Uma proposta de data lake para pesquisa em saúde a partir de data pools multicêntricos interoperáveis
Resumo
Com a alta demanda em ciência de dados, a organização e preparo de bases de dados se tornaram atividades críticas, consumindo mais de 80% do esforço do projeto. No domínio de assistência ao paciente, muitos hospitais já utilizam uma miríade de tecnologias e sistemas informatizados para prontuários e imagens, mas nem sempre adotam padrões de dados uniformes e interoperáveis, e raramente adotam ferramentas voltadas à análise (data lakes e warehouses). Neste artigo é proposto o data pool, um modelo de dados intermediário para facilitar a organização de data lakes voltados à pesquisa em saúde. O datapool foi implementado e adotado em um ciclo completo de pesquisa médica real, dando suporte a fluxos de aprendizagem computacional.
Palavras-chave:
ciência de dados, pesquisa clínica, data lake
Referências
Benson, T. (2012). Principles of health interoperability HL7 and SNOMED. SpringerScience & Business Media.
Cabral, E. F. and Cordeiro, R. L. (2020). Fast and scalable outlier detection with sorted hypercubes. In Proc. 29th ACM CIKM, pages 95-104.
Canêo, P. K. and Rondina, J. M. (2014). Prontuário eletrônico do paciente: conhecendo as experiências de sua implantação. JHI, 6(2).
de Amo, S. (2004). Técnicas de mineração de dados. JAI.
de Azevedo-Marques, P. M. and Salomão, S. C. (2009). Pacs: sistemas de arquivamento e distribuição de imagens. Rev. bras. fis. med., 3(1):131–139.
DiCenso, A., Bayley, L., and Haynes, R. B. (2009). Accessing pre-appraised evidence: fine-tuning the 5s model into a 6s model. Evidence-Based Nursing, 12(4):99–101.
FAPESP (2020). FAPESP COVID-19 Data Sharing/BR. https://repositoriodatasharingfapesp.uspdigital.usp.br/.
Furuie, S. S., Gutierrez, M. A., Figueiredo, J., Tachinardi, U., Rebelo, M., Bertozzo, N., Moreno, R., Motta, G., Nardon, F., and Oliveira, P. (2003). Prontuário eletrônico de pacientes: integrando informações clínicas e imagens médicas. Rev. bras. eng. biomed, pages 125–137.
Kang, B., Yoon, J., Kim, H. Y., Jo, S. J., Lee, Y., and Kam, H. J. (2021). Deep-learning-based automated terminology mapping in omop-cdm. JAMIA. [ocab030].
Larson, P.-Å., Clinciu, C., Hanson, E. N., Oks, A., Price, S. L., Rangarajan, S., Surna, A., and Zhou, Q. (2011). Sql server column store indexes. In Proc. ACM SIGMOD Conf. MOD, pages 1177–1184.
Mildenberger, P., Eichelberg, M., and Martin, E. (2002). Introduction to the dicom standard. European radiology, 12(4):920–927.
Miller, R. J. (2018). Open data integration. Proc. VLDB Endow., 11(12):21302139.
Rodrigues, L. S., Cazzolato, M. T., Traina, A. J. M., and Traina, C. (2020). Taking advantage of highly-correlated attributes in similarity queries with missing values. In Lecture Notes in Computer Science, volume 12440, pages 168–176. Springer.
Segaran, T. and Hammerbacher, J. (2009). Beautiful data: the stories behind elegant data solutions. O’Reilly Media, Inc.
Tito, L., Motinha, C., Santiago, F., Ocaña, K., Bedo, M., and de Oliveira, D. (2020). Xi-dl: um sistema de gerência de data lake para monitoramento de dados da saúde. In Anais do XXXV SBBD, pages 151–156, Porto Alegre, RS, Brasil. SBC.
Traina Jr, C., Moriyama, A., Rocha, G., Cordeiro, R., Ciferri, C. D., and Traina, A. (2019). The similarql framework: similarity queries in plain sql. In Proc. 34th ACM/SIGAPP SAC, pages 468–471.
Voss, E. A., Makadia, R., Matcho, A., Ma, Q., Knoll, C., Schuemie, M., DeFalco, F. J., Londhe, A., Zhu, V., and Ryan, P. B. (2015). Feasibility and utility of applications of the common data model to multiple, disparate observational health databases. JAMIA, 22(3):553–564.
Cabral, E. F. and Cordeiro, R. L. (2020). Fast and scalable outlier detection with sorted hypercubes. In Proc. 29th ACM CIKM, pages 95-104.
Canêo, P. K. and Rondina, J. M. (2014). Prontuário eletrônico do paciente: conhecendo as experiências de sua implantação. JHI, 6(2).
de Amo, S. (2004). Técnicas de mineração de dados. JAI.
de Azevedo-Marques, P. M. and Salomão, S. C. (2009). Pacs: sistemas de arquivamento e distribuição de imagens. Rev. bras. fis. med., 3(1):131–139.
DiCenso, A., Bayley, L., and Haynes, R. B. (2009). Accessing pre-appraised evidence: fine-tuning the 5s model into a 6s model. Evidence-Based Nursing, 12(4):99–101.
FAPESP (2020). FAPESP COVID-19 Data Sharing/BR. https://repositoriodatasharingfapesp.uspdigital.usp.br/.
Furuie, S. S., Gutierrez, M. A., Figueiredo, J., Tachinardi, U., Rebelo, M., Bertozzo, N., Moreno, R., Motta, G., Nardon, F., and Oliveira, P. (2003). Prontuário eletrônico de pacientes: integrando informações clínicas e imagens médicas. Rev. bras. eng. biomed, pages 125–137.
Kang, B., Yoon, J., Kim, H. Y., Jo, S. J., Lee, Y., and Kam, H. J. (2021). Deep-learning-based automated terminology mapping in omop-cdm. JAMIA. [ocab030].
Larson, P.-Å., Clinciu, C., Hanson, E. N., Oks, A., Price, S. L., Rangarajan, S., Surna, A., and Zhou, Q. (2011). Sql server column store indexes. In Proc. ACM SIGMOD Conf. MOD, pages 1177–1184.
Mildenberger, P., Eichelberg, M., and Martin, E. (2002). Introduction to the dicom standard. European radiology, 12(4):920–927.
Miller, R. J. (2018). Open data integration. Proc. VLDB Endow., 11(12):21302139.
Rodrigues, L. S., Cazzolato, M. T., Traina, A. J. M., and Traina, C. (2020). Taking advantage of highly-correlated attributes in similarity queries with missing values. In Lecture Notes in Computer Science, volume 12440, pages 168–176. Springer.
Segaran, T. and Hammerbacher, J. (2009). Beautiful data: the stories behind elegant data solutions. O’Reilly Media, Inc.
Tito, L., Motinha, C., Santiago, F., Ocaña, K., Bedo, M., and de Oliveira, D. (2020). Xi-dl: um sistema de gerência de data lake para monitoramento de dados da saúde. In Anais do XXXV SBBD, pages 151–156, Porto Alegre, RS, Brasil. SBC.
Traina Jr, C., Moriyama, A., Rocha, G., Cordeiro, R., Ciferri, C. D., and Traina, A. (2019). The similarql framework: similarity queries in plain sql. In Proc. 34th ACM/SIGAPP SAC, pages 468–471.
Voss, E. A., Makadia, R., Matcho, A., Ma, Q., Knoll, C., Schuemie, M., DeFalco, F. J., Londhe, A., Zhu, V., and Ryan, P. B. (2015). Feasibility and utility of applications of the common data model to multiple, disparate observational health databases. JAMIA, 22(3):553–564.
Publicado
04/10/2021
Como Citar
LIMA, Daniel M.; MORENO, Ramon A.; PIRES, Fabio A.; GUTIERREZ, Marco A..
Uma proposta de data lake para pesquisa em saúde a partir de data pools multicêntricos interoperáveis. In: SIMPÓSIO BRASILEIRO DE BANCO DE DADOS (SBBD), 36. , 2021, Rio de Janeiro.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2021
.
p. 367-372.
ISSN 2763-8979.
DOI: https://doi.org/10.5753/sbbd.2021.17900.
