Comment intégrer le Big Data - les mannequins

Le simple accès aux sources de données volumineuses ne suffit pas. Vous devrez intégrer ces sources. Bientôt, il y aura des pétaoctets de données et des centaines de mécanismes d'accès parmi lesquels vous pourrez choisir. Mais quels flux et quels types de données avez-vous besoin?

• Comprendre le problème que vous essayez de résoudre

• Identifier les processus impliqués

• Identifier les informations requises pour résoudre le problème

• Rassemblez les données, traitez-les et analysez les résultats

Ce processus peut vous sembler familier, car les entreprises font une variante de cet algorithme depuis des décennies. Le Big Data est-il différent? Oui, même si les entreprises traitent de grandes quantités de données opérationnelles depuis des années, les mégadonnées introduisent de nouveaux types de données dans la vie professionnelle et personnelle des personnes.

Les flux Twitter, les messages Facebook, les données de capteurs, les données RFID, les journaux de sécurité, les données vidéo et bien d'autres nouvelles sources d'informations émergent presque quotidiennement. À mesure que ces sources de données volumineuses émergent et s'étendent, les gens essaient de trouver des moyens d'utiliser ces données pour mieux servir les clients, les partenaires et les fournisseurs. Les organisations cherchent des moyens d'utiliser ces données pour prédire l'avenir et prendre de meilleures mesures.

La santé est aujourd'hui l'un des domaines d'investissement les plus importants et les plus complexes. C'est également un domaine qui produit de plus en plus de données sous plus de formes que la plupart des industries. Par conséquent, les soins de santé bénéficieront grandement des nouvelles formes de big data. Les fournisseurs de soins de santé, les assureurs, les chercheurs et les professionnels de la santé prennent souvent des décisions sur les options de traitement avec des données incomplètes ou non pertinentes pour des maladies spécifiques.

Une partie de la raison de cette disparité est qu'il est très difficile de rassembler et de traiter efficacement les données pour chaque patient. Les éléments de données sont souvent stockés et gérés à différents endroits par différentes organisations. En outre, la recherche clinique menée partout dans le monde peut être utile pour déterminer le contexte dans lequel une maladie ou une maladie spécifique pourrait être abordée et gérée.

Appliquer l'algorithme à un scénario standard de soins de santé:

1. Comprendre le problème que nous essayons de résoudre:

   • Besoin de traiter un patient avec un type de cancer spécifique

2. Identifier les processus impliqués:

   • Diagnostic et dépistage

   • Analyse des résultats incluant la recherche des options de traitement

   • Définition du protocole de traitement

   • Surveiller le patient et ajuster le traitement au besoin

3. Identifier les informations nécessaires pour résoudre le problème:

   • Antécédents du patient

   • Sang, tissu, résultats de test, etc.

   • Résultats statistiques des options de traitement

4. Recueillir les données, les traiter et analyser les résultats:

   • Commencer le traitement

   • Surveiller le patient et ajuster le traitement au besoin

     

C'est ainsi que les praticiens médicaux travaillent avec les patients aujourd'hui.La plupart des données sont locales à un réseau de soins de santé, et les médecins ont peu de temps pour sortir du réseau pour trouver les dernières informations ou pratiques.