یکپارچه‌سازی نوآورانه داده‌ها و مدل‌سازی فضای مفهومی برای کووید، سرطان و مراقبت‌های قلبی ۲۰۲۲
Innovative Data Integration and Conceptual Space Modeling for COVID, Cancer, and Cardiac Care 2022

در سال‌های اخیر، تحقیقات علمی و پزشکی ترجمانی، تاکید فزاینده‌ای بر روش‌شناسی محاسباتی و گردآوری داده‌ها در حوزه‌های مختلف داشته‌اند. هدف از این تاکید، پیشبرد علوم پایه و پیاده‌سازی پروتکل‌های پزشکی دقیق در آزمایشگاه و در عمل بالینی است. تلاقی دغدغه‌های مرتبط با سرطان‌شناسی، قلب‌شناسی و ویروس‌شناسی (SARS-CoV-2) زمینه‌ای مساعد را برای بررسی تئوری و عمل گردآوری داده‌های زیست‌پزشکی فراهم می‌آورد.

کتاب «یکپارچه‌سازی نوآورانه داده‌ها و مدل‌سازی فضای مفهومی برای مراقبت از COVID، سرطان و قلب» استدلال می‌کند که یک رویکرد جامع به مدل‌سازی داده‌ها باید به طور بهینه دیدگاه‌های متعددی را در بر گیرد، زیرا مدل‌سازی داده‌ها نه یک رشته صرفاً صوری است و نه یک رشته صرفاً مفهومی، بلکه ترکیبی از هر دو است. از یک سو، مدل‌های داده برای استفاده توسط اجزای نرم‌افزاری رایانه طراحی شده‌اند و در نتیجه، محدود به الزامات مکانیکی محیط‌های نرم‌افزاری هستند. استراتژی‌های مدل‌سازی داده باید دقت‌های صوری تحمیل شده توسط منطقِ اشتراک‌گذاری داده و ارزیابی پرس‌وجوِ بدون ابهام را بپذیرند. به طور خاص، مدل‌های داده برای استقرار در سطح نرم‌افزار مناسب نیستند اگر این مدل‌ها به استراتژی‌های واضحی برای پرس‌وجوی داده‌ها و اطمینان از یکپارچگی داده‌ها هنگام انتقال اطلاعات در نقاط متعدد، ترجمه نشوند.

از سوی دیگر، مدل‌سازی داده، به همین ترتیب، محدود به تمایلات مفهومی انسان است، زیرا اطلاعاتی که توسط پایگاه‌های داده و شبکه‌های داده مدیریت می‌شوند، در نهایت قرار است توسط انسان به عنوان کاربر نهایی، تجسم/استفاده شوند. بنابراین، در تقاطع روش‌شناسی صوری و انسانی، مدل‌سازی داده‌ها عناصری از هر دو چارچوب منطقی-ریاضی (مانند سیستم‌های نوع و نظریه گراف) و پارادایم‌های مفهومی/فلسفی (مانند زبان‌شناسی و علوم شناختی) را به خود می‌گیرد. نویسندگان این جنبه دوگانه مدل‌های داده را با جستجوی نقاط همگرایی غیر تقلیل‌گرایانه بین دیدگاه‌های صوری و انسانی/مفهومی و با بهره‌گیری از زمینه‌های زیست‌پزشکی (به‌ویژه COVID، سرطان و مراقبت از قلب) برای ارائه مثال‌ها و مطالعات موردی انگیزشی در این مجلد، در بر می‌گیرند.

* ارائه تحلیلی از اینکه چگونه فضاهای مفهومی و رویکردهای زبان‌شناختی شناختی مرتبط می‌توانند الهام‌بخش مدل‌های برنامه‌نویسی و پردازش پرس‌وجو باشند.
* تشریح نقش حیاتی که مدل‌سازی/گردآوری داده‌ها در پیشرفت‌های پزشکی قابل توجه ایفا کرده است.
* ارائه یک نمای کلی به خوانندگان از چگونگی تلاقی رویکردهای مدیریت اطلاعات با پزشکی دقیق، با ارائه مطالعات موردی از مدل‌سازی داده‌ها در عمل علمی ملموس.
* بررسی کاربردهای تحلیل تصویر و بینایی کامپیوتر در زمینه پزشکی دقیق.
* بررسی نقش فناوری در انتشار علمی، مطالعات تکراری و گردآوری مجموعه داده.

In recent years, scientific research and translation medicine have placed increased emphasis on computational methodology and data curation across many disciplines, both to advance underlying science and to instantiate precision-medicine protocols in the lab and in clinical practice. The nexus of concerns related to oncology, cardiology, and virology (SARS-CoV-2) presents a fortuitous context within which to examine the theory and practice of biomedical data curation. Innovative Data Integration and Conceptual Space Modeling for COVID, Cancer, and Cardiac Care argues that a well-rounded approach to data modeling should optimally embrace multiple perspectives inasmuch as data-modeling is neither a purely formal nor a purely conceptual discipline, but rather a hybrid of both. On the one hand, data models are designed for use by computer software components, and are, consequently, constrained by the mechanistic demands of software environments; data modeling strategies must accept the formal rigors imposed by unambiguous data-sharing and query-evaluation logic. In particular, data models are not well-suited for software-level deployment if such models do not translate seamlessly to clear strategies for querying data and ensuring data integrity as information is moved across multiple points. On the other hand, data modeling is, likewise, constrained by human conceptual tendencies, because the information which is managed by databases and data networks is ultimately intended to be visualized/utilized by humans as the end-user. Thus, at the intersection of both formal and humanistic methodology, data modeling takes on elements of both logico-mathematical frameworks (e.g., type systems and graph theory) and conceptual/philosophical paradigms (e.g., linguistics and cognitive science). The authors embrace this two-sided aspect of data models by seeking non-reductionistic points of convergence between formal and humanistic/conceptual viewpoints, and by leveraging biomedical contexts (viz., COVID, Cancer, and Cardiac Care) so as to provide motivating examples and case-studies in this volume. – Provides an analysis of how conceptual spaces and related cognitive linguistic approaches can inspire programming and query-processing models – Outlines the vital role that data modeling/curation has played in significant medical breakthroughs – Presents readers with an overview of how information-management approaches intersect with precision medicine, providing case studies of data-modeling in concrete scientific practice – Explores applications of image analysis and computer vision in the context of precision medicine – Examines the role of technology in scientific publishing, replication studies, and dataset curation