В медицине методы Data Mining применяются наряду с традиционными процедурами математической статистики и позволяют решить широкий спектр задач. В этой прикладной области используются все технологии Data Mining: кластеризация, классификация, ассоциативные правила, последовательные шаблоны и другие.
Решения на базе OLAP-систем позволяют произвести:
- Консолидация данных. В состав OLAP-систем входит хранилище данных, с помощью которого можно консолидировать всю информацию, имеющую отношение к решаемым задачам: данные из медицинских карт, результаты анализов и проб, выходные показатели диагностирующих тест-систем. Мощные механизмы интеграции дают возможность получить данные практически из любого источника: от офисных приложений до специализированных медицинских систем.
- Диагностика заболеваний. На базе OLAP-технологий легко создавать советующие системы для диагностики заболеваний, которые используют накопленные данные клинических исследований, автоматически выявляют значимые признаки и моделируют сложные зависимости между симптомами и заболеваниями. Для этой цели применяются разнообразные регрессионные модели, деревья решений, нейронные сети, карты Кохонена...
- Оценка диагностических тестов. В медицинском скрининге необходимо оценивать эффективность диагностических тестов и сравнивать их с традиционными методиками. Для этой цели в OLAP-системах имеется логистическая регрессия и ROC-анализ. С их помощью можно подобрать оптимальные пороги диагностических показателей, оценить чувствительность и специфичность модели.
- Выявление побочных эффектов. Такие технологии Data Mining, как ассоциативные правила и последовательные шаблоны, успешно применяются при выявлении связей между приемом препаратов и побочными эффектами. В OLAP-системах имеются удобные инструменты решения таких задач.
OLAP-системы способны решить и другие задачи, актуальные для медицины и биологии: построение специализированных диагностических систем, исследование эффективности новых методов лечения и другие.