🔊 Dinleyin

Son yıllarda sağlık alanında büyük veri analizi, en çok ilgi duyulan konulardan birisi haline gelmiştir. Veriden hareketle hizmet sağlayıcıların eyleme yönelik uygulanabilir bilgiler elde etmeleri istenmekte ve geri ödeme oranlarını doğrudan etkileyen karmaşık modeller üretilmeye çalışmaktadırlar. Veri odaklı öngörülerle klinik ve operasyonel süreçleri başarıyla entegre eden sağlık kuruluşlarının etkinlik, verimlilik, performans artışı, personel ve müşteri memnuniyeti gibi konularda ciddi kazanım sahibi olması beklenmektedir.

Yine de anlamlı sağlık analizi güçlüklerle ve problemlerle dolu bir alandır. Doğası gereği, büyük veriler karmaşıktır ve uğraşması da -hem teknik, hem alan bilgisi yönünden, hem de organizasyonel olarak- zordur. Hizmet sağlayıcı kuruluşların veri toplama, depolama, analiz etme ve sunmaya yönelik faaliyetleri iyi değerlendirmeleri gerekmektedir.

Veri toplama:

Doğru ve etkin bir analiz için sağlık organizasyonları tam, temiz, doğru ve biçimlendirilmiş veriler elde etmek zorundadır. Ancak günümüzde verilerin toplandığı kaynaklar çoğunlukla bu duruma uymazlar. Örnek olarak, bir göz kliniğinde yapılan bir çalışmada EHR verileri ile hastaların manuel rapor verileri arasında sadece %23,5 eşleşme tespit edilmiştir. Üç veya daha fazla göz belirtisine sahip olduklarını rapor eden hastaların, EHR verilerinde bunların tamamı gözükmemektedir.

EHR sistemlerinin kullanımına ilişkin zorluklar, zor anlaşılan iş akışları, çok sayıda veri tutmanın önem ve anlamının kavranamaması, kaliteli veri toplamaya olumsuz yönde etki eden faktörlerdir.

Hizmet sağlayıcılar, topladıkları verilerin kalitesini iyileştirmek için öncelikle kendileri için değerli veri türlerine öncelik vererek, sağlık bilişim uzmanlarının da katkısıyla klinik dokümantasyonları iyileştirme programları geliştirmelidirler.

Veri temizleme:

Sağlık hizmeti sağlayıcıları, klinikte ve ameliyathanede temizliğin önemi ile yakından ilgilenirler, ancak veri temizliğinin ne kadar önemli olduğunun farkında olmayabilirler. Klinik veya operasyonel öğeleri farklı biçimlerde kaydeden farklı veri kaynaklarını bir araya getiren bir büyük veri analizi projesi kirli verilerden dolayı başarısız olabilir.

Veri temizleme, veri kümelerinin doğru, düzgün, tutarlı, ilişkili ve herhangi bir şekilde bozulmamış olmasını sağlamak için yapılır. Çoğu veri temizleme işlemi hala manuel olarak yapılsa da, bazı bilişim firmaları büyük veri kümelerini karşılaştırmak ve düzeltmek için otomatik temizleme araçları sunmaktadır. Makine öğrenme teknikleri ilerlemeye devam ettikçe bu araçlar giderek gelişecek ve hassas hale gelerek veri ambarlarındaki sağlık verilerinin doğruluk ve bütünlüğünü sağlamak için gereken zaman ve masrafı azaltacaktır.

Depolama:

Sağlık hizmetinde ilk cephede yer alan klinisyenler, verilerin nerede saklandığını nadiren düşünürler. Ancak bilişim bölümü için depolama önemli bir maliyet, güvenlik ve performans sorunu kaynağıdır. Sağlık verilerinin miktarı üstel olarak arttıkça, bazı hizmet sağlayıcılar veri merkezlerinin maliyet ve etkilerini artık yönetemez hale gelirler.

Birçok organizasyon güvenlik, erişim ve çalışma süresi açısından elverişli olan yerel depolama çözümleri ile kendini daha rahat hisseder. Ancak yerel bir sunucu ağını büyütmek pahalıdır, bakımı zordur ve farklı birimlerin kendi veri depolarını oluşturma eğilimine yol açabilir.

Bulut depolamanın maliyeti düşmekte, güvenilirliği artmakta ve giderek daha popüler bir seçenek haline gelmektedir. ABD’de sağlık kuruluşlarının yüzde 90’a yakın kısmı, -2016 yılı araştırmasına göre- depolama ve uygulamalar da dahil olmak üzere bulut tabanlı sağlık bilişim altyapısını kullanmaktadır. Bulut teknolojisi hızlı bir felaket kurtarma, daha düşük ön maliyetler ve daha kolay genişleme imkanları sunmaktadır. Bu noktada hizmet sağlayıcıların, güvenlik ve mahremiyet konusunda birikimli ve hassas ortaklar seçmeye özen göstermeleri gerekmektedir.

Birçok organizasyon, veri erişim ve depolama ihtiyaçlarını çeşitlendirmek üzere hibrid bir yaklaşımı tercih etmektedirler. Hizmet sağlayıcılar hibrit bir altyapı geliştirirken, farklı sistemlerin, gerektiğinde kuruluşun diğer bölümleriyle de iletişim kurabilmesi ve paylaşımda bulunabilmesini sağlamalıdırlar.

Veri güvenliği:

Sağlık kuruluşları yüksek profilli ihlallerin, saldırıların ve ransomware saldırılarının yoğunlaşmasından sonra veri güvenliği özellikle bir numaralı öncelik haline gelmiştir. Kimlik avı saldırılarından kötücül yazılımlara ve kaybedilen dizüstü bilgisayarlara, sağlık verileri hemen hemen sonsuz sayıda zayıf noktaya sahiptir.

HIPAA Güvenlik Kuralları, iletim güvenliği, kimlik doğrulama protokolleri, erişim, bütünlük ve denetleme üzerindeki denetimleri de içeren korumalı sağlık bilgisi (protected health information, PHI) depolayan kuruluşlar için uzun bir teknik önlemler listesi içermektedir.

Uygulamada, bu güvenlik önlemleri güncel anti-virüs yazılımını kullanımı, güvenlik duvarları oluşturma, hassas verileri şifreleme ve çok faktörlü kimlik doğrulamayı kullanma gibi güvenlik prosedürlerine karşılık gelmektedir. Ancak en sıkı güvenlik önlemleri alan veri merkezlerinde bile, uzun yazılım güncellemeleri ve verilere veya yazılımlara erişim kısıtlamaları getirmek yerine kolaylığı tercih! eden insan faktörlerinden dolayı sorunlar yaşanabilir.

Sağlık kuruluşları mensuplarına veri güvenliği protokollerinin önem ve özellikleri sık sık hatırlatmalı, kötü niyetli girişimlerden doğacak zararı önlemek için veri erişim yetkileri sürekli olarak gözden geçirmelidir.

Veri sorumluluğu (data stewardship):

Özellikle klinik taraftaki sağlık verileri uzun “raf ömrüne” sahiptir. ABD’de HIPAA kapsamında hasta verilerinin en az altı yıl erişilebilir tutulması gerekmektedir. Ayrıca hizmet sağlayıcılar araştırma projeleri için kimliksizleştirilmiş veri kümelerini kullanmak isteyebilirler. Bu durumda sürekli gözetim ve veriyi hazır hale getirme faaliyetleri icrası da gerekir. Veriler, kalite ölçümü veya performans karşılaştırma gibi başka amaçlarla da yeniden kullanılabilir veya incelenebilir.

Verilerin ne zaman, kim tarafından ve hangi amaçla oluşturulduğunu ve veriyi daha önce kimin, niçin, nasıl ve ne zaman kullandığını anlamak, araştırmacılar ve veri analistleri için önemlidir.

Tam, doğru ve güncel meta veriler geliştirmek, başarılı bir veri yönetim planının kilit bileşenidir. Meta veriler, analistlere önceki sorguları tam olarak üretme imkanı tanır ki bu durum bilimsel araştırmalar ve doğru mukayese için çok önemlidir. Böylece “veri çöp bidonları” oluşması veya faydası sınırlı izole veri kümeleri engellenmiş olur.

Sağlık kuruluşları, anlamlı meta verilerin gelişim ve düzenlenmesi için bir veri sorumlusu atamalıdır. Veri sorumlusu, tüm öğelerin standart tanımlara ve formatlara sahip olmasını, üretiminden silinmesine kadar uygun şekilde belgelenmesini ve müstakbel görevleri için faydalı kalmasını sağlayabilir.

Sorgulama:

Sağlam metadata ve güçlü gözetim protokolleri, kuruluşların verilerini sorgulamasını ve bekledikleri cevapları almasını kolaylaştırır. Veri sorgulama yeteneği, raporlama ve analitik için temel oluşturur, ancak sağlık kuruluşları anlamlı büyük veri analizleri yapmadan önce bazı zorlukların üstesinden gelmelidir.

İlk olarak, tüm veri birikimine erişimi engelleyen ayrık veri siloları ve birlikte çalışabilirlik sorunlarının aşılması gerekir. Bir veri setinin farklı bileşenleri çoklu sistemlerde veya farklı formatlarda tutuluyorsa, organizasyonun durumunun veya bir hastanın sağlığının eksiksiz bir görüntüsünü oluşturmak mümkün olmayabilir.

Veriler ortak bir depoda tutulsa bile, standardizasyon ve kalite eksikliği olabilir. ICD-10, SNOMED-CT veya LOINC gibi tıbbi kodlama sistemlerinin yokluğunda, bir sorgunun doğru bilgiyi tanımlaması ve kullanıcıya döndürmesi zor olabilir. Birçok organizasyon, büyük veri kümeleri ve ilişkisel veritabanlarında SQL sorgulama dili kullanır. Ancak bu sorgulamalar ancak eldeki veriler doğru, eksiksiz ve standart ise etkili olacaktır.

Raporlama:

Hizmet sağlayıcılar sorgu işlemi sonrası, hedef kitleye yönelik açık, kesin ve erişilebilir bir rapor oluşturmalıdır.

Analiz edilen verilerin doğruluğu ve bütünlüğü raporun doğruluğu ve güvenilirliği üzerinde önemli bir etkiye sahiptir. Kötü verilerle yapılan analiz, sürecin sonunda, hastaları tedavi etmek için bu bilgileri kullanmaya çalışan klinisyenler için zararlı olabilecek şüpheli raporlar üretecektir.

Hizmet sağlayıcılar “analiz” ve “rapor” arasındaki farkı anlamalıdırlar. Raporlama analiz için ön koşuldur ve aynı zamanda bir son üründür. Bazı raporlar, belli bir eğilimi vurgulamaya, yeni bir sonuca varmaya veya kullanıcıyı belirli bir eyleme yöneltmeye yönelik olsa da, diğerleri kullanıcılara kendi çıkarımlarını yapabilecek zemin sağlayacak şekilde sunulmalıdır.

Organizasyonlar, gerçekte ihtiyaç duydukları bilgilerin üretilebilmesi için, raporları nasıl kullanmayı planladıkları konusunda veritabanı yöneticilerine açık ve net olmalıdırlar.

Hukuki nedenlere bağlı olarak veya kalite değerlendirme programları gereği, kalite ölçümlerini ve geri ödeme modellerini beslemek için sıklıkla büyük miktarda veri talep ettiğinden, sağlık sektöründeki raporlamaların büyük kısmı haricidir. Hizmet sağlayıcılar kayıt (registry) sistemleri, EHR’ye yerleşik raporlama araçları ve sigorta kurumlarının web portalları/servisleri de dahil bu tür gereksinimlere yönelik farklı seçenekleri kullanabilirler.

Görselleştirme:

Bakım noktasında çalışan bir klinisyen için temiz ve çarpıcı veri görselleri bilgiyi özümseme ve uygun şekilde kullanma açısından daha kolay olacaktır.

Renk kodlaması hemen tepki üreten tanınmış bir veri görselleştirme tekniğidir (örneğin, kırmızı, sarı ve yeşil, evrensel olarak durdurma, dikkatli olma ve devam etme demektir). Organizasyonlar, farklı figürleri göstermek için uyumlu orantıları kullanan çizelgeler ve muhtemel kafa karışıklığını azaltmak için doğru etiketleme gibi iyi veri sunum uygulamaları oluşturmalıdırlar. Karmaşık akış çizelgeleri, dar veya üst üste gelen metinler ve düşük kaliteli grafikler, kullanıcıların sinirini bozabilir, rahatsız edebilir ve verileri göz ardı etmelerine veya yanlış yorumlamalarına yol açabilir.

Verilerin görselleştirilmesine ilişkin yaygın örnekler ısı haritaları, çubuk grafikler, pasta grafikler, saçılım grafiği ve histogramları içerir. Bunların hepsi, kavramları ve bilgileri göstermek için kendi özel kullanım alanlarına sahiptir.

Güncelleme:

Sağlık verileri durağan değildir ve güncel ve ilişkili kalabilmek için çoğu öğenin nispeten sık olarak güncelleştirilmesi gerekir. Hasta yaşamsal bulguları gibi bazı veri setleri birkaç saniyede bir güncellenebilir. Ev adresi veya evlilik durumu gibi diğer bilgiler, bir bireyin yaşamında yalnızca birkaç kez değişebilir.

Büyük verilerin dinamizmini veya ne sıklık ve derecede değiştiğini anlamak, veri varlıklarını tutarlı şekilde izlemeyen organizasyonlar için zor olabilir. Hizmet sağlayıcılar hangi veri kümelerinin manuel, hangilerinin ise otomatik güncellemeye ihtiyaç duydukları, bu işlemi son kullanıcılar için kesintisiz olarak nasıl tamamlayacağı ve veri kümesinin kalite veya bütünlüğüne zarar vermeden güncellemelerin nasıl yürütülebileceği konularında kesin bir fikre sahip olmalıdır.

Organizasyonlar ayrıca, klinisyenlerin hasta kararları için gerekli bilgilere erişmesini zorlaştıracak -bir öğeye güncelleme yapmaya çalışırken gereksiz ve tekrarlanan kayıtlar oluşturma gibi- durumlardan kaçınmayı da sağlamalıdır.

Paylaşma:

Sağlık hizmetleri toplum sağlığı yönetimi ve değer temelli bakıma doğru ilerlediğinden veri paylaşımı giderek daha çok önem taşımaktadır. Bunun doğal sonucu olan veri birlikte çalışabilirliği günümüzde her türden organizasyon için sürekli bir kaygı nedenidir.

EHR sistemleri tasarım ve uygulamalarındaki asli farklar verileri farklı organizasyonlar arasında taşıma yeteneği sayesinde önemli ölçüde giderilebilir. Klinisyenlerin de önemli kararlar almak için hastaları takip etmeleri ve sonuçları iyileştirmek için stratejiler geliştirmeleri gerekmektedir.

Sağlık alanı teknik ve organizasyonel engellere rağmen veri paylaşımını geliştirmek için uğraşmaktadır. FHIR ve API’ler gibi araçlar ve stratejiler ile ABD’de CommonWell ve Carequality gibi ortaklıklar, geliştiricilerin verileri kolaylıkla ve güvenli bir şekilde paylaşmasını kolaylaştırmaktadır. Ancak, bu metodolojilerin benimsenmesi henüz belli bir aşamaya gelmemiştir ve çoğu organizasyon, hasta verilerinin kesintisiz paylaşımı noktasında değildir.

Bakım sürekliliğinin tüm üyelerine yönelik güvenilir, zamanında ve anlamlı bilgi paylaşımını sağlayan devasa bir veri değişim ekosistemi geliştirmek için hizmet sağlayıcılar bu sorunların üstesinden gelmek zorundadırlar. Bunu yapmak da zaman, kararlılık, finansman ve iletişim gerektirmektedir.

Kaynaklar:

Jennifer Bresnick. Top 10 Challenges of Big Data Analytics in Healthcare. HealthITAnalytics, 12 Haziran 2017. Erişim tarihi: 19 Aralık 2017.