Journal of Clinical Healthcare (JCHC)

29-32 32 Journal of Clinical Healthcare 3/2018 Na tym etapie rozbudowuje się pierwotną koncepcje o dodatkowe odpowiedzi na pytania: Jaki problem jest rozważany?, Dlaczego jest ważny i intere- sujący? Dlaczego podejście związane z Big Data? (ponieważ praca, koszty i nakłady, które trzeba ponieść są dużo wyższe niż przy stosowaniu trady- cyjnych metod). Grupa projektowa powinna podać również infor- macje na temat tła problemu oraz wstępne analizy przeprowadzone na tym polu. Etap 3 szczegółowa metodologia działania. Przedstawione zadania to jedynie propozycje i nie są ścisłym przewodnikiem analizy Big Data, a jedynie sugestiami, które warto wziąć pod uwagę. Istotnym znaczeniem dla całego projektu będzie wybór narzędzi oraz metod algorytmicznych. W ostatnim punkcie odkrycia zo- stają ewaluowane oraz zweryfikowane, a także przedstawione interesariuszom, którzy wykorzystają otrzymane dane w celu podjęcia odpowiednich decyzji. Na każdym przedstawionym kroku powinien istnieć też system raportujący informacje zwrotne do grupy projektowej, aby uniknąć pomyłek. [2,8,11,12] Tabela 1. Zarys analizy Big Data w ochronie zdrowia - metodologia. Opracowanie własne na podstawie [2,8,11] Krok 1 Wyrażenie koncepcji Ustalenie potrzeb związanych z projektem wymagającym analizy dużych danych bazując na koncepcji „4V” Krok 2 Założenie Jaki problem jest rozważany? Dlaczego jest ważny i interesujący? Dlaczego podejście związane z Big Data? Materiały przygotowawcze Krok 3 Metodologia Propozycje działania Selekcja zmiennych Zbieranie danych ETL i transformacja danych Wybór narzędzi/platformy Model koncepcyjny Techniki analityczne Powiązania, klastry, klasyfikacje itd Rezultaty i wgląd Krok 4 Wdrożenie Ewaluacja i weryfikacja Testowanie PIŚMINNICTWO 1. IBM. Data Driven Healthcare Organizations Use Big Data Analytics for Big Gains. 2013. [cytowany 5 sierp- nia 2018]. Adres: https://www.ibmbigdatahub.com/whitepaper/data- driven-healthcare-organizations-use-big-data- analytics-big-gains 2. Muin J, Ioannidis K, Ioannidis John P A. Big data meets public health. Science 2014; 346:105-110. 3. Chun-Hai Fung I, Zion Tsz Ho Tse, King-Wa Fu. Con- verting Big Data into public health. Science 2015; 5:347-353. 4. Schmarzo B. Big Data. Understandinga How Data Powers Big Business. Indianapolis; John Wiley &Sons Inc., 2013. 5. Głowacka E. Ekologia informacji – sposób na choroby informacyjne? [cytowany 5 sierpnia 2018]. Ad- res : http://www.google.pl/url?sa=t&rct=j&q=&esrc=s&s our- ce=web&cd=1&ved=0CC4QFjAA&url=http%3A%2F% 2Fkonferencja.biblio.cm.umk.pl%2Ffileadmin%2Fpeln e_teksty%2Fnowy__ekologia_inf..doc&ei=Cb05UpXqK ceB4gTR_YCADA&usg=AFQjCNHfkauyNf7kuPUaNU oSNy_m- mWBGg&sig2=Rfk7a8OKXoadjmwA3yl8cw&bvm=bv.5 2288139,d.bGE [ odczyt: 31.08.2013]. 6. Tadeusiewicz R. Społeczność internetu. Warszawa; Akademicka Oficyna Wydawnicza Exit, 2002. 7. Tadeusiewicz R. W dymie i we mgle…[cytowany 25 sierpnia 2018]. Adres : http://www.solidarnosc.org.pl/~ksn/Docs/rystad.pdf 8. Marconi K, Dobra M, Thompson C. The use of Big Da- ta in Healthcare. In: Liebowitz J. Big Data and Busi- ness Analitics. Boca Raton; CRC Press, 2013: 229– 248. 9. Fan W, Bifet A. Mining Big Data: Current Status, and Forecast to the Future. New York; Wyd. ACM SIGKDD Explorations Newsletter 2012. 10. Diebold F. On the Origin(s) and Development of the Term ”Big Data”. Pier working paper archive. Pennsyl- vania; Penn Institute for Economic Research, Depart- ment of Economics. University of Pennsylvania, 2012. 11. Raghupathi W, Raghupathi V. Big data analytics in healthcare: promise and potential. Health Inform Sci Syst 2014; 2: 3-10. 12. Redakcja. Co to jest Big Data? [cytowany 16 sierpnia 2016] Adres : http://bigdataweb.pl/co-to-jest-big d ata/ .