International scientific conference "INFORMATION TECHNOLOGIES, NETWORKS AND
TELECOMMUNICATIONS" ITN&T-2022 Urgench, 2022y April 29-30
359
muammo - bu katta hajmdagi ma’lumotlarni qanday boshqarishdir. Samarali ilmiy
tahlilga tayyor bo‘lishi uchun ma’lumotlar osongina kirish va o‘qilishi mumkin
bo‘lgan fayl formatida saqlanishi kerak. Tibbiy ma’lumotlar kontekstida yana bir
muhim muammo klinik sharoitda yuqori darajadagi hisoblash vositalari,
protokollar va yuqori darajadagi apparat vositalarini joriy etishdir. Ushbu
maqsadga
erishish uchun biologiya, axborot texnologiyalari, statistika va
matematika kabi turli sohalardagi mutaxassislar birgalikda ishlashlari kerak.
Sensorlar yordamida to‘plangan ma’lumotlar tahliliy vositalar dasturchilari
tomonidan ishlab chiqilgan o‘rnatilgan dasturiy vositalar bilan xotira bulutida
mavjud bo‘lishi mumkin. Ushbu vositalar ma’lumotlar sifatida saqlangan
ma’lumotlarni bilimga aylantirish uchun sun’iy intellekt mutaxassislari tomonidan
ishlab chiqilgan ma’lumotlarni qidirish (data mining) [3] va mashinali o‘qitish
(machine learning - ML) [4] funksiyalariga ega bo‘ladi. Implementatsiyadan so‘ng,
u tibbiyot sohasidagi katta hajmli ma’lumotlarni olish, saqlash,
tahlil qilish va
vizualizatsiya qilish samaradorligini oshiradi. Asosiy vazifa - bu murakkab
ma’lumotlarni yaxshiroq tushunish uchun izohlash, birlashtirish va tegishli tarzda
taqdim etish. Nihoyat, kompyuter grafikasi dizaynerlari tomonidan ishlab chiqilgan
vizualizatsiya vositalari ushbu yangi olingan bilimlarni samarali ifodalashi
mumkin.
Ma’lumotlarning xilma-xilligi (heterogeneity) [5] katta hajmli ma’lumotlarni
tahlil qilishning yana bir muammosidir. Tibbiyot sohasidagi katta hajmli
ma’lumotlarning katta hajmi va juda xilma-xilligi ularni an’anaviy
texnologiyalardan foydalangan holda tahlil qilish orqali ko‘proq axborot olishga
to‘sqinlik qiladi. Katta hajmli ma’lumotlarni tahlil qilishga yordam beradigan
dasturiy ta’minot tizimini ishlatish uchun eng keng
tarqalgan platformalar -
tarmoqli hisoblash infratuzilmasi orqali kirish mumkin bo‘lgan yuqori quvvatli
hisoblash klasterlari hisoblanadi. Bulutli hisoblash virtuallashtirilgan xotira
texnologiyalariga ega va ishonchli xizmatlarni taqdim etadigan shunday tizimdir.
U yuqori ishonchlilik, masshtablilik va avtonomiya bilan bir qatorda hamma joyda
foydalanish, dinamik manbalarni topish va birlashtirish imkoniyatini taklif etadi.
Bunday platformalar hamma joyda mavjud bo‘lgan sensorlardan ma’lumotlarni
qabul qiluvchi, ma’lumotlarni tahlil qilish va ifodalash uchun kompyuter sifatida,
shuningdek, foydalanuvchiga tushunarli vebga asoslangan vizualizatsiyani taqdim
etishi mumkin. Narsalar internetida (Internet of Things - IoT) [6] katta
ma’lumotlarni qayta ishlash va tahlil qilish mobil chekka hisoblash bulutlari va
tumanli hisoblash [7] xizmatlaridan foydalangan holda ma’lumotlar manbasiga
yaqinroq amalga oshirilishi mumkin. Hisoblash
klasterlarida katta hajmli
ma’lumotlarni tahlil qilish uchun zarur bo‘lgan ML va AI (sun’iy ong – artificial
intelligence [8]) usullarini implementatsiya qilish uchun ilg‘or algoritmlar talab
qilinadi. Bunday algoritmlarni yoki dasturiy ta’minotni yozish uchun katta hajmli
ma’lumotlar ustida ishlash uchun mos dasturlash tillaridan (masalan, Python, R
yoki boshqa tillar) foydalanish mumkin. Shuning uchun biotibbiyot
tadqiqotlarining katta ma’lumotlarini qayta ishlash uchun biologiya va axborot
texnologiyalari bo‘yicha yaxshi bilim talab etiladi. Ikkala kasbning bunday
International scientific conference "INFORMATION TECHNOLOGIES, NETWORKS AND
TELECOMMUNICATIONS" ITN&T-2022 Urgench, 2022y April 29-30
360
kombinatsiyasi odatda bioinformatiklar uchun mos keladi. Katta ma’lumotlar bilan
ishlash uchun ishlatiladigan turli platformalar orasida eng keng tarqalgani Hadoop
va Apache Spark.
Tibbiyot sohasida bemor ma’lumotlari elektrokardiogramma (EKG) [9],
tasvirlar va videolar kabi yozib olingan signallarni o‘z ichiga oladi. Tibbiyot
provayderlari [10] bunday sog‘liqni saqlash ma’lumotlarini EHR ga o‘zgartirishga
qiyinchilik bilan erishdi. EHR davridan oldingi qaydlardagi
bemorlar tarixini
raqamlashtirish va statik tasvirlarni mashinada o‘qiladigan matnga aylantirish
orqali standartlashtirish jarayonini to‘ldirish bo‘yicha harakatlar olib borilmoqda.
Misol uchun, optik belgilarni aniqlash (OCR) [11] dasturi qo‘lyozmalar,
shuningdek, kompyuter shriftlarini va raqamlashtirishni taniydigan shuunday
yondashuvlardan biridir. Bunday strukturalanmagan va strukturalangan tibbiy
ma’lumotlar to‘plamida hali foydalanilmagan ma’lumotlar boyligi mavjud bo‘lib,
ular bemorni parvarish qilish kontekstida muhim amaliy tushunchalarni olish
uchun ilg‘or AI dasturlari yordamida ishlatilishi mumkin. Aslida, AI tibbiyotda
katta ma’lumotlarni qo‘llash uchun tanlov usuli sifatida paydo bo‘ldi. Ushbu aqlli
tizim kasalliklar diagnostikasi bo‘yicha qaror qabul qilish jarayonida tezda o‘z
o‘rnini topdi. Sog‘liqni saqlash mutaxassislari tegishli
ML yondashuvlaridan
foydalangan holda maqsadli anormalliklarni aniqlash uchun bunday ma’lumotlarni
tahlil qiladilar. ML bunday xom ma’lumotlardan tuzilgan ma’lumotlarni filtrlashi
mumkin.
Rivojlanayotgan ML yoki AIga asoslangan strategiyalar sog‘liqni saqlash
sanoatining axborotni qayta ishlash imkoniyatlarini yaxshilashga yordam beradi.
Misol uchun, tabiiy tilni qayta ishlash (NLP) - bu bepul matndagi asosiy sintaktik
tuzilmalarni aniqlay oladigan, nutqni aniqlashga yordam beradigan va kontekst
ortidagi ma’noni ajratib oladigan mashinali o‘qitishning tez rivojlanayotgan sohasi
[12]. NLP vositalari klinik tashrif xulosasi kabi yangi hujjatlarni yaratishda yoki
klinik eslatmalarni yozishda yordam beradi. Klinik hujjatlarning noyob mazmuni
va murakkabligi ko‘plab NLP ishlab chiquvchilari uchun qiyin bo‘lishi mumkin.
Shunga qaramay, biz NLP kabi yondashuvlardan foydalangan holda sog‘liqni
saqlash ma’lumotlaridan tegishli ma’lumotlarni olishimiz kerak.
AI, shuningdek, sog‘liqni saqlash sohasidagi katta hajmli ma’lumotlarni
bashorat qilish qobiliyatini ta’minlash uchun ham ishlatilgan. Masalan, ML
algoritmlari tibbiy tasvirlarning diagnostika tizimini avtomatlashtirilgan qaror
qabul qilishga aylantirishi mumkin. Yaqin kelajakda sog‘liqni saqlash sohasi
mutaxassislari mashinalar bilan almashtirilmasligi aniq bo‘lsada, AI shifokorlarga
yaxshiroq klinik qarorlar qabul qilishda yordam berishi yoki hatto tibbiyotning
muayyan funktsional sohalarida inson qarorining o‘rnini egallashi mumkin.
Do'stlaringiz bilan baham: