30 |
Klinisk Biokemi i Norden · 2 2013
Datamängderna växer fort, också på laboratori-
erna. Detta ger helt nya diagnostiska möjligheter,
men medför också nya informationsteknologiska
utmaningar. Den snabba utvecklingen av dato-
rernas minnes- och processorkapaciteter är inte
tillräcklig för att allena lösa dessa problem. När
vi utvecklar morgondagens laboratoriedatasystem
bör man därför ha kännedom om vilka processer
som använder mest värdefull datatid och vilka
metoder som kan reducera denna tidsåtgång.
Varje år – 60% mer data!
På 90-talet talade man om ”large datasets”, på 2000-
talet om ”huge datasets” och nu på 2010-talet har
begreppet ”massive datasets” kommit. Man menar
att datamängderna globalt växer med ca 60 % per år.
Stämmer detta också för ett medicinskt laboratorium?
Låt oss säga att vi införde ett nytt datasystem 1 januari
2007. Vi utförde 1 miljon analyser under 2007, och
sedan dess har antalet analyser ökat 10 % per år. Den
1 januari 2012 har vi fem års dataproduktion i vår
databas, vilket är 6,1 miljoner provsvar. Under 2012
utför vi ytterligare 1,6 miljoner analyser, en ökning
av datamängden på ca 25 % fram till första januari
2013. Så långt har vi en bit kvar till 60 %, men för
varje år är det nya saker som registreras. Vi lägger in
kontrollsvaren i datasystemet, beställarens adress och
telefonnummer, vi registrerar vem som tog provet,
och vem som skötte analysinstrumentet när provet
analyserades. Och till sist kommer stora mängder data
som genereras automatiskt, loggar för när provresul-
taten sändes från instrumentet till datamaskinen och
från datamaskinen till journalsystemet. Det är också
vanligt att all insyn i datasystemet loggas. Lägger vi i
hop detta, så är min gissning att vi inte är långt ifrån
en 60 % dataökning från år till år.
Mer data - nya möjligheter
Med dessa massiva datamängder följer också nya möj-
ligheter. De stora mängderna ”automatiska data”, kan
visa sig vara nyttigare än vad man först trodde. Vi har
möjlighet att se mönster i hur analyser beställs, sådana
mönster kan variera geografiskt, mellan avdelingar och
mellan läkare. Vi kan se hur beställningarna varierar
mellan olika dagar och tidpunkter. Vi kan få översikter
över vem som ser ett provsvar och vi kan se hur olika
sorters provsvar används kliniskt.
Stora företag med försäljning över internet är ofta
duktiga på att vägleda kunden. Varuutbudet presen-
teras olika beroende på kundens ålder och kön, vad
kunden har beställt tidigare, och på erfarenhet av vad
andra liknande kunder har beställt. Det är också allt
vanligare med datoriserade ”kundebehandlare”, d.v.s.
man ställer sina frågor till datorn över internet och får
datoriserade svar. Att datorer uppfostras till att bete sig
sommänniskor blev tidigare betecknat med ”Artificiell
intelligens”. Detta uttrycket ersätts mer och mer med
begreppet ”Machine Learning”. I detta begrepp ligger
att människor kan programmera intelligenta algoritmer,
och att datorn själv kan förbättra dessa algoritmer när
den sätts i arbete och får mer erfarenhet/data.
Våra krav – minst lika snabbt
Trots påtagligt ökande datamängder förväntar vi oss
samma svarstid från vårt datasystem, och ofta ligger
gärna förväntningarna att svarstiden skall sjunka och
Att hantera massiva mängder laboratoriedata
Johan Bjerner
Fürst Medisinsk Laboratorium, Oslo
