系统回顾的医疗大数据

文摘

在过去的十年中,数据记录(由于数字化)医疗行业的继续增加,有趣的思考大数据的医疗保健。已经存在大量的信息,为分析做好准备。研究人员总是把他们最好的努力寻找有价值的洞察力医疗大数据的医疗服务质量。本文提供了医疗系统回顾研究大数据的基础上,系统的文献综述(SLR)协议。特别是,本研究强调了一些有价值的研究在医疗保健方面大数据,评估34期刊文章(2015年至2019年)根据定义的容斥标准。更具体地说,本研究重点确定医疗的程度大数据分析及其应用和医疗应用的挑战。此外,本文讨论了这些医疗系统产生的大数据,大数据的特点,在处理大数据和各种问题,以及如何大数据分析有助于对这些数据集达到有意义的见解。简而言之,本文总结了现有文献基于医疗大数据,而且它还可以帮助研究人员在医疗环境与未来研究的基础。

1。介绍

大数据的时代已经打开门在医疗保健行业的数字化医疗数据。在过去的十年中,指数增长的数据1)引入了一个名为大数据的新领域在信息技术(IT)领域和科学数据。大数据这个词通常用来描述大量的数据太大,不容易处理使用传统技术的数据库管理系统。大数据的概念不是很新,但它的特点是不断改变的方式。1997年,迈克尔·考克斯和大卫·埃尔斯沃斯介绍了术语“大数据”在世界上首次授予的一篇论文在IEEE会议上解释数据的可视化表示,困难展品计算机系统(2]。超越的数据处理能力的传统数据库管理系统是所谓的“大数据”。这些数据是如此之大,他们不符合典型的数据库管理系统的结构。

大数据的概念由Doug兰妮是特点是体积,速度,和各种被称为3对(3]。一般来说,大数据可以被定义为一组非常大量的数据与各种类型,使得它很难使用传统的数据库管理系统过程。根据作者在4),大数据是大量的数据集,高速度,高多样性,需要一种新的处理促进决策风格和探索知识和优化技术。通常,海量数据时可能会被称为大数据采集、分析和可视化的数据与当前技术是压倒性的。大数据中扮演一个重要的角色在当前数字时代由于医疗技术的重大进步5]。大数据的来源而言在医疗行业和各种行业是众所周知的数量和多样性,因此,医疗保健领域获得了其效果,通过大数据的影响。医疗行业产生巨大的医疗数据在过去的几年里。这些医疗数据的大数据的特点,因此命名为医疗大数据。医疗数据通常包含电子医疗记录(电子病历),如病人的病史,医生指出,临床报告,生物识别数据,和其他医疗卫生有关的数据。所有这些数据一起导致医疗大数据。医疗大数据的发展是推进和具有成本效益的公共和私人医疗保健。医疗应用程序对大数据的成功完全依赖于底层架构和使用合适的工具被证明在开创性的研究工作。它也给出了一个分析大数据的医疗保健系统。更具体地说,大数据分析工具和技术有潜力提高医疗服务的质量,降低患者的医疗成本探索协会和理解医疗数据的性质。 In 2016, Kohli et al. discuss how electronic health records (EHR) facilitate integration of patient health history for planning safe and proper treatment [6]。更多关于大数据和医疗大数据展示在表定义1。

2。系统文献综述(SLR)方法

研究过程的目的进行一个系统的文献综述(SLR)(基于相关的学术期刊中发表的文章和研究)关注以下目标:分析不同的观点关于大数据的概念在医疗保健探索医疗大数据的起源确定为医疗大数据分析工具和技术强调大数据的潜在的优势和应用在医疗保健注意克服大数据挑战医疗保健

通过深入讨论这些目标,系统回顾旨在协助理解大数据的整体背景及其应用在医疗保健领域。

2.1。研究问题

以下是需要解决的关键研究问题进行研究:提出的单反RQ1。什么是大数据在医疗保健领域的特点?RQ2。什么是医疗大数据的挑战和机遇?RQ3。什么是大数据分析的功能保健?RQ4。在医疗技术用于大数据分析?RQ5。什么是大数据分析的应用在医疗保健?RQ6。研究自2015年以来一直追求医疗大数据?

2.2。单反的协议

基于单反协议设计(12),这个文献综述遵循以下提到的指导方针。

2.2.1。搜索策略

两个主要的电子研究数据库:ScienceDirect IEEE Xplore,被用来搜索的集合相关的文章提出了相关的研究。然而,一些好的和相关工作由施普林格出版出版。也包括在本研究中。

2.2.2。搜索字符串

作者定义的关键字搜索过程是“大数据”,“医疗”和“大数据分析”在环境研究领域。进行一个单反,搜索过程进行识别为解决研究问题相关的文章根据预定义的关键字使用布尔操作符。

2.2.3。选择标准

文章作者同意选择基于以下容斥标准:

(1)入选标准文章相关医疗大数据和大数据分析2015年到2019年期间发表的文章文章从期刊出版物文章用英语写的

(2)排除标准文章在2015到2019的范围文章除了期刊出版物

2.2.4。研究选择过程

文献综述的方法过程在不同阶段执行。研究的细节选择单反的过程如图1。最初,所有的文章与大数据相关,选择医疗大数据,大数据分析的初步筛选阶段按照搜索关键词。基于容斥标准,这些文章在第一阶段筛选,和不相关的文章发表在2015年和2019年之间被排除在外。在第二阶段的筛选,所选文章进一步筛选的基础上,标题、摘要和关键词。没有相关的文章提出研究被排除在外。最后,在筛选的最后阶段,这些文章进一步筛选的基础上抽象使用布尔和算子应用于定义的所有三个作者的搜索关键词。因此,34文章相关的研究领域从8355篇文章被选中,作者进一步研究的。

2.2.5。质量评估

在审查期间,单反的质量评估中起着重要作用的协议。文章的质量评估是由所有作者的分析和评价后所选文章的摘要。这些文章被选对每个已定义的关键研究问题基于容斥标准。

2.2.6款。结果与讨论

单反过程中所提出的研究文章,评论文章相关的集合定义研究问题基于作者的定义搜索字符串(关键字)被执行搜索操作两种最常见的电子数据库:ScienceDirect和IEEE Xplore。约7699篇文章过滤2015年- 2019年的初步阶段。根据标题、摘要和关键词,共有1030篇文章被选中的下一个阶段。这些文章都是最后筛选的基础上抽象的使用逻辑与操作适用于所有三个搜索字符串(关键字)。因此,34文章对每个已定义的研究问题选择深造由作者根据容斥标准。

表2显示了三个筛选阶段的文章。根据主要研究目标,提取这些文章的内容,并提出研究文章被组织成不同的部分:大数据的全面概述在医疗保健领域,医疗大数据来源,在医疗保健、大数据的挑战大数据分析医疗和保健中心的大数据应用和潜在的好处。

2.3。大数据研究在医疗领域的趋势

与快速增长的数据,大数据给研究人员的接触以更明显的方式利用它在几个医疗决策的应用程序。大数据的趋势领域的医疗领域2015年- 2019年在图描述2对表2和3文章的修订版本。图2显示的增加趋势做创新研究(发表在著名期刊上)在医疗领域的大数据。

3所示。大数据:一个全面的概述

3.1。大数据一般

大数据指的是一组广泛而复杂的数据集,使用传统的数据库系统是很难处理的。按照zdnet.com,大数据相关的工具和技术,允许一个组织产生、利用和维护大量的数据和存储设施。我们每个人不断产生大量的数据。大数据是被每一个计算机系统生成以及社交网站。它是通过数字系统、传感器设备、摄像机、手持设备、智能手机、和他们的应用程序13]。大数据到达前所未有的速度,巨大的数据大小,从各种来源和更大的多样性。提取重要的价值从这些大量的数据,我们需要很高的计算能力,分析能力,和专业知识。这次爆炸的数据试图改变人们思考一切的意见大数据。在最近一段时间,事务数据,网络数据,传感器数据和电子医疗数据以快速的速度不断发展。这些数据可以分为基于网络的数据,基于传感器数据,人口数据,事务数据,机器生成的数据14)(如下所述):基于web的数据获得从社交网站如Facebook, Twitter和博客机器生成的数据从传感器设备和其他设备事务数据检索从生物识别技术、生命体征、放射学和其他医学图像人为的数据包括电子邮件、医生的处方和医学报告的数字化版本

这个数据增长导致显著发展新概念称为大数据。(条15),表示大数据是一组复杂的数据产生重大影响传统数据仓库存储的能力,维护,执行和分析数据。提供了一个正式的大数据的定义在[10]。是声明如下:大数据是一种丰富的信息所描述的巨大数量,高速度,和各种有特定的技术和分析技术将其转换为价值。看着它的另一种方法,麦肯锡全球研究院将大数据定义为数据集的大小超过传统数据库系统的功能收集、存储、维护和分析数据。根据作者在16],大数据的组合从不同来源收集的数据,如企业数据库、网站地图、电影、和公共数据库。

3.2。大数据的特点

大数据的共同特征是体现在以下几点:体积:这意味着数据大小通常以字节(结核病= 10¹²字节)、PB (PB = 10¹⁵字节),字节(ZB = 10²¹字节),等等速度:这表明数据的生成率品种:这指的是数据的本质等大数据可以包括结构化、半结构式,和非结构化数据真实性:这指的是数据的可信度价值:这个术语本身价值有关的数据被提取

除了大数据的上述特性,一些研究人员和科学家已经引入了新的特性,大数据由于各种应用程序可用;也就是说,the big data definition keeps changing according to the advancement of technology, data storage, and data transmission rate, as well as other system capabilities. The different explanations for the definition of big data are from 3Vs to 4Vs [17,18]5 vs (19),和10 vs (20.]。特别是,这些维度是扩大随着时间的流逝;我们目前有42个不同维度对大数据直到2017按21),还有尺寸将继续随着大数据的发展进一步扩张。图3描述了通用的大数据的概念。

3.3。大数据的定义

大数据和医疗大数据表中给出定义1。

4所示。大数据在医疗保健领域

4.1。医疗大数据

开创性的改造是发生在医疗行业。医疗行业是产生大量的医疗数据由于技术的进步和医疗记录数字化。近年来,健康信息技术(打击)发展能力生成、存储和传输数据电子全球在几秒钟内,也有可能带来极大的更好的医疗效率和服务质量。它允许每个利益相关者在医疗领域拥有他/她自己的病人的医疗记录的数据库在数字形式。医疗行业产生了大量的医疗数据记录,同意和监管要求,和病人护理11]。所有这些数据一起构成医疗大数据。更具体,医疗大数据可以被定义为电子医疗记录(电子病历),包含病人的病史,医生指出,临床报告,生物识别数据,和其他医疗卫生有关的数据,以及社交媒体的文章如博客、推特、Facebook postnotifications,在医学期刊和出版物11]。重要的是,医疗数据的指数增长是另一个主要的问题在当前医疗信息系统(嘘)。这种转变不仅是医疗数据的大容量;然而,我们也在经历一个指数上升的速度这些数据生成,以及大型医疗数据的多样性。

的发展进步在传感器系统等技术,摄像机,智能手机是一个医疗数据的重要来源。介绍了日常的新来源的数据。这使它更难以在医疗过程或分析大数据使用常见的数据库管理工具。通常,当海量医疗数据捕获、存储和分析,以了解,它将提高医疗服务结果也通过智能决策和降低医疗成本。然而,有效的数据分析工具和技术以及强大的计算机系统是必需的。尤其是医疗大数据分析(BDA)已经开始成为一种很有前途的工具,照顾问题在许多医疗学科。此外,数据分析师的角色是我的大数据,探索协会和理解医疗数据的趋势和模式。这增强了健康和改善个人的生活质量,以及以低成本提供了适当的早期治疗。

存储的数据量在医疗领域继续增加对医疗保健的好奇心大数据。有大量的数据可以分析。大数据背后的原则动机之一就是关注医疗保健。世界各国的基本动机是提高医疗设施和降低医疗成本。然而,海量医疗数据的革命仍为实现这一目标的障碍。电子医疗数据来自世界各地在2012年估计为500 pb,到2020年达到25 pb (22]。因此,医疗可以被描述为一个由医务人员提供各种各样的服务,家庭或社会鼓励、保持或恢复健康。医疗体系的质量很重要,因为它决定了医院可持续增长和帮助人们保持健康的最佳状态。在某些情况下,医疗服务的质量太高,最终昂贵的病人。因此,至关重要的是,解决关键的医疗过程和相关的质量参数,在协作以确保最好的结果病人和降低医疗成本。

4.2。医疗大数据的来源

本节讨论一些医疗数据的重要来源。大数据在医疗改革医学领域通过早期疾病检测使用适当的分析工具和技术的结合,在全面分析与健康有关的信息。目前,进步在传感器系统等技术的发展,相机、可穿戴设备和移动应用程序被广泛用于医学领域的领域(23,24]。因此,更多的医疗信息正在探索以一致的方式。医疗服务中的数据分散,分散,来自不同来源的多种格式(25]。事实证实,健康是大型和异构的信息。原因是在地面上,他们来自各种内部和外部资源可以在多个位置。外部来源包括web数据、社交媒体数据和机器生成的数据,和内部来源包括事务数据,生物特征数据,和人为的数据。各种医疗数据及其来源进行了总结在表4。

4.3。卫生保健的5对大数据的特点

在本节中,关于医疗数据的重要和简要说明。五个关键特征已经发现在大多数文献[12,35)定义医疗大数据如下:体积。基于大数据的一般讨论,医疗数据是一个完美的大数据。指的是数据量大小,每天也会成倍增长,到2020年,大数据的数量可能达到44个字节(36]。相比,大部分的行业,医疗保健行业生成大量的数据形式的电子医疗记录(电子病历),生物特征数据,临床数据,放射学图像、基因组学等。所有这些数据共同形成医疗大数据(37- - - - - -39]。显然,利用一些工具比如Hadoop MapReduce, MongoDB越来越受欢迎的在医疗组织由于其存储和海量测量数据的能力(40,41]。速度。速度指的是数据生成的速度,以及从各种医疗保健系统获得的数据(42]。各种。指各种数据的异质性和多样性。医疗行业产生和收集数据以惊人的速度从不同来源如社交网站、传感器设备,摄像机,智能手机。然而,这些医疗数据可能在任何形式之一,结构化、非结构化或半结构式。结构化数据的例子是临床数据,而数据,如医生指出,图片,社交媒体数据,移动数据和非结构化或半结构式x光照片电影。图4描述了类型的医疗数据,连同例子。真实性。医疗数据的真实性特征指的是数据的可信度,而在这种情况下相当于质量保证的数据。它提供了医疗知识的真实性的程度。价值。价值是最重要和独特的医疗的所有5对大数据的特点,因为它有能力医疗数据转换成有价值的信息。它的概念是完全符合医疗数据。

5。大数据挑战医疗保健

大数据的发展介绍了几种挑战,约束和问题由于医疗数据的指数增长。大数据是不断变化的,这种变化的数据带来了很多挑战在存储、分析和检索海量的数据。当然,传统数据库系统不能用于存储过程,提取信息由于其庞大的规模和多样性的数据。

遇到的主要挑战医疗汇业银行如下:质量和存储的数据数据分析的质量很好数据分析的专业知识数据安全性和机密性多个来源的数据

医疗大数据挑战遇到并无不同。大数据的特点是主要需要解决的问题。至关重要的走向大数据技术,以提供更好的医疗设施。然而,大数据技术,介绍了某些类别的潜在风险。

5.1。医疗大数据问题

大数据问题通常发生在医疗组织是由四个主要类别35,43]:数据治理。数据管理和监管治理的数据。医疗保健行业走向数据分析,数据治理是一个重大的挑战。医疗数据生成在本质上是多元化的,要求标准化和治理。经济挑战。医学领域的设施之间的病人和医护人员在临床访问取决于有偿服务。随后,在技术进步与这一过程的地方负担医学界和生成一个不必要的影响等人员对无偿服务。大数据技术的挑战。大数据在医疗是巨大的和高度分散导致质量问题的信息,以及技术方法,大数据创建一个完成医疗视觉障碍(44]。安全和隐私问题。在大数据时代,隐私的医疗数据必须认真考虑由于潜在的个人医疗利益相关者的敏感信息。医疗数据高度敏感数据必须从未经授权的访问是安全的,不能公开,以及卫生保健欺诈也可以阻止攻击者。因此,数据安全是最重要的一个具有挑战性的任务在医疗保健领域。

在研究和分析几个发表研究论文引用单反协议,本研究主要关注最近的进展如何在ICT(信息通信技术)与大数据技术可以有效地整合为应对这些挑战的医疗大数据和对医疗服务做出重大贡献45- - - - - -51]。基于[17,52),我们作者医疗BDA分成三个类别进行分类,即描述性分析、预测分析、规范的分析。在这些不同的汇业银行技术中,这个文献综述表明,有各种各样的工具,例如,Hadoop [53]和MapReduce [54)开发医疗大数据管理。这些是部分中描述6。几个著名的汇业银行技术在医疗领域的描述表5。中提供的分类表5来自文献[12,66年- - - - - -68年]。

6。大数据分析在医疗保健

医疗汇业银行潜在的改善医疗服务的质量,降低患者的医疗成本通过海量医疗数据的关联,从而提供一个更广泛的角度基于医学证据的临床专业知识和各种测试。先进的分析工具和技术用于医疗系统提供的服务,满足日益增长的需求,使医疗卫生机构来处理海量的数据,实时分析,从所有的病人的医疗记录中提取知识。2017年,Palanisamy和Thirunavukarasu提出了各种分析方法中存在的以病人为中心的医疗系统从各利益相关者的角度(69年]。这篇文章的主要目的是协助研究人员和数据科学家做出明智的医疗决策,加强医疗中心的性能,使人们过上更健康的生活方式。特别是,这包括众多的分析技术,如机器学习,模式识别、统计分析、可视化、数据挖掘和解读功能关系和发现知识。汇业银行是基于数据挖掘的概念,包含了各种分析技术来评估和探索大量数据提取重要和有用的信息。研究人员可能会发现充足的信息汇业银行和医疗的文章(66年,70年- - - - - -72年]。

6.1。类型的医疗大数据分析

汇业银行主要执行三种类型的分析,即描述性分析,预测分析,规范的分析。描述性分析有助于探讨见解并允许医疗从业者理解正在发生的事情在特定情况下(73年,74年]。在医疗数据的背景下,描述性分析分析收集的数据以解释,理解,总结,想象重要的与健康有关的信息。另一方面,预测分析协助医疗利益相关者确定医疗服务和响应适当根据患者的需求。它还使临床医生能够处方决策系统的基础上预测(73年,74年]。使用预测分析包括各种统计技术分析,从大数据中提取有价值的见解17]。/ Hadoop MapReduce是使用最广泛的技术之一,发展卫生保健系统的预测模型。规范的分析比较相结合的一种现代分析描述和预测分析75年]。虽然预测分析建议将来会发生什么,说明性的分析提供了最佳行动是由卫生保健提供者在未来(73年,74年]。通过合并临床和基因数据,不断规范的分析repredicts医疗保健服务,改善预测精度提供更合适的诊断和治疗医疗服务提供者(76年,77年]。

医疗行业充斥着大量的数据需要验证和分析。汇业银行有权力和能力来执行必要的计算和分析能力来处理大量的医疗数据。临床科研人员,促进医务人员和医疗利益相关者来改善他们的结果通过使用他们的内部和外部的大数据来源78年,79年]。根据卫生保健提供者,病人数据的评估,结合患者病史(EHR),医生的处方,诊断报告,生物识别数据,临床测试,和其他医疗卫生有关的数据,帮助他们遵守推荐的疗程和中断的发展课程,这样可以进行更改,如果必要的。因此,它有助于消除不必要的访问和减少重新接纳率。此外,制药公司和其他医疗机构采取的好处在设计营销策略分析的优势。事实上,制药行业可以通过捕获和分析研究他们的市场现状的医疗数据,如销售记录和解释药物信息规定医疗专家为每个病人和疾病发展战略目标。因此,医疗保险公司可以开发一个适合每个病人的健康计划通过分析他们的人口数据,临床试验和统计数据与健康相关因素(69年]。

大量的数据积累在医疗保健行业从病人的病史、临床试验和诊断报告。像医疗大数据,数据分析可以表现为体积,速度,和各种被称为3 vs (3,17]。汇业银行是使用先进的分析技术分析,提取,发现有意义的模式和洞察力从大型数据集80年,81年]。汇业银行起着至关重要的作用在提高医疗设施和增加病人的临床结果。因此有能力改善医疗服务的质量和生活方式,减少医疗费用。基于大数据的当前状态的系统回顾研究王Hajli,汇业银行在医疗上可以用能力获取、存储过程,以不同形式和分析大量的健康数据,为用户提供有意义的信息,使他们能够探索业务价值和及时的见解82年]。

6.2。医疗大数据分析的必要性

BDA的医疗保健需要提高医疗质量考虑到相关的医疗服务:提供个性化医疗。大数据在医疗改革医学领域通过早期疾病检测和降低医疗成本的病人使用适当的分析工具全面。这有助于开发个性化的医疗保健系统涉众(83年,84年]。早期发现疾病的传播。这集中于早期预测病毒感染性疾病(也就是说,在传播之前)社会网络分析的基础上。越来越多的社交媒体的病人患有一种疾病在一个特定的地理区域进行监视识别的发展和传播的病毒性疾病。这帮助医疗保健专家建议患者采取必要的预防措施。监测的临床表现。有很多的热情评价临床表现以屏幕和提高医疗服务的质量。医院的改革主要关注的是医疗部门的战略计划。这可以通过监控和建立医院按照医疗委员会的标准。

6.3。大数据分析技术在医疗保健

过去,传统技术和数据仓库数据分析师所使用的存储、过程和管理数据。然而,海量数据的革命在医疗无法使用传统的数据库处理系统,工具和技术。如今,许多先进的技术和高计算能力和存储容量已经发展为了解决传统系统的低性能和困难。因此,在[85年),可以称为“大数据技术先进的技术,有很高的计算能力和分析处理大量数据的能力从各种来源收集提取洞察力。“按照作者(86年,87年),大数据技术涵盖了广泛的领域如机器学习、统计分析和图像分析。几个著名的汇业银行技术用于医疗领域如表所示5。生成的分类表5从文献[12,66年- - - - - -68年,86年]。大数据等各个领域中起着重要作用的政府组织、行业协会、医疗行业、教育、研究和发展。汇业银行也赋予二级医疗保健行业中使用临床资料(88年]。大数据验收已经显示出巨大的增长从2015年的17%到2017年的53%根据福布斯(89年]。

在当前数字时代,医疗保健是一个医疗行业产生大量的数据,而这些医疗大数据可以通过它的体积特征,速度,和各种被称为3对(3]。数据挖掘技术可以应用在这个大量的医疗数据,以确定新的有趣的模式对医疗服务质量和有价值的见解。Hadoop是一个开源的软件框架BDA的医疗保健以及最受欢迎的实现MapReduce编程模型(90年]。它允许分布式存储和处理的各种各样的医疗大数据是否结构化、半结构式,或非结构化等病人的EHR,医生指出,实验室数据、临床试验报告、和保险数据相比传统的数据库系统。图5显示了一个大数据分析的一般概念架构(7]。

6.4。为医疗大数据分析平台和工具

目前有许多技术可用来执行。一些工具和技术支持Hadoop分布式平台正在下面讨论(91年,92年]:Hadoop常见。它指的是一组常见的实用程序,协助其他模块的Hadoop框架。Apache Hadoop常见的是一个基本组成部分的平台除了HDFS,纱,MapReduce。Hadoop常见的通常称为Hadoop的核心。Apache HDFS。HDFS指的是Hadoop分布式文件系统,可用于处理非结构化数据在商品硬件为主。HDFS是主要的数据存储在每个文件分为固定块大小和分布在许多服务器(节点)。使用NameNode HDFS采用主/从体系结构(主节点)和DataNode(奴隶节点)(93年,94年]。Hadoop MapReduce。MapReduce编程框架,使我们能够处理大量的数据在分布式并行计算环境。这个框架包含两个主要功能,即Map和Reduce能够有效地管理结构化以及非结构化数据(95年,96年]。MapReduce的名称表明,减速器函数完成后发生的映射函数。Apache蜂巢。蜂巢是数据仓库框架用来查询和分析大量的数据存储在Hadoop的HDFS。它是一个ETL(提取、转换和加载)Hadoop生态系统的工具。蜂巢是建立在Hadoop的平台,提供了一种声明性语言类似于SQL的蜂巢查询语言(HiveQL),使SQL程序员方便地执行数据分析(97年]。猪。Apache猪是一个并行计算框架,它运行在Apache Hadoop的平台。拉丁语是这个平台的语言用于分析大量数据由于其分布式架构。事实上,拉丁语就像SQL语言,很容易学习。主要的区别是拉丁语可以处理半结构式和非结构化数据(93年,98年]。HBase。Apache HBase是一个开源的、多维的分布式数据库系统在Hadoop生态系统。它运行在顶部的Hadoop分布式文件系统(HDFS)。HBase可以存储大量数据通常以TB结核病PB (PB)和不支持像SQL结构化查询语言;事实上,HBase使用NoSQL的方法。Mahout。Apache Mahout是一个开源的分布式框架支持BDA Hadoop平台,是为机器学习使用MapReduce程序而设计的。Apache Mahout使我们能够开发协同过滤、分类、聚类、关联挖掘和统计算法和机器学习相关数据科学技术的帮助下(93年,99年]。

更多的工具和技术,一个可能是指(7,53]。

7所示。医疗行业大数据的好处

医疗行业从一个医生的办公室很大的医疗服务提供者的网络有可能承认通过数字化带来了显著效益,整合,有效地使用大数据分析工具和技术在医疗保健。

根据最近发表的研究(65年,66年,One hundred.),以下是一些主要的好处:临床操作:医疗信息有助于确定方法的临床诊断和治疗病人更重要和具有成本效益的病人:医疗信息可以帮助患者在正确的时间做出正确的决定和改善病人的健康,同时降低医疗成本卫生保健提供者:从医疗机构协助获得利益相关者的数据开发新的医疗策略减少不必要的住院患者研究与开发:医疗数据支持通过更精确的研究人员和科学家来提高医疗服务和适当的治疗公共卫生:医疗数据也协助评估疾病的健康风险以及分析趋势加强公共卫生监测

8。大数据分析在医疗中的应用

buzzword大数据在数字世界是高度的需求在各个领域,尤其是在医疗保健领域。这就奠定了基础医疗保健行业各种应用程序。医疗汇业银行潜在的改善医疗服务的质量,降低患者的医疗成本通过发现海量医疗数据的关联,从而提供一个更广泛的角度基于医学证据的临床专业知识和各种测试(101年]。医疗汇业银行还可以帮助临床医生和决策者制定公共政策规定和服务交付基于开放健康数据,患病率数据和经济剥夺数据(102年]。根据作者在One hundred.,101年,103年,104年),汇业银行在医疗保健中的应用的主要领域如下:医疗监控。医疗数据分析可用于持续监测用户的健康状况(病人),以提高他们的生活方式93年]。医疗风险预测。医疗数据的深入分析有助于医疗利益相关者风险预测和医疗从业者开发解决方案。它还使临床医生能够处方决策系统的基础上预测(73年,74年]。数据分析在医疗保健也可以用来识别和管理高风险和高成本的病人105年]。行为监测。BDA的另一个潜在的实现医疗监测患者的异常行为(66年]。2005年,Nambu等人提出了家庭医疗保健系统来捕捉病人的行为数据诊断他们的健康状况106年]。欺诈检测和预防。数据分析的一个主要和重要的应用在医疗保健行业是欺诈检测和预防。根据作者在107年),数据挖掘和机器学习技术主要用于卫生保健欺诈检测。临床决策支持系统。在医学领域,临床决策支持系统的设计是为了方便医护人员在临床决策基于病人的健康状况(诊断疾病108年,109年]。个性化医疗的推荐系统。大数据在医疗保健领域中起着重要作用开发个性化推荐系统给精确和相关医疗建议(意见)个体(病人)根据其当前健康状况和医疗历史110年]。作者在111年基于)提出了一个智能健康推荐系统通过汇业银行学习和研究病人的健康记录,评估风险和不同的疾病的严重程度,然后根据预测的结果提供建议。作者在112年建议临床推荐系统,有利于患者获得准确的建议基于他们自己的健康状况。药物发现和临床试验。BDA医疗制药行业被广泛使用的药物发现,以便它可以帮助医生,药物开发人员和其他卫生保健专业人士获得正确的药物在正确的时间正确的病人(107年,113年,114年]。图像信息和Telediagnosis。成像信息生成方法的研究,管理和代表图像信息在不同的生物医学应用程序。这是关心如何交换和医学图像分析在复杂的医疗保健系统(115年,116年]。该研究的作者(117年]介绍小说telemammography乳腺癌的早期检测系统的图像处理和机器学习技术。计算机辅助诊断在医学成像中起着重要作用118年]。保健知识系统。根据(119年),一个知识管理系统开发基于医疗大数据以支持临床决策和疾病诊断。医疗保健知识系统是基于多种数据库等电子健康记录(EHR),医学影像数据和非结构化临床笔记和基因数据。公共卫生信息。按[115年,120年,121年),汇业银行在医疗保健也可以用来追踪和监控公共卫生决策和政策发展的地位。

基于不同作者的研究显示,汇业银行在医疗保健有潜力提高医疗保健质量,降低再次住院的比例,降低病人的医疗费用由探索协会和理解医疗数据的性质(7,93年,122年]。此外,图像处理、信号处理和基因组学目前的三个主要领域的应用数据分析在医疗保健领域(123年]。

9。结论

本系统综述的重点是现有文献研究医疗大数据基于定义的关键字和在医疗保健领域的研究方面。该研究使用单反协议和指南回顾过去的系统研究和前沿的文章大数据的医疗保健。一个单反协议的目的是基于以下目的:分析不同的观点关于大数据的概念在医疗保健探索医疗大数据的起源确定为医疗大数据分析工具和技术强调大数据的潜在的优势和应用在医疗保健注意克服大数据挑战医疗保健

本研究将有助于研究人员与未来工作的一个有用的基础理解医疗大数据的总体背景及其应用。该研究的局限性在于,电子在只有两个期刊数据库中执行搜索过程从2015年到2019年,和其余的数据库被忽略而访问期刊文章的质量可以在将来的研究中得到解决。

数据可用性

数据共享不适用本文没有生成数据集或分析在当前的研究中。

的利益冲突

作者声明,关于这份出版物不存在利益冲突。

引用

1. d·p·奥古斯汀”,利用大数据分析和Hadoop开发印度的医疗保健服务,“国际期刊的计算机应用程序,卷89,不。16日,44-50,2014页。视图:出版商的网站|谷歌学术搜索
2. m·考克斯和d·埃尔斯沃思“Application-controlled分页反应堆外的可视化的需求,”程序。可视化的97(猫。97号cb36155)IEEE,页235 - 244年,凤凰城,亚利桑那州,美国,1997年10月。视图:出版商的网站|谷歌学术搜索
3. d .兰妮,“3 d数据管理:控制数据量、速度和多样性,”元集团研究报告》第六卷,2001年。视图:谷歌学术搜索
4. c·p·陈和张c . y”,数据密集型应用,挑战,技术和技术:大数据的调查,“信息科学卷,275年,第347 - 314页,2014年。视图:出版商的网站|谷歌学术搜索
5. c . x, y Wang高,k .林和李y”自动诊断与有效的医疗情况下搜索基于进化图,“IEEE访问》第六卷,第53318 - 53307页,2018年。视图:出版商的网站|谷歌学术搜索
6. r·克里s . s . l . Tan和美国S.-L。棕褐色,“电子健康记录:如何改变卫生保健人员贡献吗?”MIS的季度,40卷,不。3、553 - 573年,2016页。视图:出版商的网站|谷歌学术搜索
7. w . Raghupathi诉Raghupathi,“大数据分析医疗:承诺和潜力,”健康信息科学和系统,卷2,不。1,p。2014。视图:出版商的网站|谷歌学术搜索
8. m . Vivekanand和b . m . Vidyavathi”,在大数据安全挑战,”国际高级研究计算机科学杂志》上》第六卷,没有。6、2015。视图:谷歌学术搜索
9. e .气压s Degoul r . Beuscart, e . Chazard”向医疗literature-driven大数据的定义,“生物医学研究的国际ID 639021条,卷。2015年,9页,2015。视图:出版商的网站|谷歌学术搜索
10. A·德·毛罗·m·格列柯,m·格里马尔迪”正式大数据根据其基本特征的定义,“图书馆复习,卷65,不。3、122 - 135年,2016页。视图:出版商的网站|谷歌学术搜索
11. k·卡和n . Kulennavar”在医疗保健、大数据分析调查”国际计算机科学与信息技术杂志》上,5卷,不。4、5865 - 5868年,2014页。视图:谷歌学术搜索
12. s .纳齐尔·m·纳瓦兹·a·Adnan沙赫扎德,和s Asadi”大数据功能、应用程序和cardiology-a系统性文献回顾分析,“IEEE访问7卷,第143771 - 143742页,2019年。视图:出版商的网站|谷歌学术搜索
13. Sagiroglu和d . Sinanc“大数据:一个评论,”《2013年国际会议上协作技术和系统(CTS)圣地亚哥,页42-47,IEEE CA,美国,2013年5月。视图:谷歌学术搜索
14. 李,“大数据:维度,进化、影响和挑战,”业务范围,60卷,不。3、293 - 303年,2017页。视图:出版商的网站|谷歌学术搜索
15. 美国女子,h . m .凌晨,y Daryanto,“大数据分析2010年和2016年之间的供应链管理:行业的见解,“计算机与工业工程卷,115年,第330 - 319页,2018年。视图:出版商的网站|谷歌学术搜索
16. g . Silahtaroğlu和n . Yılmazturk”健康和大数据的数据分析:机器学习医学诊断模型基于病人的投诉。”通信在统计理论和方法,2019年,页1 - 10。视图:出版商的网站|谷歌学术搜索
17. a . Gandomi和m·海德尔”除了炒作:大数据的概念、方法和分析,“国际信息管理杂志》上,35卷,不。2、137 - 144年,2015页。视图:出版商的网站|谷歌学术搜索
18. c·h·李和周宏儒。尹,“医学大数据:承诺和挑战,”肾的研究和临床实践,36卷,不。1,3-11,2017页。视图:出版商的网站|谷歌学术搜索
19. r . y中,s t·纽曼,g .问:黄和局域网,“大数据的供应链管理服务和制造业:挑战,机遇,和未来的视角,“计算机与工业工程卷,101年,第591 - 572页,2016年。视图:出版商的网站|谷歌学术搜索
20. k . f . Tiampo麦金尼斯,y Kropivnitskaya, j .秦和m·a·鲍尔“大数据挑战和危险建模,”危险和灾难的危险建模爱思唯尔,210,页193 - 2018。视图:谷歌学术搜索
21. l . Wang和c·a·亚历山大,”大数据在医疗应用程序和卫生保健。”美国医学杂志》第六卷,没有。1,1 - 8,2015页。视图:出版商的网站|谷歌学术搜索
22. j .太阳和c . k . Reddy,“医疗、大数据分析”19 ACM SIGKDD学报》国际会议上知识发现和数据挖掘,知识发现(KDD)的13美国,芝加哥,2013年。视图:出版商的网站|谷歌学术搜索
23. a . t .瞧我,r . Mehmood e . Benkhlifa和h的歌,“移动云计算和大数据分析模型对于医疗保健应用程序,”IEEE访问4卷,第6180 - 6171页,2016年。视图:出版商的网站|谷歌学术搜索
24. Garcia-Magarino, r . Lacuesta, j . Lloret”与物联网智能床探索模拟大数据分析,“IEEE访问》第六卷,第379 - 366页,2017年。视图:出版商的网站|谷歌学术搜索
25. w·b·劳斯和n . Serban理解和管理复杂的医疗保健美国马剑桥,麻省理工学院出版社,2014年。
26. s, m . Njoku和c·f·麦肯齐,“大数据方法创伤的结果预测和自治的复苏,”英国医院的医学杂志》上,卷75,不。11日,第641 - 637页,2014年。视图:出版商的网站|谷歌学术搜索
27. n . p .特里“保护病人隐私在大数据时代,“SSRN电子杂志,第81卷,第385页,2012年。视图:出版商的网站|谷歌学术搜索
28. r·b·Shrestha“大数据和云计算,应用放射学,43卷,不。3,32页,2014年。视图:谷歌学术搜索
29. A . Rizwan A . Zoha r . Zhang et al .,“回顾nano-communication的作用在未来的医疗系统:大数据分析的角度来看,“IEEE访问》第六卷,第41920 - 41903页,2018年。视图:出版商的网站|谷歌学术搜索
30. 委员会,卡尼维尔l . r . s . Calabro a Celesti et al .,“为了提高机器人步态训练:大数据分析能帮助我们吗?”IEEE物联网》第六卷,没有。2、1419 - 1426年,2018页。视图:出版商的网站|谷歌学术搜索
31. c, d . c . w . p . y . Wu Cheng Kaddi, j . Venugopalan r·霍夫曼和m . d . Wang”使和电子健康记录大精密医学数据分析,“IEEE生物医学工程,卷64,不。2、263 - 273年,2016页。视图:出版商的网站|谷歌学术搜索
32. f . Celesti a . Celesti j .广域网,m·维拉里”为什么深度学习是改变方法门店数据处理:复习一下,”在生物医学工程IEEE评论11卷,第76 - 68页,2018年。视图:出版商的网站|谷歌学术搜索
33. k·米勒,“大数据分析在生物医学研究中,“生物医学计算审查2012年,卷2,页14号至21号。视图:谷歌学术搜索
34. s . c . Helm-Murtagh”使用大数据由蓝十字和蓝盾公司的北卡罗莱纳”北卡罗莱纳医学杂志,卷75,不。3、195 - 197年,2014页。视图:出版商的网站|谷歌学术搜索
35. b . k . Sarkar“大数据安全的医疗保健系统:一个概念设计,“复杂和智能系统,3卷,不。2、133 - 151年,2017页。视图:出版商的网站|谷歌学术搜索
36. m . s . Hajirahimova和a . s . Aliyeva”大数据测量方法和指标,”国际现代教育和计算机科学杂志》上,9卷,不。10,p . 2017。视图:出版商的网站|谷歌学术搜索
37. a . Widmer r . Schaer d Markonis, h·穆勒”手势交互的内容——基于医学图像检索”国际多媒体检索会议上学报》上2014年4月,页503 - 506年,格拉斯哥,苏格兰。视图:出版商的网站|谷歌学术搜索
38. j . a . Seibert”模式和数据采集实际的成像信息施普林格,页49 - 66年,纽约,纽约,美国,2009年。视图:谷歌学术搜索
39. a . s . Panayides m . s . Pattichis s Leandrou c . Pitris a . Constantinidou和c . s . Pattichis”Radiogenomics精密医学与大数据分析的角度来看,“IEEE生物医学和卫生信息学杂志》上,23卷,不。5,2063 - 2079年,2018页。视图:出版商的网站|谷歌学术搜索
40. g .阿德里安·g·e·弗朗西斯科·m·玛塞拉,a . Baum l .丹尼尔,和g·b·德·奎洛斯Fernan”Mongodb:一个开放源码选择hl7 cda临床文档管理、“程序的开源国际会议(CISL 13)布宜诺斯艾利斯,阿根廷,2013。视图:谷歌学术搜索
41. Kaur k和r .王妃”管理数据在医疗信息系统:许多模型,一个解决方案,“电脑,48卷,不。3,52-59,2015页。视图:出版商的网站|谷歌学术搜索
42. b . Cyganek m .基粒,b . et al .,杰哈卡胡奇“电子健康记录的大数据问题的调查分析,“应用人工智能,30卷,不。6,497 - 520年,2016页。视图:出版商的网站|谷歌学术搜索
43. 季米特洛夫d诉“医疗物联网和大数据在医疗,”医疗信息学研究,22卷,不。3、156 - 163年,2016页。视图:出版商的网站|谷歌学术搜索
44. f . Firouzi b . Farahani m·易卜拉欣和k . Chakrabarty”主题论文:从EDA到物联网电子健康:承诺,挑战,和解决方案,“IEEE计算机辅助设计的集成电路和系统,37卷,不。12日,第2978 - 2965页,2018年。视图:出版商的网站|谷歌学术搜索
45. Sakr和a . Elgammal”综合数据分析框架,智能医疗保健服务,“大数据的研究4卷,44-58,2016页。视图:出版商的网站|谷歌学术搜索
46. 张y . m .秋c·w·蔡m·m·哈桑和a . Alamri”Health-CPS:医疗cyber-physical系统云计算和大数据的帮助下,“IEEE系统杂志,11卷,不。1,第95 - 88页,2015。视图:出版商的网站|谷歌学术搜索
47. 美国k·沙玛和x王”,实时数据分析在无线物联网网络协作和云边缘处理,”IEEE访问5卷,第4635 - 4621页,2017年。视图:出版商的网站|谷歌学术搜索
48. m·s·哈迪,t·e·h·El-Gorashi Lawey和j·m·h·Elmirghani“成规蜂窝网络优化使用大数据分析,“IEEE访问7卷,第49296 - 49279页,2019年。视图:出版商的网站|谷歌学术搜索
49. s . El-Sappagh f·阿里,s。马斯里k金,a·阿里和k . s .夸克”移动卫生技术对糖尿病:当前状态和未来的挑战,”IEEE访问7卷,第21947 - 21917页,2018年。视图:出版商的网站|谷歌学术搜索
50. z, w·陈黄h, s .郭和z郑,“种合作计算卸载工业IoT-edge-cloud计算环境,”IEEE并行和分布式系统,30卷,不。12日,第2774 - 2759页,2019年。视图:出版商的网站|谷歌学术搜索
51. d . c . Yacchirema d . Sarabia-Jacome c·e·帕劳和m·埃”智能睡眠监测系统通过集成物联网与大数据分析,“IEEE访问》第六卷,第36001 - 35988页,2018年。视图:出版商的网站|谷歌学术搜索
52. m·h·拉赫曼,诉,a Batool, t . y .哇,”大数据简化框架的价值创造可持续的企业,“国际信息管理杂志》上,36卷,不。6,917 - 928年,2016页。视图:出版商的网站|谷歌学术搜索
53. Kumar和m·辛格“大医疗行业数据分析:影响,应用和工具,”大数据挖掘和分析,卷2,不。1,48-57,2018页。视图:出版商的网站|谷歌学术搜索
54. h .江y, z俏,郭宏源。翁,K.-C。李,“扩大MapReduce-based multi-GPU上大数据处理系统”集群计算,18卷,不。1,第383 - 369页,2015。视图:出版商的网站|谷歌学术搜索
55. m·陈,y, Hwang k, l . Wang和l .王”疾病预测通过机器学习从医疗社区,大数据”IEEE访问5卷,第8879 - 8869页,2017年。视图:出版商的网站|谷歌学术搜索
56. 甘尼k . r . k .郑j·t·魏和c·p·弗里德曼“卫生保健和研究利用大数据:泌尿科医生准备好了吗?”欧洲泌尿学,卷66,不。6,975 - 977年,2014页。视图:出版商的网站|谷歌学术搜索
57. j . Roski g . w . Bo-Linn, t·a·安德鲁斯”创造价值通过大数据在卫生保健:机遇和政策影响,”卫生事务,33卷,不。7,1115 - 1122年,2014页。视图:出版商的网站|谷歌学术搜索
58. t .鬃毛,“聪明的使用改善心脏病预测系统K则和ID3大数据”《2017年国际会议上数据管理、分析和创新(ICDMAI)IEEE,页239 - 245年,浦那(印度,2017年2月。视图:谷歌学术搜索
59. k•拉希米·d·班尼特:康拉德et al .,“风险预测心力衰竭患者,”JACC:心力衰竭,卷2,不。5,440 - 446年,2014页。视图:出版商的网站|谷歌学术搜索
60. d . Al-Jumeily a·侯赛因、马鲁西c和c·奥利弗应用计算机在医学和健康摩根考夫曼,伯灵顿,妈,美国,2015年。
61. f . j . Martin-Sanchez诉Aguiar-Pulido g . h . Lopez-Campos n . Peek和l·萨基,“二次使用的大数据收集和分析病人的治疗,”医学信息学年鉴,26卷,不。01,28-37,2017页。视图:出版商的网站|谷歌学术搜索
62. 金达尔,a Dua n . Kumar a . k . Das a . v . Vasilakos和j·j·p·c·罗德里格斯”提供healthcare-as-a-service使用基于模糊规则的云计算、大数据分析”IEEE生物医学和卫生信息学杂志》上,22卷,不。5,1605 - 1618年,2018页。视图:出版商的网站|谷歌学术搜索
63. Luxton公司旗下d d”介绍人工智能行为和精神卫生保健,”人工智能在行为和精神卫生保健剑桥,页1-26,学术出版社,妈,美国,2016年。视图:谷歌学术搜索
64. n . Mehta a·潘迪特,美国Shukla”转变与大数据分析和人工智能:医疗系统的映射的一项研究中,“生物医学信息学杂志,第100卷,第103311页,2019年。视图:出版商的网站|谷歌学术搜索
65. l . y . Wang宫,t·a·伯德”大数据分析:了解医疗组织的能力和潜在的好处,”技术预测和社会变革2018年,卷126,页3日到13。视图:出版商的网站|谷歌学术搜索
66. n·梅塔和a·潘迪特”合作的大数据分析和医疗:系统回顾,“国际医学信息学杂志》上卷,114年,页57 - 65,2018。视图:出版商的网站|谷歌学术搜索
67. c·s·克鲁斯r . Goswamy y艾,和s Marawi”大数据的挑战和机遇在卫生保健:系统回顾,“JMIR医学信息,4卷,不。4 p . e38 2016。视图:出版商的网站|谷歌学术搜索
68. s .纳齐尔·m·纳瓦兹汗,美国安瓦尔et al .,“大数据可视化cardiology-a系统性的回顾和未来的发展方向,”IEEE访问7卷,第115958 - 115945页,2019年。视图:出版商的网站|谷歌学术搜索
69. 诉Palanisamy和r . Thirunavukarasu”影响的大数据分析在发展医疗框架的审查,”沙特国王大学计算机与信息科学杂志》上没有,卷。31日。4、415 - 425年,2019页。视图:出版商的网站|谷歌学术搜索
70. g . Harerimana张成泽,j·w·金和h . k .公园,“健康大数据分析:技术的一项调查,“IEEE访问》第六卷,第65678 - 65661页,2018年。视图:出版商的网站|谷歌学术搜索
71. a . Celesti o . Amft m·维拉里,“客人编辑特别部分云计算,边缘计算、物联网、大数据分析医疗行业4.0,申请”IEEE工业信息,15卷,不。1,第456 - 454页,2019。视图:出版商的网站|谷歌学术搜索
72. j . Qadir m . Mujeeb-U-Rahman m . h . Rehmani et al .,“IEEE访问专题编辑:卫生信息学的发展中国家,“IEEE访问5卷,第27823 - 27818页,2017年。视图:出版商的网站|谷歌学术搜索
73. g . Phillips-Wren l·s·艾耶美国Kulkarni和t . Ariyachandra”上下文中的业务分析大数据:一个路线图的研究,“通信协会的信息系统,37卷,不。1,p。23日,2015。视图:出版商的网站|谷歌学术搜索
74. h·j·沃森,”教程:大数据分析:概念、技术和应用,“通信协会的信息系统,34卷,不。1,p。65年,2014。视图:出版商的网站|谷歌学术搜索
75. d . Delen现实世界的数据挖掘:应用业务分析和决策英国《金融时报》的新闻,上台北,美国,2014年。
76. m . Riabacke m .能源部和l . Ekenberg“先进的规定性标准体重启发,”决策科学的进步276584卷,2012篇文章ID, 24页,2012。视图:出版商的网站|谷歌学术搜索
77. 饿了,h .元,Y.-T z。张,m . Packirisamy“客人编辑健康工程由行业4.0老龄化社会,“IEEE生物医学和卫生信息学杂志》上,22卷,不。6,1709 - 1710年,2018页。视图:出版商的网站|谷歌学术搜索
78. d . Rajeshwari“国家艺术的大数据分析:一项调查,“国际期刊的计算机应用程序,卷120,不。22日,2015年。视图:出版商的网站|谷歌学术搜索
79. s . Shafqat s Kishwer r . Rasool, j . Qadir t·阿姆和h·f·艾哈迈德,“大数据分析提高医疗系统:复习一下,”《华尔街日报》的超级计算,卷76,不。3、1754 - 1799年,2018页。视图:出版商的网站|谷歌学术搜索
80. 张毛s m . Chen, y, v c .梁大数据:相关技术,挑战和未来前景施普林格,柏林,德国,2014年。
81. z周,w . Gaaloul, p . c . k .挂l .蜀和w . Tan“IEEE访问特别会议编辑:大数据服务和计算智能工业系统,”IEEE访问,3卷,第3088 - 3085页,2015年。视图:出版商的网站|谷歌学术搜索
82. 王y和n . Hajli”探索在医疗、大数据分析的路径成功”商业研究杂志》卷,70年,第299 - 287页,2017年。视图:出版商的网站|谷歌学术搜索
83. m . Viceconti p·亨特,r .软管,“大数据,大知识:大数据的个性化医疗、”IEEE生物医学和卫生信息学杂志》上,19卷,不。4、1209 - 1215年,2015页。视图:出版商的网站|谷歌学术搜索
84. y, l .张e .冲电气n . v .拉和科斯,“IEEE访问专题编辑:大数据分析的智能和连接健康,”IEEE访问4卷,第9909 - 9906页,2016年。视图:谷歌学术搜索
85. j . Gantz和d . Reinsel”,从混乱中提取价值。”IDC Iview卷,1142年,页1 - 12,2011。视图:谷歌学术搜索
86. c . Ngufor和j . Wojtusiak”从大规模分布式学习健康数据:一个近似逻辑回归方法,”《ICML 13:机器学习在转变医疗保健的作用2013年,亚特兰大,乔治亚州,美国。视图:谷歌学术搜索
87. r, g·西蒙,f . Yu”推进老年痴呆症研究:回顾大数据的承诺,“国际医学信息学杂志》上卷。106年,48-56,2017页。视图:出版商的网站|谷歌学术搜索
88. 卡诺,a . Tenyi大肠船帆座,f .产生和j . Roca”观点的大数据应用健康信息,“当前系统生物学的观点,3卷,36-42,2017页。视图:出版商的网站|谷歌学术搜索
89. https://www.forbes.com/sites/louiscolumbus/2017/12/24/53-of-companies-are-adoptingbig-data-analytics/ 50 bf384239a1。
90. m . Bakratsas p .战国、d . Katsaros和l . Tassiulas”Hadoop mapreduce的性能在ssd上分析社交网络,”大数据的研究卷。11日,1 - 10,2018页。视图:出版商的网站|谷歌学术搜索
91. p . Zikopoulos d·德鲁k . Parasuraman t·多伊奇j .贾尔斯·d·克里甘,利用大数据的IBM大数据平台麦格劳希尔专业,2012年纽约,纽约,美国。
92. p . Zikopoulos和c·伊顿理解大数据:企业级Hadoop和流媒体数据的分析麦格劳-希尔奥斯本媒体,纽约,纽约,美国,2011年。
93. a . Oussous F.-Z。Benjelloun, a .河中的小岛Lahcen, s . Belfkih”大数据技术:一项调查,”沙特国王大学计算机与信息科学杂志》上,30卷,不。4、431 - 448年,2018页。视图:出版商的网站|谷歌学术搜索
94. 诉拉,”大数据分析,“共振,21卷,不。8,695 - 716年,2016页。视图:出版商的网站|谷歌学术搜索
95. m·伊德里斯·侯赛因,m·阿里et al。”MapReduce的上下文感知调度:一个紧凑的审查,”并发性和计算:实践和经验,27卷,不。17日,第5349 - 5332页,2015年。视图:出版商的网站|谷歌学术搜索
96. h·圣吉诉Gil-Costa l . Arantes et al .,“BSP MapReduce操作成本和可扩展性分析,“并发性和计算:实践和经验,28卷,不。8,2503 - 2527年,2016页。视图:出版商的网站|谷歌学术搜索
97. https://www.datasciencecentral.com/profiles/blogs/the-hadoop-ecosystem-hdfs-yarn-hivepig-hbase-and-growing。
98. a . k . Bhadani和d . Jothimani”大数据:挑战、机遇和现实,”有效的大数据管理和实现的机会- 24页。IGI全球,宾夕法尼亚州,PA,美国,2016年。视图:谷歌学术搜索
99. n .汗Yaqoob,中情局t·哈西姆et al .,“大数据:调查中,技术、机会和挑战,”科学世界日报ID 712826条,卷。2014年,18页,2014年。视图:出版商的网站|谷歌学术搜索
100. s . Bahri n . Zoghlami m . Abed和j·m·r·s·塔瓦雷斯”医疗大数据:一项调查,”IEEE访问7卷,第7408 - 7397页,2019年。视图:出版商的网站|谷歌学术搜索
101. s . r . Sukumar r . Natarajan, r·k·法瑞尔“大数据在卫生保健质量,”国际医疗质量保证杂志》上,28卷,不。6,621 - 634年,2015页。视图:出版商的网站|谷歌学术搜索
102. 克莱兰德,j·华莱士,r .债券et al .,“洞察抗抑郁药处方使用开放健康数据,”大数据的研究》12卷,41-48,2018页。视图:出版商的网站|谷歌学术搜索
103. n Agnihotri和a·k·夏尔马”,提出了有效的算法实时大数据流分析,”学报2015第三国际会议上图像信息处理(ICIIP)IEEE,页348 - 352年,Waknaghat,印度,2015年12月。视图:出版商的网站|谷歌学术搜索
104. j·s·拉姆斯菲尔德k . e . Joynt和t·m·马德克斯,“大数据分析提高心血管保健:承诺和挑战,”自然评论心脏病学,13卷,不。6,350 - 359年,2016页。视图:出版商的网站|谷歌学术搜索
105. d . w·贝茨,s . Saria l . Ohno-Machado a .沙和g . Escobar”大数据在卫生保健:使用分析来识别和管理高风险和高成本的病人,”卫生事务,33卷,不。7,1123 - 1131年,2014页。视图:出版商的网站|谷歌学术搜索
106. m . Nambu k .及其m . Noshiro和t(“一个算法的自动检测健康状况,“IEEE,生物医学工程杂志,24卷,不。4,38-42,2005页。视图:出版商的网站|谷歌学术搜索
107. r·普拉特r·卡纳汉j·s·布朗et al .,“美国食品和药物管理局mini-sentinel项目”药物和药物安全21卷,页1 - 303,2012。视图:出版商的网站|谷歌学术搜索
108. e . s .伯纳临床决策支持系统卷。233年,施普林格科学+商业媒体,LLC纽约,纽约,美国,2007年。
109. c . s .梅奥,j·m·莫兰w .博世et al .,“263年美国医学物理学家协会任务组:标准化术语在放射肿瘤学,”国际放射肿瘤学∗∗生物物理学杂志》上,卷100,不。4、1057 - 1066年,2018页。视图:出版商的网站|谷歌学术搜索
110. 答:科斯和a . Umek”可穿戴传感器设备的预防和康复保健:游泳运动与实时治疗师反馈,”IEEE物联网》第六卷,没有。2、1331 - 1341年,2018页。视图:出版商的网站|谷歌学术搜索
111. a . k . Sahoo s Mallik Pradhan, b . s . p . Mishra r·k·Barik h . Das,“智力的健康使用大数据分析、推荐系统”智能医疗管理大数据分析学术出版社,页227 - 246年,剑桥,妈,美国,2019年。视图:出版商的网站|谷歌学术搜索
112. t·r·霍恩·m·布兰顿a·斯蒂尔和n v·乔,“可靠的医疗建议系统和病人隐私,”ACM智能交易系统和技术,4卷,不。4日至31日,2013页。视图:出版商的网站|谷歌学术搜索
113. m·a .汉堡和f·s·柯林斯“个性化医疗之路。”新英格兰医学杂志》上,卷363,不。4、301 - 304年,2010页。视图:出版商的网站|谷歌学术搜索
114. k . g . Wang荣格、r . Winnenburg和n . h·沙”系统的方法从临床发现药物不良事件所指出的,“美国医学协会杂志》上,22卷,不。6,1196 - 1204年,2015页。视图:出版商的网站|谷歌学术搜索
115. d . j .罗m . Wu Gopukumar, y赵,“大数据应用在生物医学研究和医疗保健:一个文献综述,”生物医学信息学的见解,8卷,文章ID BII。S31559, 2016年。视图:出版商的网站|谷歌学术搜索
116. t . Saheb和l . Izadi”范式的物联网在医疗行业大数据分析:科学文献的回顾和映射的研究趋势,”远程信息处理和信息41卷,第85 - 70页,2019年。视图:出版商的网站|谷歌学术搜索
117. l·赛义德·s·Jabeen, s . Manimala”Telemammography:早期发现乳腺癌的新方法通过基于小波的图像处理和机器学习技术,”先进的软计算在图像处理和机器学习施普林格,页149 - 183年,可汗,瑞士,2018。视图:谷歌学术搜索
118. k . Doi:“计算机辅助诊断在医学成像:历史回顾、现状和未来的潜力,”计算机医学影像和图形没有,卷。31日。4 - 5,198 - 211年,2007页。视图:出版商的网站|谷歌学术搜索
119. g . Manogaran c . Thota d·洛佩兹诉Vijayakumar k·m·阿巴斯和r . Sundarsekar“大数据系统在医疗保健知识,”物联网和大数据技术的下一代医疗施普林格,页133 - 157年,可汗,瑞士,2017。视图:谷歌学术搜索
120. t .心脏,o . Ben-Assuli Shabtai,“回顾PHR EMR和EHR集成:一个更个性化的医疗和公共卫生政策,”卫生政策和技术》第六卷,没有。1、20 - 25,2017页。视图:出版商的网站|谷歌学术搜索
121. p . Galetsi k Katsaliaki, s . Kumar“价值观、挑战和未来的发展方向的大数据分析医疗:系统回顾,“社会科学与医学,第241卷,第112533页,2019年。视图:出版商的网站|谷歌学术搜索
122. a . Kankanhalli j·哈恩,s . Tan和g高,“大数据和分析在医疗保健:介绍特殊部分,“信息系统领域,18卷,不。2、233 - 235年,2016页。视图:出版商的网站|谷歌学术搜索
123. 答:美女,r . Thiagarajan s . m . Soroushmehr f . Navidi d . a .胡子,和k . Najarian“医疗、大数据分析”生物医学研究的国际文章ID 370194卷,2015年,16页,2015年。视图:出版商的网站|谷歌学术搜索

版权

版权©2020 Rakesh拉贾等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。