دانلود ترجمه مقاله هوش ماشین در سیستم های سایبر فیزیکی پزشکی و مراقبت از سلامت

1. مقدمه 2. استفاده از هوش ماشین در کاربردهای مراقبت از سلامت 3. یک دیاگرام مفهومی برای استفاده از هوش ماشین در مراقبت از سلامت 4. منابع داده (BOX D, BOX DB) 5. ویژگی ها (BOXES FE AND FA) 6. معیارهای عملکرد برای مدل ها و الگوریتم ها 7. مدل های محاسباتی (BOX M) 8. مدل های شناخته شده 9. الگوریتم ها (BOXES A, O, T) 10. الگوریتم های شناخته شده 11. شبکه های عصبی مصنوعی 12. سیستم های سایبر فیزیکی پزشکی (MCPS) 13. چالش ها و فرصت ها 14. نتیجه گیری

چکیده – امروزه ، صنعت بهداشت و درمان ایالات متحده به تنهایی می تواند 300 بیلیون دلار در سال با استفاده از هوش ماشین برای تجزیه و تحلیل مجموعه ای غنی از داده های پزشکی موجود صرفه جویی کند. نتایج حاصل از این تجزیه و تحلیل ها می تواند منجر به موفقیت هایی مانند تشخیص دقیق پزشکی ، کشف روش های درمانی جدید برای بیماری ها و صرفه جویی در هزینه در روند پذیرش بیمار در مراکز بهداشت و درمان شود. از آنجا که برنامه های مراقبت های بهداشتی ذاتاً حاوی مقدار زیادی از داده ها هستند ، اجرای هر الگوریتمی بر روی داده های پزشکی از نظر محاسباتی فشرده و متمرکز است. پیشرفت های قابل توجهی که در دهه گذشته در قدرت محاسباتی حاصل شده است ، این فرصت را برای بسیاری از محققان فراهم کرده است تا برنامه های مختلف مراقبت های بهداشتی مبتنی بر هوش ماشین را با موفقیت پیاده سازی کنند که در پلتفرم های محاسباتی قبلی کارآمد نبودند. در این مقاله الگوریتم های هوش ماشین را در زمینه کاربردهای مراقبت های بهداشتی بررسی می کنیم. بررسی ما شامل لیستی جامع از متداولترین مدلهای محاسباتی و الگوریتمهای مورد استفاده است. ما کاربرد این الگوریتم ها را در چند مرحله ، یعنی جمع آوری داده ها ، استخراج ویژگی ها و تجمیع ، مدل سازی ، آموزش الگوریتم و اجرای الگوریتم مشاهده می کنیم و جزئیات و همچنین مطالعات موردی را برای هر مرحله ارائه می دهیم. همچنین مجموعه ای از معیارها را برای ارزیابی مدل سازی و عملکرد الگوریتمی مورد استفاده قرار می دهیم که مقایسه مدل ها و الگوریتم های ارائه شده را تسهیل می کند. سیستم های فیزیکی سایبری پزشکی به عنوان یک مطالعه کاربردی در حال ظهور هوش ماشین در زمینه مراقبت های بهداشتی ارائه شده است. مقاله خود را با ارائه لیستی از فرصت ها و چالش های استفاده از هوش ماشین در برنامه های مراقبت های بهداشتی به پایان می رسانیم و لیستی گسترده از ابزارها و پایگاه های داده را برای کمک به سایر محققان ارائه می دهیم.

Today, the US healthcare industry alone can save $300 B per year by using machine intelligence to analyze a rich set of existing medical data; results from these analyses can lead to breakthroughs such as more accurate medical diagnoses, discovery of new cures for diseases, and cost savings in the patient admission process at healthcare organizations. Because healthcare applications intrinsically imply a vast amount of data, the execution of any algorithm on medical data is computationally intensive. Significant advancements made in computational power in the past decade have provided the opportunity for many researchers to successfully implement various machine intelligence-based healthcare applications, which didn't run efficiently on earlier computational platforms. In this paper, we provide a survey of machine intelligence algorithms within the context of healthcare applications; our survey includes a comprehensive list of the most commonly used computational models and algorithms. We view the application of these algorithms in multiple steps, namely, data acquisition, feature extraction, and aggregation, modeling, algorithm training, and algorithm execution and provide details-as well as representative case studies-for each step. We provide a set of metrics that are used to evaluate modeling and algorithmic performance, which facilitate the comparison of the presented models and algorithms. Medical cyber-physical systems are presented as an emerging application case study of machine intelligence in healthcare. We conclude our paper by providing a list of opportunities and challenges for incorporating machine intelligence in healthcare applications and provide an extensive list of tools and databases to help other researchers.