医疗保健中的数据挖掘

各个部门有效地使用了数据挖掘。它使零售部门能够显示客户的反应，并帮助银行部门预测客户的盈利能力。它为许多类似的行业提供服务，例如制造业，电信，医疗保健，汽车行业，教育等等。

由于电子健康记录的数量呈指数增长，数据挖掘在医疗保健服务方面具有令人难以置信的潜力。以前，医生和医生将患者信息保存在很难保存数据的文件中。新技术的数字化和创新减少了人们的工作量，并使数据易于评估。例如，计算机可以准确地保存大量患者数据，并且可以提高整个数据管理系统的质量。尽管如此，最大的挑战仍然是医疗服务提供商应如何有效过滤所有数据?在这里，数据挖掘已被证明非常有用。

学者们正在利用聚类，分类，决策树，神经网络和时间序列等不同方法来发表研究。但是，医疗保健一直以来都很缓慢，无法将最新研究纳入日常实践。

在医疗保健中挖掘数据的另一种方法：

使数据挖掘超出学术研究规则的最佳过程是三系统方法。实施这三个系统是通过医疗保健中的任何分析计划推动现实世界改善的方式。不幸的是，很少有医疗机构执行这三个系统。

这些是以下三个系统：

分析系统：

分析系统结合了技术和专业知识来积累信息，理解信息并使测量标准化。将临床，患者满意度，财务和其他数据聚合到企业数据仓库(EDW)中是该系统的基础。

内容系统：

内容系统包括标准化知识工作。它将基于证据的最佳实践应用于护理服务。科学家每年都在临床最佳实践方面取得重大发现，但是前面已经提到，将这些发现纳入临床实践需要很长时间。强大的内容系统使组织能够将最新的医学构型快速付诸实践。

部署系统：

部署系统涉及在新的层次结构上驱动变更管理。特别是，它包括实施组结构，以在企业范围内一致地部署最佳实践。它要求进行真正的分层更改，以推动整个组织采用最佳实践。

数据挖掘在医疗保健中的应用：

数据挖掘已被众多行业广泛使用。在医疗保健领域，如今数据挖掘正变得越来越流行。数据挖掘应用程序可以使参与医疗保健行业的各方受益匪浅。例如，数据挖掘可以帮助医疗保健行业进行欺诈检测和滥用，客户关系管理，有效的患者护理以及最佳实践，负担得起的医疗保健服务。医疗保健交易生成的大量数据过于复杂和庞大，无法通过常规方法进行处理和分析。

数据挖掘提供了框架和技术，可将这些数据转换为有用的信息，以用于数据驱动的决策目的。

治疗效果：

数据挖掘应用程序可用于评估医疗效果。数据挖掘可以通过比较和区分病因，症状和治疗方案来传达对哪种行动方案有效的分析。

医疗保健管理：

数据挖掘应用程序可用于识别和跟踪慢性病状态和激励性护理病房的患者，减少住院人数，并支持医疗保健管理。数据挖掘用于分析海量数据集和统计数据，以寻找可能显示出生物恐怖分子袭击的模式。

客户关系管理：

客户和管理人员之间的互动对于任何组织实现业务目标都是至关重要的。客户关系管理是管理通常是零售部门的商业组织和银行及其客户之间的交互的主要方法。同样，在医疗保健领域也很重要。客户互动可能通过呼叫中心，计费部门和门诊服务设置发生。

欺诈和滥用：

数据挖掘欺诈和滥用应用程序可以将重点放在不合适或错误的处方以及欺诈保险和医疗索赔上。

医疗保健中各种疾病的比较分析结果：

各种专家对医疗行业数据挖掘应用程序进行了比较分析。首先，数据挖掘工具用于根据有关医疗保健问题的记录信息来预测结果。利用各种数据挖掘工具来预测不同医疗保健问题中的精度水平。在给定的医疗问题清单中，已经进行了检查和评估。

给定的表中说明了主要的医疗保健问题，特别是在疾病方面和分析结果。疾病是人类的普遍问题。为了分析数据挖掘应用程序对疾病识别的影响，还给出并比较了常规的统计应用方法。

如上图所示，使用上表形成的条形图以及医疗保健问题的准确度百分比。在此条形图中，已区分了各种数据挖掘应用程序的预测准确性级别。

数据挖掘在医疗保健中的优势：

数据框架简化了卫生保健机构的工作流程并使之自动化。医疗机构将数据挖掘集成到数据框架中，可以减少决策工作并提供新的有价值的医学知识。预测模型可为医护人员提供最佳的信息支持和知识。医学中预测数据挖掘的目的是建立一个清晰的预测模型，提供可靠的预测，支持医生改善其诊断和治疗计划过程。数据挖掘的一项重要应用是通过内部指南和反应传达的生物医学信号处理，以提高病情，每当缺乏有关各个子系统之间的联系的知识，以及标准分析方法无效时(通常在这种情况下)非线性关联的情况。

医疗保健数据挖掘中的挑战：

医疗保健数据挖掘中最大的问题之一是原始医疗数据庞大且异构。可以从不同来源收集这些数据。例如，通过与患者的交谈，医生检查和实验室结果。所有这些成分都可以对患者的诊断和治疗产生重大影响。丢失，不正确，不一致的数据(例如从不同数据源以各种格式保存的信息片段)对成功进行数据挖掘构成了重大障碍。

另一个挑战是，医疗保健中几乎所有的诊断和治疗方法都是不准确的，而且容易出错。在这里，针对这些误差的测量考虑了特异性和敏感性的分析。在知识完整性评估问题中，两个主要挑战是：

如何创建有效的算法来区分两个版本(前后)的内容?

挑战在于需要改进有效算法和数据结构，以评估数据集中的知识完整性。

如何创建用于评估特定数据修改对单个模式的统计意义的影响的算法，这些算法是在基本类别的数据挖掘算法的帮助下收集的?

尽管很难为所有数据挖掘算法建立通用度量，但正在创建一种算法，该算法可测量数据值的修改对已发现的模式统计意义的影响。