മെഡിസിനിൽ ബിഗ് ഡാറ്റയുടെ ഉറവിടം
വൈദ്യശാസ്ത്രത്തിലെ വലിയ ഡാറ്റയുടെ ലളിതമായ നിർവ്വചനം "രോഗിയുടെ ആരോഗ്യ പരിപാലനത്തിനും ക്ഷേമവുമായി ബന്ധപ്പെട്ട ഡാറ്റയുടെ അളവാണ്" (രഘുപതി 2014). എന്നാൽ ഇത്തരത്തിലുള്ള ഡാറ്റ എന്താണ്, എവിടെനിന്നു വരുന്നു?
ആരോഗ്യപരിചയ ദാതാക്കൾ, ഗവേഷകർ, പണം നൽകുന്നവർ, നയരൂപകർത്താക്കൾ, വ്യവസായങ്ങൾ എന്നിവയ്ക്കായി വലിയ ഡാറ്റയുടെ തരങ്ങളും അവയുടെ ഉറവിടങ്ങളും വിശകലനം ചെയ്യുന്നതാണ് താഴെ.
ഈ വിഭാഗങ്ങൾ പരസ്പരം സമ്പൂർണ്ണമല്ല, കാരണം ഒരേ ഡാറ്റ പല ഉറവിടങ്ങളിൽ നിന്നും ഉത്ഭവിച്ചേക്കാം.
ഈ പട്ടിക സമ്പൂർണമല്ല, കാരണം വലിയ ഡാറ്റാ അനലിറ്റിക്സ് പ്രായോഗിക പ്രയോഗത്തിൽ തീർച്ചയായും വികസനം തുടരും.
ക്ലിനിക്കൽ ഇൻഫർമേഷൻ സിസ്റ്റങ്ങൾ
ആരോഗ്യപരിചയ ദാതാക്കൾ കാണുന്ന കാഴ്ചപ്പാടുകൾ പരമ്പരാഗത വിവരങ്ങളടങ്ങിയ പരമ്പരാഗത ഉറവിടങ്ങളാണ് ഇവ.
- ഇലക്ട്രോണിക് ഹെൽത്ത് റെക്കോർഡുകൾ (EHRs) ഡെമോഗ്രാഫിക്സ്, കഴിഞ്ഞ മെഡിക്കൽ ചരിത്രം, സജീവമായ ആരോഗ്യ പ്രശ്നങ്ങൾ, പ്രതിരോധം, അലർജി, മരുന്നുകൾ, സുപ്രധാന ചിഹ്നങ്ങൾ, ലബോറട്ടറി, റേഡിയോളജി പരിശോധനകൾ എന്നിവയിൽ നിന്നുള്ള ഫലങ്ങൾ ശേഖരിക്കുക, സംഭരിക്കുക, പ്രദർശിപ്പിക്കുക, രോഗനിർണയ റിപ്പോർട്ടുകൾ, ആരോഗ്യ പരിരക്ഷ സൃഷ്ടിച്ച പുരോഗതി കുറിപ്പുകൾ ദാതാക്കൾ, അഡ്മിനിസ്ട്രേറ്റീവ്, ഫിനാൻഷ്യൽ ഡോക്യുമെന്റുകൾ
- ഇലക്ട്രോണിക് മെഡിക്കൽ റെക്കോർഡുകൾ (EMRs) EHR- ക്ക് സമാനമല്ല, കൂടാതെ ഒരു പ്രത്യേക ഡോക്ടറുടെ സൂക്ഷിച്ച വിവരങ്ങൾക്ക് സാധാരണയായി ഇത് ലഭ്യമാകും.
- ആരോഗ്യ വിവര വിനിമയങ്ങൾ വെവ്വേറെ ക്ലിനിക്കൽ വിവര സംവിധാനങ്ങൾ തമ്മിലുള്ള കേന്ദ്രമായി സേവിക്കുന്നു
- അവരുടെ രോഗികൾക്ക് ആരോഗ്യ പരിപാലന സംഘടനകൾ പരിപാലിക്കുന്ന രോഗി റിജിസ്റ്റുകൾ മിക്കപ്പോഴും EHR- യുമായി ബന്ധപ്പെട്ടിരിക്കുന്നു. മറ്റ് രജിസ്ട്രികൾ പ്രതിരോധം, ക്യാൻസർ, ട്രോമ തുടങ്ങിയ പൊതുജനാരോഗ്യ പ്രശ്നങ്ങൾ വിശകലനം ചെയ്യുകയാണ്.
- ആരോഗ്യ സംരക്ഷണ സ്ഥാപനമായ EHR ൽ ശേഖരിച്ച വ്യക്തിഗത ആരോഗ്യ വിവരങ്ങൾ രോഗികൾക്ക് അനുവദിക്കുന്നതിന് രോഗികളുടെ പോർട്ടലുകൾ അനുവദിക്കുന്നു. ചില രോഗി പോർട്ടലുകളും, ഹെൽത്ത് കെയർ ടീമുമായി പ്രത്യേകം ഇലക്ട്രോണിക് സന്ദേശങ്ങൾ റെസ്ഫിൾ ചെയ്യാനും റെസ്പോൾ ചെയ്യാനും ഉപയോക്താക്കളെ അനുവദിക്കുന്നു.
- EHR കളും മുകളിൽ ലിസ്റ്റുചെയ്ത മറ്റ് ഉറവിടങ്ങളും പോലുള്ള വിവിധ ക്ലിനിക്കൽ വിവര സംവിധാനങ്ങളിൽ നിന്നുള്ള രോഗിയുടെ നിലവാര ഡാറ്റ ക്ലിയറൻസുകൾ
പേയർമാരിൽ നിന്നുള്ള ഡാറ്റ ക്ലെയിം ചെയ്യുന്നു
പൊതുജന പെട്രോളർ (ഉദാ: മെഡിക്യാർ), സ്വകാര്യ പെർഫോമർമാർ എന്നിവരുടെ ഗുണഭോക്താക്കളെ സംബന്ധിച്ച ക്ലെയിം ഡാറ്റയുടെ വലിയ റിപോസിറ്ററികൾ ഉണ്ട്. ചില ആരോഗ്യ ഇൻഷ്വറൻസ് കമ്പനികൾ നിങ്ങളുടെ ആരോഗ്യ വിവരങ്ങൾ പങ്കുവയ്ക്കുന്നതിനായി ഇപ്പോൾ പ്രചോദനം നൽകുന്നു.
ഗവേഷണ പഠനങ്ങൾ
പഠന പങ്കാളികൾ, പരീക്ഷണാത്മക ചികിത്സകൾ, ക്ലിനിക്കൽ ഫലങ്ങൾ എന്നിവയെ കുറിച്ചുള്ള വിവരങ്ങൾ ഗവേഷണ രൂപരേഖയിൽ അടങ്ങിയിരിക്കുന്നു. വലിയ പഠനങ്ങൾ സാധാരണയായി ഫാർമസ്യൂട്ടിക്കൽ കമ്പനികളോ ഗവൺമെന്റ് ഏജൻസികളോ ആണ് സ്പോൺസർ ചെയ്യുന്നത്. ക്ലിനിക്കൽ ട്രയൽ ഡാറ്റയിലെ പാറ്റേണുകളെ അടിസ്ഥാനമാക്കിയുള്ള ഫലപ്രദമായ ചികിത്സകളുള്ള വ്യക്തിഗത രോഗികളുമായി പൊരുത്തപ്പെടുന്നതാണ് വ്യക്തിവൽക്കരിച്ച ഔഷധങ്ങളുടെ ഉപയോഗം.
ഈ സമീപനം തെളിവ് അടിസ്ഥാനമാക്കിയുള്ള ഔഷധ തത്ത്വങ്ങൾ ബാധകമാക്കുന്നതിനുപരിയായി, ഒരു രോഗിയെ വിശിഷ്ട ഗുണങ്ങൾ (ഉദാ: വയസ്സ്, ലിംഗം, റേസ്, ക്ലിനിക്കൽ സ്റ്റാറ്റസ്) ട്രയൽ പങ്കാളികളുമായി പങ്കിടുന്നുണ്ടോ എന്ന് നിശ്ചയിക്കുന്നു. വലിയ ഡാറ്റാ അനലിറ്റിക്സ് ഉപയോഗിച്ച്, രോഗിയുടെ ക്യാൻസറിന്റെ ജനിതക പ്രൊഫൈലും (താഴെ കാണുക) പോലുള്ള വളരെ സൂക്ഷ്മമായ വിവരങ്ങൾ അടിസ്ഥാനപ്പെടുത്തി ചികിത്സിക്കാൻ കഴിയും.
ക്ലിനിക്കൽ തീരുമാന തത്വസംവിധാനങ്ങളും (സി.ഡി.എസ്.എസ്.) അതിവേഗം വികസിക്കുകയാണ്, ഇപ്പോൾ വൈദ്യശാസ്ത്രത്തിൽ കൃത്രിമ ബുദ്ധി (AI) യുടെ വലിയൊരു ഭാഗം പ്രതിനിധാനം ചെയ്യുന്നു.
അവർ തീരുമാനമെടുക്കുന്നതോടൊപ്പം വൈദ്യശാസ്ത്രത്തെ സഹായിക്കാൻ ക്ഷമയും ഡാറ്റ ഉപയോഗിക്കുന്നു, പലപ്പോഴും EHR കളുമായി കൂടിച്ചേർന്ന് പ്രവർത്തിക്കുന്നു.
ജനിതക ഡാറ്റാബേസുകൾ
മനുഷ്യ ജീൻ വിവരങ്ങളുടെ റിപോസിറ്ററി അതിവേഗം വളരുകയും തുടരുകയും ചെയ്യുന്നു. 2003 ൽ ഹ്യൂമൻ ജീനോം പദ്ധതി പൂർത്തീകരിച്ചതിനാലാണ് മനുഷ്യ ഡിഎൻഎ ശ്രേണിയുടെ വില ഒരു ദശലക്ഷമായി കുറച്ചത്. ഹാർവാർഡ് മെഡിക്കൽ സ്കൂളിന് 2005 ൽ ആരംഭിച്ച ദി പേഴ്സണൽ ജീനോം പ്രോജക്ട് (പി ജി പി), ലോകമെമ്പാടുമുള്ള 100,000 സന്നദ്ധപ്രവർത്തകരുടെ പൂർണ genomes ക്രമീകരിക്കുകയും പ്രസിദ്ധീകരിക്കാൻ ശ്രമിക്കുകയും ചെയ്യുന്നു. വലിയ അളവിലുള്ള ഡാറ്റായും വൈവിധ്യമാർന്ന ഡാറ്റയും കാരണം വലിയ ഡാറ്റ പ്രൊജക്ടിന് PGP തന്നെ ഒരു മികച്ച ഉദാഹരണമാണ്.
ഒരു വ്യക്തിഗത ജീനോം ഡാറ്റയിൽ 100 ഗിഗാബൈറ്റ് ഡാറ്റ അടങ്ങിയിരിക്കുന്നു. ജനിതകപരിശീലനം അനുവർത്തിക്കുന്നതിനു പുറമേ, EHRs, സർവേകൾ, മൈക്രോബിയം പ്രൊഫൈലുകൾ എന്നിവയിൽ നിന്നുള്ള ഡാറ്റയും PGP ശേഖരിക്കുന്നുണ്ട്.
ആരോഗ്യസംരക്ഷണത്തിനും വ്യക്തിഗത സ്വഭാവത്തിനും ഔഷധങ്ങൾക്കും ഒരു വാണിജ്യ അടിസ്ഥാനത്തിൽ അനേകം കമ്പനികൾ നേരിട്ട്-ഉപഭോക്തൃ ജനിതക സീക്വൻസിങ് നൽകുന്നു.
ഈ വ്യക്തിഗത വിവരങ്ങൾ വലിയ ഡാറ്റാ അപഗ്രഥനങ്ങൾക്ക് വിധേയമാക്കിയേക്കാം. ഉദാഹരണത്തിന്, 23ndMe 2013 നവംബർ 22 മുതൽ യുഎസ് ഫുഡ് ആൻഡ് ഡ്രഗ് അഡ്മിനിസ്ട്രേഷൻ അനുസൃതമായി, പുതിയ ഉപഭോക്താക്കൾക്ക് ആരോഗ്യ സംബന്ധിയായ ജനിതക റിപ്പോർട്ടുകൾ വാഗ്ദാനം നിർത്തി. എന്നിരുന്നാലും, 2015-ൽ, തങ്ങളുടെ ജനിതക ഉമിനീർ ടെസ്റ്റിന്റെ ചില ആരോഗ്യ ഘടകങ്ങൾ കമ്പനി വീണ്ടും ആരംഭിച്ചു, ഇത്തവണ എഫ് ഡി എയുടെ അംഗീകാരം ലഭിച്ചു.
പൊതു റെക്കോർഡുകൾ
ആരോഗ്യം, ഇമിഗ്രേഷൻ, വിവാഹം, ജനനം, മരണം മുതലായവയെ സംബന്ധിച്ചുള്ള വിശദമായ രേഖകൾ ഗവൺമെന്റ് സൂക്ഷിക്കുന്നു. അമേരിക്കൻ സെൻസസ് 1790 മുതൽ ഓരോ 10 വർഷം കൂടുമ്പോഴും വിവരങ്ങൾ ശേഖരിച്ചിട്ടുണ്ട്. സെൻസസ് സ്റ്റാറ്റിസ്റ്റിക്സ് വെബ് സൈറ്റിൽ 2013 ആയപ്പോൾ 370 ബില്ല്യൻ സെല്ലുകൾ ഉണ്ടായിരുന്നു, ഏകദേശം 11 ബില്ല്യൻ വർഷങ്ങൾ കൂടി കൂട്ടിച്ചേർത്തു.
വെബ് തിരയലുകൾ
Google- ഉം മറ്റ് വെബ് തിരയലുകളും ശേഖരിക്കുന്ന വെബ് തിരയൽ വിവരങ്ങൾ ജനസംഖ്യയുടെ ആരോഗ്യവുമായി ബന്ധപ്പെട്ട തൽസമയ സ്ഥിതിവിവരക്കണക്കുകൾ നൽകാൻ കഴിയുന്നു. എന്നിരുന്നാലും, വെബ് തിരയൽ പാറ്റേണുകളിൽ നിന്നുള്ള വലിയ ഡാറ്റയുടെ മൂല്യം അത് പരമ്പരാഗത ഉറവിട ആരോഗ്യ ഡാറ്റ ഉപയോഗിച്ച് സംയോജിപ്പിച്ച് മെച്ചപ്പെടുത്തിയേക്കാം.
സോഷ്യൽ മീഡിയ
ഫേസ്ബുക്ക്, ട്വിറ്റർ, മറ്റ് സോഷ്യൽ മീഡിയ പ്ലാറ്റ്ഫോമുകൾ ക്ലോക്കിനെപ്പറ്റിയുള്ള ധാരാളം വൈവിധ്യമാർന്ന വിവരശേഖരം ഉണ്ടാക്കുന്നു. ഇത് സ്ഥലങ്ങളിൽ, ആരോഗ്യപ്രശ്നങ്ങൾ, വികാരങ്ങൾ, ഉപയോക്താക്കളുടെ സാമൂഹിക ഇടപെടലുകൾ എന്നിവയിൽ ഒരു കാഴ്ച നൽകുന്നു. പൊതുജനാരോഗ്യത്തോട് സോഷ്യൽ മീഡിയ വലിയ വിവരങ്ങൾ ഡിജിറ്റൽ രോഗം കണ്ടെത്തൽ അല്ലെങ്കിൽ ഡിജിറ്റൽ എപിഡെമോളജി എന്ന് വിളിക്കുന്നു. ഉദാഹരണത്തിന് ട്വിറ്റർ പൊതുജനങ്ങളിൽ ഇൻഫ്ലുവൻസ പകർച്ചവ്യാധികളെ വിശകലനം ചെയ്യാൻ ഉപയോഗിക്കുന്നു.
പെൻസിൽവാനിയ സർവകലാശാലയിൽ ആരംഭിച്ച ലോക ആരോഗ്യ പദ്ധതി, ജനങ്ങളുടെ അനുഭവവും ആരോഗ്യവും മെച്ചപ്പെടുത്തുന്നതിന് സോഷ്യൽ മീഡിയയെ പഠിക്കുന്നതിനുള്ള മറ്റൊരു ഉദാഹരണമാണ്. ഫേസ്ബുക്കിലും ട്വിറ്ററിലും സ്റ്റാറ്റസ് അപ്ഡേറ്റ് രേഖപ്പെടുത്തുമ്പോൾ, ഓൺലൈൻ ആശയവിനിമയം ചെയ്യുമ്പോൾ ഉപയോഗിക്കുന്ന ഭാഷ വിശകലനം ചെയ്യുന്ന സൈക്കോളജിസ്റ്റുകളും സ്റ്റാറ്റിസ്റ്റീസ്റ്റുകളും കമ്പ്യൂട്ടർ ശാസ്ത്രജ്ഞരും ഒന്നിച്ചു ചേർക്കുന്നു. ഉപയോക്താക്കളുടെ ഭാഷ അവരുടെ ആരോഗ്യം, സന്തോഷം എന്നിവയുമായി എങ്ങനെ ബന്ധപ്പെട്ടിരിക്കുന്നു എന്ന് ശാസ്ത്രജ്ഞന്മാർ നിരീക്ഷിക്കുന്നു. സ്വാഭാവിക ഭാഷാ പ്രോസസ്സിംഗിലും മെഷീൻ ലേണിംഗിലും പുരോഗതി കൈവരിക്കുന്നുണ്ട്. സോൺ മീഡിയയെ വിശകലനം ചെയ്തുകൊണ്ട് മാനസികരോഗങ്ങൾ പ്രവചിക്കുന്നതിനുള്ള വഴികൾ ഏതൊക്കെയെന്ന് പെൻസിൽവാനിയ സർവകലാശാലയിൽ നിന്ന് പ്രസിദ്ധീകരിച്ചിട്ടുണ്ട്. ഇന്റർനെറ്റ് ഉപയോഗത്തെക്കുറിച്ച് പഠിക്കുന്നതിലൂടെ വിഷാദം, മറ്റ് മാനസികാരോഗ്യാവസ്ഥകൾ എന്നിവയുടെ ലക്ഷണങ്ങൾ കണ്ടെത്താം. ഭാവിയിൽ ശാസ്ത്രജ്ഞർ പ്രതീക്ഷിക്കുന്നത് അപകടസാധ്യതയുള്ള വ്യക്തികളെ തിരിച്ചറിയാനും സഹായിക്കാനും ഈ രീതികൾ സഹായിക്കും.
ഇന്റർനെറ്റ് ഓഫ് തിംഗ്സ് (IoT)
ആരോഗ്യ സംബന്ധിയായ വിവരങ്ങളുടെ വലിയ ട്രോകൾ ശേഖരിച്ച് മൊബൈലിലും ഹോം ഉപകരണങ്ങളിലും സൂക്ഷിക്കുന്നു .
- സ്മാർട്ട്ഫോണുകൾ : ആയിരക്കണക്കിന് mHealth ആപ്ലിക്കേഷനുകൾ ഉപയോക്താക്കളുടെ ശാരീരിക പ്രവർത്തനത്തെക്കുറിച്ചുള്ള വിവരങ്ങൾ പിടിച്ചെടുക്കുന്നു, പോഷകാഹാരം കഴിക്കുന്നത്, ഉറക്ക രൂപങ്ങൾ, വികാരങ്ങൾ, മറ്റ് ഘടകങ്ങൾ എന്നിവ. നേറ്റീവ് സെൽ ഫോൺ ആപ്ലിക്കേഷനുകൾ (ഉദാ: ജിപിഎസ്, ഇ-മെയിൽ, ടെക്സ്റ്റുചെയ്യൽ) ഒരു വ്യക്തിയുടെ ആരോഗ്യനിലയെക്കുറിച്ച് സൂചന നൽകാം.
- ധരിക്കാവുന്ന നിരീക്ഷണങ്ങളും ഉപകരണങ്ങളും: ചർമ്മത്തിന് കീഴിൽ പെഡോമീറ്ററുകൾ, ആക്സിലറോമീറ്ററുകൾ, ഗ്ലാസ്, വാച്ചുകൾ, ചിപ്സ് എന്നിവയും ആരോഗ്യവുമായി ബന്ധപ്പെട്ട വിവരങ്ങൾ ശേഖരിക്കുന്നു, ഒപ്പം അവയെ ക്ലൗഡിലേക്ക് അയയ്ക്കാം.
- ടെലിമെഡിസിൻ ഉപകരണങ്ങൾ രക്തസമ്മർദ്ദം, ഹൃദയമിടിപ്പ്, ശ്വാസോച്ഛ്വാസം, ഓക്സിജൻ, ഊഷ്മാവ്, ഇസിജി ട്രേസിങ്ങുകൾ, ഭാരം എന്നിവ പോലുള്ള രോഗികളുടെ പരിശോധനകളെ ആരോഗ്യപരിപാലകരെ സഹായിക്കുന്നു.
സാമ്പത്തിക ഇടപാടുകൾ
കരോളിനാസ് ഹെൽക്കെയർ സിസ്റ്റത്തിന്റെ മുൻകൂർ മാതൃകയിൽ രോഗികൾക്കുള്ള ക്രെഡിറ്റ് കാർഡ് ഇടപാടുകൾ ഉൾപ്പെടുത്തിയിട്ടുണ്ട്. ആശുപത്രിയിലേക്ക് ഉയർന്ന റസിഡൻഷ്യൽ രോഗികളെ കണ്ടെത്തുന്നതിന് ഇത് സഹായിക്കുന്നു. രോഗികളെ ഭിന്നിപ്പിക്കാൻ വിവിധ പേരുകളിൽ ഷാർലറ്റ് അധിഷ്ഠിത ഹെൽത്ത് കെയർ പ്രൊവൈഡർ ഉപയോഗിക്കുന്നു. ഉദാഹരണത്തിന്, രോഗം, ഭൂമിശാസ്ത്രപരമായ സ്ഥാനം എന്നിവ അടിസ്ഥാനമാക്കി.
ധാർമ്മികവും സ്വകാര്യതവുമായ പ്രത്യാഘാതങ്ങൾ
ആരോഗ്യസംരക്ഷണത്തിലെ വിവരങ്ങൾ ശേഖരിക്കുകയും ഉപയോഗിക്കുകയും ചെയ്യുമ്പോൾ, ചില സന്ദർഭങ്ങളിൽ, സുപ്രധാനമായ നൈതികവും സ്വകാര്യവുമായ പ്രത്യാഘാതങ്ങൾ ഉണ്ടായിരിക്കേണ്ടതാണ്. വലിയ ഡാറ്റ പുതിയ ഉറവിടങ്ങൾ വ്യക്തികൾ, ജനസംഖ്യാ ആരോഗ്യം, എന്നിരുന്നാലും, വ്യത്യസ്ത അപകട സാധ്യതകളെ ശ്രദ്ധാപൂർവ്വം കണക്കാക്കുകയും നിരീക്ഷിക്കുകയും ചെയ്യേണ്ടതെങ്ങനെയെന്ന് നമ്മുടെ മനസിലാക്കാൻ കഴിയും. മുമ്പും അജ്ഞാതമെന്ന് കരുതുന്ന ഡാറ്റയും തിരിച്ചറിഞ്ഞിട്ടുണ്ടാകാം. ഉദാഹരണത്തിന്, ഹാർവാർഡിലെ ഡാറ്റ സ്വകാര്യത ലാബയുടെ പ്രൊഫസർ ലാറ്റാന സ്വാനി 1,130 പേഴ്സണൽ ജെനോം പ്രോജക്റ്റിൽ പങ്കെടുത്തു. അവർ പങ്കുവച്ചിട്ടുള്ള വിവരങ്ങളുടെ അടിസ്ഥാനത്തിൽ 42 ശതമാനം പേരും തപാൽ തന്റെ പേരുമായി ബന്ധപ്പെട്ടിരുന്നു (തപാൽ കോഡ്, ജനന തീയതി, ലിംഗം). ഈ അറിവ് അപകട സാധ്യതകളെക്കുറിച്ചുള്ള നമ്മുടെ അവബോധത്തെ വർദ്ധിപ്പിക്കുകയും മെച്ചപ്പെട്ട ഡാറ്റ പങ്കിടൽ തീരുമാനങ്ങളെടുക്കാൻ സഹായിക്കുകയും ചെയ്യും.
> ഉറവിടങ്ങൾ:
> Conway M, O'Connor D. സോഷ്യൽ മീഡിയ, വലിയ ഡാറ്റ, മാനസിക ആരോഗ്യം: നിലവിലെ പുരോഗതികളും ധാർമ്മിക പ്രത്യാഘാതങ്ങൾ. സൈക്കോളജിയിൽ നിലവിലെ ഒപ്പ് 2016; 9: 77-82.
> ഫെർണാണ്ടസ് എൽ, ഓ കോണർ എം, വീവർ വി. ബിഗ് ഡാറ്റ, വലിയ ഫലങ്ങൾ. അമേരിക്കൻ ഹെൽത്ത് ഇൻഫർമേഷൻ മാനേജ്മെന്റ് അസോസിയേഷൻ 2012 ന്റെ ജേർണൽ, 83 (10): 38-43
> ഗുണ്ടുകു എസ്, യാദൻ ഡി, കെർൺ എം, ഉങ്കർ എൽ, ഇച്ച്സ്റ്റേറ്റ്ഡ് ജെ. ഡിക്സ്ട്രിങ് ഡിപ്രഷൻ ആൻഡ് മാനസിക രോഗം സോഷ്യൽ മീഡിയ: എ ഇന്റഗ്രേറ്റീവ് റിവ്യൂ . ബിഹേവിയറൽ സയൻസസിലെ നിലവിലെ അഭിപ്രായം 2017; 18: 43-49.
> ലസ്സർ ഡി, കെന്നഡി ആർ, കിംഗ് ജി, വെസ്പിഗ്നാനി . Google ഫ്ലൂവിന്റെ ഉപമ: ബിഗ് ഡാറ്റ വിശകലനത്തിൽ കുടുങ്ങിപ്പോവുക . ശാസ്ത്രം 2014; 343 (6176): 1203-1205.
> രഘുപതി, രഘുപതി വി. ബിഗ് ഡാറ്റ അനലിറ്റിക്സ് ഇൻ ഹെൽത്ത് കെയർ: വാഗ്ദാനവും പൊറ്റേനി അൽ. ഹെൽത്ത് ഇൻഫർമേഷൻ സയൻസ് ആന്റ് സിസ്റ്റംസ് 2014; 2: 3.
> സ്വാനി എൽ, അബു എ, വിൻ ജെ . പേഴ്സൺ ഓഫ് ഇൻ ദി പേഴ്സന്റ് ഇൻ ദി പേഴ്സൺ ജീനോം പ്രോജക്ട് നം . ഹാർവാർഡ് യൂണിവേഴ്സിറ്റി. ഡാറ്റ സ്വകാര്യത ലാബ്. വെള്ള പേപ്പർ 1021-1. ഏപ്രിൽ 24, 2013.