استفاده از بسترهای داده مبتنی بر ابر برای تحقیقات دیابت مشارکتی در سراسر موسسات متعدد

در سال های اخیر، سیستم عامل های داده مبتنی بر ابر اساساً چشم انداز تحقیقات پزشکی را تغییر داده اند.با فعال کردن چندین موسسه برای همکاری در زمان واقعی، به اشتراک گذاری مجموعه داده های بزرگ، و اجرای تجزیه و تحلیل های پیچیده بدون بار مدیریت زیرساخت های فیزیکی، این سیستم عامل ها به دلیل محدودیت های قابل توجه در تحقیقات دیابت، که پیچیدگی بیماری نیاز به ادغام انواع داده های متنوع دارد - که از تجزیه و تحلیل های تجزیه و تحلیل های تجزیه و تحلیل الکترونیکی (EGM) به تجزیه و تحلیل های پردازش داده های خاص بیمار و تحلیل داده های تجزیه و تحلیل، به دلیل تجزیه و تحلیل های تجزیه و تحلیل های تجزیه و تحلیل های تجزیه و تحلیل های تجزیه و تحلیل های تجزیه و تحلیل های تجزیه و تحلیل مداوم، به سرعت تجزیه و تحلیل داده های تجزیه و تحلیل داده های تجزیه و تحلیل داده های تجزیه و تحلیل تجزیه و تحلیل داده های تجزیه و تحلیل های تجزیه و تحلیل های تجزیه و تحلیل های تجزیه و تحلیل های تجزیه و تحلیل های تجزیه و تحلیل های تجزیه و تحلیل های تجزیه و تحلیل های تجزیه و تحلیل های تجزیه و تحلیل های تجزیه و تحلیل های تجزیه و تحلیل های تجزیه و تحلیل، به طور مداوم، به طور مداوم، به تجزیه و تحلیل تجزیه و تحلیل تجزیه و تحلیل تجزیه و تحلیل تجزیه و تحلیل تجزیه و تحلیل تجزیه و تحلیل

اهمیت رو به رشد زیرساخت های Cloud در تحقیقات دیابت

ملانوما شامل گروهی از اختلالات متابولیک است که توسط هیپرگلیسمی مزمن مشخص می شود (با نرخ شیوع بالا رفتن در سطح جهان) - بیش از 537 میلیون بزرگسال که در حال حاضر با دیابت زندگی می کنند، با توجه به فدراسیون بین المللی دیابت، نیاز به تحقیقات چند پایه ای در مورد این روش های تحقیق نوع 1، داده های ذخیره شده را به سرورهای محلی، به اشتراک گذاری داده های دستی از طریق ایمیل یا رسانه های فیزیکی و انتقال های دوره ای، ارائه داده های متنوع، می دهد.

زیرساخت های ابر همچنین از روند رو به رشد "داده های بزرگ" در مطالعات دیابت مانند اکتشاف هوش مصنوعی برای پیش بینی دیابت نوع 2 پشتیبانی می کند، نشان می دهد که چگونه محاسبات ابری قدرت محاسباتی لازم برای الگوریتم های پیچیده را فراهم می کند - مدل های یادگیری ماشین که نیاز به آموزش در میلیون ها نقطه داده گسترده دارند، علاوه بر این، توانایی چرخش ماشین های مجازی با صدها هسته در تقاضا به این معنی است که محققان دیگر نیازی به سرمایه گذاری در تجزیه و تحلیل های ذخیره سازی دقیق ندارند (مانند پردازش اطلاعات مداوم و تحلیل های ذخیره سازی اطلاعات).

مزایای پلتفرم های مبتنی بر Cloud در تحقیقات دیابت

اشتراک گذاری داده ها و همکاری

یکی از مزایای اولیه سهولت به اشتراک گذاری داده ها در موسسات است. [۱] محققان از بیمارستان های مختلف، دانشگاه ها و مراکز تحقیقاتی پانکراس می توانند به یک پایگاه داده متمرکز دسترسی پیدا کنند.این باعث کاهش تلاش و پرورش یک فرهنگ مشترک می شود که یافته ها می توانند به سرعت معتبر و ساخته شوند، به عنوان مثال، مرکز تحقیقات بهداشت [FLT] آزمایش های نظارت چند منظوره را شناسایی می کند و اجازه می دهد تا داده های بالینی را با استفاده از داده های مبتنی بر ابر، تجزیه و پردازش کنند.

تحلیل زمان واقعی و بینش

سیستم عامل های ابری مصرف و تجزیه و تحلیل داده های زمان واقعی را در کارآزمایی های بالینی یا مطالعات مشاهده ای فعال می کنند، داده ها می توانند به طور مستقیم از دستگاه ها جریان یابند – مانند پمپ های انسولین، مانیتور گلوکز و ردیاب های تناسب اندام – به ابر، که در آن داشبورد به روز رسانی داده ها به طور منظم می تواند روند را تشخیص دهد، پارامترهای مطالعه را تنظیم کند و حتی اجرای طرح های آزمایشی سازگار را انجام دهد، به عنوان مثال، اگر هیچ گونه بررسی ایمنی معمول در نوار دستی وجود نداشته باشد، نمی تواند بلافاصله به عنوان یک سیستم هشدار داده هشدار دهد.

مقیاس پذیری برای مطالعات طولانی مدت

تحقیقات دیابت اغلب شامل جمع آوری داده های طولی است که سالها و هزاران شرکت کننده در سیستم عامل های Cloud به طور ذاتی مقیاس پذیر هستند، با انجام میلیاردها نقطه داده بدون تخریب در عملکرد، به عنوان موج های جدید داده ها می رسد - از چک های سالانه، دستگاه های نظارت مداوم و یا نمونه های بیوشیمی بانک - می توان آن را به صورت الاستیک گسترش داد و منابع محاسبه می تواند برای تجزیه و تحلیل های پیچیده مانند GWAS یا مدل های یادگیری عمیق برای پیش بینی این داده های متنوع افزایش یابد.

هزینه و بهینه سازی منابع

با به اشتراک گذاری زیرساخت ها در پروژه ها و موسسات مختلف، سیستم عامل های ابری به طور قابل توجهی هزینه ها را کاهش می دهند، به جای هر موسسه ای که مرکز محاسبات با عملکرد بالا خود را حفظ می کند، محققان فقط برای منابع مصرفی خود هزینه می پردازند.این مدل پرداخت به جای اینکه به تجزیه و تحلیل های پیشرفته دسترسی پیدا کند، قادر به آزمایشگاه ها و موسسات کوچکتر در تنظیمات منابع محدود در حال انجام تحقیقات پیشرفته است.

تکنولوژی های Cloud Technologies که به صورت مشارکتی دیابت Research را مدیریت می کنند

Google Cloud Platform (GCP)

Google Cloud ارائه می دهد خدمات بهداشتی تخصصی و علوم زندگی، از جمله API بهداشت و درمان، که می تواند داده ها را در فرمت FHIR مصرف کند، و ابزار مانند Vertex AI برای یادگیری ماشین، قابلیت تجزیه و تحلیل داده های قوی آن، مانند BigQuery، اجازه می دهد محققان به دنبال Petabytes از داده های دیجیتال در ثانیه با استاندارد SQL.

خدمات وب آمازون (AWS)

AWS مجموعه ای جامع از خدمات را برای تجزیه و تحلیل داده های بزرگ، از جمله آمازون S3 برای ذخیره سازی، آمازون ERAM برای پردازش مشاغل Spark، و SageMaker برای ساخت مدل های یادگیری ماشین آلات فراهم می کند. AWS همچنین ارائه می دهد خدمات هدفمند ساخته شده مانند آمازون HealthLake، که از یادگیری ماشین برای عادی سازی و ذخیره اطلاعات سلامت در فرمت FHIR- سازگار استفاده می کند.

Microsoft Azure

Azure ادغام با ابزارهای تحقیقاتی گسترده مانند Jupyter Notebooks و Azure Synapse Analytics برای داده های بزرگ. آن Azure API برای FHIR ساده سازی داده های بهداشتی قابلیت همکاری، علاوه بر این، مدیریت هویت قوی Azure و کنترل دسترسی مبتنی بر نقشپاتی مدیریت مجوز در سراسر کنسرسیوم از موسسات Azure ماشین یادگیری تسهیل توسعه مدل های پیش بینی، مانند پیش بینی های بیمار و ارائه دوباره مدیریت شده توسط ML.

سایر پلتفرم های نوظهور

فراتر از سه عامل عمده، سیستم عامل هایی مانند در حال حاضرflake و + 2، Databricks قادر به تجزیه و تحلیل عوامل مختلف از ابر-Nicipformed برای به اشتراک گذاری داده های امن بدون کپی کردن داده ها هستند - کاربران می توانند داده ها را از طریق تجزیه و تحلیل های پیشرفته به اشتراک بگذارند.

چگونه Cloud Platforms امکان هماهنگ سازی داده ها را فراهم می کند

یکی از مداوم ترین چالش ها در تحقیقات دیابت چند پایه ای داده ها ناهمگنی است.[۱] بیمارستان ها و کلینیک های مختلف از سیستم های مختلف ضبط سلامت الکترونیکی استفاده می کنند، استانداردهای کد نویسی (به عنوان مثال، ICD-10، SNOMED)، و داده های جمع آوری شده توسط Cloud می توانند به طور خودکار انتقال داده های H را به مدل های داده های رایج، مانند نتایج مشاهده پزشکی (OMO) مدل داده های معمول (OP) یا ابزار پردازش داده های محدود کنند.

چالش ها و استراتژی های پذیرش

حفظ حریم خصوصی داده ها و سازگاری تنظیم کننده

محافظت از محرمانه بودن بیمار در تحقیقات دیابت، که اغلب شامل داده های حساس سلامت از جمله خواندن مداوم گلوکز، ورود به پمپ انسولین و اطلاعات ژنتیکی است، مانند HIPAA در ایالات متحده و GDPR در اروپا، الزامات دقیق در ذخیره سازی داده ها، انتقال و دسترسی به موسسات Cloud را با ارائه خدمات HIPAA-e واجد شرایط، موافقت نامه های تجاری (BA)، و محققان رمزگذاری دقیق (مانند انتقال داده های پردازش داده ها) و همچنین باید به منظور انتقال داده ها به طور مستقیم، پردازش داده ها و همچنین استفاده از طریق تجزیه و انتقال داده ها، ارائه دهندگان دسترسی به عنوان کنترل های پردازش داده ها، پاسخ داده ها، ارائه دهند.

استاندارد سازی داده ها و Interoperability

فرمت های داده های Heterogened در سراسر موسسات یک چالش قابل توجه است.برای تجزیه و تحلیل موثر متقابل-institutal، داده ها باید به استانداردهای مشترک مانند OMO CDM یا FHIR. Cloud پلت فرم می تواند این را با ارائه خطوط لوله تبدیل داده و ابزار برای نقشه برداری داده های محلی به این استانداردها تسهیل کند.به عنوان مثال، AWSLake و Google Health API بهداشت و بهداشت و درمان گوگل هر دو ارائه می دهند تلاش اولیه برای کنترل منابع مدیریت داده ها، و توسعه داده های کاربردی، نیازی به منابع مدیریت داده های پیشرفته نیست.

کنترل دسترسی و امنیت

مدیریت مجوز برای یک تیم بزرگ و چند نهادی پیچیده است. پلتفرم های Cloud کنترل دسترسی مبتنی بر نقش دانه (RBAC) و کنترل دسترسی مبتنی بر ویژگی (ABAC) را ارائه می دهند که به مدیران اجازه می دهد دقیقا مشخص کنند که چه کسی می تواند بخواند، بنویسند، یا تجزیه و تحلیل هر مجموعه داده های چند عاملی کمک می کند تا دسترسی را جلوگیری کنند و دسترسی به داده های منظم و نظارت را فراهم کنند - بدون اینکه اطلاعات پردازش شده را برآورده کنند، اطلاعات مورد استفاده قرار می گیرند.

مالکیت معنوی و مالکیت داده ها

تحقیقات مشارکتی اغلب سوالاتی در مورد مالکیت داده ها و حقوق مالکیت معنوی مطرح می کند. پلتفرم های Cloud ذاتاً این مسائل حقوقی را حل نمی کنند، اما می توانند از طریق ویژگی هایی مانند پارتیشن بندی داده ها و ردیابی استفاده از آن ها حمایت کنند.توافق های واضح در ابتدای همکاری برای جلوگیری از اختلافات حیاتی هستند. بسیاری از کنسرسیوم های تحقیقاتی یک توافق اشتراک گذاری داده مشترکی را اتخاذ می کنند که مشخص می کند که داده های مشتق شده (مانند آمار کلی یا آموزش دیده شده) را دارند و تجزیه و تجزیه و تجزیه و تحلیل های اطلاعاتی را ارائه می دهند که می توانند از آن ها استفاده کنند.

برنامه های کاربردی و مطالعات موردی

برنامه تحقیقاتی همه ما

در حالی که نه تنها بر دیابت متمرکز شده است، NIH (FLT:0) همه ما برنامه از یک پلت فرم مبتنی بر ابر برای ذخیره و تجزیه و تحلیل داده های بهداشتی از بیش از یک میلیون شرکت کننده می تواند به داده های جمع آوری شده برای مطالعه زیرنوع دیابت، عوامل خطر ژنتیکی و تفاوت های سلامت دسترسی داشته باشد. زیرساخت های ابر قادر به اشتراک گذاری امن از این منابع گسترده در حالی که به تجزیه و تحلیل داده های تحقیقاتی بدون استفاده از طریق یک سیستم تحقیقاتی گسترده است.

چند مرکز کارآزمایی بالینی برای دیابت نوع 1

در نوع 1 دیابت، مرکز تحقیقات بهداشت (FLT:0) مرکز تحقیقات بهداشت هماهنگ کردن کارآزمایی های چند مرکز با استفاده از ضبط داده های متمرکز مبتنی بر ابر، نظارت بر کیفیت داده ها و نتایج بیمار اجازه می دهد تا برای شناسایی سریع سیگنال های ایمنی یا روند اثربخشی، به عنوان مثال، در یک کارآزمایی اخیر از یک سیستم تحویل بسته به انسولین، داده ها به طور خودکار برای شناسایی سریع از بازدید از سایت و روند شب، در آن، به جای اینکه بازدید از پایگاه داده ها و بهبود بهره وری در آن ها اجازه داده ها داده ها داده ها داده شده است، به دست آمده است.

سازگاری بین المللی برای دیابت Genomics

پروژه هایی مانند ابتکار ژنتیک بر محاسبات ابری تکیه می کنند تا داده های ارتباط ژنوم را از سازمان های سراسر جهان ترکیب کنند.با ذخیره نمونه های اولیه و فن آوری های فن آوری در ذخیره سازی ابر مشترک با دسترسی کنترل شده، محققان می توانند مگا تجزیه و تحلیل که به طور لجستیکی با سیستم های محلی غیر ممکن است انجام دهند، همچنین تجزیه و تحلیل کار را فعال می کنند (Docker جریان بسته بندی شده) و بسته بندی شده می تواند به عنوان هر گونه نتایج پردازش مجدد پردازش مجدد باشد.

مسیر های آینده: AI، یادگیری فدرال و همکاری جهانی

هوش مصنوعی و یادگیری ماشین

سیستم عامل های ابری قدرت محاسباتی مورد نیاز برای آموزش مدل های پیچیده AI را فراهم می کنند، مانند شبکه های عصبی عمیق که پیش بینی مجدد دیابتی از تصاویر شبکیه، مدل هایی که پیش بینی می کنند رویدادهای هیپوگلیسمی با استفاده از داده های CGM و فعالیت، یا مدل هایی که انسولین را بهینه می کنند، کاهش می یابد و ابزارهای AI قابل دسترس تر می شوند، این مدل ها می توانند در تنظیمات بالینی برای کمک به تصمیم گیری دقیق تر پردازش شوند.

آموزش محرمانه برای حفظ حریم خصوصی

یک رویکرد امیدوار کننده برای غلبه بر چالش های حریم خصوصی داده ها، یادگیری تغذیه شده است، جایی که مدل های یادگیری ماشین در سراسر منابع داده غیرمتمرکز بدون انتقال داده های خام آموزش دیده اند. پلتفرم های Cloud می توانند جریان های یادگیری تغذیه شده توسط هماهنگ کردن تبادل پارامتر مدل در میان گره های نهادی را تنظیم کنند، به عنوان مثال، یک مدل برای پیش بینی پیشرفت بیماری کلیوی دیابتی می تواند در پنج سیستم بیمارستان آموزش داده شود بدون اینکه هر گونه اطلاعات اولیه را برای پیش بینی می کند، در حالی که محققان داده های مختلف از آن استفاده می کنند، در کنترل داده های مختلف داده های مختلف استفاده می کنند.

همکاری جهانی

سیستم عامل های مبتنی بر ابر همکاری واقعا جهانی را قادر می سازد، محققان را در کشورهای با درآمد بالا (با تنظیمات کم درآمد و متوسط که در آن شیوع دیابت به سرعت در حال افزایش است، متصل می کند. [۳] محیط های ابر اشتراکی می توانند منابع آموزشی، خط لوله های تجزیه و تحلیل استاندارد و داده های معیار را به منظور تقویت ظرفیت و مشارکت منصفانه تر، مانند Global دیابت Research [F:1] شبکه کمک می کنند تا توسعه دهندگان ابر و توسعه دهندگان توسعه یافته های متنوع و توسعه یافته های مدیریت ابر را در سراسر جهان را تسریع کنند.

بهترین روش ها برای پیاده سازی دریاچه های داده های Cloud-based Research

برای به حداکثر رساندن مزایای سیستم عامل های ابر، شبکه های تحقیقاتی دیابت باید چندین روش را اتخاذ کنند.اول، یک کمیته مدیریت داده را ایجاد کنند که شامل نمایندگان از تمام موسسات شرکت کننده برای تعریف تعاریف داده، آستانه کیفیت و سیاست های دسترسی است، استفاده از یک معماری ماژولار: ذخیره سازی جداگانه، پردازش و لایه های ارائه است تا هر کدام به طور مستقل مقیاس شوند، پیاده سازی مطالعات داده های خودکار در نقطه مصرف خطاهای پردازش اولیه، یا استفاده از تجزیه و تحلیل پردازش اطلاعات کنترل شده (به عنوان مثال استفاده از طریق پردازش های پردازش های ضروری).

در نتیجه، سیستم عامل های داده مبتنی بر ابر برای تحقیقات دیابت مشارکتی ضروری شده اند.آنها موانع نهادی را تجزیه می کنند، تجزیه و تحلیل زمان واقعی را فعال می کنند و مقیاس برای قرار دادن حجم داده های عظیم که مطالعات مدرن تولید می کنند، در حالی که چالش هایی مانند حریم خصوصی، استاندارد سازی و کنترل دسترسی نیاز به توجه دقیق دارند، مزایای آن به عنوان فن آوری هایی مانند AI و یادگیری بالغ تغذیه شده، تلاش ابر برای تقویت یک فرهنگ رو به هم پیوسته و در درک آسیب های جهانی است.