دانلود ترجمه مقاله بهینه سازی منابع در سامانه سلامت الکترونیکی هوشمند مبتنی بر اینترنت اشیا

1. مقدمه 2. کارهای مرتبط 3. روش پیشنهادی 4. نتایج تجربی 5. نتیجه گیری

چکیده – با گسترش فناوری اطلاعات و ارتباطات (ICT) و تغییر رویکرد در حوزه سلامت، سیستم‌های سلامت الکترونیکی هوشمند، نویدبخش بهبود ارائه خدمات درمانی و پیشگیری از بیماری‌ها هستند. این سیستم‌ها از طریق جمع‌آوری و تحلیل لحظه‌ای داده‌های پزشکی با بهره‌گیری از اینترنت اشیاء (IoT) و یادگیری ماشین، به درک عمیقی از وضعیت سلامتی بیماران دست می‌یابند. با استفاده گسترده از فناوری‌های پیشرفته هوش مصنوعی و یادگیری ماشین، تحلیل پیشگویانه در پزشکی می‌تواند به تغییر رویکرد از درمان واکنشی به پیشگیرانه کمک کند. شبکه‌های عصبی مصنوعی با توانایی ارزیابی سریع و دقیق حجم عظیمی از داده‌ها، استنتاج هوشمندانه و حل مسائل پیچیده، می‌توانند انقلابی در بسیاری از صنایع ایجاد کنند. در این پژوهش، با استفاده از یک شبکه عصبی مصنوعی چندلایه پرسپترون که شامل الگوریتم ژنتیک و مکانیزم انتشار پس‌رو (backpropagation) است، به ارزیابی دو بیماری قلبی پرداخته شده است. توانایی شبکه‌های عصبی مصنوعی در مدیریت داده‌های سری زمانی متوالی، برای بهینه‌سازی منابع در سیستم‌های سلامت الکترونیکی هوشمند، به ویژه با افزایش حجم اطلاعات بیماران و استفاده گسترده از پرونده‌های الکترونیکی پزشکی، بسیار مهم است. این امر مستلزم ایجاد مدل‌های پیش‌بینی دقیق‌تر است. سیستم پیشنهادی با استفاده از حسگرهای اینترنت اشیاء (IoT) داده‌ها را جمع‌آوری می‌کند و سپس از آن‌ها برای تحلیل پیشگویانه بر روی داده‌های بالینی الکترونیکی مرتبط با سابقه بیمار که در فضای ابری ذخیره شده‌اند، استفاده می‌کند. یک سیستم مراقبت سلامت هوشمند که از حافظه بلندمدت چندجهته (Mu-LTM) برای نظارت دقیق و پیش‌بینی خطر بیماری قلبی استفاده می‌کند، دارای خطای پوشش 97.94 درصد، دقت 97.89 درصد، حساسیت 97.96 درصد و ویژگی 97.99 درصد است. همچنین امتیاز F1 معادل 97.95 درصد و دقت 97.71 درصد این سیستم نسبت به سایر سیستم‌های هوشمند پیش‌بینی بیماری‌های قلبی، بسیار خوب است.

As a paradigm shift in tandem with the expansion of ICT, smart electronic health systems hold great promise for enhancing healthcare delivery and illness prevention efforts. These systems acquire an in-depth understanding of patient health states through the real-time collection and analysis of medical data enabled by the Internet of Things (IoT) and machine learning. With the widespread use of cutting-edge artificial intelligence and machine learning techniques, predictive analytics in medicine can assist in making the shift from a reactive to a proactive healthcare strategy. With the ability to rapidly and precisely evaluate massive amounts of data, draw intelligent conclusions, and solve difficult issues, artificial neural networks could revolutionize several industries. Two cardiac illnesses were assessed in this study using a multilayer perceptron artificial neural network that incorporated a genetic algorithm and an error-back propagation mechanism. The ability of artificial neural networks to handle consecutive time series data is crucial for optimizing resources in smart electronic health systems, especially with the increasing volume of patient information and the broad use of electronic clinical records. This requires the creation of more accurate predictive models. Through the use of Internet of Things (IoT) sensors, the proposed system gathers data, which is then used to do predictive analytics on patient history-related electronic clinical data saved in the cloud. A smart healthcare system that uses Mu-LTM (multidirectional long-term memory) to accurately monitor and predict the risk of heart disease has a coverage error of 97.94 %, an accuracy of 97.89 %, a sensitivity of 97.96 %, and a specificity of 97.99 %. In comparison to other smart heart disease prediction systems, the F1-score of 97.95 % and precision of 97.71 % is very good.