Data Science Use-cases ในอุตสาหกรรม Healthcare
Data Science ถูกนำไปประยุกต์ใช้ในหลากหลายอุตสาหกรรม ในยุคที่หลายๆ ประเทศกำลังเข้าสู่สังคมผู้สูงวัย (Aging Society) การแพทย์และการดูแลสุขภาพ (Medical & Healthcare) ถือเป็นอุตสาหกรรมที่มีการปฏิวัติวงการและมีแนวโน้มในการนำ Data Science ไปใช้ เพื่อยกระดับความสามารถในเรื่องต่างๆ ตั้งแต่ การทำเวชระเบียนทางคอมพิวเตอร์ไปจนถึงการค้นพบยา และ การหาความสัมพันธ์ระหว่างโรคกับพันธุกรรม
ในที่นี้ จะยกตัวอย่าง Data Science Use-cases ที่ถูกนำมาใช้ในอุตสาหกรรม Healthcare
1) Medical Image Analysis - การวิเคราะห์ข้อมูลภาพทางการแพทย์
ตัวอย่างข้อมูลภาพทางการแพทย์ เช่น Magnetic Resonance Imaging (MRI), X-ray, Computed Tomography, Mammography ฯลฯ มีวิธีการมากมาย เพื่อจัดการกับความแตกต่างในรูปแบบ (Format) ความละเอียด (Resolution) และขนาดของภาพเหล่านี้ มีการพัฒนาอีกมากมายเพื่อปรับปรุงคุณภาพของภาพ ดึง Information /Insights จากภาพได้อย่างมีประสิทธิภาพมากขึ้น เพื่อให้เกิดการตีความที่แม่นยำ Deep Learning Algorithms ช่วยเพิ่มความแม่นยำในการวินิจฉัยโรค โดยเรียนรู้จากตัวอย่างก่อนหน้านี้ เพื่อแนะนำแนวทางการรักษาที่ดีกว่า
ตัวอย่างของ Image Processing Techniques ได้แก่ Enhancement, Segmentation, Noise Reduction ซึ่งช่วยให้สามารถวิเคราะห์กายวิภาคของอวัยวะในเชิงลึก และการตรวจหาสภาวะของโรคที่หลากหลาย
ในช่วงที่เกิดการแพร่ระบาด COVID-19 ประเทศจีน ใน Deep Learning Model กับภาพ CT Images (ปอดของผู้ป่วย) ในการคัดกรองผู้ป่วยที่เป็น COVID แยกออกจากผู้ป่วยไข้หวัดใหญ่ (ข้อมูลอ้างอิง - https://www.nature.com/articles/s41598-021-93832-2)
2) Genetics & Genomics Research - การวิจัยทางยีนและพันธุกรรม
ช่วยให้สร้างการรักษาแบบ Personalization (เฉพาะบุคคล) ได้ การทำความเข้าใจผลกระทบของ DNA ต่อสุขภาพของเรา และค้นหาความเชื่อมโยงทางชีวภาพระหว่างพันธุกรรม โรค และการตอบสนองต่อยา Data Science Techniques ช่วยให้สามารถรวมข้อมูลประเภทต่างๆ เข้ากับข้อมูลจีโนมในการวิจัยโรคได้ ซึ่งให้ความเข้าใจที่ลึกซึ้งยิ่งขึ้นเกี่ยวกับปัญหาทางพันธุกรรมในการตอบสนองต่อยาและโรคบางชนิด
3) Drug Discovery - การค้นพบยาใหม่ๆ
กระบวนการค้นพบยาใหม่ๆ มีความซับซ้อนสูงและเกี่ยวข้องกับหลายสาขาวิชา มักเป็นการทดสอบนับพันล้านครั้ง มีค่าใช้จ่ายทางการเงินและเวลาจำนวนมหาศาล โดยเฉลี่ยแล้วจะใช้เวลา 12 ปี Data Science และ Machine Learning (Deep Learning) ช่วยลดความซับซ้อนและลดระยะเวลาของกระบวนการนี้ ตั้งแต่ขั้นตอนการคัดกรองสารประกอบยาเบื้องต้นไปจนถึงการทำนายอัตราความสำเร็จตามปัจจัยทางชีววิทยา สามารถคาดการณ์ได้ว่าสารประกอบจะทำงานอย่างไรในร่างกายโดยใช้การสร้างแบบจำลองและการจำลองทางคณิตศาสตร์ขั้นสูงในคอมพิวเตอร์แทน "การทดลองในห้องปฏิบัติการ" ช่วยให้สามารถเลือกได้ว่าควรทำการทดลองใด
การค้นพบยาด้วยคอมพิวเตอร์ยังช่วยปรับปรุงการรวบรวมและการประยุกต์ใช้ข้อมูลในอดีตประเภทต่างๆ ในระหว่างกระบวนการพัฒนายาอีกด้วย การรวมการวิจัยทางพันธุกรรมเข้ากับฐานข้อมูลการจับกับโปรตีนของยาสามารถให้ผลลัพธ์ที่มีประสิทธิภาพได้
4) Virtual Assistant - ผู้ช่วยเสมือนจริง
แนวคิดการเพิ่มประสิทธิภาพของกระบวนการทางคลินิก คือ ในหลายกรณี ผู้ป่วยไม่จำเป็นต้องไปพบแพทย์ด้วยตนเอง การใช้ Mobile Apps สามารถบอกวิธีแก้ปัญหาที่มีประสิทธิภาพได้ โดย “นำหมอไปหาคนไข้” แทน Apps ที่มีเบื้องหลังเป็น AI สามารถให้คำแนะนำด้านสุขภาพขั้นพื้นฐานได้ โดยปกติจะเป็น Chatbot เพียงถามคำถาม Apps ยังช่วยทำนัดหมายกับแพทย์ได้ ทำประหยัดเวลาในการรอคิว และช่วยให้แพทย์จัดการกับงานสำคัญได้ดีขึ้น
Machine Learning Algorithms ช่วยสร้าง Personalized Experience ของผู้ใช้แต่ละคนได้ ตัวอย่าง Apps ที่ได้รับความนิยม ได้แก่ Your.MD, Babylon Health, Ada และอื่นๆ
ในการใช้งานจริง อาจไม่สามารถพึ่งพา คอมพิวเตอร์ได้แบบ 100% ดังนั้น จึงเป็นการหาจุดสมดุลระหว่างแพทย์และคอมพิวเตอร์ โดยงานที่เป็น Routine อาจทำให้เป็นอัตโนมัติโดยคอมพิวเตอร์ ทำให้ให้ผู้เชี่ยวชาญสามารถมุ่งความสนใจไปที่ปัญหาที่ซับซ้อนมากขึ้นได้
นอกจากนี้ ยังมี Use-cases อื่นๆ เช่น การทำ Predictive Models เพื่อสนับสนุนงานด้าน Healthcare
******
ข้อมูลอ้างอิง - https://activewizards.com/blog/top-7-data-science-use-cases-in-healthcare/
