cta

Erste Schritte

Cloud

Sind Sie bereit?

Sandbox herunterladen

Wie können wir Ihnen helfen?

SchließenSchaltfläche „Schließen“
cta

Predictive Analytics and Big Data Solutions
for Healthcare

Cloud Sind Sie bereit?

Sandbox herunterladen

Die Arizona State University nutzt HDP® für innovative Forschungsprojekte

Die Arizona State University (ASU) ist die größte Universität der USA und wurde vom U.S. News & World Report zur „innovativsten Bildungseinrichtung Amerikas 2016“ gekürt. Im Rahmen der „Complex Adaptive Systems Initiative“ (oder CASI) hat die ASU einen genomischen Data Lake mit Petabytes genetischer Daten von Hunderten Einzelpersonen angelegt. So lässt sich besser erforschen, inwiefern sich jede einzelne Variation im Genom auf die Expression eines Krebsgens auswirken kann, wodurch wichtige Kenntnisse über potenziell lebensrettende Behandlungen erlangt werden.

Leben retten & Versorgung effizienter gestalten

Das Gesundheitswesen steht heute vor schwierigen Herausforderungen. Forscher, Klinikärzte und Verwaltunsgmitarbeiter müssen wichtige Entscheidungen treffen – und das oftmals ohne ausreichende Daten. Hortonworks bietet Connected-Data-Plattformen mit Open-Source-Ansatz (powered by Apache™ Hadoop® und Apache NiFi) an, um Daten aus dem Gesundheitswesen besser verfügbar und nutzbar zu machen. Forscher untersuchen die genetische Architektur von Krebszellen. Krankenschwestern/-pfleger und Ärzte beobachten Patienten auf der Intensivstation. Verwaltungsmitarbeiter erstellen Abrechnungen für Krankenkassen, bevor die Patienten das Krankenhaus verlassen. Hortonworks revolutioniert das Gesundheitswesen.

Anwendungsfälle

Zugriff auf Genomdaten für neue Krebsbehandlungen

Wenn wir lesen, dass eine bestimmte Arznei eine „40-prozentige Effektivität bei der Behandlung von Krebs“ aufweist, kann dies auch so interpretiert werden, dass die Effektivität des Medikaments bei Patienten mit einem bestimmten genetischen Profil 100 Prozent beträgt. Doch Genomdaten sind Big Data. Das Erbgut eines einzelnen Menschen besteht aus etwa 20.000 Genen. Bei der Speicherung auf traditionellen Datenplattformen entspricht das mehreren Hundert Gigabytes. Kombiniert man jedes Genom mit einer Million unterschiedlicher DNA-Sequenzen, hat man es mit etwa 20 Mrd. Datenreihen pro Person zu tun.

Forscher an renommierten Universitäten und Lehrkrankenhäusern gehen diese Herausforderung mithilfe der Hortonworks Data Platform als kosteneffektive, zuverlässige Plattform für die Speicherung von Erbgutdaten und die Kombination dieser Daten mit anderen demografischen Informationen, Versuchsergebnissen und Echtzeit-Reaktionen von Patienten an. Mithilfe der Hortonworks Data Flow-Lösung werden diese Daten für Echtzeit-Entscheidungen und langfristige Kohortenanalysen in HDP gestreamt. Über Connected-Data-Plattformen können die Ärzte so herausfinden, welche Medikamente und Behandlungen bei verschiedenen Patientengruppen aus dem gesamten genetischen Spektrum am besten anschlagen.


Überwachung der Vitalwerte von Patienten in Echtzeit

In einer typischen Krankenhausumgebung absolvieren die Schwestern ihre Runden und dabei überwachen sie manuell die Vitalparameter der Patienten. So kommen sie in der Regel alle paar Stunden an einem Bett vorbei und zeichnen die Vitalparameter auf, doch kann sich der Zustand des Patienten zwischen den vorgesehenen Visiten verschlechtern. Dadurch reagiert das Pflegepersonal oftmals nur auf Probleme und es entstehen Situationen, in denen ein früheres Handeln für das Wohlbefinden des Patienten von großer Bedeutung gewesen wäre.

Neue, drahtlose Sensoren können die Vitalparameter des Patienten in viel kürzeren Abständen aufzeichnen und übermitteln als es durch Visiten am Krankenbett möglich wäre, und die Ergebnisse dieser Messungen lassen sich in das Hadoop-Cluster einspeisen. Das Pflegepersonal kann diese Signale als Grundlage für Echtzeit-Warnmeldungen nutzen, um schneller auf unerwartete Entwicklungen zu reagieren. Mit der Zeit summieren sich diese Daten in HDP, wodurch Algorithmen zur Vorhersage der Wahrscheinlichkeit eventueller Notfälle erstellt werden können, noch bevor diese bei der Visite am Krankenbett feststellbar wären.


Reduzierung der Rückfallraten bei Herzkreislauferkrankungen

Patienten mit Herzkrankheiten können während ihres Aufenthalts im Krankenhaus genau überwacht werden, doch wenn diese Patienten entlassen werden, können sie die Einnahme ihrer Medikamente vergessen oder die Vorschriften des Arztes zur Ernährung und Gesundheitspflege missachten.

Kongestive Herzinsuffizienz kann zur EInlagerung von Körperflüssigkeit und damit zu Gewichtszunahme führen. Ein innovatives Programm der UC Irvine Health ermöglichte es Patienten, eine drahtlose Waage mit nach Hause zu nehmen, auf der sie sich regelmäßig wiegen sollten. Die von Hortonworks verwendeten Algorithmen erkannten ungesunde Gewichtszunahmen und benachrichtigten einen Arzt, der den Patienten dann proaktiv untersuchen konnte, ehe erneute Notfalleinweisung erfolgen musste.


Maschinelles Lernen für daheim durchgeführte Tests zur Autismus-Vorsorge

Autistische Störungen betreffen eines von hundert Kindern und sie verursachen jährliche Kosten von schätzungsweise 100 Milliarden Dollar. Die Krankheit lässt sich im Alter von 18 Monaten am Verhalten diagnostizieren, doch mehr als einer von vier Fällen bleibt derzeit bis ins achte Lebensjahr undiagnostiziert. Es gibt nur wenige Einrichtungen für klinische Testes, und die Wartelisten sind lang. Die am weitesten verbreiteten Diagnose-Tests benötigen für Verabreichung und Auswertung in der Regel 2,5 Stunden.

Dr. Dennis Wall ist Direktor der Computational Biology Initiative an der Harvard Medical School. In dieser Präsentation beschreibt er einen von seinem Team entwickelten Prozess für ein günstiges und mobiles Autismus-Screening. Das Verfahren nimmt weniger als fünf Minuten in Anspruch und basiert auf der Möglichkeit, große Mengen halbstrukturierter Daten aus kurzen, zu Hause durchgeführten Tests zu speichern, die von den Eltern vorgenommen und eingeschickt werden. Walls Labor benutzt auch Facebook, um von Benutzern zur Verfügung gestellte Informationen zu Autismus einzuholen.

Die riesigen Datensätze werden von künstlicher Intelligenz ausgewertet, was dabei hilft, die maximale diagnostische Effizienz ohne Abstriche bei der Genauigkeit zu erreichen. Dieser Ansatz in Verbindung mit der Datenspeicherung auf einem Hadoop-Cluster lässt sich auch für andere innovative maschinelle Lernprozesse zur Diagnose anwenden.

Zeitlich unbegrenzte Speicherung medizinischer Forschungsdaten

Für medizinische und wissenschaftliche Forscher an Universitäten gilt das ungeschriebnene Gesetz „publish or perish“: Publiziere oder gehe unter. Die Daten zu einer Veröffentlichung werden in der Regel mit einer Excel-Tabelle beigefügt, doch dafür sind viele der heutigen Datensätze einfach zu groß. Dennoch müssen die zugrundeliegenden Daten zu einer Veröffentlichung zeitlich unbegrenzt verfügbar sein. Wenn die Daten verschwinden, wird die Veröffentlichung belanglos.

Den Universitäten steht ein Cluster auf der Grundlage der Hortonworks Data Platform als kosteneffektive und zeitlich unbegrenzte Speicherplattform für wissenschaftliche Daten zur Verfügung. Einfache und offen zugängliche Anfragefunktionen erlauben es den forschenden Kollegen, die Daten weiterzugeben, zu validieren und für künftige Forschungen zu verwenden.

Tracking von Vorrichtungen, Medikamenten und Pflegern mit RFID-Daten

Krankenhäuser setzen inzwischen die sogenannte Radiofrequenzidentifikation (Radio-Frequency Identification, RFID) ein, um den jeweiligen Standort von Geräten und Medikamenten mitzuverfolgen, die in der Einrichtung an verschiedenen Orten verwendet werden. RFID-Scans eines Gegenstands oder Geräts können deren Inhalt, momentanen Standort, Herstellungsdatum, Bestellnummer und Liefertermin lesen. Eine innovative Krankenhausgruppe konnte ermitteln, wie viel Zeit Ärzte vor dem Waschbecken verbrachten, um sich die Hände zu waschen (was die Wahrscheinlichkeit der Übertragung von Krankheiten senkt).

Kurzfristig können diese Daten dabei helfen, Medikamente vor deren Verfallsdatum zu verwenden oder schnell ein wichtiges Gerät zu lokalisieren. Im Laufe der Zeit werden historische Daten zur tatsächlichen Verwendung von Medikamenten und Geräten sowie zur Interaktion zwischen Ärzten gesammelt, die wertvolle Informationen für die Planung des Einkaufs, die Weiterbildung der Mitarbeiter und die verbesserte Effizienz der Betriebsabläufe liefern.

Fallstudien unserer Kunden

Arizona State University
Kunde
Arizona State University

Die Arizona State University (ASU) ist von der Anzahl der eingeschriebenen Studenten (83.000) und Fakultätsmitgliedern (3.300) her die größte öffentliche Universität der USA. Die vom Universitätsausschuss im Jahr 2014 genehmigte Satzung basiert auf dem Modell „New American University“, das von Michael M. Crow, dem Präsidenten der ASU, entwickelt wurde. Es definiert die ASU als „eine umfassende ...

Geisinger
Kunde
Geisinger

Geisinger Health System is one of the largest health service organizations in the United States, serving more than 3 million residents throughout Pennsylvania and southern New Jersey. Geisinger is one of America’s leading rural healthcare providers, with an integrated, physician-led system that includes 30,000 employees, nearly 1,600 employed physicians, 12 hospital campuses, and two research centers.…

UNOS
Kunde
UNOS

The United Network for Organ Sharing (UNOS) is the private, non-profit organization managing the United States organ transplant system. UNOS brings together hundreds of hospitals, transplant centers, organ procurement professionals, and thousands of volunteers. The mission of UNOS is to advance organ availability and transplantation by uniting and supporting communities for the benefit of patients…

HCSC
Kunde
HCSC

Health Care Service Corporation (HCSC) is the largest customer-owned health insurance company in the United States, providing health insurance to 15 million people through Blue Cross Blue Shield affiliates in Illinois, Montana, New Mexico, Oklahoma, and Texas. HCSC uses Hortonworks Data Platform for a single view of its membership to understand what challenges its customers…

Mercy
Kunde
Mercy

Mercy hat gemeinsam mit Hortonworks die Mercy Data Library entwickelt – ein Hadoop-basierter Data Lake, der auf der Hortonworks Data Platform (HDP) läuft. Die Data Library enthält eine große Menge an Batch-Datenauszügen aus relationalen Systemen wie Clarity und aus Echtzeit-Datenquellen wie Epic-Zugriffsprotokolle. Es ist geplant, weitere Datenquellen hinzuzunehmen, darunter Social ...

Cardinal Health
Kunde
Cardinal Health

Fuse by Cardinal Health ist ein Innovation Lab, das die Zukunft von Gesundheit und Wohlbefinden mit einem sichereren und kosteneffizienteren Gesundheitswesen verbessern will. Das Team von Fuse konzentriert sich auf die vernetzte Pflege, den Aufbau einer intelligenteren Lieferkette und die Schaffung neuer Erkenntnisse durch Analytik. Fuse hat sich für Hortonworks Data Platform entschieden, um seine Datenarchitektur zu optimieren und …

ZirMed
Kunde
ZirMed

ZirMed, ein führender Anbieter von Lösungen zur Verwaltung von Gesundheitsdaten, hat ein Hadoop-Cluster entwickelt, mit dem HDP auf Windows 2.0 läuft. Die Folge: Fünf Mal mehr Speicherplatz und eine höhere Verarbeitungskapazität – und das alles bei 30 % der Kosten traditioneller Unternehmenstechnologien. ZirMed mit Sitz in Louisville, Kentucky, wurde 1999 gegründet und ist führender Anbieter …

Mayo Clinic
Kunde
Mayo Clinic

Mayo Clinic nutzt Hortonworks Data Platform (HDP) für Big-Data-Erweiterungen seiner klinischen Praxis in über siebzig Krankenhäusern und Kliniken sowie für seine global anerkannte Führungsposition in der medizinischen Forschung und Ausbildung. HDP hilft Mayo Clinic dabei, Daten aus seinen elektronischen Patientenakten (EMR) in Echtzeit abzurufen. Das ist eine neue …

UC Irvine Health
Kunde
UC Irvine Health

UC Irvine Health vertraut auf Hadoop und die Hortonworks Data Platform, um den Klinikbetrieb und die wissenschaftliche Forschung an der medizinischen Fakultät zu verbessern. Das Team entwickelt derzeit einen quantifizierten medizinischen Ablauf, der die Anzahl der Wiederaufnahmen reduziert, neue Forschungsprojekte schneller realisierbar macht und die medizinischen Daten von Patienten auf Minutenbasis verfolgt. Eine Hadoop-Plattform für zwei unterschiedliche ...