数据科学应用趋势：找数据科学工作，在哪些行业最容易？

在医疗保健行业，还有什么是比获得更好的医疗结果更重要的？每天全球各地的医护人员都在努力寻找更多的改善生活的方式。然而，世界正在发生变化。坦率地说，世界变化的速度以比我们大多数人能够跟上的速度更快。直觉已经不再能使患者的疗效达到良好。医疗保健数据量每秒都在不停低累积，使得我们越来越难找到任何形式有用的信息。大数据不是用来浪漫的;它可以是一个祝福，也可能是一个诅咒。它可以有助于洞察力，也可以增加掩盖事实的迷雾。

 

事实上，数据科学被证明是可以改善结果的，因为它能够快速，大面积，并且精确地通过自动化解决很多的繁重工作。我们唯一需要做的是改善我们预测流行病，提前治愈，让病人留在医院更安全，更愉快的能力。在医疗保健方面，数据科学应该被视为一种有益的智力，而不仅仅是人工智能，为已经发挥作用的医疗保健专家提供了更多的服务。

 

医院数据

根据“国家医院出院调查”，2010年病人的平均停留时间为4.8天，出院人次达到3510万次。同样的调查结果显示，医院总共执行了5140万次治疗。 2011年国家医院门诊医疗调查显示，门诊部门访问人次为12570万人，急诊部门访问人次为1.363亿人。这些是美国医疗保健系统所提供的护理量的一些基本数据。使用数据科学来对这种数据进行年度化整理可以使医护人员开始建立一个基于数据叙述的新直觉，这可能有助于避免疾病传播或解决特定的健康威胁。使用一系列的描述性，探索性以及预测分析的统计知识的组合，寻找针对特定疾病的最低成本的治疗方法会变得相对容易，这也可以帮助减少重复或不必要的治疗数量。预测未来状态的力量在于使用这种知识来改变今天的行为模式。

电子医疗记录（EHR）

用于患者护理的可互操作的电子医疗记录具有巨大的减少成本的增长的潜力。EHR可以帮助医疗机构改善慢性疾病管理，提高运营效率，改变其财务状况，并改善患者预后。然而，EHR实施在全国各地都处于不同的成熟阶段，其效益尚未得到充分实现。医疗保健决策者面临的主要挑战之一是如何有意义地使用在电子病历中可用和可访问的数据。

 

通过优化EHR中可访问的数据的使用，我们可以发现隐藏的关系，并在这多样并复杂的信息中寻找规律和变化趋势，以此来改善慢性病管理，提高运营效率，并改变医疗机构的财务状况。

患者的行为和情绪数据

AMI研究的一项研究表明，“可穿戴式检测仪”预计将在2019年达到5200万美元。可穿戴式检测仪可以检测心率，睡眠模式，步行等等，同时可提供更多维度的的信息，比如地理定位，行为模式和生物识别技术。通过结合社交媒体上非结构化“生活方式”的数据和检测仪的数据，您可以有组合出不仅仅是数字和推文的潜能。

很明显，我们将从分析医疗保健数据中获得巨大的收益。根据我的判断，我们将继续看到预防治疗的推动，而这将会预测结局的前沿和中心。毕竟，在疾病发展的初期发现疾病，可以更好的控制疾病的爆发。

 

我说的这些可能不会像今天一样广泛地引起共鸣，但是在将来我们将把数据科学看作是对于医疗保健非常重要的内容。我们可以合理地预期，新发现的药物会使我们更快地从疾病和伤害中恢复，有更长的寿命，并更多地从医院手术中获益。在很大程度上，这将取决于我们如何分析大数据。

 

生活在大数据时代的一个令人高兴的是医疗保健行业正在被迫找到更好的工具，技能和技术，以高效地处理患者数据和其固有的见解。当医疗保健选择充分接受数据科学时，它将改变每个人的未来。

 

基因组学

廉价的DNA测序和下一代基因组技术正在改变医护人员的行为方式。我们现在有能力映射整个DNA序列并测量成千上万的血液成分来评估健康。

 

下一代基因组技术允许数据科学家大幅增加在大型研究人群中收集基因组的数据量。通过在医疗保健中的疾病研究，处方有效性等多种数据与基因组数据相结合的新的信息学方法，我们将更好地了解药物反应和疾病的遗传基础。研究人员旨在实现超客制化的医疗保健。作为一个开始，FDA已经开始发布药物标签，为具有特定遗传变体的患者指定不同的剂量。

预测分析和预防措施

预防总是比治愈好。对于保健行业来说，预防可以节省大量资金。 （医疗补助和医疗保健服务中心可以对超过平均再入院率的医院进行处罚，表明他们可以做更多的工作来预防医疗问题。）

 

例如，西奈山医疗中心和前Facebook大师杰夫·哈默巴赫之间的合作关系。西奈山的问题是如何降低再入院率，Hammerbach的解决方案是预测分析：

 

在一项试点研究中，Hammerbach及其团队将疾病数据，医院访问数据和其他因素综合起来，以确定患者的再入院的风险。这些高危患者通过与医院工作人员的定期沟通来避免再次生病。

 

西奈并不是唯一的例子。2008年，德克萨斯卫生与医疗卫生部门合作并分析临床和保险索赔信息。他们的目标都是识别高危患者并提供客制化的的防预措施。

 

无独有偶，在2013年，卫理公会卫生系统的数据科学家研究了14,000名医疗保险受益人和6000名员工的问责制索赔。他们的目标是什么呢？你一定猜到了。他们的目标就是预测未来需要高成本护理的患者。

病人监护和家庭设备

医生可以做很多事情，但是他们不能时时刻刻能跟着随病人。穿戴式身体传感器可以跟踪从心率到睾酮再到身体水分的一切的信息。

 

传感器只是医疗技术超越医院病床的一种方式。可家庭使用的医疗监控设备和移动应用程序每天都在被创造出来。诊断黑素瘤的扫描仪？个人EEG监护仪？没问题。这些小工具的确是为了帮助患者而设计的，但是他们也在忙于收集数据。

 

例如：

1. Asthmapolis已经在2011年推出了具有GPS功能的跟踪仪，这个仪器可以记录哮喘患者吸入器使用情况。把该信息与CDC的哮喘催化剂数据进行整理，分析和合并（例如，新英格兰的高花粉计数），可以帮助医生更好地防止攻击。

 

2.在2012年，患者同意http://Ginger.io的移动应用对他们的电话，短信，位置和运动进行监控。这些数据通过与来自NIH的行为健康数据相结合，可以用来确定潜在的疾病。例如，太多的深夜电话可能意味着更高的焦虑风险。

 

3.为了提高患者的药物依从性，位于波士顿的公司Eliza监测哪些类型的提醒适用于哪些类型的人。更智能的目标意味着更多的药物依从性。

 

未来面临的挑战

建立由数据驱动的医疗保健行业有很多障碍；有些是技术性的，有是些情绪化的。卫生保健提供者通过几十年的时间来积累纸质记录，这种低效的根深蒂固的习惯需要大量时间来补救。

有人说不应该采取这种方法。至少不能侵犯病人的隐私，数据所有权和美国卫生保健的整体思想。

引用链接：

https://www.kdnuggets.com/2016/12/poll-analytics-data-mining-data-science-applied-2016.html 

https://zhuanlan.zhihu.com/p/27297600 

澳洲数据科学相关人才的需求一直居高不下，据统计data scientist的起薪就在8万澳币，中位数为9.8万澳币。想要走最正确的路从事数据科学行业，匠人配备了最高的各个级别导师，带你手把手从入门到项目，体会从理论到实践的全部数据内容。

无论是商科生做数据分析，还是在校生学习机器学习，到最后的毕业生进阶全栈班级，，匠人配备了各个阶段的不同内容，让大家自由选择，定制最适合你的内容！

咨询和报名请联系各地客服

悉尼匠人小嘿

墨尔本匠人Loki

布里斯班匠人小花