مقاله انگلیسی سیستم بهداشت و درمان هوشمند بر اساس سیگنال های زیستی حیاتی چندگانه (2020 الزویر)

زمینه و هدف: سیستم های بهداشت و درمان شخصی مستقر در خانه به دلیل توسعه دستگاه های اینترنت اشیا (IoT) محبوب و مقرون به صرفه می شوند. با این حال ، با تعداد فزاینده ای از کاربران ، چنین سیستم های مراقبت های بهداشتی برای ذخیره و پردازش حجم عظیم داده ها به چالش کشیده می شوند. به عنوان مثال ، داده های چند زیست شناختی بطور مداوم از بیمارانی که از دستگاه IoT مانند سنسورهای بدن استفاده می کنند جمع آوری می شوند و توسط دستگاه های قابل حمل برای تجزیه و تحلیل بیشتر (به عنوان مثال ، کشف دانش یا پیش بینی رویداد بالینی) به سرور ارسال می شوند. این تعداد زیادی از داده ها توسط تعداد زیادی از بیماران باعث انتقال سربار و تاخیر زیاد در شبکه می شود که مسئولیت مسائل ناکارآمدی در پیش بینی رویدادهای بالینی را بر عهده دارند. برای رفع این مشکلات ، در این مقاله ، روش ارزیابی داده ها برای بهبود کارآیی در جمع آوری داده ها و پیش بینی داده ها ارائه شده است.

روش ها: الگوریتم ارزیابی با استفاده از امتیاز ملی اخطار زودرس (NEWS) استفاده شده در بخش اورژانس الهام گرفته شده است. در روش ما فقط داده های غیر طبیعی توالی زمان برای تجزیه و تحلیل به سرور ارسال می شود. بنابراین ، زمان انتظار داده ها قبل از پیش بینی می تواند بهینه سازی شود زیرا داده هایی با اولویت بالاتر در مقابل کسانی که دارای اولویت پایین هستند پردازش می شود ، که به سیستم ما کمک می کند تا مطابق با فوریت بیماران تصمیمات تشخیصی را در زمان مناسب تهیه کند.

1. مقدمه

انواع مختلفی از سیستم های مراقبت های بهداشتی از زمانی که چشم انداز به سرعت در حال تغییر فناوری اطلاعات سلامت و فناوری ماشین سازی در حال تغییر است رواج می یابد. انواع اطلاعات بهداشتی جمع آوری شده از بیماران برای هدایت تصمیمات پزشکان [1] و آموزش آن سیستم های مراقبت های بهداشتی هوشمند استفاده می شود. به عنوان یکی از سیستمهای بهداشت و درمان رایج ، سیستم پشتیبانی از تصمیم گیری بالینی (CDSS) برای بهبود تصمیم گیری استفاده می شود و از این طریق کیفیت و ایمنی مراقبت را تضمین می کند [2].

توجه؛ (این ترجمه توسط نرم افزار انجام شده و ویرایش نشده است و احتمال وجود اشتباه در آن وجود دارد. در صورت ثبت سفارش، ترجمه توسط مترجمین مجرب انجام خواهد شد. برای مشاهده نمونه ترجمه های تخصصی و اخیر مترجمین جهت اطمینان از کیفیت ترجمه، اینجا کلیک نمایید.)

Abstract

Background and Objective: Home-based personal healthcare systems are becoming popular and affordable due to the development of Internet of Things (IoT) devices. However, with an increasing number of users, such healthcare systems are challenged to store and process enormous volumes of data. For instance, multi-biosignal data are collected continuously from patients using IoT device like body sensors and are sent to the server by portable devices for further analysis (e.g., knowledge discovery or the clinical event prediction). These enormous amount of data from large number of patients are causing the transmission overhead and high latency in the network which are responsible for inefficiency issues in clinical event prediction. To address these problems, in this paper, data assessment method is introduced to improve the efficiency in data collection and data prediction.

Methods: The assessment algorithm is inspired by National Early Warning Score (NEWS) used in Emergency Department. In our method, only the abnormal time-sequence data for analysis are sent to the server. Thus, the waiting time of data before prediction can be optimized because data with higher priority are processed in front of those with lower priority, which helps our system to provide diagnostic decisions in a proper time according to patients’ urgency.

1.Introduction

Different kinds of healthcare systems are becoming prevalent since the rapidly changing landscape of health information technology and machinelearning technology. A variety of health information collected from patients are used to guide decisions from clinicians [1] and train those smart healthcare systems. As one of the common healthcare systems, the clinical decision support system (CDSS) is used to improve decision-making and thereby ensures care quality and safety [2].