Subscribe to DeepL Pro to translate larger documents.

Visit www.DeepL.com/pro for more information.

1. ÖZET

Hedefler:

Bu araştırmanın amacı, hastalıkların önlenmesinin nedenlerini ve ön koşullarını ortaya çıkarmak

için Büyük Veri Analitiğinin gelişen kullanımının perspektiflerini tasvir etmek ve tartışmak ve
Halk Sağlığındaki ekonomik değeri üzerindeki bazı fırsatları ve zorlukları incelemek ve öneriler
ve sonuçlar sunmaktır.

Yöntemler:

Sağlık alanındaki yeniliklerde Büyük Veri Analitiğinin kullanımı ve Hindistan'daki halk sağlığı
sorunlarının ele alınmasına yönelik uygulamalarla ilgili çıkarımları vurgulamak için sistematik
olmayan bir literatür taraması yapılmıştır. Seçilen makalelerin tematik bir incelemesi, mimari bir
çerçeve ve metodoloji ile gerçekleştirilmiş, literatürde bildirilen örnekler açıklanmış, zorluklar
kısaca tartışılmış ve sonuçlar sunulmuştur.

Sonuçlar:

Bu makale, Büyük Veri ve analitiğin sağlık hizmetleri alanlarında kullanımına yönelik olarak
klinisyenler, halk sağlığı uygulayıcıları, epidemiyologlar, politika yapıcılar ve diğer sağlık
uzmanları için Büyük Veri analitiğinin çeşitli uygulamalarına geniş bir genel bakış sunmaktadır

Sonuçlar:.

Büyük Veri kavramı ve ilgili analitik, bilim ve sağlık hizmetlerinde hem yapılandırılmış hem de
yapılandırılmamış verilerin büyük hacimlerinin kullanımına yaklaşırken ciddiye alınmalıdır.
Halk Sağlığında Büyük Veri analitiği, çok büyük veri setlerinden içgörü sağlamak ve maliyetleri
düşürürken sonuçları iyileştirmek için umut verici bir alana dönüşmektedir. Gelecekte veri
gizliliği, gizlilik ve eğitim konularının araştırılması gerekmektedir.

Sayfa 1 . 41
 2. GİRİŞ

Halk Sağlığı yeni bir alan değildir, her başarılı uygarlık yağsız suyun sağlık üzerindeki etkilerini
ve insan atıklarının verimli bir şekilde bertaraf edilmesini kabul etmiştir. Günümüzde Halk
Sağlığı gündemi Dünya Sağlık Örgütü (WHO), Ulusal Sağlık Servisi (NHS) ve Hastalık Kontrol
ve Önleme Merkezleri (CDC) gibi Ulusal ve Uluslararası kuruluşlar tarafından tanımlanmakta ve
yönlendirilmektedir. Hindistan'da sağlık hizmetleri devlet tarafından finanse edilmekte ve devlet
tarafından yürütülmektedir. Ancak, ülkenin pek çok bölgesinde yaşayan pek çok insan için
birinci basamak sağlık hizmetlerine erişim hala bir zorluk teşkil etmektedir. Hindistan gibi
gelişmekte olan ülkeler için kamu sağlık sisteminin güçlendirilmesi, paha biçilmez insan
kaynaklarına daha iyi sağlık hizmeti erişimi sağlamak için üzerinde durulması gereken en önemli
alanlardan biridir ve bu da Hindistan'ı daha sağlıklı hale getirebilir.

En etkili halk sağlığı müdahaleleri genellikle önleyici müdahaleler ve bir krizi başlamadan
durdurmaya yardımcı olan politikalardır. Ancak bir sonraki halk sağlığı krizini tahmin etmek,
hastalıkları önleme, daha iyi teşhis araçları tasarlama ve sağlık hizmetlerine erişimi artırma ve
maliyetleri azaltma konusunda tarihsel olarak bir zorluk olmuştur. Araştırmacılar, politika
yapıcılar ve uygulayıcılar da dahil olmak üzere birçok uzman, Halk Sağlığı sunum
sistemlerindeki müdahalelere ilişkin bilgilerde büyük bir boşluk olduğunu tespit etmiştir.
Hindistan'da Halk Sağlığı alanındaki verimsizlikler ve eşitsizlikler, bu alanı güçlendirmek için
yaratıcı düşünme ve yenilikçi çözümler üretme ihtiyacını ortaya çıkarmıştır. Son on yılda
verilerin katlanarak artması, ihtiyaç doğrulama ve analizinde Büyük Veri Analitiğinin
uygulanabileceği yeni bir alan ortaya çıkarmıştır. Büyük Veri, büyük hacimli işlemsel verilerin
işlenmesine yönelik kritik hesaplama ve analitik yetenek gerçekleştirme potansiyeline sahiptir.

Sağlık hizmetlerinde büyük veri, yalnızca hacmi nedeniyle değil, aynı zamanda veri türlerinin
çeşitliliği ve yönetilmesi gereken hız nedeniyle de çok büyüktür. Hasta sağlığı ve refahı ile ilgili
verilerin toplamı, sağlık sektöründe "büyük veriyi" oluşturmaktadır. CPOE ve klinik karar destek
sistemlerinden gelen klinik veriler (doktorun yazılı notları ve reçeteleri, tıbbi görüntüleme,
laboratuvar, eczane, sigorta ve diğer idari veriler); elektronik hasta kayıtlarındaki (EPR'ler) hasta
verileri; yaşamsal belirtilerin izlenmesi gibi makine tarafından üretilen/sensör verileri; Twitter
akışları (tweet olarak adlandırılır) [8], bloglar [9], Facebook ve diğer platformlardaki durum
güncellemeleri ve web sayfaları dahil olmak üzere sosyal medya gönderileri; ve acil bakım
Sayfa 2 . 41
verileri, haber akışları ve tıbbi dergilerdeki makaleler dahil olmak üzere daha az hastaya özgü
bilgileri içerir.

Sayfa 3 . 41
Büyük Veri analitiğinin halk sağlığındaki potansiyel uygulamaları şunlardır: 1) halk sağlığı
gözetimini iyileştirmek ve müdahaleyi hızlandırmak için hastalık modellerini analiz etmek ve
hastalık salgınlarını ve bulaşmasını izlemek; 2) daha doğru hedeflenmiş aşıların daha hızlı
geliştirilmesi, örneğin yıllık grip suşlarının seçilmesi; ve, 3) büyük miktarda veriyi, özellikle
nüfusların yararına olacak şekilde ihtiyaçları belirlemek, hizmet sağlamak ve krizleri tahmin
etmek ve önlemek için kullanılabilecek eyleme geçirilebilir bilgilere dönüştürmek. Buna ek
olarak, [14] sağlık hizmetlerinde Büyük Veri analitiğinin aşağıdakilere katkıda bulunabileceğini
öne sürmektedir

Kanıta dayalı tıp: EMR'ler, finansal ve operasyonel veriler, klinik veriler ve genomik veriler gibi
çeşitli yapılandırılmış ve yapılandırılmamış verileri birleştirip analiz ederek tedavileri sonuçlarla
eşleştirmek, hastalık veya yeniden başvuru riski taşıyan hastaları tahmin etmek ve daha verimli
bakım sağlamak.

Mevcut araştırma projesi, bir disiplin olarak ortaya çıkmakta olan sağlık hizmetlerine yönelik
Büyük Veri analitiğine genel bir bakış sunmaktadır. İlk olarak, sağlık hizmetlerinde Büyük Veri
analitiğinin çeşitli avantajlarını ve özelliklerini tanımlıyor ve tartışıyoruz. Ardından, sağlık
hizmetlerinde Büyük Veri analitiğinin mimari çerçevesini açıklıyoruz. Üçüncü olarak, Büyük
Veri analitiği uygulama geliştirme metodolojisi açıklanmaktadır. Dördüncü olarak, literatürde
bildirilen sağlık hizmetlerinde Büyük Veri analitiği örnekleri verilmektedir. Beşinci olarak,
zorluklar tanımlanmaktadır. Son olarak, sonuçlar ve gelecekteki yönelimleri sunuyoruz.

Sayfa 4 . 41
 3. AMAÇLAR VE HEDEFLER:

Amaçlar: Mevcut araştırmanın amacı, Sağlık Hizmetlerinde Büyük Veri Analitiğinin gelişen
kullanımının perspektiflerini tasvir etmek ve tartışmak ve Hindistan'daki Halk Sağlığı
perspektiflerinden bazı fırsatları ve zorlukları incelemektir.

Hedefler:

Bu tezin temel amacı, iki topluluk arasındaki disiplinler arası çalışmaları teşvik etmek için veri
madenciliği ve Halk Sağlığı toplulukları arasında nasıl köprü kurulacağı konusunda yeni bilgiler
edinmektir.

Toplanan veriler daha sonra aşağıdaki özel hedeflere ulaşmak için kullanılmıştır:

1. Sağlıkta Büyük Veri'nin faydalarını, risklerini ve fırsatlarını belirlemek ve Hindistan'da

sağlık hizmetlerinin sunumunda Büyük Veri'nin kullanımı için önerilerde
bulunmak.
2. Sağlık hizmeti sunum sistemleri ile halk sağlığı arasındaki boşluğu anlamak
3. Google Trends aracını kullanarak epidemiyolojik salgınların küresel olarak mekansal
dağılımını anlamak.

Sayfa 5 . 41
 4. LİTERATÜR TARAMASI
4.1 BIG DATAA nedir?
"Büyük Veri", BT endüstrisi tarafından bir kuruluşun oluşturduğu hacimli miktarda
yapılandırılmamış veriyi tanımlamak için kullanılan bir terimdir. Normalleştirilmemiş veya
uyumlu hale getirilmemiş, birçok farklı kaynaktan gelen ve geçmişte tipik çevrimiçi işlem işleme
(OLTP) veya veri ambarı tipi veri depoları için normalleştirilmesi çok pahalı veya operasyonel
olarak pratik olmayan bilgileri temsil eder. Büyük Veri (BIG DATA), geleneksel veri yönetimi
teknolojilerinin kapasitesini aşan ve onu kaynaklamak, işlemek ve yönetmek için yeni
yeteneklerin ve süreçlerin kullanılmasını gerektiren büyük boyut özelliğine sahiptir.
Kısaca Büyük Veri, "yaygın veritabanı yönetim araçları veya geleneksel veri işleme
uygulamaları kullanılarak işlenmesi zor olan büyük ve karmaşık veri kümelerinin bir
koleksiyonudur". "Büyük Veri, bir kuruluşun çok büyük veri setleri ve depolama tesisleri
oluşturmasına, manipüle etmesine ve yönetmesine olanak tanıyan araçları, süreçleri ve
prosedürleri ifade eder". Büyük Veri sadece boyutla ilgili değildir. - Karmaşık, gürültülü,
heterojen, uzunlamasına ve hacimli verilerden içgörüler bulur. - Daha önce cevaplanmamış
soruları cevaplamayı amaçlar.
Büyük Verinin hacim, çeşitlilik, hız ve doğruluk olmak üzere dört özelliğine işaret eden "Dört
Vs tanımı"
BÜYÜK VERİ dört terim kullanılarak tanımlanmaktadır:
Bu dört boyutun bir araya gelmesi Büyük Veri'nin tanımlanmasına yardımcı olmaktadır:
⮚ Hacim (veri miktarı): Kuruluşların karar alma süreçlerini iyileştirmek için kullanmaya
çalıştıkları büyük miktardaki veriyi ifade eder. Veri hacimleri artmaya devam ediyor
görülmemiş bir oranda artmaktadır. Bununla birlikte, coğrafya ve genellikle atıfta
bulunulan petabayt ve zettabaytlardan daha küçüktür. Birçok şirket bir terabayt ile bir
petabayt arasındaki veri kümelerini Büyük Veri olarak kabul etmektedir. Yine de herkes,
bugün "yüksek hacimli" olarak kabul edilen her şeyin yarın daha da yüksek olacağı
konusunda hemfikir olabilir.

⮚ Çeşitlilik (farklı veri türleri ve veri kaynakları): çeşitlilik, veri kaynaklarını yönetmekle
ilgilidir.
Yapılandırılmış, yarı yapılandırılmış ve yapılandırılmamış veriler de dahil olmak üzere
çoklu veri türlerinin karmaşıklığı. Kuruluşların, hem geleneksel hem de geleneksel
olmayan bilgi kaynaklarının karmaşık bir dizisinden, kurum içinden ve dışından gelen
Sayfa 6 . 41
verileri entegre etmesi ve analiz etmesi gerekir. Sensörlerin, akıllı cihazların ve sosyal
medya teknolojilerinin patlamasıyla birlikte veriler

Sayfa 7 . 41
 metin, web verileri, tweetler, sensör verileri, ses, video, tıklama akışları, günlük dosyaları
ve daha fazlası dahil olmak üzere sayısız biçimde üretilir;

⮚ Hız (hareket halindeki veriler): verilerin oluşturulma, işlenme ve analiz edilme hızı
hızlanmaya devam ediyor. Daha yüksek hız, hem veri yaratmanın gerçek zamanlı
doğasından hem de akış halindeki verileri iş süreçlerine dahil etme ihtiyacından
kaynaklanmaktadır. Günümüzde veriler, geleneksel sistemlerin yakalaması, depolaması
ve analiz etmesi mümkün olmayan bir hızda sürekli olarak üretilmektedir. Çok kanallı
"anlık" pazarlama gibi zamana duyarlı süreçlerde, verilerin işletme için değerli olabilmesi
için gerçek zamanlı olarak analiz edilmesi gerekir;

⮚ Doğruluk (veri belirsizliği): belirli verilerle ilişkili güvenilirlik düzeyini ifade eder.
veri türleri. Yüksek veri kalitesi arayışı önemli bir Büyük Veri gereksinimi ve
zorluğudur, ancak en iyi veri temizleme yöntemleri bile hava durumu, ekonomi veya bir
müşterinin satın alma kararları gibi bazı verilerin doğasında var olan öngörülemezliği
ortadan kaldıramaz. Belirsizliği kabul etme ve planlama ihtiyacı, yöneticiler etraflarındaki
belirsiz dünyayı daha iyi anlamaya çalıştıkça ortaya çıkan Büyük Veri'nin bir boyutudur.

Büyük Veri için dört "V"

"Analitik" terimi, BÜYÜK VERİLERDEN değer, içgörü ve bilgi elde etmek için bu veriler
üzerinde gerçekleştirilen mantık ve algoritmaları, hem tümdengelim hem de çıkarımları ifade
eder. Verileri analiz etmek, bağlamsallaştırmak ve görselleştirmek için veri madenciliği, doğal
dil işleme, yapay zeka ve tahmine dayalı analitik gibi analitik yöntemler kullanılır. Bu
bilgisayarlı analitik yöntemler
Sayfa 8 . 41
Farklı veri kümelerinden gelen büyük miktarda verinin entegre edilmesi sonucunda keşfedilen
doğal kalıpları, korelasyonları ve anormallikleri tanır.
"Büyük Veri Analitiği" terimi, tüm sektörlerde, hedeflenen tüketicilere ürün ve hizmetleri daha
etkili bir şekilde pazarlamak için benzer kuruluşlara karşı rekabet avantajı sağlamak amacıyla
kullanılan yeni veri odaklı içgörüleri temsil etmektedir. Örnekler arasında gerçek zamanlı satın
alma modelleri ve tüketicilere yönelik tavsiyeler ile belirli sosyal gruplara yakınlık yoluyla
tüketici tercihleri ve bakış açıları hakkında daha iyi anlayış ve içgörüler elde etmek yer
almaktadır. BIG DATAA'nın kökeni Google ve Yahoo gibi web tabanlı arama motorları,
Facebook ve Twitter gibi sosyal medya ve sosyal ağ hizmetlerinin popülerliği ve veri üreten
sensörler, tele-sağlık ve mobil cihazlardan gelmektedir. Tüm bunlar, müşteri davranışları ve
eğilimleri hakkında yeni içgörüler için yeni veriler ve fırsatlar yaratmış ve artırmıştır. BIG
DATAA çerçeveleri 2005 yılından bu yana faaliyette olmakla birlikte, finansal hizmetler
firmaları ve bankalar, çevrimiçi perakendeciler ve sağlık hizmetleri dahil olmak üzere diğer
endüstrilere ve sektörlere yeni taşınmıştır.

Sağlık hizmetleri için Büyük Veri, kişiselleştirilmiş bakımdan yararlanma, sağlık operasyonlarını
kolaylaştırma, klinik ve politik karar alma süreçlerini destekleme ve hasta katılımını iyileştirme
fırsatlarını temsil etmektedir.
Günümüzde tüm sektörlerde tipik Büyük Veri kaynakları arasında şunlar yer almaktadır:
⮚ İnternet işlemleri - 2015 yılına kadar üç milyardan fazla insan çevrimiçi olacak. Sayısız
otomatik işlem de dahil olmak üzere her gün milyarlarca çevrimiçi satın alma, hisse
senedi alım satımı, sosyal ağ alışverişi, İnternet aramaları ve diğer işlemler
gerçekleşmektedir. Her bir
perakendeciler, bankalar, kredi kartı veren kuruluşlar, kredi kuruluşları, sosyal ağ ve
arama motoru hizmet sağlayıcıları ve diğerleri tarafından toplanan bir dizi veri noktası
oluşturur.

⮚ Mobil cihazlar - Dünya çapında kullanımda olan 5,6 milyardan fazla cep telefonu
bulunmaktadır. Her biri
arama, metin ve anlık mesaj veri üretiyor. Ortalama bir genç ayda 4.700 kez
mesajlaşıyor. Mobil cihazlar, özellikle akıllı telefonlar ve tabletler, sosyal ağ ve diğer veri
üreten uygulamaların kullanımını da kolaylaştırmaktadır. Mobil cihazlar ayrıca konum
verilerini toplamakta ve iletmektedir.

Sayfa 9 . 41
⮚ Sosyal ağlar ve medya - Şu anda 955 milyondan fazla aktif
Facebook kullanıcısı, 500 milyon Twitter kullanıcısı ve 156 milyon halka açık blog. 2015
yılına kadar YouTube üzerinden bir günde iki milyardan fazla video izlenecek. Her bir
Facebook

Sayfa 10 . 41
 güncelleme, tweet, blog yazısı ve yorum birden fazla yeni veri noktası oluşturur -
y a p ı l a n d ı r ı l m ı ş , yarı yapılandırılmış ve yapılandırılmamış - bazen veri tükenmesi
olarak adlandırılır.

⮚ Ağa bağlı cihazlar ve sensörler - Sunucular ve sensörler de dahil olmak üzere her türlü
elektronik cihaz
diğer BT donanımları, akıllı enerji sayaçları ve sıcaklık sensörleri, hasta monitörleri ve
yardımcıları - hepsi her eylemi kaydeden yarı yapılandırılmış günlük verileri oluşturur.

⮚ Genomik veriler - Önemli miktarlarda yeni gen dizileme verisini temsil etmektedir.
yeni yatırımlar, BIG DATAA yetenekleri ve iş modelleri aracılığıyla kullanıma
sunulmuştur.
⮚ Akış verileri - Evde izleme, tele sağlık, el tipi ve sensör tabanlı kablosuz ve akıllı
cihazlar yeni veri kaynakları ve türleridir. Bunlar, sağlık sistemi tarafından
kullanılabilecek önemli miktarda gerçek zamanlı veriyi temsil etmektedir.
⮚ Web ve sosyal ağ tabanlı veriler - Web tabanlı veriler Google ve
diğer arama motorları, tüketicilerin internet kullanımı ve sosyal ağ sitelerinden elde
edilen veriler.

⮚ Sağlık yayınları ve klinik referans verileri - Metin tabanlı yayınları içerir

(klinik araştırma ve tıbbi referans materyali) ve klinik metin tabanlı referans uygulama
kılavuzları ve sağlık ürünü (örn. ilaç bilgileri) verileri.

⮚ Klinik veriler - Sağlık verilerinin yüzde sekseni belge, görüntü gibi yapılandırılmamış
verilerdir,
klinik veya yazıya dökülmüş notlar. Bu yarı yapılandırılmış ve yapılandırılmamış klinik
kayıtlar ve belgeler yeni veri kaynaklarını temsil etmektedir

⮚ İş, kurumsal ve harici veriler - Daha önce işlenmemiş veriler

finansal, faturalama, programlama, idari, harici ve diğer klinik ve sağlık dışı veriler gibi
bağlantılı.
Sağlık sektöründe çok sayıda Büyük Veri kaynağı bulunsa da, bir dizi yönetişim, gizlilik,
operasyonel ve teknik husus nedeniyle tüm verilerin Büyük Veri için kullanılabileceğini
varsaymanın gerçekçi olmadığını belirtmek önemlidir.
Gartner Group'un Büyük Veri analizi, satıcıların Büyük Veri'yi çok çeşitli yeni ve eski
teknolojilerle, farklı şekillerde ve farklı oranlarda etkinleştirdiğini göstermektedir. Genel olarak
Gartner, daha büyük geleneksel DW/BI kuruluşlarının milyonlarca dolar yatırım yaptığı, daha

Sayfa 11 . 41
küçük Büyük Veri oyuncularının ise tamamen Büyük Veri odaklı pazara giriş stratejilerini
hızlandırdığı, hala oldukça olgunlaşmamış bir BT pazarı tasvir ediyor. Gartner'ın araştırması, 5
milyar dolarlık (ABD) büyük değere8 rağmen, erken benimseme aşamasındaki bir pazara işaret
etmektedir.

Sayfa 12 . 41
 5. MALZEMELER VE YÖNTEMLER
5.1 Metodoloji:

Bu bölümde, önerilen araştırma sorularını yanıtlamak için araştırma çalışmasının nasıl

yürütüldüğünü açıklayan metodolojik yaklaşım anlatılmaktadır. Şekil 1, Büyük Verinin
yürütülmesi sürecinde yer alan ayrıntılı adımları göstermektedir.
Hızla gelişmekte olan bu disiplinde birkaç farklı metodoloji geliştiriliyor olsa da, burada pratik
ve uygulamalı bir metodolojinin ana hatlarını çiziyoruz. Tablo 01 metodolojinin ana aşamalarını
göstermektedir. Büyük Veri toplama, depolama, aktarma ve en son analitik yöntemlerin en ileri
hesaplama teknolojileri tanıtılmıştır. Büyük Veri çağında sağlık bilimlerinin gelecek
perspektifleri tartışılmıştır.

ADIM 01 : Sorunuzu formüle edin

ADIM 02: Verilerinizi toplamak için doğru yolları (akıllı cihazlar, internet, hastaneler ...)
bulun;
ADIM 03: Verileri depolayın
ADIM 04: Verilerinizi analiz edin
ADIM 05: Canlı görselleştirme ile analiz raporu oluşturun.
ADIM 06: Projeyi değerlendirin: sorun çözüldü veya baştan başlayın.
Tablo 01: Sağlık Hizmetlerinde Büyük Veri Analitiği Projeleri için Adımlar:

Şekil 01: Büyük Veri sürecinin akışının digramatik gösterimi

Sayfa 13 . 41
Bir Büyük Veri projesine başlamak için Şekil 1'de gösterildiği gibi birkaç adım önerilmektedir:
İlk olarak, doğru problem seçilmelidir. Üç çeşit problem vardır. Birinci tür problem zaten
geleneksel yöntemlerle çözülmüştür ve Büyük Veri teknolojilerini kullanmaya gerek yoktur.
İkinci tür problemin mevcut teknolojilerle çözülmesi imkansızdır. Mevcut Büyük Veri
teknolojileriyle çözülebilecek olan üçüncü tür soruna odaklanmalıyız. İkinci olarak, pratik bir
hedef belirledikten sonra verileri sensörler, monitörler, moleküler profilleme yoluyla üretmemiz
veya kamuya açık veri tabanlarından/kaynaklardan çıkarmamız gerekir. Üçüncü olarak, temiz ve
anlamlı veriler elde etmek için veri ön işleme yapmamız gerekir. Veri ön işleme, bir Büyük Veri
projesinin başarısı için kritik bir adımdır. Yakın tarihli bir yayın [5], eQTL (ifade Nicel Özellik
Lokusları) ve mQTL (metilasyon Nicel Özellik Lokusları) çalışmaları için örnek yanlış
hizalamasının keşfedilen ilişkileri 2-7 kat azaltacağını göstermiştir. Verilerin kalite kontrolü
esasen veri ürününün üst sınırını belirler, yani garbage in garbage out. Temiz veriler bir sonraki
adım analizi için veri tabanında saklanacaktır. Dördüncü olarak, istatistiksel analiz yoluyla
işlenmiş verilerden içgörü veya bilgi keşfedilecektir. Son olarak, analitik sonuçlar son
kullanıcıya bir rapor, çevrimiçi bir öneri veya karar verme olarak sunulacaktır. Ağlar/grafikler ve
çizelgeler gibi verilerin görselleştirilmesi, analitik sonuçların yorumlanmasını ve anlaşılmasını
kolaylaştırır. Sonuçlar mantıklı değilse, sorunlarımızı yeniden formüle etmemiz ve adımlara
yeniden başlamamız gerekir.

Sağlık bilimlerinde, sağlık hizmetlerinde öneri sistemi, İnternet tabanlı salgın gözetimi, sensör
tabanlı sağlık durumu ve gıda güvenliği izleme, Genom Çapında İlişki Çalışmaları (GWAS) ve
ifade Kantitatif Özellik Lokusları (eQTL), Büyük Veri ve metabolomik kullanarak hava
kalitesinin çıkarılması ve beslenme uzmanları için iyonomik gibi Büyük Veri teknolojileri ile ele
alınabilecek birçok sorun vardır.

Bu sorunları çözmek için birçok gelişmiş hesaplama teknolojisi kullanılacaktır. Aşağıdaki

teknolojik perspektifleri ele alacağız: (1) Büyük Veri Altyapısı; (2) Büyük Veri Sonuçlarının
Analizi; ve (3) Büyük Veri Sonuçlarının Görselleştirilmesi. Ve Büyük Veri çağında sağlık
bilimlerinin gelecek perspektifleri tartışılacaktır.

Sayfa 14 . 41
5.2 Mimari Çerçeve

Halk Sağlığı alanındaki bir Büyük Veri analitiği projesinin kavramsal çerçevesi, geleneksel bir
sağlık bilişimi veya analitiği projesine benzer. Temel fark, işlemenin nasıl yürütüldüğünde
yatmaktadır. Normal bir sağlık analitiği projesinde analiz, masaüstü veya dizüstü bilgisayar gibi
bağımsız bir sisteme yüklenen bir iş zekası aracı ile gerçekleştirilebilir. Büyük Veri tanımı gereği
büyük olduğundan, işleme parçalara ayrılır ve birden fazla düğümde yürütülür. Dağıtık işleme
kavramı onlarca yıldır mevcuttur. Nispeten yeni olan, sağlık hizmeti sağlayıcılarının sağlıkla
ilgili daha iyi bilgilendirilmiş kararlar almak için içgörü kazanmak üzere büyük veri
havuzlarından yararlanmaya başlamasıyla çok büyük veri kümelerini analiz etmede
kullanılmasıdır. Ayrıca, bulut üzerinde kullanılabilen Hadoop/MapReduce gibi açık kaynak
platformları, Büyük Veri analitiğinin sağlık alanında uygulanmasını teşvik etmiştir.

Algoritmalar ve modeller benzer olsa da, geleneksel analitik araçlarının kullanıcı arayüzleri ile
Büyük Veri için kullanılanlar tamamen farklıdır; geleneksel sağlık analitiği araçları çok kullanıcı
dostu ve şeffaf hale gelmiştir.

Öte yandan, Büyük Veri analitiği araçları son derece karmaşıktır, yoğun programlama gerektirir
ve çeşitli becerilerin uygulanmasını gerektirir. Bunlar çoğunlukla açık kaynaklı geliştirme
araçları ve platformları olarak geçici bir şekilde ortaya çıkmıştır ve bu nedenle satıcı odaklı
tescilli araçların sahip olduğu destek ve kullanıcı dostu olma özelliklerinden yoksundurlar. Şekil
1'in de gösterdiği gibi, karmaşıklık verinin kendisiyle başlamaktadır.

Sağlık hizmetlerinde Büyük Veri, dahili (örn. elektronik sağlık kayıtları, klinik karar destek
sistemleri vb.) ve harici kaynaklardan (devlet kaynakları, laboratuvarlar, eczaneler, sigorta
şirketleri ve HMO'lar vb.), genellikle birden fazla formatta (düz dosyalar, .csv, ilişkisel tablolar,
ASCII/metin ve PDF'ler vb.) gelebilir ve çok sayıda eski ve diğer uygulamalarda (işlem işleme
uygulamaları, veritabanları vb.) birden fazla konumda (coğrafi ve farklı sağlık hizmeti
sağlayıcılarının tesislerinde) bulunabilir. Kaynaklar ve veri türleri şunları içerir:

1. Web ve sosyal medya verileri: Facebook, Twitter, LinkedIn, bloglar ve benzerlerinden gelen
tıklama akışı ve etkileşim verileri. Ayrıca sağlık planı web sitelerini, akıllı telefon
uygulamalarını vb. de içerebilir. [6].
Sayfa 15 . 41
2. Makineden makineye veriler: uzak sensörlerden, sayaçlardan ve diğer yaşamsal belirti
cihazlarından gelen okumalar [6].

3. Büyük işlem verileri: sağlık hizmeti talepleri ve diğer fatura kayıtları, yarı yapılandırılmış ve
yapılandırılmamış formatlarda giderek daha fazla mevcuttur [6].

4. Biyometrik veriler: parmak izleri, genetik, el yazısı, retina taramaları, röntgen ve diğer tıbbi
görüntüler, kan basıncı, nabız ve nabız-oksimetre okumaları ve diğer benzer veri türleri [6].

5. İnsan tarafından oluşturulan veriler: EMR'ler, doktor notları, e-posta ve kağıt belgeler gibi
yapılandırılmamış ve yarı yapılandırılmış veriler [6].

Büyük Veri analitiği amacıyla bu verilerin bir havuzda toplanması gerekmektedir. İkinci bileşende veriler
'ham' durumdadır ve işlenmeleri ya da dönüştürülmeleri gerekir; bu noktada çeşitli seçenekler mevcuttur.
Web hizmetleri (ara katman yazılımı) ile birleştirilmiş hizmet odaklı mimari yaklaşım bir olasılıktır [27].
Veriler ham halde kalır ve servisler verileri çağırmak, almak ve işlemek için kullanılır. Diğer bir yaklaşım
ise, verilerin gerçek zamanlı olarak mevcut olmamasına rağmen, çeşitli kaynaklardan gelen verilerin
toplandığı ve işlenmeye hazır hale getirildiği veri ambarıdır. Ayıklama, dönüştürme ve yükleme (ETL)
adımları aracılığıyla, çeşitli kaynaklardan gelen veriler temizlenir ve hazır hale getirilir. Verilerin
yapılandırılmış veya yapılandırılmamış olmasına bağlı olarak, Büyük Veri analitik platformuna çeşitli veri
formatları girilebilir.
Sayfa 16 . 41
Kavramsal çerçevedeki bu sonraki bileşende, veri girişi yaklaşımı, dağıtık tasarım, araç seçimi ve analitik
modellerle ilgili çeşitli kararlar alınmaktadır. Son olarak, en sağda, sağlık hizmetlerinde Büyük Veri
analitiğinin dört tipik uygulaması gösterilmektedir.

Bunlar arasında sorgular, raporlar, OLAP ve veri madenciliği bulunmaktadır. Görselleştirme, dört
uygulama genelinde kapsayıcı bir temadır. İstatistik, bilgisayar bilimi, uygulamalı matematik ve ekonomi
gibi alanlardan yararlanılarak, sağlık hizmetlerinde Büyük Verileri toplamak, işlemek, analiz etmek ve
görselleştirmek için çok çeşitli teknikler ve teknolojiler geliştirilmiş ve uyarlanmıştır.

Büyük Veri analitiği için en önemli platform, başlangıçta web arama dizinlerini bir araya getirmek gibi
rutin işlevler için geliştirilen açık kaynaklı dağıtılmış veri işleme platformu Hadoop'tur (Apache
platformu). Verileri benzersiz şekillerde bir araya getirmek için evrimleşen "NoSQL" teknolojileri
sınıfına aittir - diğerleri CouchDB ve MongoDB'yi içerir -. Hadoop, bölümlere ayrılmış veri setlerini, her
biri daha büyük problemin farklı bölümlerini çözen ve daha sonra nihai sonuç için bunları entegre eden
çok sayıda sunucuya (düğüm) tahsis ederek son derece büyük miktarda veriyi işleme potansiyeline
sahiptir [28- 31].

Hadoop, veri düzenleyici ve analiz aracı olarak ikiz rollere hizmet edebilir. İşletmelerin şimdiye kadar
yönetilmesi ve analiz edilmesi zor olan verilerden yararlanmasını sağlama konusunda büyük bir
potansiyel sunmaktadır. Özellikle Hadoop, çeşitli yapılara sahip veya hiçbir yapıya sahip olmayan son
derece büyük hacimli verilerin işlenmesini mümkün kılar. Ancak Hadoop'u kurmak, yapılandırmak ve
yönetmek zor olabiliyor ve Hadoop becerilerine sahip kişiler kolay bulunamıyor. Ayrıca, bu nedenlerden
dolayı, kuruluşların Hadoop'u tamamen benimsemeye hazır olmadıkları görülmektedir.

Çevredeki ek platformlar ve araçlar ekosistemi Hadoop dağıtılmış platformunu desteklemektedir [30,31].

Bunlar Tablo 1'de özetlenmiştir. AWS, Cloudera, Hortonworks ve MapR Technologies dahil olmak üzere
çok sayıda satıcı açık kaynaklı Hadoop platformları dağıtmaktadır [29]. IBM'in BigInsights'ı gibi birçok
tescilli seçenek de mevcuttur. Ayrıca, bu platformların çoğu bulut versiyonlarıdır ve bu da onları yaygın
olarak kullanılabilir hale getirir. Yukarıda açıklanan Cassandra, HBase ve MongoDB, veritabanı bileşeni
için yaygın olarak kullanılmaktadır.

Mevcut çerçeveler ve araçlar çoğunlukla açık kaynak kodlu ve Hadoop ve ilgili platformlar etrafında
şekillenmiş olsa da, sağlık hizmetlerinde Büyük Veri analitiği geliştiricilerinin ve kullanıcılarının göz
önünde bulundurması gereken çok sayıda ödünleşim vardır. Bu araçlar açık kaynak kodlu ve ücretsiz
olduğu için geliştirme maliyetleri daha düşük olsa da, teknik destek eksikliği ve minimum güvenlik
dezavantajlarıdır. Sağlık sektöründe bunlar elbette önemli dezavantajlardır ve bu nedenle ödünleşimlerin
ele alınması gerekir.
Sayfa 17 . 41
Buna ek olarak, bu platformlar/araçlar, sağlık sektöründeki tipik son kullanıcının sahip olamayacağı
beceriler olan çok sayıda programlama gerektirmektedir. Ayrıca, sağlık hizmetlerinde Büyük Veri
analitiğinin henüz yeni ortaya çıktığı düşünüldüğünde, sahiplik, gizlilik, güvenlik ve standartlar gibi
yönetişim konuları henüz ele alınmamıştır. Bir sonraki bölümde, sağlık hizmeti sağlayıcıları için bir
Büyük Veri projesi geliştirmek ve uygulamak üzere sağlık hizmetlerinde uygulamalı bir Büyük Veri
analitiği metodolojisi sunuyoruz.

Sayfa 18 . 41
 6. SONUÇLAR

6.1. Halk Sağlığına yönelik Büyük Veri uygulamalarının gözden geçirilmesi:

Birçok ülke sağlık alanındaki sorunları çözmek için Büyük Veri analitiğini uygulamaktadır.
Sağlıkla ilgili Büyük Verinin faydaları şu ana kadar üç alanda gösterilmiştir: 1) hastalıkların
önlenmesi, 2) hastalıklar için değiştirilebilir risk faktörlerinin belirlenmesi ve 3) sağlık davranışı
değişikliği için müdahalelerin tasarlanması [9]. Dünya çapındaki kuruluşlar Büyük Veri
hareketinin farkına varmakta ve bilgi keşfi ve veriye dayalı karar verme için yeni girişimler
başlatmaktadır. Örneğin, Ulusal Sağlık Enstitüsü (NIH), NIH topluluğu için büyük ölçekli
biyomedikal veri analizini kolaylaştırmak amacıyla paylaşılan bir hesaplama ortamı (ör. veri
standartları, ontolojiler, veri katalogları, sanallaştırılmış bulut bilişim) sağlayan Büyük Veriden
Bilgiye (BIG DATA2K) ve Altyapı Plus Programını kurmaktadır [10]. Özellikle, NIH ABD Tıp
Kütüphanesi, öncelikle NIH tarafından finanse edilen araştırmacılardan biyomedikal veri ve
diğer bilgi paylaşım sistemlerinin gönderilmesini kabul eden etkileyici bir veri paylaşım
havuzları setine ev sahipliği yapmaktadır [11]. Buna ek olarak, Birleşmiş Milletler (BM), BM
kalkınma programlarının etkisini ve etkilenen nüfuslar ve bölgeler üzerindeki erişimlerini
iyileştirmenin yollarını anlamaya yardımcı olmak için kuruluşlardan ve bireylerden veri, kaynak
ve becerilere katkıda bulunmalarını isteyerek 'veri hayırseverliği' hareketini savunan Global
Pulse projesini başlatıyor [12].

Amerika Birleşik Devletleri'nde Pillbox projesi, Büyük Veri analitiğinin uygulanması yoluyla
sağlık hizmeti maliyetlerinde yıllık 500 milyon dolarlık bir azalma sağlamaktadır [3,4]. San
Francisco Polis Departmanı, suçun önlenmesi için tasarlanmış bir Büyük Veri sistemi
geliştirmiştir [3]. Birleşik Krallık, obezite, potansiyel risk yönetimi (kıyı erozyonu, iklim
değişikliği) ve salgın hastalıklar gibi çeşitli sağlık ve sosyal sorunlara karşı bir önlem olarak
hizmet veren Foresight Horizon Scanning Centre'ın kurulması ve yönetimi yoluyla Büyük
Veri'den yararlanmaktadır [5]. AB, deprem, tsunami, terörizm, ağ oluşturma ve küresel
kriz konularında araştırma fırsatları sunan iKnow (Interconnect Knowledge) projesi aracılığıyla
belirsizlikle mücadele etmektedir [15]. OECD, iş verimliliği için Büyük Veri'yi göz önünde
bulundurarak Bilgi Toplumu Göstergeleri 15. Çalışma Grubu (WPIIS) için bir gündem olarak
'Büyük Veri'nin ekonomik faydalarını değerlendirmeyi' benimsemiştir [8].

Sayfa 19 . 41
Ayrıca, Avustralya Hükümeti Bilgi Yönetimi Ofisi, hükümet 2.0 aracılığıyla büyük bilgileri
analiz edebilen, arayabilen ve yeniden kullanabilen otomatik bir araç geliştirerek zaman ve
kaynak tasarrufu sağlamıştır [7]. 2004 yılında Singapur, terörizm ve salgın hastalıklarla ilgili
gelecekteki belirsizliklere hazırlanmak için Risk Değerlendirme ve Ufuk Tarama (RAHS)
sistemini kurmuştur [6].

Sağlık alanındaki Büyük Veri akışları genel olarak üç kategoride özetlenebilir [13]. Geleneksel
tıbbi veriler öncelikle sağlık sisteminden kaynaklanmaktadır (örneğin EMR'ler, kişisel ve aile
sağlık geçmişi, ilaç geçmişi, laboratuvar raporları, patoloji sonuçları) ve bu analizlerin amacı
hastalık sonuçlarını ve risk faktörlerini daha iyi anlamak, sağlık sistemi maliyetlerini azaltmak ve
verimliliğini artırmaktır [13]. "Omik" veriler, biyolojik ve moleküler alanlardaki (örn. genomik,
mikrobiyomik, proteomik ve metabolomik) büyük ölçekli veri kümelerini ifade eder; bu
analizlerin amacı hastalıkların mekanizmalarını anlamak ve tıbbi tedavilerin
bireyselleştirilmesini hızlandırmaktır (örn. "hassas tıp") [3, 6]. Alice Whittmore'un Stanford
Biyotıpta Büyük Veri Konferansı'nda (2013) belirttiği gibi, genomik testler ve haritalama,
örneğin meme kanserine yakalanma riski yüksek kadınlara işaret edebilir, bu da onlara önleyici
bakım tahsis edilmesini sağlayabilir ve diğer düşük riskli kadınlar için büyük ölçekli, potansiyel
olarak tehlikeli müdahalelere olan ihtiyacı azaltabilir [14]. Son olarak, sosyal medya ve
nicelleştirilmiş benlik hareketinden elde edilen veriler esasen bireylerin (veya birey gruplarının)
sağlıklarını daha iyi bilgilendirmek ve geliştirmek için interneti, sosyal medyayı, mobil
uygulamaları (apps), sensör cihazlarını, giyilebilir bilgisayar cihazlarını veya diğer teknolojik ve
teknolojik olmayan araçları nasıl kullandıklarına d a i r işaret ve davranışlardan oluşmaktadır.

Bu bölümde, sosyal medya ve nicelleştirilmiş benlik hareketinden elde edilen verilere vurgu
yapılarak sağlıkla ilgili Büyük Veri projelerinden örnekler sunulmaktadır (Tablo 1). EMR'ler,
dijital girişim, genetik veriler ve omik kaynaklarla ilgili Büyük Veri araştırmaları için
okuyucular yakın zamanda yapılan aşağıdaki incelemelere ve perspektiflere başvurabilir [15, 16,
17, 18, 19].

Sayfa 20 . 41
Sosyal medya ve nicelleştirilmiş benlik hareketi ile ilgili sağlıkla ilgili Büyük Veri projelerine
örnekler.

Veri türü Sağlık alanında nasıl Örnekler

kullanılmıştır?
Sayısallaştırılmış • İşaretlerin ve/veya davranışların n=1 • Gıda tüketimi [20]
öz veri (cihazlar, bireysel olarak ya da gruplar halinde • Bilgi diyeti [21]

kendi kendine kendi kendine takibiyle meşguldür; • Gülümseme, insan etkileşiminde

raporlama veya burada genellikle bilgiye göre hareket beklenmedik neşe anları yaratmak için

sensörler etmeye yönelik proaktif bir duruş vardır elektromiyogram (EMG) kasını tetikledi

aracılığıyla) • Potansiyel risk faktörleri (biyolojik, [22]

fiziksel, davranışsal veya çevresel) • Kahve tüketimi, sosyal etkileşim ve

hakkında daha zengin ve daha ayrıntılı ruh hali [23]

veriler sağlar [13] • Fikir izleme süreci [24]

• Standart anketler kullanılarak şu anda • Kurtarıcı ve kontrol edici astım

mümkün olandan potansiyel olarak ilaçlarının bir inhaler sensörü (örn.

daha uzun takip süreleri boyunca veri Asthmapolis) ile kullanımı [25]

toplanmasına izin verir [13] • Şeker hastalarında kan glikoz

seviyelerini izler (örn. Glooko)
[26

Konum tabanlı • Küresel Konumlandırma Sistemleri • Hava durumu, kirlilik seviyeleri,

bilgiler (GPS), Coğrafi Bilgi Sistemleri (GIS) ve alerjenler, trafik düzeni, su kalitesi,
diğer açık kaynaklı haritalama ve mahallenin yürünebilirliği ve taze meyve
görselleştirme projelerinden elde edilen ve sebzeye erişim (süpermarketler gibi)
bilgiler [34, 35,36]
• Sağlığın çevresel ve sosyal • HealthMap [37]
belirleyicileri hakkında bilgi
sağlar
• Bulunduğunuz yerin yakınındaki
hastalık salgınlarını izler

Sayfa 21 . 41
Twitter (Not: 2011 • Hastalık yayılımını gerçek zamanlı olarak • Tıbbi yanlış anlamaları ölçün (örn. beyin
değerlendirir
yılında yapılan bir sarsıntıları) [38]
• Duyguları ve ruh hallerini değerlendirir
çalışma • Kötü tıbbi uyumun yayılması
• Kolaylaştırır ACİL DURUM
%8,5 olduğunu öne HİZMETLER
sürdü tarafından

Veri türü Sağlık alanında nasıl Örnekler

kullanılmıştır?
İngilizce tweetlerin tıbbi yardıma ihtiyaç duyan kişilerin (örneğin, antibiyotik kullanımı) [39]
%16,6'sı yardım bulmasını sağlayarak mevcut • Kardiyak arrest ve resüsitasyon iletişimi
hastalıklarla kaynakların geniş ölçekte eğilimleri [40

ilgilidir. yayınlanmasına olanak tanımak • Rahim ağzı ve meme kanseri taraması

[41]
sağlık [46]) • Kriz haritalamasını kolaylaştırır
• Doğum sonrası depresyon [42]
(örneğin görgü tanığı raporlarının
• İnfluenza A H1N1 salgını (hastalık
interaktif haritalar üzerinde
aktivitesi ve kamuoyu endişesi) [43]
gösterilmesi). Bu veriler acil durum
• 2010 Haiti kolera salgını [44]
hizmetleri ve ek kaynaklar için alanların
• Acil Durum durumlar gelen Boston
hedeflenmesine yardımcı olabilir)
maratonu patlaması [45]
• Acil olmayan sağlık hizmetlerine ilişkin
söylemi kolaylaştırır (örn. halk sağlığı
mesajlarının yayınlanması, tıbbi
yanılgıların ölçülmesi)

Sağlıkla ilgili • Hastalar ve tüketiciler arasında kişisel • PatientsLikeMe [47]

sosyal ağ siteleri sağlık verilerinin ve tavsiyelerinin • Katılımcıların bildirdiği semptomları
paylaşımını kolaylaştırır toplayan ve bulaşıcı hastalıklarla ilgili
• Kalabalık gözetimi yoluyla bulaşıcı bilgileri analiz etmek, haritalamak ve
hastalıkların yayılmasını izler yaymak için gayri resmi çevrimiçi veri
kaynaklarını kullanan hastalık gözetim
siteleri
salgınlar

Sayfa 22 . 41
Diğer sosyal ağ • Hastaların endişelerini ve • Yan etkiler ve ilişkili ilaç uyumu
siteleri (örn. sorunlarını tartışmak için sosyal davranışları (örn. ilaç değiştirme ve

çevrimiçi medyayı nasıl kullandıklarını izler bırakma) [51]

tartışma panosu, • "Sokaktaki insanın" ne söylediğine

Facebook) dair farkındalık sağlar [56]

Arama sorguları ve • Nüfus düzeyinde çok çeşitli sağlık
Web günlükleri davranışları için yüksek düzeyde
öngörücü olduğu bulunmuştur
• Arama anahtar kelimesi seçimi bulundu
• Google ve Yahoo arama sorguları,
aşağıdaki gibi hastalıkların
salgınlarını tahmin etmek için
kullanılmıştır:
• İnfluenza (Google 2013)

Veri türü Sağlık alanında nasıl Örnekler

kullanılmıştır?
güvenilir seçilmiş sağlık içeriğine • Dang humması [52]
ulaşmak için kritik öneme sahip olması • Ruh sağlığı, depresyon ve

• Web günlüklerinden elde edilen intiharın mevsimselliği [53]

"tıklama" akışı gezinme verilerinin ruh • Lyme hastalığının yaygınlığı [54]

sağlığı ve beslenme tercihleri gibi • Sigara ve elektronik sigara

bireysel özellikler hakkında kullanım yaygınlığı [55]

bilgilendirici olduğu bulunmuştur [57].

6.2 Gelişmekte Olan Ülkelerde Sağlık Hizmetleri Sıtma Kontrolü ve Önlenmesi:

Sıtma sadece Sahra Altı Afrika'da yılda bir milyon kişinin ölümüne neden oluyor ve bunların
çoğu çocuk. Harvard Halk Sağlığı Okulu'ndan bir grup araştırmacı, cep telefonu kullanımından
elde edilen Büyük Veri'yi ve sıtma yaygınlık haritalarını izledi. Ekip, yaklaşık beş milyon
Kenyalı cep telefonu abonesinin bir yıl boyunca (Haziran 2008'den Haziran 2009'a kadar)
hareketlerini analiz etti ve Kenya Tıbbi Araştırma Enstitüsü ve Sıtma Atlası Projesi tarafından
sağlanan bir haritayı kullanarak ülkede bulunan sıtma vakalarıyla karşılaştırdı. Amaç hem
kaynak hem de yutak noktalarını, yani hastalığın nereden kaynaklandığını ve öncelikle nereye
ulaştığını belirlemekti.
Şaşırtıcı olmayan bir şekilde, göller sivrisinekler için başlıca üreme alanları olduğundan, birincil

Sayfa 23 . 41
kaynaklardan birinin Victoria Gölü yakınındaki alan olduğunu buldular. Ancak çalışmaya göre,
yerli olmayan enfeksiyonların şaşırtıcı derecede büyük bir kısmı Kenya'nın başkenti Nairobi'de
son buldu.
Araştırmacılar, metin ve arama bilgilerini kullanarak, Nairobi'nin bir lavabo olduğunu
haritalandırarak buldular
Yaklaşık 15 milyon cep telefonu abonesinin her birinin yaptığı her yolculuk. Bu veriler
sayesinde, Victoria Gölü ya da sahil gibi sivrisineklerin yoğun olduğu bölgelere seyahat eden
pek çok kişinin Nairobi'den geldiği ve hastalığı da beraberlerinde getirdikleri ortaya çıktı.

6.3 İnternet tabanlı salgın gözetimi

Google, http://www.google.com/flutrends/ adresinde, grip salgınlarının gerçek zamanlı gözetimi

için Google Flu Trends adlı bir araç sunmaktadır [9]. Bu aracın varsayımı, grip semptomları
gösteren kişi sayısı arttıkça, griple ilgili konularda yapılan aramaların da artacağıdır [10]. Bu
nedenle, internet aramalarına dayanarak, grip semptomları olan kişilerin sayısı tahmin edilebilir.
Bu

Sayfa 24 . 41
Google Flu Trends tarafından yapılan tahminler resmi CDC ağlarından 7-10 gün önceydi ve
sonuçları tutarlıydı [11].
Çinli kullanıcılar için Baidu hastalık trendi (http://trends.baidu.com/disease/), hepatit,
tüberküloz, zührevi hastalık ve grip gibi çeşitli hastalıkların yaygınlığına ilişkin il-şehir-ilçe
görünümü sağlamıştır. Dahası, Büyük Veri Trendi ürünü sıradan kullanıcılara açıktır ve bu
nedenle benzer trendler özelleştirilebilir.
Twitter yaygın olarak kullanılan bir sosyal ağ ve haber paylaşım platformudur. Tweetler,
insanların kamusal olaylar, özellikle de salgın hastalıklar hakkındaki görüş ve yargılarını
yansıtmaktadır [12]. Twitter'a dayalı olarak insanların salgın hastalık [12] ve erken hastalık
sendromuna tepkilerini izlemek için çeşitli yöntemler geliştirilmiştir [13]. H1N1 aktivitesini
içeren tweetler grip, influenza ve H1N1 gibi anahtar kelimeler aranarak toplanabilir. Halkın
endişelerini içeren tweetler de hastalık bulaşması için seyahat, uçuş ve gemi gibi anahtar
kelimeler, hastalığa karşı önlemler için yıkama, hijyen ve maske gibi anahtar kelimeler
kullanılarak filtrelenebilir. H1N1 aktivitesinin ve kamu endişesinin ardışık tweetleri incelenerek,
kamu karşı önleminin evrim modeli ortaya çıkarılabilir [12]. Benzer şekilde, erken hastalık
sendromu anahtar kelimeleri analiz edilerek kanser, grip, depresyon, ağrılar, alerjiler, obezite ve
diş hastalıkları gibi hastalıkların riskleri tahmin edilebilir [13].

Şekil 02: Google Trends Araçları kullanılarak Hindistan'daki Dang Trendleri

Sayfa 25 . 41
 Şekil 03: Küresel grip trendleri

6.4 Sensör tabanlı sağlık durumu ve gıda güvenliği izleme

Yazılım ve donanımın, özellikle de çeşitli sensörlerin entegrasyonu, sağlık durumunu ve gıda

güvenliğini izleyen pek çok şaşırtıcı uygulama yaratmaktadır. Birçok yüksek teknoloji şirketi,
kalp atış hızını ölçen Apple'ın Apple Watch (http://www.apple.com/watch/), vücut yağını ölçen
Baidu'nun Latin (http://dulife.baidu.com/device/328), kan basıncını ölçen Baidu'nun MUMU
(http://dulife.baidu.com/device/330), PH seviyelerini, sıcaklığı, kaloriyi ve yemeklik yağın
tazeliğini ölçen Baidu'nun Smart Chopsticks gibi ürünlerini piyasaya sürmüştür [14]. Bu tür
uygulamaların çoğu köklü ilkelere dayanmaktadır ve daha büyük cihazlarda daha iyi doğruluk
veya performansla zaten elde edilmiştir. Bu ürünlerin önemli anlamı, kolayca kullanılabilmeleri
ve verilerinin bulut üzerinde otomatik olarak toplanıp analiz edilebilmesidir. Toplanan
sayısallaştırılmış veriler, güçlü Büyük Veri analizini uygulanabilir ve gizli kalıpları belirgin hale
getirir.

Sayfa 26 . 41
 7. TARTIŞMALAR
Büyük Verinin Sağlık Hizmetleri alanında uygulanmasıyla birçok fayda sağlanması beklense de,
özellikle Büyük Veri uygulamasında karşılaşılan zorlukların ve bunların üstesinden gelme
yollarının özel olarak analiz edilmesini gerektiren benzersiz özelliklere sahip bazı zorluklar
vardır.

Bu bölümde içeriği düzenlemek için altı geniş kategori geliştirilmiştir; her bir alanla birlikte tüm
Büyük Veri için ortak olan zorluklardan ve son olarak bunların üstesinden gelmek için
zorluklardan ve fırsatlardan bahsedilmektedir.
7.1 Veri Yakalama:

Veri setleri giderek büyümekte ve geleneksel veritabanı araçlarını kullanarak yönetilmesi

zorlaşmaktadır. Sonuç olarak, kuruluşlar verileri zamanında yakalamak, depolamak, yönetmek
ve analiz etmekte zorluklarla karşılaşmaktadır [15]. Sonuç olarak, bu durum yeni altyapı
ihtiyaçları ve önemli ekonomik maliyetler yaratmaktadır. Neyse ki depolama maliyetleri de
düşüyor. Bu durum, epidemiyolojik gözetim için gerçek zamanlı olayların haritalanmasına izin
veren konum verileri gibi faydalı verilerin yakalanmasına olanak sağlamaktadır.

80'i Hindistan'da bulunan [27] cep telefonlarının giderek daha fazla benimsenmesi, kalkınma
programlarını iyileştirmek için sağladıkları verileri kullanma imkanı sunmaktadır. Örneğin, SMS
for Life, kamu sağlık tesislerindeki sıtma ilaçlarının haftalık stok seviyelerini takip etmek için
cep telefonları, SMS mesajları, internet ve elektronik haritalama teknolojisinin bir
kombinasyonunu kullanmaktadır. Bu program Tanzanya kırsalında sıtma ilaçlarının dağıtımını
iyileştirerek stoksuz tesisleri %78'den %26'ya düşürmüştür [28]. Bu girişim 2013 yılında Sahra
altı Afrika'da Gana'dan Kenya'ya kadar birçok ülkeyi kapsamış ve ulaşılan ülke sayısını artırmayı
planlamıştır [29].

7.2 Altyapı:
Sağlam bir fiziksel altyapı, Büyük Verinin çalışması ve ölçeklenebilirliği için kilit bir noktadır.
Verilerin fiziksel olarak farklı yerlerde depolanabildiği ve ağlar aracılığıyla entegre edilebildiği
dağıtık bir modele dayanmaktadır. Bu kapasiteden yararlanmanın temel koşulu, Büyük Veri'ye
bir geçit sunan telekomünikasyon kalitesinde yatmaktadır.

Google, Microsoft, Yahoo ve Amazon gibi büyük internet şirketleri, hizmetlerini dünyanın dört

Sayfa 27 . 41
bir yanına dağılmış merkezlerle bu mimariyi kullanmaktadır. Tüm bu değişiklikler

Sayfa 28 . 41
altyapısı önemli maliyetler içermekte, büyük İnternet şirketlerinin lehine ölçek ekonomileri
yaratmakta [32] ve bu engellerden yararlanarak, bunları karşılayamayan kuruluşlara hizmet
olarak altyapı (IaaS) sağlamaktadır [33].

Ayrıca, donanım altyapısının yanı sıra ek bir bileşen daha gereklidir: Büyük Veri'yi uygulamak
için kullanılan yazılım. Bu yazılımın üretimi, benimsenmesi ve uyarlanması Büyük Veri için kilit
bileşenlerdir ve uygun şekilde eğitilmiş bir işgücü gerektirir [30].

Gelişmekte olan birçok ülke, Büyük Veri'de üretilen bilgi miktarını düzenlemek ve entegre
etmek için gereken depolama ve iletişim altyapısından yoksundur. Bu ülkeler sadece bu
kaynaklardan yoksun değil, aynı zamanda bunları analiz edecek bilgi işlem kapasitesine de sahip
değiller. Gerekli donanımın büyük çoğunluğu gelişmiş ülkelerde bulunmaktadır ve bilgi ve
kaynaklara erişim, bunlara erişmek için telekomünikasyon yeteneklerinin çok eşitsiz dağılımı
nedeniyle çarpıktır [30].

Verileri düzenlemek, entegre etmek ve analiz etmek için kullanılan yazılımlarla ilgili olarak,
üretim eğitimli işgücü eksikliği ile sınırlıdır ve gerekli sistemleri satın alma veya lisanslama
imkanı genellikle gelişmekte olan ülkeler için bir seçenek değildir. Bununla birlikte, gerekli
işlevleri ücretsiz olarak sağlayan güçlü topluluklara sahip açık kaynak seçenekleri
bulunmaktadır. En göze çarpan örnek, Yahoo ve Facebook gibi şirketler tarafından kullanılan
bilgisayar kümelerinde dağıtılan büyük miktarda veriyi işlemeye yönelik bir platform olan
Apache Hadoop'tur [42].

7.4 Organizasyonel Değişiklikler - İş Gücü:

Villars ve diğerlerine göre, BÜYÜK VERİ dağıtımları yeni BT yönetimi ve uygulama geliştirici
beceri setleri gerektirmektedir. Ayrıca, bu becerilere sahip kişiler, yüksek piyasa talebi göz
önüne alındığında kıt bir kaynaktır. Google'ın baş ekonomisti Hal Varian, istatistikçilerin
önümüzdeki on yıl içinde en çok talep gören meslek olacağını iddia etmektedir.

Büyük Veri'nin yarattığı fırsattan yararlanmak için, bilgisayar bilimleri, istatistik ve matematik
alanlarında bilgi sahibi, verileri yönetme ve analiz etme becerisine sahip eğitimli insan
kaynaklarına ihtiyaç vardır. Brezilya, Rusya, Hindistan ve Çin (BRIC ülkeleri) dahil olmak üzere
bazı gelişmekte olan ülkeler bu konuda daha iyi konumdadır. 2008 yılında uzmanlaşmış
kaynakların %40'ı bu ülkelerde eğitilmiştir [30].

Sayfa 29 . 41
İnternet ve teknolojik gelişmeler altyapıların dış kaynak kullanımına izin verdiğinden, bir Büyük
Veri projesi için gereken insan kaynaklarını web üzerinden işe alma imkanı da mevcuttur. Örnek
olarak, Kaggle platformu herhangi bir kuruluşun bir ödül belirlemesine izin verir ve dünyanın
dört bir yanından uzmanlar Büyük Veri problemlerini çözmek için yarışabilir [45]. Nihayetinde
bu olasılık, sunulabilecek ekonomik kaynaklara bağlıdır. Kâr amacı gütmeyen bir kuruluşun
önemli bir örneği, karar verme süreçlerini iyileştirmek için yüksek etkili sosyal kuruluşlarla
çalışan bir grup veri bilimcisi olan Datakind'dir [46].

7.5 Entegrasyon ve Birlikte Çalışabilirlik

Büyük Veri'nin karşılaştığı en büyük zorluklardan biri, birçok farklı kaynaktan gelen verileri
entegre etmektir. Sistemler arasında birlikte çalışabilirliği sağlamak için standartların
kullanılması, bilgilerin etkili bir şekilde entegre edilmesi için temel bir gerekliliktir [47].

Birden fazla Büyük Veri deposu arasında birlikte çalışabilirliğin sağlanmasındaki en büyük
zorluk, bir depoda kullanılan meta verilerin diğer depolara göre farklılık g ö s t e r m e s i d i r . Bu
meta veriler için standartlar olmadan, Büyük Veri projelerinde üretilen verilerin entegrasyonu
daha da zor olacaktır [48].

Sağlık bilgi sistemleri genellikle parçalanmış ve bilgi silolarında izole edilmiş durumdadır ve bu
da sağlık yardımında analiz ve iyileştirmeleri engellemektedir [49]. Bu sorun teknolojik bir
çözümden ziyade politik bir çözüm gerektirmektedir. Çoğu durumda, sistemlerin birlikte
çalışması için gerekli standartlar zaten mevcuttur ve bunlar gelişmekte olan ülkelerde gelişmiş
ülkelerle aynıdır [50]. Dijital gündemlerin geliştirilmesinde ilerleme kaydedebilmek için devlet
kurumları, işletmeler ve paydaşlar arasında fikir birliği sağlanması g e r e k m e k t e d i r .

Gelişmiş ülkeler son on yılda dijital gündemleri yayma konusunda ilerleme kaydetmiştir ve şu
anda gelişmekte olan ülkelerden daha iyi konumdadır, ancak son zamanlarda bu fark
daralmaktadır. Dünya Sağlık Örgütü'ne (WHO) göre, 2008 yılından bu yana 20'den fazla
gelişmekte olan ülke e-Sağlık için stratejik planlar uygulama sürecindedir [51].

DSÖ ve Uluslararası Telekomünikasyon Birliği (ITU), ulusal bir e-Sağlık vizyonu ve eylem
planı oluşturma sürecinde ülkelere yardımcı olmak amacıyla bir belge yayınladı

Sayfa 30 . 41
(National eHealth Strategy Toolkit) [52]. Bu kaynaklar özellikle gelişmekte olan ülkelerdeki
hükümetler için faydalıdır.

7.6 Gizlilik ve Güvenlik

Büyük Veri'nin yapı eksikliği ve bazı verilerin gayri resmi doğası gibi bazı özellikleri, potansiyel
gizlilik, güvenlik veya yasal sorunlarla birlikte hassas olmaları durumunda bir sorun olabilir.
Geleneksel veritabanı yönetim sistemleri, verileri çeşitli düzeylerde koruyan ayrıntılı güvenlik
politikalarını destekler. Büyük Veri'de kullanılan yazılımlar genellikle bu güvenlik önlemlerine
sahip değildir [15].

Bir diğer önemli zorluk ise güvenlik altyapısı ve gizlilik politikalarıdır. Verilerin güvenliği
konusunda sadece yasal değil aynı zamanda etik hususların da bir an önce uygulanması büyük
önem taşımaktadır. Verilerin nasıl toplandığı, nasıl korunduğu ve nasıl kullanılacağının
raporlanmasına yönelik stratejilerin geliştirilmesi bir gereklilik olarak görülmeli ve kabul
edilmelidir [53].

Aynı şekilde, olası veri kayıpları veya güvenlik ihlalleri durumunda bir eylem planı
düşünülmelidir. Bilgilerin açık ve dikkatli bir şekilde paylaşılması, güvenlik ve gizlilikle ilgili
endişelerin azaltılmasına yardımcı olacaktır [54].

Özellikle Büyük Verinin sağlık hizmetlerinde kullanımı söz konusu olduğunda, kişisel verilerin
gizliliğinin ve mahremiyetinin sağlanması esastır. Bu faktörler, en başından itibaren bir Büyük
Veri projesinin yapısının bir parçası olarak düşünülmelidir.

Veriler ne olursa olsun, insanlarla ilgili olduklarında güvenlik endişeleri kaçınılmaz olarak ortaya
çıkacaktır. Amaç veri paylaşmaksa, bu verileri sağlayanlar, bilgilerinin bakım sorumluluğunu
üstlenenlere güvenebilmelidir [57, 58]. Bu da ancak uygun bir düzenleyici çerçeve ile
sağlanabilecektir.

7.7 Evlat edinme

Veri, kuruluşlar içinde stratejik bir varlık olarak yönetilmelidir. Büyük Verinin benimsenmesinin
önündeki mevcut engeller genellikle kültüreldir. Birçok kuruluş, veri analizinin işlerini nasıl
geliştirebileceğini takdir edemedikleri için Büyük Veri programlarını uygulamamaktadır [15].

Sayfa 31 . 41
Hedeflerin ve beklenen sonuçların tanımlanması, bu büyüklükteki projeleri sürdürebilecek bir
yönetişimin kurulması için kritik öneme sahiptir. Bir BIG DATA programı, ihtiyaç duyulan
insanları, süreçleri ve politikaları içermelidir [59].

Daha önce incelenen zorluklar: ekonomik sorunlar, zayıf altyapı ve eğitimli personel eksikliği,
gelişmekte olan ülkelerin çoğunda ortaktır ve gelişmiş ülkelerle karşılaştırıldığında Büyük
Verinin benimsenmesinde dijital uçuruma eşdeğer bir boşluk yaratmaktadır [30].

Hindistan gibi gelişmekte olan ülkelerde Büyük Veri tekniklerinin benimsenmesini

hızlandırmanın bazı yolları, deneyimlerin ve alınan derslerin paylaşılması gibi basittir [36]. Şu
anda gelişmekte olan ülkeler, internetin yaygınlaşması, prestijli yayınların bilimsel makalelerine
ücretsiz erişim sağlayan Açık Erişim hareketinin ortaya çıkması ve Google Scholar gibi bilimsel
literatür aramaya yönelik yeni araçların ortaya çıkması nedeniyle bilimsel bilgi kaynaklarına
daha fazla erişime sahiptir. Yakın tarihli bir makale, Google Scholar'ın ücretsiz tam metin
makalelere PubMed'den daha fazla erişim sağladığını göstermektedir [60].

# Trend Açıklama Öznitelik

1 Parçalanmış veri Verilerin laboratuarlar, hastane sistemleri ve hatta Çeşitlilik
finansal BT gibi klinik bileşenler arasında ayrılması ve
elektronik sağlık kayıtları sağlık hizmetlerinde kilit bir
konudur.
2 Büyük Veri tamamen Geleneksel analitik, verileri bir veri ambarına gecelik Hız,
gerçek veya gerçeğe veya haftalık olarak yükleyen ETL süreçlerini kullanır. Değer
yakın zamanlı Büyük Veri trendi, bakım noktasında gerçek veya
neredeyse gerçek zamanlı karar desteğine doğru
ilerliyor.
Geleneksel analitikte raporlama geçmişe odaklanır,
ancak Büyük Veri ile daha öngörülüdür.
3 Veri o Sürüş Geleneksel olarak, süreçler ihtiyaç duyulduğunda Hacim,
süreçler verileri çeker ve iter. Çeşitlili
Büyük Veri'de süreçler, veri kümelerinden anlam k, Hız
çıkarmak, klinik hipotezler oluşturmak, dolandırıcılığı
önlemek, bakım maliyetini düşürmek, klinik hataları
azaltmak ve iyileştirmek için verilere erişir.
Sonuçlar.
4 Ölçek büyütme şu yöne Geleneksel olarak, ◻ölçek büyütme◻ aktif bir Değer
kayıyor tercihti. Bu
◻ölçek dışı◻. mevcut altyapının daha büyük sunucular, daha büyük
bellek ve daha fazla işlem gücü ile değiştirilmesine yol
açtı Büyük Veri'de birden fazla düğümden yararlanılır.
Sistemlerin değiştirilmesi gerekmez, aksine modernize

Sayfa 32 . 41
 edilir
ve bilgi alışverişi ve kullanımı için kullanılır.

5 Yazılım olarak a hizmet Verilerin katlanarak büyümesi, önemli ölçüde Değer

(SaaS), Altyapı olarak için destekleyici altyapı ve karmaşık yazılım
Hizmet (IaaS) sağlık şirketleri içgörü elde etmek için. Sağlık
kuruluşları, yazılım ve hizmetlerin yerine getirilmesi
için Saas ve Iaas gibi yeni hizmet sunum modellerini
benimseyebilir.
altyapı ihtiyaçları
6 Veri Gizliliği Endişesi Kişisel Sağlık Bilgilerinin (PHI) ve Bireysel Olarak Değer
Tanımlanabilir Kişisel Bilgilerin (IIPI) gizliliği sağlık
şirketleri için kilit öneme sahiptir.
Büyük Veri çözümlerinin ayrıca verileri etkin bir şekilde
ele alması gerekir
güvenlik Veri gizliliğini sağlamak için değer endişeleri
Sağlık Hizmetlerinde Büyük Veri Analitiği ile İlgili Zorlukların Tablosal Gösterimi

Sayfa 33 . 41
 8. SONUÇLAR

Büyük Veri, bu geleneksel ve geleneksel olmayan verileri bir araya getirerek klinik
araştırmalardan bakım sunumuna ve sağlık politikası ve planlamasına kadar geniş bir yelpazede
sağlık hizmetlerinde iyileştirmeler sağlayabilecek önemli bilgiler sunma potansiyeline sahiptir.
Büyük Veri, acil bakımla ilişkili maliyetleri azaltmak ve bunu önleme odaklı hale getirmek için
toplum sağlığı sorunlarının üstesinden gelmede büyük bir varlık olduğunu kanıtlamaktadır.
Klinik araştırma ve bakım sunumunda Büyük Veri, Alzheimer hastalığına ve belirli kanser
türlerine çözüm bulmak için güçlü bir araç olarak kullanılabilir ve ayrıca kişiselleştirilmiş tıbba
düşük maliyetli bir yaklaşım sağlayabilir. Sağlık politikasında, planlamada ve
uygulanması, hastalıkların ortaya çıkışını ve yayılmasını izlemek için cep telefonu verilerinin
kullanılması gibi girişimler, hastalıkları ve salgınları kontrol etmek için değerli ekonomik
kaynakların nereye harcanacağı konusunda önemli bilgiler sağlayabilir. Sağlık kuruluşlarının
Büyük Veri ihtiyaçlarını ve potansiyel kullanımlarını değerlendirmeleri ve klinik araştırma
sınırlarını ilerletmek için veri odaklı, hipotez üreten bir yaklaşıma geçme yolunda bir adım
atmaları gerekmektedir. Sağlık kuruluşları, Büyük Veri'den yararlanarak tüm paydaşlara fayda
sağlayan değer temelli sonuç odaklı verimli bakım sunumu oluşturabilir.
Tavsiyeler:

Veri yakalama Yenilikçi BÜYÜK VERİ projeleri için kullanımla ilişkili

verileri ve sensör verilerini toplamak üzere cep
telefonlarının yüksek penetrasyon oranlarından yararlanın.
Altyapı IaaS ve açık kaynaklı yazılımlar kullanarak altyapı ve
ekonomik açıkların önüne geçin.
Organizasyonel değişiklikler - Eğitilen veri bilimcilerinin sayısını artırın. Eğitimli
İşgücü kaynaklara ihtiyaç duyulduğunda Datakind gibi kar amacı
gütmeyen kuruluşlarla ortaklıklar kurun.
Entegrasyon ve birlikte Dijital gündemlerin oluşturulması ve benimsenmesinde
çalışabilirlik ilerleme.
Gizlilik ve güvenlik Hassas verilerin gizliliğini ve güvenliğini sağlamak için
politikalar ve düzenleyici çerçeveler oluşturun.
Evlat edinme BÜYÜK VERİ araçları ve teknikleri konusunda uzmanlığa
sahip özel ve kamu kurumlarıyla stratejik ortaklıklar kurun.

Sayfa 34 . 41
 9. REFERANSLAR

1. Raghupathi W: Sağlık Hizmetlerinde Veri Madenciliği. Sağlık Hizmetleri Bilişimi içinde:

Verimlilik ve Üretkenliğin Artırılması. Düzenleyen Kudyba S. Taylor & Francis; 2010:211-223.
2. Burghard C: Büyük Veri ve Analitik Hesap Verebilir Bakım Başarısının Anahtarı. IDC Health
Insights; 2012.
3. Dembosky A: "Daha İyi Sağlık Hizmeti için Veri Reçetesi." Financial Times, 12 Aralık 2012,
p. 19; 2012. Erişim adresi: http://www.ft.com/intl/cms/ s/2/55cbca5a-4333-11e2-aa8f-
00144feaBig Datac0.html#axzz2W9cuwajK.
4. Feldman B, Martin EM, Skotnes T: "Big Data in Healthcare Hype and Hope." Ekim 2012. Dr.
Bonnie 360; 2012. http://www.west-info.eu/files/big-data-inhealthcare. pdf.
5. Fernandes L, O'Connor M, Weaver V: Büyük Veri, daha büyük sonuçlar. J AHIMA 2012:38-42.
6. IHTT: Transforming Healthcare through Big Data Sağlık sektöründe Büyük Veriden
yararlanma stratejileri; 2013. http://ihealthtran.com/wordpress/2013/03/iht%C2%B2-releases-
big- data-research-reportdownload-today/.
7. Frost & Sullivan: Büyük Veri İçinde Boğulmak mı? Sağlık Kuruluşları için Bilgi Teknolojisi
Karmaşıklıklarının ve Maliyetlerinin Azaltılması. http://www.emc.com/collateral/analyst-
reports/frost- sullivan-reducing-information-technologycomplexities-ar.pdf.
8. Bian J, Topaloglu U, Yu F, Yu F: İlaçla İlgili Advers Olaylar için Büyük Ölçekli Twitter
Madenciliğine Doğru. Maui, Hawaii: SHB; 2012.
9. Raghupathi W, Raghupathi V: Sağlık Analitiğine Genel Bir Bakış. Çalışma kağıdı; 2013.
10. Ikanow: Sağlık Hizmetleri için Veri Analitiği: Büyük Veriden Anlayış Yaratmak.
http://info.ikanow.com/Portals/163225/docs/data-analytics-for-healthcare.pdf.
11. jStart: "Büyük Veri Analitiği Medicaid Yeniden Kabullerini Nasıl Azalttı?" Bir jStart Vaka
Çalışması; 2012. http://www-
01.ibm.com/software/ebusiness/jstart/portfolio/uncMedicaidCaseStudy.pdf.
12. Knowledgent: Büyük Veri ve Sağlık Hizmeti Ödeyicileri; 2013.
http://knowledgent.com/mediapage/insights/whitepaper/482.
13. Keşifler: Kilit Açma ve Güç . Büyük Veri için İyileştirme
Sağlık Hizmetleri Herkes için.https://www.explorys.com/docs/data-sheets/explorys-
overview.pdf.
14. IBM: IBM BüyükVeri platform için sağlık hizmetleri." Çözümler

Sayfa 35 . 41
 Özet; 2012.
http://publicdhe.ibm.com/common/ssi/ecm/en/ims14398usen/IMS14398USEN.PDF.

Sayfa 36 . 41
15. Intel: Sağlık ve Yaşam Bilimlerinde Büyük Veri ve Analitikten Yararlanma:
Kişiselleştirmeyi Etkinleştirmek Tıp için Yüksek Kalite Bakım,
Daha iyi Outcomes;
2012.http://www.intel.com/content/dam/www/public/us/en/documents/whitepapers/healthcare-
everaging-big-data-paper.pdf.
16. IBM: Data Driven Healthcare Organizations Use Big Data Analytics for Big Gains; 2013.
http://www03.ibm.com/industries/ca/en/healthcare/documents/Data_driven_healthcare_organizat
ions_use_big_data_analytics_for_big_gains.pdf.
17. Savage N: Uyuşturucu gerçekleri için kazmak. Commun ACM 2012, 55(10):11-13.18.
Zenger B: "Büyük Veri Sağlık Hizmetlerinin Büyük Sorunlarını Çözebilir mi?"
HealthByte,Şubat 2012; 2012.
http://www.equityhealthcare.com/docstor/EH%20Blog%20on%20Analytics.pdf.
19. LaValle S, Lesser E, Shockley R, Hopkins MS, Kruschwitz N: Büyük Veri, analitik ve
içgörüden değere giden yol. MIT Sloan Manag Rev 2011, 52:20-32.
20. Büyük Veri Bilimi ve Mühendisliğini Geliştirmek için Temel Teknikler ve Teknolojiler
(BIGDATA) [İnternet]. Ulusal Bilim Vakfı; 2012. Erişim adresi:
http://www.nsf.gov/pubs/2012/nsf12499/nsf12499.pdf

21. MD Anderson "Moon Shots" Misyonunu Güçlendirmek için IBM Watson'a Başvurdu
[Internet]. MD Anderson Kanser Merkez. 2013[alıntılanmıştır 2013
Aralık 17]. Erişim adresi: http://www.mdanderson.org/newsroom/news-
releases/2013/ibm-watson-to-power-moon- shots-.html

22. Okun S, McGraw D, Stang P, Larson E, Gold-mann D, Kupersmith J. Making the Case for
ContinuousLearning fromRoutinely Collected Data [Internet]. IOM; 2013. Erişim adresi:
http://www.iom.edu/~/media/Files/Perspectives-Files/2013/Discussion-Papers/VSRT-
MakingtheCase.pdf

23. Davis DA, Chawla NV, Blumm N, Christakis N, Barabasi A-L. Tıbbi geçmişe dayalı bireysel
hastalık riskini tahmin etme. Bilgi ve bilgi yönetimi üzerine 17. ACM konferansı bildirileri.
ACM; 2008. s. 769-78.

24. Davis DA, Chawla NV, Christakis NA, Barabási A-L. Time to CARE: pratik hastalık
tahmini için işbirlikçi bir motor. Data Min Knowl Discov 2010;20(3):388-415.
Sayfa 37 . 41
25. Asangansi I, Braa K. Gelişmekte olan ülkelerde mobil destekli ulusal sağlık bilgi
sistemlerinin ortaya çıkışı. Stud Health Technol Inf 2010;160(Pt 1):540-4. [PubMed]

26. Lewis T, Synowiec C, Lagomarsino G, Schweitzer J. Düşük ve orta gelirli ülkelerde e-sağlık:
Sağlık piyasası yenilikleri merkezinden bulgular. Bull World Health Organ 2012;90(5):332-
40.[PMC free article] [PubMed]

27. Kalkınma için Büyük Veri: Zorluklar ve Fırsatlar [İnternet]. BM Küresel Nabız; 2012.
Mevcut at:http://www.unglobalpulse.org/sites/default/files/BigDataforDevelopment-
UNGlobal-PulseJune2012.pdf

28. Barrington J, Wereko-Brobby O, Ward P, Mwafongo W, Kungulwe S. SMS for Life:

Tanzanya kırsalında sıtma ilaçlarının tedarik yönetimini standart teknoloji kullanarak
iyileştirmeye yönelik bir pilot proje. Malar J 2010. Ekim 27; 9 (1): 298. [PMC ücretsiz makale]
[PubMed]

29. Novartis Malaria Initiative: Yaşam için SMS [İnternet]. [Alıntı 2014 Mar 27]. Erişim adresi:
http://www.malaria.novartis.com/innovation/sms-for-life/

30. Hilbert M. Kalkınma için Büyük Veri: Bilgiden Bilgi Toplumlarına. Univ South Calif -
Annenberg Sch Commun [Internet]. 2013; Erişim adresi:
http://papers.ssrn.com/sol3/papers.cfm?abstract_id=2205145

31. Barroso LA, Hölzle U. Bir Bilgisayar Olarak Veri Merkezi: Depo Ölçeğindeki Makinelerin
Tasarımına Giriş. Synth Lect Comput Archit 2009. Ocak;4(1):1-108.

32. Shapiro C, Varian HR. Bilgi kuralları: ağ ekonomisi için stratejik bir rehber. Boston, Mass:
Harvard Business School Press; 1999.

33. Hizmet Olarak Altyapı (IaaS) [İnternet]. Gartner BT Sözlüğü. [Alıntı 2013 Aralık 10]. Şu
adresten erişilebilir: http://www.gartner.com/it-glossary/infrastructure-as-a-service-iaas

34. Latourette MT, Siebert JE, Barto RJ, Jr, Marable KL, Muyepa A, Hammond CA ve diğerleri.
Sahra altı Afrika'da manyetik rezonans görüntüleme araştırmaları: Zorluklar ve uydu tabanlı ağ
uygulaması. J Digit Imaging 2011;24(4):729-38. [PMC ücretsiz makale] [PubMed]

Sayfa 38 . 41
35. Shiferaw F, Zolfo M. Evrensel sağlık kapsamına doğru bilgi iletişim teknolojisinin (ICT)
rolü: Etiyopya'da bir teletıp projesinin ilk adımları. Glob Health Action 2012;5(1):15.[PMC free
article] [PubMed]

36. Simba DO. Küreselleşmenin ardından gelişmekte olan ülkelerde sağlık bilgi sistemlerinin
güçlendirilmesinde BİT'in uygulanması. Afr Health Sci 2004. Aralık;4(3):194-8. [PMC ücretsiz
makale] [PubMed]

37. Gardiner B. Astrofizikçi Süper Bilgisayarı Sekiz PlayStation 3'ten Oluşan Bir Küme ile
Değiştiriyor [İnternet].WIRED.2 007[alıntı 2013 Aralık 10].
Şu adresten erişilebilir: http://www.wired.com/techbiz/it/news/2007/10/ps3_supercomputer

38. Zyga L . ABD Hava Kuvvetleri süper bilgisayar oluşturmak için 1 .760 PlayStation 3' ü
birbirine bağlıyor [Internet]. PhysOrg. 2010[alıntı 2013 Aralık 10]. Şu adresten erişilebilir:
http://phys.org/news/2010-12-air-playstation-3s-super-computer.html

39. Amazon Web Hizmetler [İnternet]. Amazon. [alıntı 2013 Aralık 10]. Şu
adresten erişilebilir: http://aws.amazon.com/

40. Google Compute Engine [Internet]. Google Cloud Platform. [Alıntı 2013 Aralık 10]. Şu
adresten erişilebilir: https://cloud.google.com/products/compute-engine/

41. Purkayastha S, Braa J. Gelişmekte olan ülkeler için Büyük Veri Analitiği-Sağlıkta
Operasyonel İş Zekası için Bulut Kullanımı. Electron J Inf Syst Dev Ctries [Internet]. 2013[alıntı
2014 Mar 25];59. Erişim adresi: https://ejisdc.org/ojs2/index.php/ejisdc/article/view/1220

42. Apaçi Hadoop [İnternet]. Hadoop . [alıntı 2013 Aralık

10]. Şu adresten erişilebilir: http://hadoop.apache.org/

43. Lohr S. Bugünün Mezunları İçin Tek Bir Kelime: İstatistik. The New York Times [Internet].
2009. Ağustos 6 [alıntılanmıştır 2013 Aralık 10];
Erişim adresi: http://www.nytimes.com/2009/08/06/technology/06stats.html?_r=3&

44. Manyika J, Chui M, Brown B, Bughin J, Dobbs R, Roxburgh C, vd. Büyük Veri: İnovasyon,
rekabet ve üretkenlik için bir sonraki sınır [İnternet]. McKinsey Global Institute; 2011.Available

Sayfa 39 . 41
at:http://www.mckinsey.com/insights/business_technology/big_data_the_next_frontier_for_inno
vation

45. Yarışmalar |Kaggle [İnternet].[ alıntı 2014 Mar

27]. Şu adresten erişilebilir: https://www.kaggle.com/solutions/competitions

46. DataKind | DataKind [İnternet]. [Alıntı 2014 Mar 27]. Erişim adresi: http://www.datakind.org/

47. Hammond WE, Bailey C, Boucher P, Spohr M, Whitaker P. Connecting Information To

Improve Health. Health Aff (Millwood) 2010. Şubat 1;29(2):284-8. [PubMed]

48. Büyük Veri'de standart arayışı [İnternet]. FCW; 2012[alıntı 2013 Aralık 17]. Şu adresten
erişilebilir: http://fcw.com/microsites/2012/snapshot-man-aging-big-data/05-establishing-big-data-
standards.aspx

49. Glaser J. Birlikte çalışabilirlik: sağlık hizmetlerinde bilgi silolarını yıkmanın anahtarı.
Healthc Financ Manage 2011. Kasım;65(11):44-6, 48, 50. [PubMed]

50. Luna D, García M, Nishioka A, Franco M. OPS - Revisión de estándares de interoperabilidad

para la e-salud en latinoamérica y el caribe. Basında. 2013;

51. Ülke sağlık bilgi sistemleri: mevcut durum ve eğilimlerin gözden geçirilmesi [İnternet].
Cenevre: Dünya Sağlık Örgütü; 2011[alıntı 2013 Kasım 1]. Erişim adresi:
http://www.who.int/healthmetrics/news/chis_report.pdf

52. Ulusal e-Sağlık stratejisi araç kiti. [İnternet]. Dünya Sağlık Örgütü ve Uluslararası
Telekomünikasyon Birliği; 2012. Erişim adresi: http://www.itu.int/pub/D-STR-E_HEALTH.05-
2012/

53. Sağlık Hizmetleri Araştırmalarında Kurumsal İnceleme Kurullarının Rolü Komitesi Veri
Gizliliğinin Korunması. I of M. Sağlık hizmetleri araştırmalarında veri gizliliğinin korunması
[İnternet]. National Academies Press.; 2000. Şu adresten erişilebilir:
http://www.nap.edu/openbook.php?isbn=0309071879

54. Meslin EM. Sağlık Hizmetleri Araştırma Etiğinde Değişen Paradigmalar. J Gen Intern Med
2006. Mar;21(3):279-80. [PMC ücretsiz makale] [PubMed]

Sayfa 40 . 41
55. HIPAA Güvenlik Kuralının Özeti [İnternet]. HHS. [Alıntı 2013 Aralık 17]. Erişim adresi:
http://www.hhs.gov/ocr/privacy/hipaa/understanding/srsummary.html

56. HIPAA Gizlilik Kuralının Özeti [İnternet]. HHS. [Alıntı 2013 Aralık 17]. Erişim adresi:
http://www.hhs.gov/ocr/privacy/hipaa/understanding/summary/index.html

57. Campbell AV. Genetik Veri Tabanlarının Etik Zorlukları: Özgeciliği ve Güveni Korumak.
Kings Law J 2007. Ocak 1;18(2):227-45.

58. Chalmers D, Nicol D. Biyoteknolojinin ticarileştirilmesi: kamu güveni ve araştırma. Int J

Biotechnol2004. Ocak 1;6(2):116-33.

59. Michele O, Fernandes L, Weaver V. Büyük Veri, Daha Büyük Sonuçlar. J AHIMA
2012;83(10):38- 43.[PubMed]

60. Shariff SZ, Bejaimal SA, Sontrop JM, Iansavichus AV, Haynes RB, Weir MA, et al. Klinik
kanıtların alınması: hızlı klinik aramalar için PubMed ve Google Scholar'ın karşılaştırılması. J
Med Internet Res2013;15(8):e164. [PMC ücretsiz makale] [PubMed]

61. Kalkınma için Büyük Veri: bir başlangıç. Gerçek Zamanlı Farkındalık İçin
Büyük Veriden Yararlanma [İnternet]. UNGlobal Pulse; 2013.
Erişim adresi: http://www.unglobalpulse.org/sites/default/files/Primer%20
2013_FINAL%20FOR%20PRINT.pdf

62. Vital Wave Danışmanlık. Büyük Veri, Büyük Etki: Uluslararası Kalkınma için Yeni
Olasılıklar [İnternet]. DünyaEkonomikForum; 2012. Erişim
adresi: http://www3.weforum.org/docs/WEF_TC_MFS_BigDataBigImpact_Briefing_2012.pdf

63. İnsanlık Durumunu Anlamak için Yeni Veriler: Uluslararası Perspektifler [İnternet]. OECD;
2013. Erişim adresi: http://www.oecd.org/sti/scitech/new-data-for- understanding-the-human-
condition.pdf.

Sayfa 41 . 41