{"id":5343,"date":"2024-05-22T22:25:52","date_gmt":"2024-05-22T22:25:52","guid":{"rendered":"http:\/\/architeles.eu\/ethics\/?p=5343"},"modified":"2024-05-23T08:42:25","modified_gmt":"2024-05-23T08:42:25","slug":"data-science-i-big-data-a-zdrowie-publiczne-jak-przetwarzanie-danych-medycznych-uchroni-nas-przed-wieloma-chorobami-a-co-z-prywatnoscia-danych","status":"publish","type":"post","link":"https:\/\/architeles.eu\/ethics\/index.php\/2024\/05\/22\/data-science-i-big-data-a-zdrowie-publiczne-jak-przetwarzanie-danych-medycznych-uchroni-nas-przed-wieloma-chorobami-a-co-z-prywatnoscia-danych\/","title":{"rendered":"Data science i big data a zdrowie publiczne. Jak przetwarzanie danych medycznych uchroni nas przed wieloma chorobami. A co z prywatno\u015bci\u0105 danych?"},"content":{"rendered":"<p><strong>Big Data i sztuczna inteligencja (SI) staj\u0105 si\u0119 fundamentami wsp\u00f3\u0142czesnej medycyny, oferuj\u0105c ogromne mo\u017cliwo\u015bci oraz nowe wyzwania. Elektroniczne kartoteki pacjent\u00f3w (EHR), modele predykcyjne oparte na uczeniu maszynowym oraz zdalne konsultacje lekarskie to tylko niekt\u00f3re z innowacji, kt\u00f3re zmieniaj\u0105 oblicze opieki zdrowotnej. Prognozy wskazuj\u0105, \u017ce globalny rynek informatyki zdrowotnej osi\u0105gnie warto\u015b\u0107 ponad 100 miliard\u00f3w dolar\u00f3w do 2032 roku, co podkre\u015bla znaczenie tych technologii w poprawie jako\u015bci i efektywno\u015bci us\u0142ug medycznych. Jakie s\u0105 korzy\u015bci i zagro\u017cenia zwi\u0105zane z cyfryzacj\u0105 zdrowia oraz jak zadba\u0107 o bezpiecze\u0144stwo danych medycznych?<\/strong><\/p>\n<p><!--more--><\/p>\n<h1>Big Data &#8211; mo\u017cliwo\u015bci i wyzwania<\/h1>\n<p>Termin Big Data odnosi si\u0119 do bardzo du\u017cych zbior\u00f3w danych, kt\u00f3re charakteryzuj\u0105 si\u0119 du\u017c\u0105 r\u00f3\u017cnorodno\u015bci\u0105, cz\u0119sto spowodowan\u0105 mi\u0119dzy innymi pochodzeniem z r\u00f3\u017cnych \u017ar\u00f3de\u0142. Obszerno\u015b\u0107 tych zbior\u00f3w powoduje, \u017ce przetwarzanie ich r\u0119cznie jest niemal\u017ce niemo\u017cliwe, dlatego w tym celu stosowane s\u0105 metody sztucznej inteligencji (SI). Wykorzystywanie SI w coraz wi\u0119kszej liczbie aspekt\u00f3w \u017cycia codziennego, z jednej strony niesie wiele mo\u017cliwo\u015bci i korzy\u015bci, a z drugiej strony budzi wiele kontrowersji. Zalet\u0105 Big Data niew\u0105tpliwie jest przetwarzanie niepor\u00f3wnywalnie wi\u0119kszej ilo\u015bci danych ni\u017c m\u00f3g\u0142by to zrobi\u0107 cz\u0142owiek, dzi\u0119ki czemu z tych samych danych mo\u017cna otrzyma\u0107 wi\u0119cej informacji. Innym aspektem, kt\u00f3ry mo\u017cna nazwa\u0107 zar\u00f3wno zalet\u0105, jak i wad\u0105, jest mechaniczne dzia\u0142anie sztucznej inteligencji. Ka\u017cdy cz\u0142owiek pope\u0142nia b\u0142\u0119dy, a korzystaj\u0105c ze sztucznej inteligencji, mo\u017cna zminimalizowa\u0107 liczb\u0119 pomy\u0142ek wynikaj\u0105cych z b\u0142\u0119du ludzkiego. Z drugiej strony, w wielu przypadkach potrzebna jest indywidualna, ludzka analiza danego problemu, a nie tylko dzia\u0142anie na podstawie schemat\u00f3w. Z tego powodu nie mo\u017cna powierzy\u0107 wszystkich zada\u0144 wy\u0142\u0105cznie sztucznej inteligencji, warto jednak u\u017cywa\u0107 jej jako narz\u0119dzia wspomagaj\u0105cego.<\/p>\n<p>Dziedzin\u0105, w kt\u00f3rej Big Data i sztuczna inteligencja z roku na rok odgrywaj\u0105 coraz wi\u0119ksz\u0105 rol\u0119, jest zdrowie publiczne oraz medycyna. Mo\u017cna to zaobserwowa\u0107 mi\u0119dzy innymi poprzez cyfryzacj\u0119 opieki zdrowotnej, zw\u0142aszcza od czas\u00f3w pandemii COVID-19. Wed\u0142ug <a href=\"https:\/\/www.precedenceresearch.com\/healthcare-informatics-market\">raportu<\/a> globalny rynek informatyki zdrowotnej ma stale rosn\u0105\u0107. Do 2032 roku ma on osi\u0105gn\u0105\u0107 warto\u015b\u0107 ponad 100 miliard\u00f3w dolar\u00f3w, ze \u015bredniorocznym wzrostem 12,3%, co \u015bwiadczy o dynamicznym rozwoju tego sektora.<\/p>\n<p><img decoding=\"async\" class=\"aligncenter\" src=\"https:\/\/www.precedenceresearch.com\/insightimg\/Healthcare-Informatics-Market-Size-2020-to-2030.jpg\" alt=\"Healthcare Informatics Market Size 2023 to 2032\" \/><\/p>\n<p style=\"text-align: center\"><em><span style=\"font-size: 10pt\">Szacowane warto\u015bci rynku informatyki zdrowotnej w latach 2022-2032<\/span><\/em><\/p>\n<h1>Cyfrowa opieka zdrowotna<\/h1>\n<p>Najcz\u0119stszym \u017ar\u00f3d\u0142em big data w opiece zdrowotnej s\u0105 elektroniczne kartoteki pacjenta, szerzej znane jako EHR (ang. Electronic Health Records), kt\u00f3re zawieraj\u0105 histori\u0119 chor\u00f3b pacjenta, diagnozy oraz zabiegi wykonywane przez lekarzy, specjalist\u00f3w, chirurg\u00f3w itp. W przesz\u0142o\u015bci takie informacje by\u0142y zapisywane w r\u0119cznie pisanych aktach, kt\u00f3re \u0142atwo by\u0142o zgubi\u0107, trudno by\u0142o udost\u0119pnia\u0107 i cz\u0119sto by\u0142y nieczytelne. Dzi\u015b EHR umo\u017cliwiaj\u0105 pracownikom s\u0142u\u017cby zdrowia \u0142atwy dost\u0119p do istotnych informacji medycznych pacjenta, co pozwala na \u015bwiadczenie najlepszej mo\u017cliwej opieki. Integruj\u0105c big data generowane przez EHR z zaawansowanymi technikami analitycznymi, takimi jak uczenie maszynowe, badacze medyczni mog\u0105 tworzy\u0107 predykcyjne modele uczenia maszynowego o r\u00f3\u017cnych zastosowaniach, takich jak przewidywanie powik\u0142a\u0144 pooperacyjnych, niewydolno\u015bci serca czy nadu\u017cywania substancji. Wed\u0142ug <a href=\"https:\/\/www.enterpriseappstoday.com\/stats\/ai-in-healthcare-statistics.html\">Enterprise Apps Today<\/a> w 2023 sztuczna inteligencja zdecydowanie najwi\u0119ksz\u0105 rol\u0119 odgrywa\u0142a w radiologii (75,2%) oraz kardiologii (10,9%).<\/p>\n<p><img decoding=\"async\" class=\"aligncenter\" src=\"https:\/\/www.enterpriseappstoday.com\/wp-content\/uploads\/2023\/10\/0dJm7-ai-enabled-devices-across-medical-disciplines.png\" \/><\/p>\n<p style=\"text-align: center\"><em><span style=\"font-size: 10pt\">Urz\u0105dzenia wspomagane sztuczn\u0105 inteligencj\u0105 w\u015br\u00f3d dyscyplin medycyny<\/span><\/em><\/p>\n<p>Zalety systemu EHR obejmuj\u0105:<\/p>\n<ul>\n<li>aktualizacj\u0119 dokumentacji w czasie rzeczywistym,<\/li>\n<li>pe\u0142n\u0105 dokumentacj\u0119 obejmuj\u0105c\u0105 parametry zdrowotne (np. ci\u015bnienie krwi), wyniki bada\u0144 laboratoryjnych, alergie, wyniki bada\u0144 obrazowych (RTG, TK, MR),<\/li>\n<li>mo\u017cliwo\u015b\u0107 korzystania z danych przez r\u00f3\u017cnych specjalist\u00f3w, laboratoria, zak\u0142ady obrazowania, apteki, jednostki pogotowia ratunkowego i za granic\u0105.<\/li>\n<\/ul>\n<p>System EHR ma na celu usprawnienie przebiegu wizyty u lekarza i pomaga minimalizowa\u0107 czas potrzebny na formalno\u015bci, co pozwala lekarzom po\u015bwi\u0119ci\u0107 wi\u0119cej uwagi pacjentom. EHR umo\u017cliwia dost\u0119p do danych pacjenta nie tylko w plac\u00f3wce, w kt\u00f3rej tworzona jest dokumentacja, ale wsz\u0119dzie niezale\u017cnie od typu plac\u00f3wki. Lekarz, maj\u0105c dost\u0119p do pe\u0142nej historii choroby pacjenta w systemie EHR, mo\u017ce szybciej i efektywniej pom\u00f3c pacjentowi, co jest szczeg\u00f3lnie wa\u017cne w nag\u0142ych przypadkach, gdy pacjent trafia do szpitala nieprzytomny lub nie pami\u0119ta kluczowych informacji zdrowotnych. System EHR umo\u017cliwia r\u00f3wnie\u017c konsultacje i ocen\u0119 wynik\u00f3w bada\u0144 z innymi lekarzami, niezale\u017cnie od ich lokalizacji.<\/p>\n<p>W Polsce obecna jest elektroniczna dokumentacja medyczna (EDM). Wed\u0142ug definicji <a href=\"https:\/\/pacjent.gov.pl\/elektroniczna-dokumentacja-medyczna\" target=\"_blank\" rel=\"noopener\">pacjent.gov.pl<\/a>, gdy pacjent trafia do lekarza, do dentysty czy do szpitala i ma kontakt z systemem opieki zdrowotnej, to powstaje zdarzenie medyczne. Zdarzenia medyczne s\u0105 odnotowywane w systemie e-zdrowie, a obywatel mo\u017ce je zobaczy\u0107 na swoim Internetowym Koncie Pacjenta (IKP),\u00a0\u00a0a tak\u017ce w aplikacji mojeIKP. Ka\u017cdy lekarz i gabinet od 1 lipca 2021 roku maj\u0105 obowi\u0105zek raportowania zdarze\u0144 medycznych, r\u00f3wnie\u017c w przypadku leczenia prywatnego. Na tym samym koncie znajduje si\u0119 r\u00f3wnie\u017c osobiste EDM. Wgl\u0105d do niego ma jego w\u0142a\u015bciciel, lekarz <span class=\"caps\">POZ (podstawowa opieka zdrowotna)<\/span>, a tak\u017ce lekarz specjalista, kt\u00f3remu nada si\u0119 do niego dost\u0119p.<\/p>\n<p>Cyfryzacja opieki zdrowotnej sprawi\u0142a, \u017ce w niekt\u00f3rych przypadkach wizyta z lekarzem niekoniecznie musi odbywa\u0107 si\u0119 personalnie. W okresie pandemii, w celu zapobiegania niepotrzebnych kontakt\u00f3w, zacz\u0119\u0142a pojawia\u0107 si\u0119 mo\u017cliwo\u015b\u0107 um\u00f3wienia na teleporad\u0119. Ze wzgl\u0119du na wygod\u0119 takiego rozwi\u0105zania, nadal jest ono powszechne, chocia\u017c ma r\u00f3wnie\u017c przeciwnik\u00f3w. Raport firmy<a href=\"https:\/\/www.accenture.com\/us-en\/insights\/health\/leaders-make-recent-digital-health-gains-last\"> Accenture z 2020 roku<\/a> pokazuje podej\u015bcie ludzi z r\u00f3\u017cnych pokole\u0144 do wirtualnych wizyt lekarskich. Mo\u017cna zauwa\u017cy\u0107, \u017ce 81% ankietowanych woli wizyty osobiste ni\u017c zdalne. Starsze pokolenia s\u0105 sceptycznie nastawione do wizyt online, podczas gdy w\u015br\u00f3d coraz m\u0142odszych wida\u0107 tendencj\u0119 wzrostow\u0105 wizyt zdalnych.<\/p>\n<p>&nbsp;<\/p>\n<p><img decoding=\"async\" class=\"aligncenter\" src=\"https:\/\/www.transperfect.com\/sites\/default\/files\/inline-images\/Picture1_0.png\" alt=\"picture\" \/><\/p>\n<p style=\"text-align: center\"><span style=\"font-size: 10pt\"><em>Preferencje dotycz\u0105ce osobistych i zdalnych wizyt lekarskich z podzia\u0142em na grupy wiekowe<\/em><\/span><\/p>\n<h1>Nowa era medycyny<\/h1>\n<p>Wed\u0142ug <a href=\"https:\/\/www.seagate.com\/files\/www-content\/our-story\/trends\/files\/idc-seagate-dataage-whitepaper.pdf\" target=\"_blank\" rel=\"noopener\">artyku\u0142u<\/a> z 2018 roku, 30% danych z ca\u0142ego \u015bwiata by\u0142o generowane przez bran\u017c\u0119 opieki zdrowotnej. Szacowa\u0142o si\u0119, \u017ce warto\u015b\u0107 ta do ko\u0144ca 2025 roku wzro\u015bnie do 36%. Znaczna wi\u0119kszo\u015b\u0107 danych z opieki zdrowotnej jest nieustrukturyzowana, co jest spowodowane tym, \u017ce 80% ca\u0142ych danych klinicznych stanowi\u0105 obrazowania medyczne. Nie jest to takie szokuj\u0105ce, je\u015bli zdamy sobie spraw\u0119 z faktu, \u017ce przeci\u0119tne zdj\u0119cie rentgenowskie zajmuje kilkana\u015bcie megabajt\u00f3w, a plik cyfrowej patologii mo\u017ce mie\u0107 rozmiar kilku gigabajt\u00f3w. Wed\u0142ug <a href=\"https:\/\/www.weforum.org\/agenda\/2019\/12\/four-ways-data-is-improving-healthcare\/\" target=\"_blank\" rel=\"noopener\">artyku\u0142u<\/a> z 2019 roku z World Economic Forum, 97% tych danych nie by\u0142o wykorzystywane w \u017caden spos\u00f3b. Obecnie ten trend si\u0119 zmienia, co ma ogromny potencja\u0142 na podniesienie jako\u015bci opieki zdrowotnej, g\u0142\u00f3wnie za spraw\u0105 coraz cz\u0119stszego stosowania algorytm\u00f3w uczenia maszynowego oraz tworzenia aplikacji znacznie przyspieszaj\u0105cych prac\u0119 personelu medycznego.<\/p>\n<p>&nbsp;<\/p>\n<p><img decoding=\"async\" class=\" wp-image-5423 aligncenter\" src=\"https:\/\/architeles.eu\/ethics\/wp-content\/uploads\/2024\/05\/industry_datasphere_growth_rate-300x110.png\" alt=\"\" width=\"738\" height=\"270\" srcset=\"https:\/\/architeles.eu\/ethics\/wp-content\/uploads\/2024\/05\/industry_datasphere_growth_rate-300x110.png 300w, https:\/\/architeles.eu\/ethics\/wp-content\/uploads\/2024\/05\/industry_datasphere_growth_rate-1024x376.png 1024w, https:\/\/architeles.eu\/ethics\/wp-content\/uploads\/2024\/05\/industry_datasphere_growth_rate-768x282.png 768w, https:\/\/architeles.eu\/ethics\/wp-content\/uploads\/2024\/05\/industry_datasphere_growth_rate-1536x563.png 1536w, https:\/\/architeles.eu\/ethics\/wp-content\/uploads\/2024\/05\/industry_datasphere_growth_rate.png 1966w\" sizes=\"(max-width: 738px) 100vw, 738px\" \/><\/p>\n<p>&nbsp;<\/p>\n<p>Wszystkie te dane mog\u0105 zosta\u0107 wykorzystane do wielu istotnych zada\u0144. Najcz\u0119\u015bciej pojawiaj\u0105cymi si\u0119 pomys\u0142ami wykorzystania data science w sektorze medycznym to:<\/p>\n<p><strong>Wynajdywanie lek\u00f3w<br \/>\n<\/strong>Stworzenie nowego i w pe\u0142ni sprawdzonego leku mo\u017ce kosztowa\u0107 miliardy dolar\u00f3w i trwa\u0107 kilkana\u015bcie lat. Dzi\u0119ki symulacjom reakcji bia\u0142ek oraz kom\u00f3rek ludzkich na dany lek, czas ten mo\u017ce by\u0107 zredukowany nawet do dw\u00f3ch lat.<\/p>\n<p><strong>Zapobieganie oraz wykrywanie chor\u00f3b<br \/>\n<\/strong>Jednym z kluczowych zastosowa\u0144 big data w medycynie jest prewencja i wczesne wykrywanie chor\u00f3b. Dzi\u0119ki analizie danych z r\u00f3\u017cnych \u017ar\u00f3de\u0142, takich jak elektroniczne kartoteki pacjent\u00f3w, wyniki bada\u0144 laboratoryjnych, czy nawet informacje ze smartwatchy, mo\u017cliwe jest identyfikowanie wzorc\u00f3w wskazuj\u0105cych na wczesne stadia chor\u00f3b. Algorytmy uczenia maszynowego mog\u0105 wykrywa\u0107 subtelne zmiany w zdrowiu pacjent\u00f3w, kt\u00f3re mog\u0142yby zosta\u0107 przeoczone przez lekarzy.<\/p>\n<p><strong>Personalizacja leczenia<\/strong><br \/>\nBig data pozwala na personalizacj\u0119 leczenia, czyli dostosowanie terapii do indywidualnych potrzeb pacjenta. Analiza genetyczna oraz wykrywanie pewnych biomarker\u00f3w umo\u017cliwia tworzenie spersonalizowanych plan\u00f3w leczenia, kt\u00f3re s\u0105 bardziej skuteczne i maj\u0105 mniej skutk\u00f3w ubocznych. Na przyk\u0142ad, dane z bada\u0144 genetycznych mog\u0105 pom\u00f3c w przewidywaniu, jak pacjent zareaguje na okre\u015blony lek, co pozwala lekarzom na lepsze dostosowanie terapii.<\/p>\n<p><strong>Monitorowanie i zarz\u0105dzanie chorobami przewlek\u0142ymi<br \/>\n<\/strong>W przypadku chor\u00f3b przewlek\u0142ych, takich jak cukrzyca, choroby serca czy astma, big data umo\u017cliwia sta\u0142e monitorowanie stanu zdrowia pacjent\u00f3w i szybk\u0105 interwencj\u0119 w razie potrzeby. Dane z urz\u0105dze\u0144 noszonych przez pacjent\u00f3w, jak glukometry, czy ci\u015bnieniomierze, s\u0105 przesy\u0142ane do system\u00f3w analizuj\u0105cych, kt\u00f3re na bie\u017c\u0105co oceniaj\u0105 stan zdrowia i sugeruj\u0105 podj\u0119cie odpowiednich dzia\u0142a\u0144.<\/p>\n<p>&nbsp;<\/p>\n<h1>Przyk\u0142ady data science w opiece zdrowotnej<\/h1>\n<p><strong>IBM Watson for Oncology<\/strong><br \/>\nOprogramowanie jako us\u0142uga (SaaS) wykorzystuj\u0105ce sztuczn\u0105 inteligencj\u0119, wspomagaj\u0105ce onkolog\u00f3w w podejmowaniu \u015bwiadomych decyzji dotycz\u0105cych leczenia raka. Watson dostarcza spersonalizowane rekomendacje leczenia, uwzgl\u0119dniaj\u0105c unikalny genotyp pacjenta, co zwi\u0119ksza precyzj\u0119 opieki onkologicznej oraz przyspiesza proces decyzyjny.<\/p>\n<p><strong>Przetwarzanie j\u0119zyka naturalnego w Mayo Clinic<\/strong><br \/>\nWykorzystywanie przetwarzania j\u0119zyka naturalnego (NLP) do wydobywania cennych informacji z nieustrukturyzowanych notatek klinicznych. Algorytmy NLP analizuj\u0105 notatki napisane przez personel medyczny, wyodr\u0119bniaj\u0105c istotne dane, takie jak diagnozy, plany leczenia i wyniki pacjent\u00f3w. Te dane, po ustrukturyzowaniu, wspieraj\u0105 podejmowanie decyzji klinicznych i pozwalaj\u0105 na lepsze zrozumienie historii pacjent\u00f3w.<\/p>\n<p><strong>Google Health<br \/>\n<\/strong>Analizuj\u0105c du\u017ce zbiory danych medycznych, Google Health identyfikuje wzorce i czynniki ryzyka zwi\u0105zane z r\u00f3\u017cnymi chorobami i pomaga wykrywa\u0107 je na wczesnym etapie. S\u0105 to mi\u0119dzy innymi wykorzystanie widzenia komputerowego do analizy obraz\u00f3w siatk\u00f3wki ludzkiego oka w celu wczesnego wykrywania zdarze\u0144 sercowo-naczyniowych, jak zawa\u0142 serca czy udar oraz wykorzystanie uczenia g\u0142\u0119bokiego do wykrywania raka piersi.<\/p>\n<p>&nbsp;<\/p>\n<h1>Przypadki naruszenia prywatno\u015bci<\/h1>\n<p>Reidentyfikacja danych medycznych Williama Welda jest jednym z najbardziej znanych przypadk\u00f3w naruszenia prywatno\u015bci w historii ochrony danych medycznych. Ten przypadek mia\u0142 miejsce w latach 90. XX wieku i jest cz\u0119sto cytowany jako przyk\u0142ad ryzyka zwi\u0105zanego z udost\u0119pnianiem \u201eanonimowych\u201d danych medycznych. Latanya Sweeney, doktorantka na MIT pokaza\u0142a, w jaki spos\u00f3b mo\u017cna zreidentyfikowa\u0107 dane przy u\u017cyciu og\u00f3lnodost\u0119pnych informacji, maj\u0105c dost\u0119p do teoretycznie zanonimizowanych danych medycznych. Zanonimizowane dane medyczne, udost\u0119pnione w celach naukowych, zawiera\u0142y szczeg\u00f3\u0142y wizyt szpitalnych, takie jak diagnozy, procedury, wiek pacjent\u00f3w, p\u0142e\u0107 i kod pocztowy. Publicznie dost\u0119pne rejestry wyborc\u00f3w zawieraj\u0105 natomiast imiona, nazwiska, adres, dat\u0119 urodzenia i p\u0142e\u0107 wyborc\u00f3w z danego regionu. Na podstawie informacji wsp\u00f3lnych z obu zbior\u00f3w, mo\u017cliwe by\u0142o zidentyfikowanie, kt\u00f3re dane medyczne dotycz\u0105 gubernatora Welda, poniewa\u017c by\u0142 jedynym pacjentem z jego kodem pocztowym, dat\u0105 urodzenia oraz p\u0142ci\u0105.<\/p>\n<p><img decoding=\"async\" class=\"aligncenter\" src=\"https:\/\/d3i71xaburhd42.cloudfront.net\/67cad6562b029cef27b627d69baaebcf23e0887f\/8-Figure3-1.png\" alt=\"Figure 3 from The 'Re-Identification' of Governor William Weld's Medical Information: A Critical Re-Examination of Health Data Identification Risks and Privacy Protections, Then and Now | Semantic Scholar\" \/><\/p>\n<p style=\"text-align: center\"><em><span style=\"font-size: 10pt\">Zilustrowanie przypadku reidentyfikacji danych Williama Welda<\/span><\/em><\/p>\n<p>&nbsp;<\/p>\n<p>W 2022 roku Indie do\u015bwiadczy\u0142y powa\u017cnego ataku cybernetycznego na jedn\u0105 z najwa\u017cniejszych plac\u00f3wek medycznych w kraju &#8211; All India Institute of Medical Sciences (AIIMS) w Nowym Delhi. Atak rozpocz\u0105\u0142 si\u0119 23 listopada i sparali\u017cowa\u0142 operacje szpitala na prawie dwa tygodnie. W wyniku tego pacjenci nie mogli rejestrowa\u0107 si\u0119 na wizyty, a lekarze nie mieli dost\u0119pu do kartotek medycznych, co znacz\u0105co wp\u0142yn\u0119\u0142o na jako\u015b\u0107 i efektywno\u015b\u0107 opieki zdrowotnej\u200b\u200b. Szacuje si\u0119, \u017ce w wyniku tego incydentu mog\u0142y zosta\u0107 naruszone dane ponad 30 milion\u00f3w pacjent\u00f3w\u200b. Sytuacja ta uwypukli\u0142a luki w cyberbezpiecze\u0144stwie indyjskiego systemu opieki zdrowotnej, szczeg\u00f3lnie w kontek\u015bcie szybko post\u0119puj\u0105cej cyfryzacji danych medycznych. Chocia\u017c szpital wsp\u00f3\u0142pracowa\u0142 z w\u0142adzami federalnymi, aby przywr\u00f3ci\u0107 systemy i wzmocni\u0107 swoje zabezpieczenia, incydent ten podkre\u015bli\u0142 piln\u0105 potrzeb\u0119 wdro\u017cenia bardziej zaawansowanych \u015brodk\u00f3w ochrony danych w sektorze zdrowia.<\/p>\n<h1>Wyzwania zwi\u0105zane z prywatno\u015bci\u0105 danych<\/h1>\n<p>Wraz z rozwojem i wdra\u017caniem innowacji opartych na sztucznej inteligencji w opiece zdrowotnej, pojawiaj\u0105 si\u0119 istotne obawy zwi\u0105zane z ochron\u0105 danych. Mimo \u017ce dane s\u0105 cz\u0119sto deidentyfikowane, istnieje ryzyko, \u017ce nowe metody analizy mog\u0105 umo\u017cliwi\u0107 ponown\u0105 identyfikacj\u0119 tych danych. Przyk\u0142adowo <a href=\"https:\/\/www.ncbi.nlm.nih.gov\/pmc\/articles\/PMC6324329\/\" target=\"_blank\" rel=\"noopener\">badanie z 2018 roku<\/a> wykaza\u0142o, \u017ce algorytm m\u00f3g\u0142 ponownie zidentyfikowa\u0107 znaczn\u0105 cz\u0119\u015b\u0107 uczestnik\u00f3w badania, pomimo usuni\u0119cia danych identyfikacyjnych. AI w opiece zdrowotnej korzysta zar\u00f3wno z chronionych informacji zdrowotnych, jak i z danych generowanych przez u\u017cytkownik\u00f3w, takich jak \u015bledzenie zdrowia na urz\u0105dzeniach smart czy historia wyszukiwania w Internecie. Usuni\u0119cie identyfikator\u00f3w zgodnie z przepisami mo\u017ce nie by\u0107 wystarczaj\u0105ce, je\u015bli dane te mog\u0105 zosta\u0107 ponownie zidentyfikowane przez powi\u0105zanie z innymi zestawami danych.<\/p>\n<p>Naruszenia prywatno\u015bci mog\u0105 mie\u0107 konsekwencje zar\u00f3wno mierzalne, takie jak dyskryminacja w miejscu pracy czy wy\u017csze sk\u0142adki ubezpieczeniowe, jak i niemierzalne, wynikaj\u0105ce z poczucia utraty kontroli, co mo\u017ce prowadzi\u0107 do traumy psychicznej. Problemy pojawiaj\u0105 si\u0119 r\u00f3wnie\u017c przy udost\u0119pnianiu danych mi\u0119dzy r\u00f3\u017cnymi jurysdykcjami, gdzie obowi\u0105zuj\u0105 r\u00f3\u017cne przepisy dotycz\u0105ce ochrony danych. Ponadto, dane u\u017cywane do szkolenia algorytm\u00f3w mog\u0105 by\u0107 \u017ar\u00f3d\u0142em r\u00f3\u017cnych uprzedze\u0144. Dane pochodz\u0105ce z elektronicznych kartotek mog\u0105 by\u0107 bardziej reprezentatywne dla os\u00f3b z wy\u017cszej klasy spo\u0142eczno-ekonomicznej, co mo\u017ce prowadzi\u0107 do niedopasowanych rekomendacji dla marginalizowanych grup spo\u0142ecznych.<\/p>\n<p><img decoding=\"async\" class=\"aligncenter\" src=\"https:\/\/media.market.us\/wp-content\/uploads\/2023\/08\/challenges-and-barriers-to-smart-healthcare-implementation.png\" alt=\"Smart Healthcare Statistics\" \/><\/p>\n<p style=\"text-align: center\"><em><span style=\"font-size: 10pt\">Wyzwania i bariery zwi\u0105zane z Big Data w zdrowiu publicznym<\/span><\/em><\/p>\n<p>&nbsp;<\/p>\n<p>G\u0142\u00f3wnymi wyzwaniami zwi\u0105zanymi z prywatno\u015bci\u0105 danych s\u0105:<\/p>\n<p><strong>Zwi\u0119kszone ryzyko narusze\u0144 danych<br \/>\n<\/strong>Ogromna ilo\u015b\u0107 danych zdrowotnych czyni je atrakcyjnym celem dla cyberprzest\u0119pc\u00f3w. Naruszenia danych mog\u0105 prowadzi\u0107 do nieautoryzowanego dost\u0119pu, kradzie\u017cy to\u017csamo\u015bci i naruszenia poufno\u015bci pacjent\u00f3w.<\/p>\n<p><strong>Problemy etyczne<br \/>\n<\/strong>Zr\u00f3wnowa\u017cenie korzy\u015bci p\u0142yn\u0105cych z big data z etycznymi rozwa\u017caniami jest skomplikowanym zadaniem. Pojawiaj\u0105 si\u0119 pytania o to, kto jest w\u0142a\u015bcicielem danych, jak s\u0105 one wykorzystywane i czy pacjenci maj\u0105 kontrol\u0119 nad ich wykorzystaniem.<\/p>\n<p><strong>Zgodno\u015b\u0107 z przepisami<br \/>\n<\/strong>Dostawcy opieki zdrowotnej musz\u0105 przestrzega\u0107 r\u00f3\u017cnych przepis\u00f3w dotycz\u0105cych ochrony danych, takich jak HIPAA w Stanach Zjednoczonych RODO w Unii Europejskiej. Nieprzestrzeganie tych przepis\u00f3w mo\u017ce skutkowa\u0107 powa\u017cnymi karami.<\/p>\n<p>&nbsp;<\/p>\n<h1>\u0179r\u00f3d\u0142a<\/h1>\n<ol>\n<li>\u00a0EDM: https:\/\/pacjent.gov.pl\/elektroniczna-dokumentacja-medyczna<\/li>\n<li>\u00a0EHR: https:\/\/synappsehealth.com\/pl\/articles\/i\/elektroniczna-dokumentacja-medyczna-systemy-emr-i-ehr\/<\/li>\n<li>Dane 2018-2025: https:\/\/www.seagate.com\/files\/www-content\/our-story\/trends\/files\/idc-seagate-dataage-whitepaper.pdf<\/li>\n<li>World Economic Forum i 97% danych: https:\/\/www.weforum.org\/agenda\/2019\/12\/four-ways-data-is-improving-healthcare\/<\/li>\n<li>Wp\u0142yw data science na opiek\u0119 zdrowotn\u0105: https:\/\/datascientest.com\/en\/data-science-and-healthcare-the-impact-on-medicine<\/li>\n<li>Wyzwania zwi\u0105zane z prywatno\u015bci\u0105: https:\/\/www.linkedin.com\/pulse\/data-privacy-healthcare-ensuring-confidentiality-while-leveraging-3gsnf<\/li>\n<li>Cyberatak na AIIMS: https:\/\/www.ncbi.nlm.nih.gov\/pmc\/articles\/PMC10718098\/<\/li>\n<li>Badanie z 2018 roku: https:\/\/www.ncbi.nlm.nih.gov\/pmc\/articles\/PMC6324329\/<\/li>\n<li>Digital Health\u2019s Role in Improving Patient Engagement: https:\/\/www.transperfect.com\/blog\/digital-healths-role-improving-patient-engagement<\/li>\n<li>A. Alabdulatif, N. N. Thilakarathne, K. Kalinaki, <em>A Novel Cloud Enabled Access Control Model for Preserving the Security and Privacy of Medical Big Data\u00a0<\/em><\/li>\n<li>Healthcare Informatics Market: https:\/\/www.precedenceresearch.com\/healthcare-informatics-market<\/li>\n<li>How can leaders make recent digital health gains last?: https:\/\/www.accenture.com\/us-en\/insights\/health\/leaders-make-recent-digital-health-gains-last<\/li>\n<li>Smart Healthcare Statistics 2024 By Technology, Healthcare, AI: https:\/\/media.market.us\/smart-healthcare-statistics\/<\/li>\n<li>D. C. Barth-jones, <em>The &#8222;Re-identification&#8221; of Governor William Weld&#8217;s Medical<\/em><\/li>\n<\/ol>\n<p>&nbsp;<\/p>\n","protected":false},"excerpt":{"rendered":"<p>Big Data i sztuczna inteligencja (SI) staj\u0105 si\u0119 fundamentami wsp\u00f3\u0142czesnej medycyny, oferuj\u0105c ogromne mo\u017cliwo\u015bci oraz nowe wyzwania. Elektroniczne kartoteki pacjent\u00f3w (EHR), modele predykcyjne oparte na uczeniu maszynowym oraz zdalne konsultacje lekarskie to tylko niekt\u00f3re z innowacji, kt\u00f3re zmieniaj\u0105 oblicze opieki zdrowotnej. Prognozy wskazuj\u0105, \u017ce globalny rynek informatyki zdrowotnej osi\u0105gnie warto\u015b\u0107 ponad 100 miliard\u00f3w dolar\u00f3w do [&hellip;]<\/p>\n","protected":false},"author":188,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_jetpack_memberships_contains_paid_content":false,"footnotes":""},"categories":[351],"tags":[177,102,55,39,188],"class_list":["post-5343","post","type-post","status-publish","format-standard","hentry","category-agh-2023-24","tag-big-data","tag-medycyna","tag-prywatnosc","tag-przetwarzanie-danych","tag-uczenie-maszynowe"],"jetpack_featured_media_url":"","jetpack_sharing_enabled":true,"_links":{"self":[{"href":"https:\/\/architeles.eu\/ethics\/index.php\/wp-json\/wp\/v2\/posts\/5343","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/architeles.eu\/ethics\/index.php\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/architeles.eu\/ethics\/index.php\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/architeles.eu\/ethics\/index.php\/wp-json\/wp\/v2\/users\/188"}],"replies":[{"embeddable":true,"href":"https:\/\/architeles.eu\/ethics\/index.php\/wp-json\/wp\/v2\/comments?post=5343"}],"version-history":[{"count":20,"href":"https:\/\/architeles.eu\/ethics\/index.php\/wp-json\/wp\/v2\/posts\/5343\/revisions"}],"predecessor-version":[{"id":5517,"href":"https:\/\/architeles.eu\/ethics\/index.php\/wp-json\/wp\/v2\/posts\/5343\/revisions\/5517"}],"wp:attachment":[{"href":"https:\/\/architeles.eu\/ethics\/index.php\/wp-json\/wp\/v2\/media?parent=5343"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/architeles.eu\/ethics\/index.php\/wp-json\/wp\/v2\/categories?post=5343"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/architeles.eu\/ethics\/index.php\/wp-json\/wp\/v2\/tags?post=5343"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}