Title: Big Data in Health and the Importance of Data Visualization Tools

Abstract: Big data concepts are increasing with their spatial speed, from personal information to extensive volume data. Since the human brain perceives visual data faster, the data must be processed and displayed appropriately. As in all areas of life, the size of the data obtained in the health sector has increased rapidly. Data storage and security have gained importance with the excessive increase in data. Big data, data mining, and visualization tools have become increasingly important to process and use data for valuation purposes. Therefore, the visualization of data and the use of analysis tools play a significant role in data processing and decision-making in the development of the health sector. The importance of data visualization tools in the health sector will become increasingly indispensable. There are many software tools developed for these purposes. This study's literature review explained the basic concepts of big data and data visualization. Research in the health sector around the world was summarized. In addition to this literature review, analyses with comparison and deduction research methods were also carried out. As a result, suggestions were made by making predictions for future studies in the health sector.

Keywords: Big data; Data visualization; Health sector

Başlık: Sağlıkta Büyük Veri ve Veri Görselleştirme Araçların Önemi

Özet: Büyük veri kavramları kişisel bilgilerinden başlayarak büyük hacimli verilerine kadar uzaysal hızı ile artış göstermektedir. İnsan beyni görsel verileri daha hızlı bir şekilde algıladığından dolayı verilerin de uygun olarak işlenme ve gösterilmesi gerekmektedir. Yaşamın her alanında olduğu gibi sağlık sektöründe de elde edilen verilerin boyutu hızlı bir şekilde artmıştır. Verilerin aşırı artışı ile birlikte, verilerin saklanması ve güvenliğinin sağlanması da önem kazanmıştır. Verilerin işlenmesi ve faydalı amaçlar için kullanabilmesi amacıyla büyük veri, veri madenciliği ve veri görselleştirme araçları giderek önem kazanmıştır. Dolayısıyla, sağlık sektörün gelişiminde verilerin işlenmesi ve karar verilmesi konularında, verilerin görselleştirilmesi ve analiz araçların kullanılması büyük rol taşımaktadır. Sağlık sektöründe veri görselleştirme araçların önemi gittikçe vazgeçilmez olacağı aşikardır. Bu amaçlarla geliştirilmiş birçok yazılım aracı bulunmaktadır. Bu çalışmada, büyük veri ve veri görselleştirme temel kavramlarının açıklanması için literatür taraması yapılarak dünya genelinde sağlık sektöründe yapılan araştırmalar özetlenmiştir. Bu literatür taramasının yanı sıra, karşılaştırma ve dedüksiyon araştırma yöntemleri ile analizler de gerçekleştirilmiştir. Sonuç olarak, sağlık sektöründeki ilerde yapılması gereken çalışmalar için tahminlerde bulunularak öneriler yapılmıştır.

Anahtar kelimeler: Büyük veri; Veri görselleştirme; Sağlık sektörü

• Inan E, Yonyul B, Tekbacak F. A domain specific entity linking approach consuming multistore environment. Journal of Intelligent Systems with Applications 2018; 1(1): 46-52.
• Yigit E, Bilgin MZ, Oner AE. Predictive maintenance studies applied to an industrial press machine using machine learning. Journal of Intelligent Systems with Applications 2020; 3(2): 57-63.
• Zaslavsky A, Perera C, Georgakopoulos D. Sensing as a service and big data. Proceedings of the International Conference on Advances in Cloud Computing (ACC), July, 2012, Bangalore, India, pp. 21-29.
• Kumar A, Shankar R, Choudray A, Thakur LS. A big data MapReduce framework for fault diagnosis in cloud-based manufacturing. Loughborough University Institutional Repository, 2016.
• Ritevski B, Chen M. Big data analytics in medicine and healthcare. Journal of Integrative Bioinformatics 2018; 15(3): 20170030.
• Jee KY, Kim GH. Potentiality og big data in the medical sector: Focus on how to reshape the healthcare system. Healthcare Informatics Research 2013; 19(2): 79-85.
• Andreu-Perez J, Poon CCY, Merrifield RD, Wong STC, Yang GZ. Big data for health. IEEE Journal of Biomedical and Health Informatics 2015; 19(4): 1193-1208.
• Wikipedia. Tableau Software. 2021. Available at https://en.wikipedia.org/wiki/Tableau_Software.
• Nourani CF. Eco-morphic business digitization analytics. Researchgate 2020; available at https://www.researchgate.net/publication/342106614_Eco-Morphic_Business_Digitization_Analytics/link/5ee24b09a6fdcc73be705823/download
• Gould W. The Stata blog. 2022. Available at https://blog.stata.com/
• Linden A, Arbor A. Review of an introduction to Stata for health researchers, Fourth edition, by Juul and Frydenberg. The Stata Journal 2014; 14(3): 697-700.
• Yellowfin. Yellowfin Guide. 2022. Available at https://wiki.yellowfinbi.com/display/yfcurrent/Overview
• Fox J, Andersen R. Using the R statistical computing environment to teach social statistics courses. Technical Note, in Arts Research Board of McMaster University, 2005. Available at https://socialsciences.mcmaster.ca/jfox/Teaching-with-R.pdf
• Oracle. Oracle: Big-data for enterprise. An Oracle White Paper, 2011. Available at https://www.oracle.com/technetwork/database/bi-datawarehousing/wp-big-data-with-oracle-521209.pdf
• Viechtbauer W. Conducting meta-analyses in R with the metafor package. Journal of Statistical Software 2010; 36(3): 1-48.
• Graphpad. Advice: When to plot SD versus SEM. GraphPad Statistics Guide, 2022, Available at http://www.graphpad.com/guides/prism/7/statistics/index.htm?statwhentoplotsdvssem.htm
• Batko K, Slezak A. The use of big data analytics in healthcare. Journal of Big Data 2022; 9: 3.
• Radi B, El Hani A. Introduction to Matlab. Book chapter in Advanced Numerical Methods with Matlab 2, John Wiley & Sons, 2018.
• Wikipedia. JMP (Statistical Software). 2022, Available at https://en.wikipedia.org/wiki/JMP_%28statistical_software%29
• Wikipedia. JASP (Jeffreys's Amazing Statistics Program). 2022, Available at https://en.wikipedia.org/wiki/JASP
• Rushton G. Public health, GIS, and spatial analytic tools. Annual Review of Public Health 2003; 24: 43-56.
• Ouatik F, Erritali M, Ouatik F, Jourhmane M. Comparative study of MapReduce classification algorithms for students orientation. Procedia Computer Science 2020; 170: 1192-1197.
• Dinov ID. Methodological challenges and analytic opportunities for modeling and interpreting big healthcare data. GigaScience 2016; 5(1): 1-15.
• Roxane D. Power BI in clinical data exploration, powerful visuals that answer relevant questions. PHUSE Virtual EU Connect 2020, Available at https://www.lexjansen.com/phuse/2020/dv/PAP_DV09.pdf
• Sparapani R. Statistical analysis of medical data using SAS. Journal of Statistical Software 2006; 16(5): 1-5.
• Celik S, Akdamar E. Big data and data visualization. Akademik Bakis Uluslararasi Hakemli Sosyal Bilimler Dergisi 2018; 65: 253-264.