As imagens subconscientes dos cientistas e analistas de dados de saúde no trabalho envolvem planilhas bem organizadas, algoritmos, linguagens de programação que processam dados e ferramentas de visualização que produzem gráficos e tabelas coloridos. e semelhantes. No entanto, isso está longe da realidade.
Na realidade, os cientistas de dados lidam diariamente com um elemento: dados não estruturados. O boom do big data influenciou imensamente o setor de saúde. Os relatórios revelam que os avanços técnicos em termos de equipamentos clínicos, dispositivos vestíveis, Registros Eletrônicos de Saúde (EHR)e muito mais resultaram em enormes volumes de geração de dados.
Na verdade, as estatísticas revelam que o setor da saúde é responsável por quase 30% de todo o volume de dados gerado. Além disso, em média, um único hospital produz mais de 50 petabytes de dados todos os anos. No entanto, o problema é que mais de 80% dos dados gerados não são estruturados.
O que é e como afeta a tomada de decisões baseada em dados, as revoluções revolucionárias e a P&D e a inovação em saúde? Descobriremos neste artigo.
Dados estruturados e não estruturados: duas metades da mesma cápsula
Para compreender os dois tipos diferentes de dados, vamos reconhecer que os dados de saúde são gerados sempre que uma ação específica de saúde é realizada. Isso pode ser tão analógico quanto um médico prescrever uma receita em papel ou tão digital e instantâneo quanto um relatório de pressão arterial de um dispositivo vestível.
Todos os dados gerados se enquadram em uma das duas categorias. Agora, vamos compreender o que os dois significam.
Dados estruturados em saúde
Quaisquer dados diretos e bem organizados, facilmente acessíveis e em um formato padronizado constituem dados estruturados. As principais características dos dados estruturados incluem:
- Formatos universais ou uniformes com atribuições adequadas para nome, data, códigos médicos e muito mais
- Interoperabilidade, onde a sua padronização abre caminho para que as partes interessadas da saúde em todo o espectro utilizem esses dados para atender às suas necessidades
- Encontrabilidade e processabilidade para promover a tomada de decisões clínicas, referências, relatórios e muito mais
Exemplos de dados estruturados
| Códigos Clínicos e Médicos | Códigos ICD e CPT, relatórios de resultados de laboratório |
| Informação demográfica | Nome do paciente, idade, data de nascimento, sexo, região e muito mais |
| Medidas físicas e sinais vitais | Altura, peso, frequência cardíaca, temperatura corporal e similares |
| Medicamentos | Medicamentos prescritos, dosagens, horários de administração, alergias e muito mais |
Dados não estruturados em saúde
Qualquer tipo de dado que não esteja disponível em formato padronizado, esteja em local acessível ou não seja processável se enquadra na categoria de dados não estruturados. Infelizmente, na área da saúde, o volume de dados não estruturados gerados supera o seu homólogo.
Se os dados estruturados revelam sintomas, os dados não estruturados trazem à luz o raciocínio subjacente e outras nuances. Para compreender melhor os dados não estruturados, precisamos dar uma olhada nos exemplos do mundo real.
Exemplos de dados não estruturados
| Notas Médicas | Notas médicas off-line, como prescrições registradas por especialistas em saúde. |
| Dados de imagens médicas | Qualquer imagem gerada por dispositivos clínicos, como ressonância magnética, tomografia computadorizada ou scanners de ultrassom |
| Dados audiovisuais | Dados de áudio, vídeo ou transcrição de consultas, entrevistas ou procedimentos cirúrgicos com pacientes |
| Dados gerados pelo paciente | Disponível em conjuntos de dados vestíveis, informações comunicadas oralmente e similares |
| Dados de mídia social e comunicações | Tal como análise de feedback do paciente carregados por pacientes para consulta ou por especialistas em saúde, e-mails trocados, mensagens enviadas e recebidas e similares |
| Dados genéticos | Informações sobre relatórios e análises de DNA de um indivíduo que podem detectar doenças hereditárias |
[Leia também: Resumo de registros médicos de IA: definição, desafios e práticas recomendadas]
Das ações aos insights: como transformar e aproveitar dados não estruturados para auxiliar na tomada de decisões clínicas
A própria tecnologia que atua como fonte de inúmeros tipos de dados não estruturados também nos fornece soluções e técnicas para decifrá-los. Ao utilizar tecnologias emergentes, como Inteligência Artificial (IA), Aprendizado de Máquina (ML) e análises, podemos não apenas organizar esse tipo de dados, mas também entendê-los para obter insights acionáveis.
Vejamos como isso é possível.
Aproveitando o Processamento de Linguagem Natural (PNL) na área da saúde
Como o nome sugere, esta tecnologia permite que os computadores compreendam a linguagem humana e isto inclui as diferentes formas como comunicamos – através da fala, audiovisual, texto e muito mais. Com a ajuda de modelos de aprendizado de máquina, agora podemos processar enormes lotes de dados não estruturados e extrair insights críticos que de outra forma seriam impossíveis.
Em termos simples, a PNL pode não apenas ler e compreender a caligrafia de um médico, mas também processá-la para descobrir aspectos que passam despercebidos também. Além disso, ele também pode analisar horas de conteúdo de vídeo ou áudio e organizar os dados conforme necessário e especificado para leigos trabalharem.
Análise Preditiva em Medicina
Se tivéssemos que destilar a essência do motivo pelo qual implementamos técnicas de ciência de dados, isso se resumiria a três aspectos:
- Entenda os dados para obter resultados indicativos
- Entenda os dados com resultados indicativos e recomende soluções
- Compreender e recomendar soluções e prever no futuro possíveis ocorrências e resultados
Esses três constituem descritivo, prescritivo e preditivo analítica respectivamente.
[Leia também: O que é Anotação de Dados em IA para Saúde? Definição, Técnicas e Casos de Uso]
Na área da saúde, a análise preditiva pode mudar vidas, pois pode apontar para um resultado futuro altamente provável. O uso de aprendizado de máquina na área da saúde permitiu que tais conceitos se tornassem uma realidade básica. Com a análise preditiva, os dados de imagens médicas podem prever com precisão se um tumor benigno pode se transformar em maligno após considerar estilo de vida, idade, dados demográficos e muito mais.
Da mesma forma, através de uma análise precisa de dados genômicos, a análise preditiva pode ajudar a indicar se um indivíduo tem probabilidade de desenvolver diabetes, doenças cardíacas ou Alzheimer. Esta é a análise entre a vida e a morte, pois os especialistas em saúde podem recomendar medicamentos, conscientizar ou sugerir mudanças no estilo de vida para prevenir chances.
Inúmeros caminhos para diagnosticar e tratar doenças se abrem quando compilamos e organizamos dados não estruturados e defini-los com um contexto. Com o uso correto da tecnologia ideal, o processamento também é perfeito.
No entanto, se quiser pular essas etapas e ter dados prontos para processamento para treinar seus algoritmos e soluções de saúde, entre em contato conosco. Oferecemos dados de saúde personalizados e de origem ética para todas as suas necessidades específicas de saúde. Entre em contato conosco hoje.
