[논문 리뷰] A Vision for Health Informatics: Introducing the SKED Framework.An Extensible Architecture for Scientific Knowledge Extraction from Data

Elizabeth D. Trippe, Jacob B. Aguilar외 10명|arXiv (Cornell University)|2017. 06. 24.

Health Sciences Research and Education인용 수 12

한 줄 요약

SKED 프레임워크는 시간 시계열, 텍스트, 그래프 등의 원자적 단위(예: 원자적 단위)로 데이터를 표준화하고 자원 할당 서비스를 통해 분석 파ip라인의 원활한 통합, 재사용 및 재현 가능한 결과를 가능하게 하여 이질적인 건강 데이터로부터 과학적 지식을 추출하기 위한 기술에 종속되지 않고 확장 가능한 아키텍처를 제안한다. 이는 다오미크, 임상 및 역학 데이터를 통합하여 예측, 예방 및 개인화 의료를 지원하고 의료의 트리플 어메이와 일치시키며 자동 지식 탐색을 가능하게 한다.

ABSTRACT

The goals of the Triple Aim of health care and the goals of P4 medicine outline objectives that require a significant health informatics component. However, the goals do not provide specifications about how all of the new individual patient data will be combined in meaningful ways and with data from other sources, like epidemiological data, to promote the health of individuals and society. We seem to have more data than ever before but few resources and means to use it efficiently. We need a general, extensible solution that integrates and homogenizes data of disparate origin, incompatible formats, and multiple spatial and temporal scales. To address this problem, we introduce the Scientific Knowledge Extraction from Data (SKED) architecture, as a technology-agnostic framework to minimize the overhead of data integration, permit reuse of analytical pipelines, and guarantee reproducible quantitative results. The SKED architecture consists of a Resource Allocation Service to locate resources, and the definition of data primitives to simplify and harmonize data. SKED allows automated knowledge discovery and provides a platform for the realization of the major goals of modern health care.

연구 동기 및 목표

• 시간, 공간 및 형식 경계를 초월한 이질적인 건강 데이터 통합을 위한 확장 가능하고 상호운용 가능한 솔루션의 부족을 해결한다.
• 기존 데이터 표준이 특정 호환 가능한 형식에만 국한되어 상호운용성을 제한하는 한계를 극복한다.
• 다양한 데이터 소스에서 자동으로 재현 가능한 지식 탐색을 가능하게 하여 시스템 의학과 P4(예측, 예방, 개인화, 참여형) 의료를 지원한다.
• 인구 수준의 건강 관리, 확장 가능한 서비스 분석 및 학습 기반 건강 시스템을 통해 의료의 트리플 어메이와의 일치를 촉진한다.
• 벤더 종속 없이 기관 및 데이터 유형 간에 분석 파이프라인을 재사용하고 데이터를 통합할 수 있는 통합 플랫폼을 제공한다.

제안 방법

• 모든 데이터 유형을 위한 통합 추상화 계층으로서 시간 시계열, 텍스트, 그래프 및 다각형 메쉬와 같은 원자적 단위로 구성된 축소된 데이터 원자적 단위 집합을 정의한다.
• 유전자 분석, EHR, 환경 데이터 등 다양한 소스의 데이터를 형식에 맞는 파서를 사용하여 이러한 표준화된 데이터 원자적 단위로 변환한다.
• 분산된 이질적 시스템 간의 컴퓨팅 자원 및 데이터 자산을 탐색하고 관리하기 위해 자원 할당 서비스(RAS)를 구현한다.
• 데이터 표현을 저장 및 처리 로직에서 분리하여 플랫폼에 종속되지 않는 분석 파이프라인의 배포 및 재사용을 가능하게 한다.
• 데이터 원자적 단위를 활용하여 연결 기반 분석을 가능하게 하여 다오미크 및 임상 데이터 세트의 통합을 통해 생물마커 탐색을 지원한다.
• AWS, Azure, GCP 등의 클라우드 컴퓨팅 플랫폼과 SKED의 추상화 계층을 결합하여 분석 워크플로의 이식성과 확장성을 보장한다.

실험 결과

연구 질문

• RQ1 분자, 임상, 환경 및 역학 분야를 아우르는 이질적인 건강 데이터 소스는 어떻게 통합 분석을 위해 조율될 수 있는가?
• RQ2 이질적인 데이터 및 컴퓨팅 플랫폼 간에 재사용 가능하고 재현 가능하며 확장 가능한 분석 파이프라인을 가능하게 하는 아키텍처 프레임워크는 무엇인가?
• RQ3 데이터 원자적 단위는 현재 상호운용되지 않는 기존 데이터 표준 간의 상호운용성을 어떻게 촉진할 수 있는가?
• RQ4 SKED는 시스템 의학 및 P4 의료 응용 분야에서 지식 탐색의 자동화를 어떻게 지원할 수 있는가?
• RQ5 SKED는 개선된 인구 건강 관리 및 간병 평가를 통해 의료의 트리플 어메이와의 일치를 어느 정도까지 가능하게 할 수 있는가?

주요 결과

• SKED 프레임워크는 데이터를 공통의 데이터 원자적 단위로 변환함으로써 이질적 데이터의 원활한 통합을 가능하게 하여 점대점 데이터 표준 통합의 한계를 극복한다.
• 데이터 원자적 단위는 다양한 표준과 플랫폼 간에 민첩하고 조합 가능한 데이터 사용을 가능하게 하며, 기원에 관계없이 상호 연결 가능한 LEGO® 블록처럼 작동한다.
• 자원 할당 서비스(RAS)는 클라우드 및 온프리미스 시스템 간에 분석 파이프라인 및 데이터 자산의 탐색과 재사용을 가능하게 하여 통합 오버헤드를 감소시킨다.
• SKED는 다오미크 및 임상 데이터의 자동화되고 재현 가능한 분석을 지원하여 당뇨병 및 심혈관 질환과 같은 만성 질환의 생물마커 탐색을 가속화한다.
• 기관 간 및 영역 간 데이터 통합을 가능하게 하여 인구 수준의 건강 분석을 대규모로 실현하며, 이는 트리플 어메이에 필수적인 요소이다.
• 이 프레임워크는 이미 시스템 생물학 연구에서 활용되고 있으며, 질병 기전 및 간병 분석을 위한 다오미크 및 임상 데이터 세트의 성공적인 통합을 보여주고 있다.