Journal of Clinical Healthcare (JCHC)

1-5 4 Journal of Clinical Healthcare 3/2018 [5]. Zasadniczą cechą analizy wielkich baz danych jest też ich nie intuicyjność i pozorna nielogiczność obserwacji. Na poparcie tego twierdzenia należy przytoczyć badanie przeprowadzone przez Viktora Mayera Schoenbergera z Toronto na temat zakażeń u wcześniaków 24 godziny przed wystąpieniem objawów. Opracowane badanie przez profesora polegało na zbieraniu 1000 oznak życiowych na sekundę niemowlęcia przez superszybkie kamery. Paradoksalnie zapowiedzią zbliżającego się zakażenia nie było wymknięcie się parametrów życiowych spod kontroli, a ich znormalizowanie. W przypadku zdarzeń medycznych przewidywanie przyszłości jest sprawą wielkiej wagi zdolnej ratować ludzkie życie [cyt. za 5,6]. W nurcie nowego być może przełomowego postępu w zakresie gromadzenia i badania danych, oprócz wielu głosów ekscytacji oraz zainteresowania, pojawiają się także opinie, które sugerują, że nowe techniki pozyskiwania informacji ograniczą naszą swobodę i zostaną wykorzystane głównie przez wielkie korporacje oraz służby wywiadowcze do kontrolowania naszych zachowań i poniekąd także myśli. Służy do tego min. personalizacja ogłoszeń i kreowanie dostępnych możliwości. Niektóre grupy, a także specjaliści w zakresie gromadzenia danych postulują, zatem, aby każdy obywatel miał możliwość indywidualnego dysponowa- nia danymi osobowymi. W ten sposób prócz własnego bezpieczeństwa mógłby osiągnąć również korzyści finansowe poprzez comiesięczną sprzedaż indywidualnych danych wielkim korporacją, które obecnie zbierają lub otrzymują je najczęściej zupełnie za darmo (rycina 1). Nowy kierunek zmian w zakresie analizowania gromadzonych danych nie stwarza jednak konkurencji dla obecnych metod badawczych. Należy raczej spodziewać się, że dzięki nowym technikom obecne metody jeżeli nie komplementarne do obecnych to będą równolegle kreowały nowe zasoby wiedzy dla ludzkości. Piśmiennictwo 1. Hołda A., MSR/MSSF w polskiej praktyce gospodarczej. Warszawa; Wyd. C.H. Beck, 2013. 2. Muin J, Ioannidis K, Ioannidis John P A. Big data meets public health. Science 2014; 346:105-110. Rysunek 1. Różnica pomiędzy obszarem badań klasycznych, a Big Data [opracowanie własne] Legenda: Obrazek lupy – Badania terenowe i laboratoryjne, określenie próby TAB – sporządzanie baz danych/tabel do analizy W – Prezentacja wiedzy i wyników D – działania, podejmowanie akcji, kierunków politycznych Real – time- urządzenia nadające sygnał bez przerwy mogą być wykorzystane do analizy w czasie rzeczywistym z ang. real-time Obszar uzupełniania się – to zakres, w którym metody są dla siebie kompatybilne. Przykład: zbieranie dużych wolumenów danych w badaniach laboratoryjnych metodami klasycznymi i ich pełna analiza bez określania próby, co przy badaniach molekularnych mogłoby nie dać pożądanego rezultatu Rysunek 1. Różnica pomiędzy obszarem badań klasycznych, a Big Data [opracowanie własne] Legenda: Obrazek lupy – Badania terenowe i laboratoryjne, określenie próby