PMGR: Аналитика больших данных и их применение в общественном здравоохранении - Аудио Описание

Введение в гранд-тур по профилактической медицине

0:00

Антонио Нери из отдела научного образования и повышения квалификации выступает на открытии гранд-тура по профилактической медицине.
Программа гранд-тура спонсируется центром по профилактической медицине и стипендиальной программой, а также бюро по управлению ресурсами и услугами здравоохранения.
Программа предназначена для врачей, ветеринаров и медсестер, имеющих опыт работы в сфере здравоохранения.

Презентация по анализу больших данных

4:15

Джульетта Адеола, Алисия Клейна и Рауль Сегура представляют аналитику больших данных и их применение в общественном здравоохранении.
Они являются стипендиатами, участвующими в различных программах стипендий, и работают в отделе кадров здравоохранения в центре эпиднадзора, эпидемиологии и лабораторных служб.
Они обсуждают переход от небольших данных к большим, аналитику и инструменты больших данных, варианты использования больших данных и домены, а также стратегии подачи заявок и ресурсы.

Введение в большие данные

8:35

Большие данные - это большие объемы данных, которые генерируются в режиме реального времени из различных источников, таких как машины, люди и организации.
Источники данных включают машинное производство, интернет, социальные сети, медицинские записи и коммерческие транзакции.

Определение больших данных

11:21

Большие данные - это большие объемы неструктурированной или структурированной информации, которые можно связать.
Объем данных измеряется в байтах, гигабайтах, терабайтах и других единицах.

Характеристики больших данных

13:11

Объем - размер огромных объемов данных, генерируемых каждые 2 секунды.
Скорость - скорость, с которой генерируются данные.
Разнообразие - постоянно растущее разнообразие форм данных.
Достоверность - качество данных, включая искажения, шум и аномалии.
Ценность - польза, которую организация получает от анализа данных.

Примеры использования больших данных

17:03

Розничная торговля, средства массовой информации и развлечения, здравоохранение, путешествия, финансы, образование, телекоммуникации.

Анализ больших объемов данных

17:22

Процесс анализа больших массивов данных для выявления полезной информации и принятия решений на основе данных.
Анализ больших данных может принести пользу бизнесу и научному миру, добавляя контекст к данным.

Анализ больших данных

18:24

Видео обсуждает три типа анализа больших данных: описательный, прогнозный и предписывающий.
Описательный анализ фокусируется на том, что происходило в прошлом и что происходит сейчас, на основе поступающих данных.
Прогнозный анализ задает вопрос: "Что произойдет в будущем?" и предсказывает вероятные финансовые показатели клиента.
Предписывающий анализ определяет будущие действия на основе анализа текущих данных и использования передовых алгоритмов для проверки потенциальных результатов каждого решения.

Инструменты анализа больших данных

23:02

Видео обсуждает различные инструменты, которые могут быть использованы для поддержки анализа больших данных, включая хранение данных, параллельную обработку, управление базами данных и анализ данных, визуализацию и управление платформами.
Инструменты включают Hadoop, Spark, SQL, Apache CouchDB, Apache Cassandra, Apache MongoDB, Python, R, Tableau, Power BI и другие.

Применение больших данных в здравоохранении

27:32

Видео обсуждает использование больших объемов данных в здравоохранении, включая прогнозирование состояния здоровья населения, выявление групп высокого риска, руководство осуществлением профилактических мероприятий и предвидение будущих вспышек заболеваний.
Искусственный интеллект используется для анализа необычных симптомов, диагностики случаев заражения, автоматического мониторинга и прогнозирования распространения вируса, разработки лекарств и вакцин, ускорения и повышения эффективности некоторых трудоемких повторяющихся процессов, предоставления обновленной информации для предотвращения распространения заболевания.

Анализ больших данных в области здравоохранения

31:10

В видео обсуждаются две научные статьи, которые применяют методы машинного обучения в области здравоохранения.
Первая статья рассматривает прогнозирование ишемической болезни сердца с использованием комплексного подхода, включающего генетические, эпигенетические и фенотипические данные.
Вторая статья обсуждает использование административных данных для прогнозирования краткосрочной смертности пожилых пациентов.

Результаты исследований

35:17

Интегрированная генетическая и эпигенетическая модель показала лучшие результаты по сравнению с традиционной моделью по точности, чувствительности и способности различать бинарную классификацию.
Методы машинного обучения, использующие административные данные, могут быть полезны для прогнозирования краткосрочной смертности пациентов.

Разработка модели прогнозирования смертности

42:28

Авторы опирались на данные о заявках на участие в программе medicare, включая демографию пациентов, использование медицинских услуг и зарегистрированный диагноз.
В 2010 году они использовали репрезентативную выборку всех получателей платных услуг и сохранили тех, кому было больше 65 лет.
В начале произвольной даты, в данном случае 1 июля 2010 года, были отобраны четыре группы пациентов с различными заболеваниями для изучения того, как прогнозы варьируются в зависимости от ряда основных медицинских патологий и показателей смертности.

Эмпирический анализ и результаты

46:56

Были внедрены такие классификаторы, как наивный байесовский алгоритм, методы опорных векторов, k-ближайших соседей, искусственные нейронные сети, случайные леса и логистическая регрессия.
Площадь под кривой приемника была выбрана в качестве показателя производительности для всех классификаторов.
Результаты показали, что наиболее эффективной моделью был случайный лес с использованием расширенных переменных, а лассо был наиболее эффективным классификатором, использующим традиционные переменные.

Программа bdac

49:34

Программа bdac направлена на укрепление потенциала и технических навыков ученых в области общественного здравоохранения для использования анализа больших данных для решения проблем общественного здравоохранения.
Основные стратегии и мероприятия программы bdac включают разработку учебной программы, сотрудничество между стипендиатами, партнерство с группами cdc, онлайн-ресурсный центр, обучение на основе проектов, техническую помощь и поддерживающий надзор.

Сотрудничество между стипендиатами

53:45

Проект направлен на стимулирование сотрудничества между стипендиатами из разных программ стипендий.
Планируется разработка учебной программы курса, индивидуальных целей курса и вариантов доставки контента.

Применение искусственного интеллекта для борьбы с COVID-19

1:06:14

Искусственный интеллект может быть использован для разработки лекарств и вакцин, отслеживания и разработки вакцин для ускорения процесса тестирования.
Существует большое количество применений искусственного интеллекта и машинного обучения для борьбы с COVID-19.

Репрезентативность данных

1:07:45

Большие данные могут быть репрезентативными, но важно понимать, что они представляют собой.
Необходимо больше данных для обучения и тестирования алгоритмов машинного обучения.

Этика больших данных

1:12:35

Важно получить информированное согласие и политику защиты конфиденциальности данных.
Необходимо усилить защиту прав пациентов и работников при использовании больших данных.

Использование ГИС и больших данных

1:15:19

Большие данные включают сбор данных из разных источников.
ГИС и дистанционное зондирование могут быть использованы для пространственной информации и анализа.

Использование больших данных в коммуникации

1:19:29

Важно иметь актуальные данные и инфраструктуру для обработки данных в режиме реального времени.
Большие данные могут быть полезны для принятия решений в чрезвычайных ситуациях.

Коммуникации и большие объемы данных

1:20:51

Обсуждение важности коммуникаций и больших объемов данных для реагирования на чрезвычайные ситуации.
Использование искусственного интеллекта и аналитики для реагирования на инфекционные заболевания.

Кампании по дезинформации и анализ больших данных

1:22:00

Обсуждение важности анализа больших данных для понимания кампаний по дезинформации.
Необходимость расширения возможностей анализа больших данных в системах здравоохранения.

Доступность данных и аналитические способности

1:26:04

Обсуждение доступности данных и аналитических способностей для анализа больших данных.
Важность сотрудничества и обмена опытом для развития аналитических способностей.

Кривая обучения и облачные вычисления

1:30:30

Обсуждение проблемы обучения и использования облачных вычислений для анализа больших данных.
Необходимость сотрудничества и менторских сессий для развития аналитических способностей.

Благодарность за участие

1:34:04

Участники выражают благодарность за то, что все нашли время выступить на мероприятии.
Упоминается, что следующие грандиозные выступления состоятся 12 января, и они не смогут принять участие в январе.
Участники благодарят Лилиан и Лоуренса за организацию мероприятия.
Участники желают всем здоровья и счастья на праздники.

PMGR: Аналитика больших данных и их применение в общественном здравоохранении - Аудио Описание

Ключевые темы и таймкоды

Введение в гранд-тур по профилактической медицине

Презентация по анализу больших данных

Введение в большие данные

Определение больших данных

Характеристики больших данных

Примеры использования больших данных

Анализ больших объемов данных

Анализ больших данных

Инструменты анализа больших данных

Применение больших данных в здравоохранении

Анализ больших данных в области здравоохранения

Результаты исследований

Разработка модели прогнозирования смертности

Эмпирический анализ и результаты

Программа bdac

Сотрудничество между стипендиатами

Применение искусственного интеллекта для борьбы с COVID-19

Репрезентативность данных

Этика больших данных

Использование ГИС и больших данных

Использование больших данных в коммуникации

Коммуникации и большие объемы данных

Кампании по дезинформации и анализ больших данных

Доступность данных и аналитические способности

Кривая обучения и облачные вычисления

Благодарность за участие