نباید هیچ داده‌‌ای را دور بیندازید

نقش داده‌های تاریک در عرصه سلامت چیست؟ لیندا ژو: وقتی به مطالعات علوم زیستی نگاه می‌کنید حجم گسترده‌ای از داده‌های تاریک در موسسات پژوهشی، آزمایشگاه‌ها و ارائه‌دهندگان خدمات مختلف می‌یابید. این داده‌ها شامل نظرسنجی، مقالات، مطالعات تجربی و دیگر پروژه‌ها هستند اما بدون اطلاعات بافتاری که به تفسیر آنها کمک می‌کنند ذخیره شده‌اند. اطلاعات بافتاری یعنی اینکه روش آنها چه بوده است. از چه جمعیتی نظرسنجی کرده‌اند. پژوهشگر چه سوالاتی در ذهنش داشته است. این داده‌ها را داده‌های تاریک می‌نامند. اینها در واقع داده‌هایی ارزشمندند که حجم گسترده‌ای دارند و برای استخراج و طبقه‌بندی آنها به یادگیری ماشین نیاز داریم. مدیریت چنین داده‌هایی یکی از روندها و چالش‌های کلیدی یادگیری ماشین است. در نهایت هدف اصلی استفاده از این داده‌های تاریک برای یافتن الگوها، همبستگی‌ها و دیگر راه‌ها برای استفاده از آن در کسب درآمد است. چارلین وان: داده‌های تاریک در اصل داده‌های خاموش در آرشیوها هستند و در حوزه سلامت حجم زیادی از آن وجود دارد! بر اساس مقررات هیپا (HIPPA)*، داده‌های سلامت طی سال‌ها ذخیره و محافظت شده‌اند و به این ترتیب به شکلی نمایی حجم داده‌های تاریک افزایش یافته است، موضوعی که صرفاً به پر کردن فضاهای ذخیره‌سازی انجامیده است. با تنوع و کوچک‌تر شدن سنسورها، داده‌های بیشتری از بیماران، پزشکان، درمانگاه‌ها و بیمارستان‌ها جمع‌آوری می‌شوند. این داده‌ها تقریباً شامل کلیه اطلاعات از جمله اطلاعات غدد، ضربان قلب، سطح گلوکز، فشارخون، تنفس، حرکت یا رژیم هستند. داده‌های دیگر مربوط به مطالعات بالینی‌ای هستند که توسط دانشگاهیان و بنیادهای پزشکی روی باکتری‌ها و ذرات، مطالعات موردی یا درمان‌های اورژانسی، جراحی، دارو‌ها و ویروس‌های غیرقابل پیش‌بینی انجام گرفته‌اند. تصور کنید می‌توانستیم این حجم از داده را به‌ هم متصل کنیم و از هوش مصنوعی برای تشخیص، مرتب‌سازی، طبقه‌بندی و شناسایی منطق‌ها و الگوهای مشخص بهره گیریم. با این روش می‌توانستیم از داده‌های تاریک برای نتیجه‌گیری و پیش‌بینی مسائل مختلف...