Análisis predictivo que impulsa una revolución médica - Calendae | Informática, Electrónica, CMS, Ciberseguridad

Análisis predictivo que impulsa una revolución médica

Hola, un placer verte por aquí. Te escribe Simón Sánchez y hoy hablaremos sobre Análisis predictivo que impulsa una revolución médica

«Hoy compramos Tylenol (500 mg para casi todos), pero no impacta a todos positivamente porque todos somos diferentes genéticamente», dice Rajiv Nema, director de marketing de SAP (HANA, Mobile Innovations). “Se gastan $ 70 mil millones en medicamentos contra el cáncer solo en los Estados Unidos, y el 40% – casi $ 30 mil millones – de eso se desperdicia porque el medicamento no tiene un impacto positivo en el paciente. La medicina personalizada incluye datos genómicos, datos proteómicos, registros médicos electrónicos, datos de sensores, sus datos de FitBit … Hay muchos datos diferentes, todos en diferentes silos. Todos deben reunirse para que cuando visite a sus médicos, puedan revisar todos los datos al mismo tiempo, analizarlos y recetarle un medicamento «.

Nema se refiere a una revolución en curso en el campo de la medicina y las ciencias de la vida en general. La investigación genómica, respaldada por la informática de alto rendimiento, los avances en el archivo, el big data y el análisis predictivo, está cambiando fundamentalmente la forma en que se practica la medicina. El escenario está listo para una nueva era de medicina personalizada, especialmente cuando se trata de enfermedades complejas.

Para diagnosticar y tratar el problema, el modelo médico tradicional se centra en datos tales como síntomas clínicos individuales, antecedentes médicos y familiares, hallazgos de laboratorio y de imágenes. Este es principalmente un enfoque reactivo: el tratamiento se desencadena por la aparición de los síntomas.

Por otro lado, la medicina personalizada utiliza el perfil genético del paciente como guía para la prevención, diagnóstico y tratamiento de la enfermedad. Esto permite a los profesionales de la salud tomar decisiones de tratamiento informadas basadas en el estudio de las variaciones genéticas y su influencia para determinar qué tan bien responde una cohorte en particular a los medicamentos y otros métodos de tratamiento.

El análisis predictivo brinda a los médicos e investigadores la capacidad de analizar datos de múltiples fuentes, como datos genómicos, datos de imágenes y diapositivas de patología, para recopilar la información que necesitan para guiar la medicina personalizada.

Big data exige grandes demandas

Pero hay problemas. Aplicar análisis predictivos al genoma humano y otras fuentes de datos personales significa administrar enormes conjuntos de datos, un ejemplo clásico de Big Data en acción. Lo que complica aún más las cosas es el hecho de que estos datos vienen en formatos estructurados y no estructurados, estos últimos que van desde correos electrónicos y documentos de Word hasta imágenes y archivos de audio. Las infraestructuras de TI a menudo no están configuradas para acceder rápidamente y administrar petabytes de datos no estructurados.

Dado que estos grandes conjuntos de datos también se movilizan y mueven entre diferentes fuentes y en diferentes plataformas, la gestión de datos se convierte en una preocupación importante, especialmente cuando se trata de cargas de trabajo que incluyen todo, desde resultados de microscopía confocal rica en datos hasta enormes cantidades de archivos genómicos.

La medicina personalizada basada en análisis predictivo solo puede cumplir su promesa si se puede acceder a los datos rápida y fácilmente utilizando una única plataforma consistente.

Solución de gestión de datos inteligente altamente productiva

La respuesta es construir un sistema capaz de albergar ingesta de alto rendimiento y almacenamiento y procesamiento de baja latencia, junto con una solución inteligente de administración de datos basada en reglas. Esto le permite importar datos no estructurados de diferentes modos y fuentes a una plataforma que puede ejecutar consultas analíticas con una latencia muy baja para adaptarse al tiempo que tardan los resultados en llegar. El sistema también debe satisfacer las necesidades de la comunidad médica automatizando la gestión de datos y proporcionando una plataforma coherente para la distribución / colaboración segura de datos y, en última instancia, el archivo a largo plazo.

La comunidad de ciencias biológicas y TI clínica ha intentado lograr esto durante la última década. Varias soluciones de middleware basadas en software y hardware han intentado conectar silos de datos a través de interfaces HL7 y dar a los médicos la impresión de un solo panel de vidrio para los resultados de los pacientes. Este método es muy complejo de resolver y muy complicado de reproducir para grandes conjuntos de datos no estructurados de sistemas remotos. Además, la llegada de conjuntos de datos genómicos y proteómicos clínicamente significativos ha creado aún más fuentes de datos y desafíos.

Desde el punto de vista del almacenamiento y la gestión de datos, lo que se necesita es un sistema que:

  • Permite la inserción de grandes conjuntos de datos a velocidades muy altas
  • Combine una solución de almacenamiento HPC de baja latencia que aprovecha un sistema de archivos paralelo para el análisis y la visualización de datos secundarios
  • Proporciona una solución segura para la distribución y el almacenamiento de datos, en una plataforma única, consistente y fácil de administrar.

Los dispositivos de almacenamiento DDN GRIDScaler y EXAScaler, basados ​​en el motor Storage Fusion Architecture (SFA), así como Web Object Scaler (WOS), una familia de dispositivos de almacenamiento de objetos colaborativos independientes configurados con almacenamiento en disco y recursos de CPU y memoria, son un gran paso hacia la solución de este paradigma de gestión de datos.

Con la adición del software de análisis predictivo, tiene una única plataforma que puede manejar las cargas de trabajo de análisis de big data genómicos más exigentes. Esto incluye la adquisición y el análisis de datos en tiempo real. El rendimiento de esta plataforma subyacente le ha valido a DDN un récord mundial de rendimiento con soluciones analíticas como SAS GRID, Vertica y Kx y permite que las soluciones DDN ofrezcan hasta 8 veces el rendimiento en comparación con los enfoques de caja blanca para Hadoop y otras ofertas. fuente abierta.

La combinación de dispositivos de sistema de archivos paralelos GRIDScaler o EXAScaler con almacenamiento de objetos WOS proporciona una plataforma para la gestión de datos desde un único panel de cristal. La solución también ofrece capacidades de visualización avanzadas que se pueden compartir de forma colaborativa independientemente de la ubicación geográfica.

Este enfoque de archivo integral también ayuda a facilitar el cumplimiento de mandatos regulatorios como HIPPA, así como la implementación de medidas efectivas de protección y retención de datos. WOS proporciona los medios para garantizar una sólida cadena de confianza tanto para médicos como para investigadores.

Hacia la medicina personalizada

Con una infraestructura de TI habilitadora compuesta por: clústeres de HPC bien ajustados; arquitectura de archivo con acceso rápido y paralelo a datos genómicos extendidos; las herramientas analíticas predictivas adecuadas; y un medio colaborativo para acceder, almacenar y compartir datos, son la base para la evolución de la medicina personalizada.

Este enfoque:

  • Proporciona integración de datos de fuentes heterogéneas que incluyen genómica, registros médicos electrónicos, anotaciones, etc.
  • Facilita el acceso a todos los datos específicos del paciente tanto para los médicos como para los investigadores, lo que les permite tomar decisiones de tratamiento basadas en la evidencia al lado de la cama
  • Permite a los investigadores correlacionar la evidencia genómica de millones de pacientes de alto riesgo en una solución HPC centralizada y ver los resultados en tiempo real.
  • Proporciona acceso móvil y flexible a todos los datos del paciente.
  • Aborda la necesidad de velocidad en entornos clínicos cuando la vida de los pacientes puede estar en juego.

En resumen, la medicina personalizada aporta una nueva dimensión al campo al permitir a los médicos tomar decisiones de tratamiento basadas en la evidencia en la cama del paciente, así como supervisar a los pacientes de alto riesgo para prevenir emergencias. Los investigadores pueden investigar los genomas de millones de pacientes de alto riesgo utilizando HPC y análisis predictivo y analizar estos resultados en tiempo real para desarrollar nuevas intervenciones personalizadas.

Estamos en el inicio del desarrollo de la medicina personalizada, incluida la creación de la base tecnológica para apoyar esta revolución. Para obtener más información, vea cómo DDN está siendo aprovechado por las principales instalaciones de investigación genómica global, como el Centro de Genómica y Medicina Personalizada de la Universidad de Stanford, Weill Cornell Medical College, Instituto de Tecnología de Tokio (TokyoTech), Investigación de Genómica Traslacional Institute (TGen), la Universidad del Sur de California, la Escuela de Medicina Keck y muchos otros ddn.com/.

No te olvides compartir en tus redes sociales para que tus colegas opinen

??? ? ? ???

Comparte