine. 2007; 41 (6): 48-52. Russian@@Виноходова А. Г., Смирнова Т. М., Быстрицкая А. Ф., Крутько В. Н. Использование компьютерных методов оценки «СОПРмониторинг» для оценки работоспособности при моделировании факторов космического полета. Авиакосмическая и экологическая медицина. 2007; 41 (6): 48-52.
  16. Molodchenko A., Khachumov V. Using DTM method for estimation of deviation of care process from care plan. Data Analytics and Management in Data Intensive Domains (DAMDID/RCDL’2016): Proceedings of the XVIII International Conference. Ershovo, 2016: 242-6. Available at: http:// ceur-ws.org/Vol-1752/ (accessed 03.10.17).
  17. Davenport T. H., Harris J. G. Competing on Analytics: The New Science of Winning. Boston, Mass.: Harvard Business School Press; 2007.
  18. Yakovlev A. V. Business Intelligence in Corporate Governance and Business Processes Management. In: Diagnostic test approaches to machine learning and commonsense reasoning systems. Naidenova X., Ignatov D., eds. N. Y.: IGI Global; 2013: 249-69.
  19. Yakovlev A. Ontology as a tool for systematizing knowledge about measuring equipment to monitor the functional state of soldiers. In: Actual problems of protection and safety. Vol. 7. P. 1. 2016: 400-3. Russian@@Яковлев А., Найденова К. Онтология как инструмент систематизации знаний об измерительной аппаратуре для мониторинга функционального состояния организма военнослужащих. В сб.: Актуальные проблемы защиты и безопасности. Т. 7. Ч. 1. 2016: 400-3.
  20. Naidenova Х. A., Ivanov V. V., Yakovlev A. V. Discretization features with continuous scales when extracting conceptual knowledge from experimental data. In: “KII-2004”. Vol. 1. Moscow: Fizmatlit; Tver: TGTU Publ.; 2004: 145-153. Russian@@Найденова К. А., Иванов В. В., Яковлев А. В. Дискретизация признаков с непрерывными шкалами при извлечении концептуальных знаний из экспериментальных данных. В сб.: «КИИ-2004». Т. 1. М.: Физматлит; Тверь: Изд-во ТГТУ; 2004: 145-53.
  21. Naidenova Х. A., Ivanov V. V., Yakovlev A. V. Discretization of Numerical Attributes and Extraction of Concept Knowledge from Data. In: Advances in Data Mining and Knowledge Discovery: Abstracts of Conference “Mathematical Methods for Learning”. Italy: Como; 2004: 54.

Supplementary files

Supplementary Files
Action
1. JATS XML
Download

Copyright (c) 2018 Yakovlev A.V., Naydenova K.A.

Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».