Η ανάλυση κλινικών δεδομένων περιλαμβάνει την εξέταση και ερμηνεία δεδομένων που
συλλέγονται κατά τη διάρκεια κλινικών δοκιμών ή φροντίδας ασθενών. Είναι μια κρίσιμη πτυχή της έρευνας στον τομέα της υγειονομικής περίθαλψης και της φροντίδας των ασθενών, καθώς βοηθά στον εντοπισμό προτύπων, τάσεων και σχέσεων μεταξύ διαφόρων μεταβλητών που μπορούν να συμβάλουν στη λήψη αποφάσεων και να βελτιώσουν τα αποτελέσματα των ασθενών. Οι οπτικοποιήσεις αποτελούν βασικό συστατικό της ανάλυσης κλινικών δεδομένων, καθώς επιτρέπουν στους επαγγελματίες υγείας να ερμηνεύουν και να επικοινωνούν εύκολα σύνθετα δεδομένα.

Ένας από τους πιο συνηθισμένους τύπους ανάλυσης κλινικών δεδομένων είναι η στατιστική ανάλυση, η οποία περιλαμβάνει τη χρήση στατιστικών μεθόδων για τον εντοπισμό προτύπων και σχέσεων μέσα στα δεδομένα. Αυτές οι μέθοδοι μπορεί να περιλαμβάνουν ανάλυση παλινδρόμησης, ανάλυση επιβίωσης και ανάλυση χρονοσειρών.

Στην εποχή που ο όγκος των δεδομένων αυξάνεται καθημερινώς, η ανάγκη για έγκαιρη και έγκυρη πληροφορία μοιάζει επιτακτική. Αυτό το πρόβλημα μπορεί να καλύψει η επιστήμη της Βιοπληροφορικής, προσφέροντας άμεσα επεξεργασία, ανάλυση και οπτικοποίηση αυτών των δεδομένων με σκοπό τη λήψη τεκμηριωμένων αποφάσεων που μπορούν να προωθήσουν την ιατρική γνώση.

Ο συνδυασμός της ανάλυσης αριθμητικών και δεδομένων τύπου κειμένου μπορεί να
οδηγήσει σε πιο έξυπνα συμπεράσματα και ανακάλυψη μοτίβων, ώστε οι χρήστες να
οδηγούνται σε data driven αποφάσεις. Αυτό επιδιώκει η εργασία να δείξει μέσω της
ανάλυσης αριθμητικών δεδομένων της πανδημίας του κορονοϊού, αλλά και της ανάλυσης tweets με θέμα τον εμβολιασμό ως μέτρο αντιμετώπισης της πανδημίας.

Η πανδημία του κορονοϊού SARS-CoV-2 και η ταχεία εξάπλωσή του σε όλο τον κόσμο
οδήγησε στην ανάγκη της γρήγορης κατασκευής του φαρμάκου μέσω της ανάλυσης των δεδομένων που συγκεντρώνονταν κατά τη διάρκεια της πανδημίας. Πλέον, έχουμε στην κατοχή μας ιστορικά και μη δεδομένα για τον κορονοϊό SARS-CoV-2 αλλά και τις απόψεις των πολιτών ανά τον κόσμο για αυτό το θέμα, μέσα από τις δημοσιοποιήσεις τους στα μέσα κοινωνικής δικτύωσης.

Με βάση τα παραπάνω, χρησιμοποιώντας τα καθημερινώς ανανεώσιμα δεδομένα για τον
κορονοϊό SARS-CoV-2, η εργασία αυτή παρουσιάζει ένα dashboard στο οποίο
αποτυπώνεται όλη η πληροφορία για τον αριθμό των κρουσμάτων, θανάτων και
εμβολιασμών από την εμφάνιση του κορονοϊού SARS-CoV-2 έως και σήμερα. Επιπλέον, με τη μέθοδο sentiment analysis γίνεται επεξεργασία των tweets των χρηστών και αναλύεται η συμπεριφορά των χρηστών απέναντι στον εμβολιασμό.  

Τέλος, αξίζει να σημειωθεί ότι κατά τη διάρκεια των τελευταίων μηνών του 2022 και των πρώτων μηνών του 2023, επικρατούσε αρνητικό συναίσθημα για τον εμβολιασμό απέναντι στην πανδημία. Μία περίοδο ορόσημο κατά την οποία παρατηρήθηκε αύξηση των κρουσμάτων, αλλά και μείωση των εμβολιασμών. Με βάση αυτά τα ευρήματα
κατασκευάστηκε το dashboard της εργασίας.

Clinical data analysis involves examining and interpreting data collected during clinical
trials or patient care. It is a critical aspect of health care and patient care research as it helps identify patterns, trends, and relationships between various variables that can inform decision making and improve patient outcomes. Visualizations are a key component of clinical data analysis, allowing healthcare professionals to easily interpret and communicate complex data.

One of the most common types of clinical data analysis is statistical analysis, which involves using statistical methods to identify patterns and relationships within data. These methods may include regression analysis, survival analysis, and time series analysis.

Nowadays, when the amount of data is being increased daily, the need for timely and valid information seems imperative. This problem can be covered by the science of
Bioinformatics, offering immediate processing, analysis and visualization of these data in order to make informed decisions that can advance medical knowledge.

Combining numerical and textual data analysis can lead to smarter inferences and pattern discovery to guide users to data-driven decisions. This is what the paper seeks to show through the analysis of numerical data of the coronavirus pandemic, but also the analysis of tweets on the topic of vaccination as a measure to deal with the pandemic.

The pandemic of the SARS-CoV-2 coronavirus and its rapid spread around the world led to the need to quickly manufacture the drug through the analysis of data collected during the pandemic. Now, we have in our possession historical and non-historical data about the SARS-CoV-2 coronavirus, as well as the opinions of citizens around the world on this issue, through their posts on social media.

Based on the above, using the daily updated data on the SARS-CoV-2 coronavirus, I am building a dashboard that captures all the information on the number of cases, deaths and vaccinations since the appearance of the SARS-CoV-2 coronavirus until today. In addition, with the method of sentiment analysis I process the tweets of the users and I analyze the user’s behavior against the vaccinations.

Finally, it is worth noting that during the last months of 2022 and the first months of 2023, there was a negative sentiment about vaccination against the pandemic. A landmark period during which an increase in cases was observed, but also a decrease in vaccinations. Based on these findings, the work dashboard was constructed.