När Oracles Navid Khan visar dataanalyslösningar för sjukvården framhäver han möjligheten att tillgodose flera olika yrkesroller och avdelningar med samma analysplattform. Att det är lösningar för sjukvården som demonstreras tydliggör nyttan.
Så här åskådliggörs processen för diagnostisering av bröstcancer, med hjälp av Oracles dataanalysplattform
Navid Kahn som är säljare på Oracle och stationerad i Sverige ägnade ett föredrag på en dryg timme åt att visa mångsidigheten för molntjänsten Oracle Cloud Data Science Platform. Det gjorde han i förra veckan under Europaversionen av det digitala jätteeventet Data Innovation Summit 2020.
De flesta exempel som visas kretsar kring diagnostisering av bröstcancer och görs med hjälp av en datamängd som gjorts tillgänglig för forskning, med namnet Wisconsin Breast Cancer Dataset.
Poängen med föredraget är att visa hur analyslösningar för olika yrkesgrupper och arbetsmoment kan utgå från samma datamängd och användas för att förbättra flera aspekter av arbetet. Och att bygga de olika lösningarna på en och samma plattform.
De tre huvudspåren i demonstrationen täcker in varsin yrkesgrupp. Den första gruppen är administrativa chefer. Analyserna är av typen ”traditionellt beslutsstöd”. Ett exempel är att undersöka volymen av undersökningar som görs. Exempel på saker som undersöks är vad som utmärker arbetet vid olika volymer och vilka scenarier som är rimliga att förvänta sig för flödet av patienter. Analyser presenteras i form av tabeller, diagram och enkla flödesscheman, i många fall med möjligheter att borra sig ner på detaljnivå.
Den andra yrkesgruppen är verksamhetsanalytiker. För dem handlar det om att presentera och analysera data om till exempel maskinella analyser av undersökningar. Ett exempel är att beräkna hur stor sannolikheten är att maskinell analys av ”magnetröntgen”, eller magnetresonanstomografi som det egentligen heter, är korrekt.
Under demonstrationen blir sannolikheten 89 procent och det går att analysera varför det blir fel i vissa fall. Den omedelbara nyttan är enkel att förstå: om man kan lita på maskinell analys går det att hushålla bättre med hårt ansträngda läkarresurser under inledande delar av undersökningar.
Här är resultatet av en undersökning av maskinell analys av röntgenbilder. Den grundläggande frågan är hur stor sannolikheten är att en maskinell analys är korrekt
Den tredje yrkesgruppen är dataanalytiker, eller ”data scientists”, alltså de som bygger och implementerar lösningar för dataanalys. Nyckelfrågan är hur lösningarna ska tas i bruk. För många användare gör de inte så mycket nytta fristående, utan behöver integreras med till exempel journalsystem eller med olika typer av maskiner. Här krävs det en del kodning för att få integrationerna att fungera.
Som bonus ger Navid Kahn exempel på maskinell tolkning av röntgenbilder för att upptäcka tumörer. Det görs med ett neuralt nätverk som tränas med bilder som det finns facit till och det krävs en del kodning med Python för att använda Googles öppna ramverk Tensorflow.
Den övergripande poängen med Navid Kahns föredrag är att det krävs olika typer av lösningar för dataanalys för olika delar av en verksamhet och att nyttan ökar i takt med att flera lösningar baseras på en viss datamängd. Det gäller inte bara för sjukvård, men blir kanske extra tydligt för en verksamhet som handlar om liv och död.
