Osasunari buruzko informazioa analisirako prest

Proiektuaren ardatza adimen artifizialeko teknikak aplikatzea da, hala nola machine learning, osasunaren arloan, eta arlo horretan gero eta eragin handiagoa du, 2018an PubMeden 1.000 argitalpen baino gehiago egon izanak erakusten duen bezala.
Hala ere, teknika horien zehaztasuna hiru faktoreren araberakoa da nagusiki: eskuragarri dauden datuen kantitatea, datuen kalitatea eta informazioaren pribatutasuna.
Datuak eskuragarri izateko, teknika horiek bolumen handiak biltegiratzeko eta prozesatzeko gai diren Big Data arkitekturetan integratu behar dira, baita dataset sintetikoak sortu ere, benetako informazio nahikorik ez dagoenean.
Datuen kalitatea kritikoa da analisirako, akatsek edo informazio osatugabeak kostu ekonomiko esanguratsuak eragin baititzakete eta zuzenean eragin baitiezaiokete biztanleriaren osasunari.
Ikerketek erakusten dutenez, AEBetako biztanleriaren ehuneko handi batek akats medikoak izan ditu, eta diagnostiko okerrak dira kausarik ohikoenak.
Datuen kalitatea hobetzea, beraz, zeregin kritikoa, errepikakorra eta garestia da, eta datu-analista baten ahaleginaren zatirik handiena da.
Berriki egindako inkestek baieztatu dute hori dela oraindik ere osasun arloko datuen analitikako proiektuen arazo nagusia.
Proiektuak arazo horiei heltzen die osasun datuen integrazioa, garbiketa eta ustiapena optimizatuko duten metodologiak eta tresnak garatuz, eredu prediktiboetan zehaztasuna eta fidagarritasuna bermatuz.
Emaitzek osasun sistemen eraginkortasuna hobetzea, akats medikoak murriztea eta osasunari aplikatutako adimen artifizialeko ikerketarako euskarri sendoa ematea espero da.