Axborot texnologiyalari, tarmoqlar va telekommunikatsiyalar

Kalit so‘zlar: 
EHR, ML, AI, IoT, mobil chekka hisoblash bulutlari va tumanli 
hisoblash. 
Kirish. 
Elektron tibbiy yozuvlar (Electron health records – EHR) [1] ilg‘or 
tahlillarni amalga oshirishga imkon berishi va katta ma’lumotlarni taqdim etish 
orqali klinik qarorlar qabul qilishda yordam berishi mumkin. Biroq, bu 
ma’lumotlarning katta qismi hozirgi vaqtda tabiatan strukturalanmagan. 
Strukturalanmagan ma’lumotlar - bu oldindan belgilangan modelga yoki tashkiliy 
asosga mos kelmaydigan ma’lumotlar [2]. Strukturalanmagan formatni tanlashning 
sababi shundaki, ko‘pincha strukturalangan kiritish ma’lumotlari (ochiladigan 
menyular (drop-down menus), radio tugmalar (radio buttons) va tasdiqlash 
tugmalari (checkboxes)) murakkab xarakterdagi ma’lumotlarni yozib olish uchun 
yetarli darajada kam bo‘lishi mumkin. Misol uchun, biz bemorning klinik 
shubhalari, ijtimoiy-iqtisodiy ma’lumotlari, bemorning afzalliklari, asosiy turmush 
tarzi omillari va boshqa tegishli ma’lumotlarga oid nostandart ma’lumotlarni 
strukturalanmagan formatdan boshqa formatda yozib ololmaymiz. Bemorlarga 
g‘amxo‘rlikni tushunish va undan foydalanish uchun algoritmlardan foydalangan 
holda keyingi tahlil qilish uchun bunday xilma-xil, ammo muhim ma’lumot 
manbalarini intuitiv yoki yagona ma’lumotlar formatiga guruhlash qiyin. Shunga 
qaramay, sog‘liqni saqlash sohasi bemorlarning tajribasini yaxshilash uchun ushbu 
boy ma’lumotlar oqimining to‘liq imkoniyatlaridan foydalanishi kerak. Sog‘liqni 
saqlash sohasida u yaxshiroq boshqaruv, parvarish va arzon davolanish nuqtai 
nazaridan amalga oshirilishi mumkin. Katta hajmli ma’lumotlarning afzalliklarini 
to‘liq tushunish va foydalanish hali imkonsiz. Ushbu maqsadlarga erishish uchun 
katta hajmli ma’lumotlar tizimli ravishda boshqarilishi va tahlil qilinishi kerak. 
Katta hajmli ma’lumotlar - bu tez sur’atlarda yaratilgan turli xil 
ma’lumotlarning katta miqdori. Turli manbalardan to‘plangan ma’lumotlar asosan 
iste’molchi iste’molini emas, balki maishiy xizmatlarni optimallashtirish uchun 
talab qilinadi. Bu biotibbiyot tadqiqotlari va tibbiyot sohasidagi katta hajmli 
ma’lumotlarga ham tegishli. Katta hajmli ma’lumotlar bilan bog‘liq asosiy 

---

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.