Hayatımızın birçok alanında yer alan Blockhain, Yapay Zeka (AI) ve IoT verileri yeni ilaçlar denemek ve tıbbi kayıtlarını oluşturmak için büyük verilerin geleneksel olmayan tıbbi yöntemlerle hayat kurtarmasının kanıtıdır.

 

Görevlerimizi basitleştiren, çok çalışmayı azaltan ve verimliliği artıran teknolojiler artık hayatımızda yer almaktadır. Tıp bilimlerindeki gelişmeler, bir zamanlar tedavi edilemez olduğu düşünülen hastalıklar için yeni ilaçlar keşfetmemize ve icat etmemize yardımcı olmaktadır. Teknoloji ile hayat kurtarıcı bu uygulamaya yeni trendler eklenmektedir. Büyük miktarda veri ile uğraşan teknoloji alanındaki büyük veriler, insan tıbbi gereksinimleriyle ilgili sorunlara hayat kurtaran çözümler üretmek için uygulanmaktadır. Bugün yapılan araştırmaların büyük bir kısmı, büyük verilerin hayat kurtarıcısı olduğunun kanıtıdır.

 

Dünyanın herhangi bir yerinde yürütülen tıbbi araştırmalar, yeni bir ilacın veya hapın olası yan etkileri hakkında test etmeye ve öğrenmeye çalışmaktadır. Bu tür testlerden elde edilen veriler çok büyüktür ve kalıpları tespit etmek ve kümelenmemiş bir veri kümesinden sonuçları çıkarmak için regresyon ve kümeleme modelleriyle programlanmış süper bilgisayarlar gerektirir.

 

1. Yeni ilaçların incelenmesi

 

Yukarıda belirtildiği gibi, yeni bir ilaç veya hapın piyasaya sürülmeden önce doğrulanması için aşırı testlerden geçmesi gerekmektedir. Bu testler, farklı geçmişlere ve tıbbi koşullara sahip çeşitli insanlar üzerinde gerçekleştirilir. Oluşturulan test verileri, yaş grubu, ırksal geçmişler, tıbbi durumlar ve hatta genetik modeller gibi çoklu parametreleri içermektedir. Dağınıklığı tedavi etmek için geliştirilen büyük veri modelleri ile bunun gibi ham veriler, tüm bu test sonuçları bu modellere sağlanabilir. Her parametreyi dikkate alan ve sonuçları kendilerine göre tartıştıran organize sonuçlar üretmek için ilgili veri işleme yöntemleri uygulanmaktadır. Bu, önerilen ilacın nasıl çalıştığı hakkında kapsamlı bir görünüm sunar ve gerekirse bileşiminde herhangi bir değişikliğe izin vermektedir.

 

2. Bir ilaç ile diğer ilaçların etkileşimlerini test etmek

 

Formüle edilen tüm ilaçlar, halka açık kullanım için uygun hale getirilmeden önce sıkı testlerden geçirilmektedir. Bununla birlikte, birlikte alındığında uyumluluk sağlamak için her ilacın birbiriyle ve ona karşı test edilmesi gerekmektedir. Çeşitli büyük veri istatistiksel modelleri, güvenli olmayan sağlıksız ilaç kombinasyonlarını tespit etmek için bu test sonuçlarını basitleştirmede yardımcı olmaktadır. Tıpta anormallikleri tespit etmek için veri madenciliği kullanmanın böyle bir örneği, Stanford Üniversitesi tarafından yürütülen ve depresan karşıtı olan Praxil ve kolesterol düşürücü bir ilaç olan Pravachol'un birlikte tüketildiğinde diyabetik insanlar için ölümcül olduğunu tespit edilmiştir. 

 

3. Klinik deneylerin atlanması

 

Herhangi bir ilaç deneyi için bir test grubunun, özellikle genel bir ilaç deneye alınmışsa yapılandırılması zor olabilir. Bir ilacın bir grup insanla çalıştığı ancak başka bir grup için tehlikeli olduğunu kanıtladığı birçok vaka olmuştur. Klinik çalışmalardaki bu tutarsızlık, çeşitli hastanelerden gelen hasta verilerinin bir araya toplanıp toplanmamasına özen gösterilebilir. İlaç daha sonra, karşı konması gereken kapsamlı bir veri tabanı veritabanına benzer herhangi bir ilaca karşı test edilebilir. Bu uygulama, özellikle hastalarda, statin ilaçları ile prostat kanseri riskini azaltma potansiyeli arasındaki bağlantıları incelemek için kullanılmaktadır. Teknoloji, ne kadar yavaş ama istikrarlı olursa olsun, yalnızca araştırmaya dayalı uygulamalarla sınırlı değildir. Daha iyi personel almak, salgın hastalıkları tahmin etmek, öneriler sunmak ve hastanelere dayalı enfeksiyonları belirlemek için hastanelerde genel koşullu kontroller yapmak için büyük veri modelleri kullanılabilir. Bu, daha iyi ilaç geliştirmek ve insanlara daha iyi sağlık hizmetleri sunmak için çok önemlidir.

 

 

Kaynak: Tıklayınız