KaydedilenlerDerginizi ekleyin

Dergiler / Hacettepe Sağlık İdaresi Dergisi / 2021 / Cilt: 24 - Sayı: 4

BÜYÜK VERİ VE SAĞLIK HİZMETLERİNDE BÜYÜK VERİ İŞLEME ARAÇLARI

BIG DATA AND HEALTHCARE BIG DATA PROCESSING TOOLS

Arzu KURŞUN
Sayfa
921–940
Yayın Tarihi
2022-10-17
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Bu makalenin amacı, sağlık kurumlarında ve hizmetlerinde büyük veri analitiğine dayalı karar mekanizmalarını araştırmak, sağlık hizmeti liderlerinin kararlarına yardımcı olabilecek temel büyük veri analizlerini belirlemek ve sağlık hizmetleri boyunca verimliliği artırmak için bazı araçlar sunmaktır.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Sağlık hizmetlerinde büyük veri; hastane, doktorlar, hasta ve tıbbi süreçlerin bir bütünüdür.
📊
Temel Bulgular & Veri:Büyük verinin yardımıyla, büyük miktarda veri depolanabilmekte ve teşhis için etkin bir şekilde kullanılabilmektedir.
💡
Sonuç & Katkı:Bu makalenin amacı, sağlık kurumlarında ve hizmetlerinde büyük veri analitiğine dayalı karar mekanizmalarını araştırmak, sağlık hizmeti liderlerinin kararlarına yardımcı olabilecek temel büyük veri analizlerini belirlemek ve sağlık hizmetleri boyunca verimliliği artırmak için bazı araçlar sunmaktır.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Sağlık Bilişimi · Büyük Veri · Hadoop

Özet

Sağlık hizmetlerinde büyük veri; hastane, doktorlar, hasta ve tıbbi süreçlerin bir bütünüdür. Karmaşıktır ve bu verilerin geleneksel veri analitiği araçları kullanılarak analiz edilmesi oldukça zordur. Sağlık hizmetleri, finansal etüdler, sağlık teknolojileri, sosyal faktörler ve örgütsel süreçler ile ilgili çok disiplinli bir bilimsel araştırma alanı sağlamaktadır. Büyük verinin yardımıyla, büyük miktarda veri depolanabilmekte ve teşhis için etkin bir şekilde kullanılabilmektedir. Ayrıca bu gelişen teknolojilerle hastalıkların uygun tedavisi de izlenebilmektedir. Araştırmacılar sağlık hizmetlerindeki büyük hacimli veriyi inceleyerek yeni model ve eğilimleri bulmaktadırlar. Böylece sağlık hizmetleri maliyetlerini düşürme, sağlık erişimini demokratikleştirme ve insan hayatlarını kurtarma fırsatı sağlamaktadırlar. Son yıllarda, birçok araştırmacı, analitiksel doğruluğu iyileştirmek için sağlık hizmetleri verilerinde büyük veri yaklaşımlarını önermiştir. Sağlık hizmeti verilerinin etkili analizi ve tanımlanması, hastaların durumuna yeni bakış açıları sağlamakta ve en uygun tedavi fırsatlarını önermektedir. Bu makalenin amacı, sağlık kurumlarında ve hizmetlerinde büyük veri analitiğine dayalı karar mekanizmalarını araştırmak, sağlık hizmeti liderlerinin kararlarına yardımcı olabilecek temel büyük veri analizlerini belirlemek ve sağlık hizmetleri boyunca verimliliği artırmak için bazı araçlar sunmaktır.

Abstract

Healthcare big data is the whole of record of hospital, doctors, patient and medical processes and it is so complex and this data is quite hard to analyze using some traditional data analytics tools. Healthcare services ensures a multi-disciplinary field of scientific investigation in relation to organizational progresses, social factors, health technologies and financial studies. Thanks to big data, the huge volume of data can be processed and stored effectively for diagnosis. Also suitable treatment of diseases can be observed with these emerging technologies. In this way for researchers, there is a chance in healthcare data to find models and tendencies inside of data and ensure a resolution for developing healthcare, thereby decreasing costs, democratizing health access, and rescuing human lives. Recently, many researchers have suggested some big data approaches on healthcare data to develop the accuracy of analytics. Definition of health care data and effective analysis ensures new perspectives of patients status and propose the most proper treatment opportunities. The purpose of this article is to investigate the decision mechanisms based on big data analytics in healthcare institutions and services, to determine essential big data analytics able to help healthcare leaders’ decisions and to present some tools to raise efficiency along the healthcare services

🔖

Bu Makaleye Atıf Yap

KURŞUN, A. (2022). BÜYÜK VERİ VE SAĞLIK HİZMETLERİNDE BÜYÜK VERİ İŞLEME ARAÇLARI. Hacettepe Sağlık İdaresi Dergisi, Cilt: 24 - Sayı: 4, 921–940. https://ajindex.com/articles/530940

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (12)

  1. Aceto, G., Persico, V. & Pescape, A. (2020). Industry 4.0 and health: Internet of things, big data, and cloud computing for healthcare 4.0. Journal of Industrial Information Integration, 18, 1-13.
  2. Agrawal, R. & Prabakaran, S. (2020). Big data in digital healthcare: lessons learnt and recommendations for general practice. Heredity, 124(4), 525–534.
  3. Artho, C., Banzai, K., Gros, Q., Rousset, G., Ma, L., Kitamura, T., Hagiya, M., Tanabe, Y. & Yamamoto, M. (2019). Model-based testing of Apache ZooKeeper: Fundamental API usage and watchers. Software Testing Verification & Relıability, 30(7-8) 1-29.
  4. Bagchi, S. (2015). Performance and quality assessment of similarity measures in collaborative filtering using Mahout. Procedia Computer Science, 50, 229–234.
  5. Bandi, R. & Anitha, G. (2018). Machine learning based oozie workflow for hive query schedule mechanism. International Conference on Smart Systems and Inventive Technology (ICSSIT), Tamil Nadu, India. Belle, A., Thiagarajan, R., Soroushmehr, S.M.R., Navidi, F., Beard, D.A. & Najarian, K. (2015). Big data analytics in healthcare. BioMed Research International, 1-16.
  6. Benke, K. & Benke, G. (2018). Artificial intelligence and big data in public health. International journal of environmental research and public health, 15(12), 2796. Beyer, K.S., Ercegovac, V., Gemulla, R., Balmin, A., Eltabakh, M.Y., Kanne, C.C., Özcan, F. & Shekita, E.J. (2011). Jaql: A scripting language for large scale semistructured data analysis. PVLDB, 4(12), 1272–1283.
  7. Bhubaneswar, O. (2015). A brief introduction on big data 5Vs characteristics and Hadoop technology. Procedia Computer Science, 48, 319-324.
  8. Boyd, D. & Crawford, K. (2012). Critical questions for big data. Provocations for a cultural, technological, and scholarly phenomenon. Information, Communication & Society, 15(5), 662-679.
  9. Braun, P., Cuzzocrea, A., Leung, C.K., Pazdor, A.G.M. & Tran, K. (2016). Knowledge discovery from social graph data. Procedia Computer Science, 96, 682-691.
  10. Caruana, R., Lou, Y., Gehrke, J., Koch, P., Sturm, M., & Elhadad, N. (2015, August). Intelligible models for healthcare: Predicting pneumonia risk and hospital 30-day readmission. In Proceedings of the 21th ACM SIGKDD international conference on knowledge discovery and data mining (pp. 1721-1730).
  11. Chae, S., Kwon, S. & Lee, D. (2018). Predicting infectious disease using deep learning and big data. International journal of environmental research and public health, 15(8), 1596-1616.
  12. Chauhan, R., Kaur, H. &