دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش: 1
نویسندگان: Andrew Nguyen
سری:
ISBN (شابک) : 109811292X, 9781098112929
ناشر: O'Reilly Media
سال نشر: 2022
تعداد صفحات: 300
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 3 مگابایت
در صورت تبدیل فایل کتاب Hands-On Healthcare Data: Taming the Complexity of Real-World Data به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب دادههای بهداشتی عملی: رام کردن پیچیدگی دادههای دنیای واقعی نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
Preface Conventions Used in This Book Using Code Examples O’Reilly Online Learning How to Contact Us 1. Introduction to Healthcare Data The Enterprise Mindset The Complexity of Healthcare Data Sources of Healthcare Data Electronic Health Records Claims Data Clinical / Disease Registries Clinical Trials Data Data Collection and How that Affects Data Scientists Retrospective vs. Prospective Studies Conclusion 2. Technical Introduction Basic Introduction to Docker and Containers Installing and Testing Docker Conceptual Introduction to Databases ACID Compliance OLTP Systems OLAP Systems SQL vs. NoSQL SQL Databases (Labeled) Property Graph (LPG) Databases Hypergraph Databases Resource Description Framework (RDF) Databases Conclusion 3. Standardized Vocabularies in Healthcare Controlled Vocabularies, Terminologies, and Ontologies Key Considerations Pre-Coordination vs. Post-Coordination Case Study Example: EHR Data Common Terminologies CPT ICD-9 and ICD-10 LOINC RxNorm SNOMED CT Key Takeaways Using the Unified Medical Language System (UMLS) Some Basic Definitions Concept Orientation Working with the UMLS UMLS and Relational Databases Preprocessing the UMLS UMLS and Property Graph Databases UMLS and Hypergraph Databases Review of UMLS Conclusion 4. Deep Dive: Electronic Health Records Data Publicly Accessible Data Medical Information Mart for Intensive Care (MIMIC) Synthea Data Models Goals Examples of Data Models Case Study: Medications The Medication Harmonization Problem Technical Deep Dive Connecting to the UMLS Difficulties Normalizing Structured Medical Data Conclusion 5. Deep Dive: Claims Data Publicly Accessible Data—SynPUF Data Models Choosing a Data Model Combining Claims and EHR Data Case Study: Combining Diagnoses and Medications OMOP vs. Graphs Considerations when Combining Different Sources of Healthcare Data Conclusion 6. Machine Learning and Analytics A Primer on Machine Learning What is Feature Engineering? Graph-based Deep Learning Extracting Data as a Table To SQL or Not to SQL Querying OMOP Data From Graphs to Dataframes Why Add the Complexity of Graphs? Machine Learning and Feature Engineering with Graphs Graph Embeddings node2vec cui2vec med2vec snomed2vec Some Final Thoughts about Embeddings Making the Case for Graph-based Analysis Conclusion 7. Trends in Healthcare Analytics Federated Learning and Federated Analytics How Does Federated Learning Work? Why Federated Analytics / Learning? The Data Harmonization Challenge in a Federated Context Graphs and Federated Approaches Natural Language Processing Concept Extraction Beyond Concept Extraction Clinical NLP Tools Commercial Clinical NLP Solutions Key Differences between Clinical NLP and Other Applications of NLP Conclusion 8. Graphs, Harmonization, and Some Final Thoughts Other Types of Healthcare RWD Data Normalization and Harmonization Merging Datasets Bridging IT and the Business It’s a Human, not Technical, Problem Graphs Can Be a Part of the Solution Graphs Are Not a Silver Bullet Conclusion About the Author