Tina Hernandez-Boussard: Tıpta Kapsayıcılık ve Çeşitliliğe Giden Bir Yol Olarak Veri Bilimi

Dr. Tina Hernandez-Boussard’a göre sağlık hizmetlerindeki eşitsizlikleri çözmek, ancak karar vermek için veri toplayan, analiz eden ve yorumlayan kişilerin bu kararlardan etkilenenler kadar çeşitli olmasıyla mümkün.

Kırsal bir toplulukta büyüyen Tina Hernandez-Boussard, veri bilimi yoluyla sağlık sistemimizdeki eşitsizlikleri çözmeyi amaçlayan yeni bir alanın ön saflarında yer almak şöyle dursun, daha sonra doktora kazanacağını hiç düşünmemişti. Bununla birlikte, potansiyelini fark eden ve arayışlarını teşvik eden bir akıl hocasının desteğiyle, şimdi Stanford Üniversitesi’nde tıp ve biyomedikal veri bilimi profesörü olan Dr. Hernandez-Boussard, tüm demografik yapılardan insanlara daha iyi hizmet vermek için tıpta verileri kullanan çabalara öncülük ediyor. sadece geleneksel olarak biyomedikal araştırmaların odak noktası olanlar değil.

Hernandez-Boussard için sağlık sistemimizdeki eşitsizlikleri çözmek, ancak karar vermek için veri toplayan, analiz eden ve yorumlayan kişilerin bu kararlardan etkilenecek kişiler kadar çeşitli olmasını sağladığımızda mümkün. Bu sadece sağlık hizmetlerini daha adil kılmakla kalmaz, aynı zamanda daha empatik tıp yaratır. Sağlık ve veri bilimini birleştirerek, Hernandez-Boussard, kendisinin ve sağlık hizmetlerinde eşitliği savunan diğer kişilerin karşı karşıya olduğu biyotıp alanındaki hem zorlukları hem de fırsatları anlamak için benzersiz bir konuma sahiptir. Azınlık ve düşük gelirli nüfus için sağlık sistemimizdeki sayısız eşitsizliğe dikkat çeken bir pandemi sonrasında, bu sorunları çözmek sadece akademik bir girişim değil, aynı zamanda bir ölüm kalım meselesidir.

Hernandez-Boussard’ın geçen ay Stanford Üniversitesi’ndeki Veri Biliminde Kadınlar Konferansı’nda gözlemlediği gibi, sağlık hizmetlerinde veri biliminin önündeki en büyük zorluklardan biri de en büyük fırsatı: geleneksel olarak tıp ve tıbbi araştırmaların dışında bırakılan popülasyonları ve bakış açılarını içeren veri kümeleri yaratmak. Hernandez-Boussard bize, doğal dil işleme (veri için insan dilini sıyıran bilgisayar bilimine disiplinler arası bir yaklaşım) ve makine öğrenimi gibi veri analizi tekniklerini hatırlatsa da, veri bilimi, karşılaştığımız sorunlara ilişkin önemli bilgiler sunabilse de, yalnızca veri analizi tekniklerini hatırlatıyor. veri biz onu besliyoruz. Bu veriler dengesiz olduğunda, modeller farklı popülasyonlar için düşük performans gösterir.

Örneğin, Boussard Laboratuvarı kemoterapi gören kanser hastalarında depresif semptomları belirlemek için çalışıyor. Şiddetli depresif hastaların semptomlarını yakalamak nispeten kolay olsa da, özellikle bu semptomları veya duyguları farklı şekilde ifade edebilen ve geleneksel olarak araştırılmamış çeşitli popülasyonlar arasında ara semptomların ayırt edilmesi daha az kolaydır. Farklı veri bilimcileri, insanların bu semptomları kültür, cinsiyet, ırk, dil ve sosyoekonomik gruplar arasında nasıl iletebileceklerini anlamak için altyapıya sahiptir. Doğru soruları sormak için veri biliminin, hastaların sesini daha iyi anlayabilen çeşitli problem çözme ekiplerine sahip olması gerekir.

Hernandez-Boussard’a göre, veriye dayalı tıbbı iyileştirmenin en iyi yollarından biri, çeşitli bilim adamları ve klinisyen ekiplerinin sorulacak doğru soruları düşünmesini sağlamaktır. Örneğin, Hernandez-Boussard, bir hastanenin kullanılmayan randevuları tahmin etmek için bir algoritma istediği zamanı hatırlıyor. Hernandez-Boussard’ın ekibi, basitçe böyle bir algoritma oluşturmak yerine, hastaneyi bunun nedenini düşünmeye zorladı. Hastaların randevularına uymasını engelleyen engelleri azaltmanın yollarını bulmak için verileri kullanmak yerine randevuya gelmemeleri tahmin etmek istediler. Bu durumda, hastane için “en iyi neyin işe yaradığı”, belirli popülasyonların sağlık hizmetlerine erişimini kısıtlayan koşulları devam ettirdi.

Doğru soruları sormak için veri biliminin, hastaların sesini daha iyi anlayabilen çeşitli problem çözme ekiplerine sahip olması gerekir.

Farklı popülasyonlarla çalışmak, bilim adamlarının önceden belirlenmiş semptomlar, hastalıklar ve tedaviler kavramlarına meydan okumalarına izin verirken, aynı zamanda uygulayıcıların ve hastaların zarar ve yanlış bilgi geçmişlerinin üstesinden gelmek için birlikte çalışmasına olanak tanır. Veri biliminin sağlık hizmetlerinde ön yargıyı ortadan kaldırma zorluğunun üstesinden etkili bir şekilde gelebilmesi için görev, ek bir çeşitlilik türü gerektirir. Veri bilimcileri, yalnızca çeşitli hasta seslerinin sağlık sistemlerine daha iyi dahil edilmesini sağlamakla kalmamalı, aynı zamanda bir alan olarak veri bilimi de farklı türler yaratmak için stratejiler aramalıdır. takım bilimi problem çözme yaklaşımları.

Hernandez-Boussard, biyomedikal veri biliminde cinsiyet, ırk, etnik köken ve yetenekte çeşitliliği sağlamanın yanı sıra, tıpta problemler üzerine çalışan ekipler arasındaki geçmiş, meslek ve çalışma alanlarındaki çeşitliliğin önemini vurgulamaktadır. Alanlar arası işbirliği çok önemlidir, çünkü çağdaş bilimin karmaşıklıkları ve sağlık hizmetlerinin karşı karşıya olduğu sorunlar multidisipliner ilişkiler gerektirir; klinisyenler ile ortaklık yapan bilgisayar bilimcileri, istatistikçilerle çalışan mühendisler ve nitel araştırmalardan içgörüler getiren sosyal bilimcilerle.

Veri bilimcileri, yalnızca çeşitli hasta seslerini dinleyerek ve onları konfor alanlarının dışına itenlerle sohbet ederek, sağlık hizmetleri eşitsizliği sorununun üstesinden gelebilir ve daha işbirlikçi ve yaratıcı problem çözücüler haline gelebilir. Eksik veri kümeleri ve kararlı çözümler nedeniyle hayatlar kaybolmaya devam ederken, Hernandez-Boussard’ın sağlık hizmetlerinde verileri çeşitlendirme çabaları, geleneksel olarak tıp tarafından geride bırakılan birçok insanın hayatını kurtarma potansiyeline sahip.

Bu makaleyi faydalı bulduysanız, lütfen bağımsız raporlamamızı ve doğruları söylememizi ayda 5 ABD doları gibi düşük bir ücretle desteklemeyi düşünün.

Bir sonraki: