Что происходит и будет происходить с Data Science в медицине?

_-data-science-2
Отвечают эксперты отрасли

Использование Data Science в медицине помогает более точно ставить диагнозы, прогнозировать течение заболеваний, персонализировать лечение и многое другое. Что происходит и будет происходить с этой сферой, разбираемся вместе с экспертами.

imgonline-com-ua-shape-u5vuugf0oz


Руслан Ахтямов, 

 директор по стратегии и сооснователь компании Napoleon IT

Пандемия сильно повлияла на мировой рынок Data Science: увеличилось количество обрабатываемой информации, выросла потребность в прогностических моделях и специалистах. Требовались точные данные о распространении COVID-19: количестве госпитализаций, тяжести заболевания, влиянии на ситуацию тех или иных ограничительных мер и вакцинации и пр. Современные методы показали себя лучше простых моделей классической эпидемиологии. Из-за этого многократно вырос запрос на специалистов Data Science в медицине, ведь данных очень много. И сейчас это направление очень привлекательно для инвестиций во всем венчурном бизнесе. Последние события не оказали негативного влияния на развитие Data Science медицине. Наоборот, тренд продолжает развиваться и в России, и по всему миру. В нем есть огромный потенциал.

Даже в медицинских вузах на курсах медицинской статистики студенты изучают основы Data Science. Но, несмотря на другое название, их сложно применять на практике без опыта программирования — первого, что нужно специалисту в этой области. О том, что еще должен знать и уметь специалист по Data Science для входа в профессию, мы писали в статье.

Сегодня Data Science в медицине в основном применяется в здравоохранении и фармацевтике. В первое направление входит диагностика, оптимизация работы врачей и клиник, подбор лечения на основании диагноза. Решения в каждой задаче основаны на алгоритмах машинного обучения и анализа данных.

Например, Data Science активно применяется в диагностике онкологических заболеваний. Специалисты могут использовать нейронные сети для диагностики по изображениям опухоли. Методы машинного обучения могут помочь при диагностике по результатам анализов. Еще один пример — моделирование органов человека. Для разработки решения специалисту нужно точно понимать, с какой целью и на каком уровне сложности будет моделироваться орган. Например, можно создать модель определенной опухоли на уровне сигнальных путей и экспрессии генов. Пока что такие модели используются в основном для научных исследований.

Для разработки лекарств активно применяются накопленные медицинские данные: как для поиска действующих веществ, так и тестирования средств. Важное исследовательское и коммерческое направление — создание новых антибиотиков, лекарственных средств нового поколения от онкологических и аутоиммунных заболеваний, болезни Альцгеймера и пр. Для поиска биомаркеров (молекул, которые сообщают врачу о том, кому нужно применять лекарство) и мишени (молекул, с которыми взаимодействует лекарство) используется машинное обучение.

Сейчас активно развивается направление биоинформатики. Биоинформатика — это относительно молодая наука, зародившаяся на стыке биологии и компьютерных наук. Основная задача биоинформатики — интерпретация результатов биологических экспериментов в виде больших данных, а также дизайн и предсказание поведения биологических объектов, в том числе искусственно спроектированных. Сейчас на рынке существует сильный кадровый голод. Кроме здравоохранения и фармакологии специалисты максимально востребованы в таких областях, как биоинженерия, пищевая промышленность, охрана окружающей среды, а также многих других.


Михаил Кауфман,

 директор проектов здравоохранения IT-компании «ТехЛАБ»

Процесс цифровой трансформации охватывает все сферы, и медицина не исключение. Цифровизация медицины ведет к тому, что накапливаются значительные массивы данных, поэтому их уже можно анализировать.
Востребованность статистики, машинного обучения, работы с разными типами данных в медицине и здравоохранении с течением времени только растет. Это стало особенно ощутимо в период пандемии. Все в мире следили за графиками распространения коронавирусной инфекции, новых штаммов, за всплесками заражения. Работа с такими данными это чистый Data Science, шагнувший в публичное пространство.

Сейчас участники рынка Data Science столкнулись с новыми трудностями: становятся недоступны привычные инструменты для работы. Поэтому многие отраслевые компании и их специалисты ищут возможности для консолидации усилий. Поскольку мы оказались отрезаны от коммерческих инструментов (хорошо продуманных и зарекомендовавших себя), сейчас активнее нужно направлять усилия в мир open source-инструментов. Они не являются конечными решениями, а потому есть риск, что нам может достаться «полуфабрикат». И, к сожалению, объективная реальность такова, что в одиночку ни один из участников рынка не сможет создать альтернативные решения. Поэтому все чаще на рынке говорят о кооперации.

Data Science в медицине будет доступна и в будущем. Если данные будут собираться, значит, они будут кому-то нужны, потребуется их анализ. Сейчас массивы данных собираются легче и быстрее обрабатываются. Если раньше все расчеты велись вручную и записывались в тетради, ими занимались целые институты в течение десятков лет, то теперь на решение этой же задачи потребуется день-два.

Читайте также:

Если вы хотите задать вопросы эксперту о том, как изменилась сфера IT, напишите их в комментариях под этим постом, в нашей группе во ВКонтакте или в Telegram-канале.

Освойте новую профессию

(рейтинг: 5, голосов: 4)
Добавить комментарий