ОПТИМІЗАЦІЯ ЗБОРУ ОПЕРАТИВНИХ ДАНИХ В ПІРИНГОВІЙ МЕРЕЖІ МЕДИЧНОЇ УСТАНОВИ
Ключові слова:
медична інформаційна система, вектор ознак, класифікація часових рядів, пірингова мережа, пріоритезація даних
Анотація
Актуальність. В сучасних медичних інформаційних системах обсяг даних, (наприклад, фізіологічних показників, зібраних від пацієнтів), є величезним, оскільки аномальні та нормальні дані збираються разом. Це призводить до затримки надання допомоги невідкладним пацієнтам. Щоб вирішити цю проблему, потрібні оптимальні схеми збору оперативних даних для коротко і довгострокового прогнозування. При цьому доцільно використовувати пріоритезацію і фільтрацію даних, які безперервно збираються з переносних датчиків на пацієнтах і надходять до інформаційної системи медичної установи. Метою даної роботи є розробка моделі інформаційної системи медичної установи на основі пірингової мережі з використанням ефективних методів збору оперативних даних. Об’єктом дослідження є автоматизований процес збору і обробки масивів даних, що відображать стан здоров’я пацієнта медичної установи. Предметом дослідження є методи та алгоритми збору і обробки оперативних даних, що характеризують стан пацієнта медичної установи, для формування короткострокового прогнозу. Результати. Запропоновані нові алгоритми для оптимізації процесів збору і обробки даних шляхом введення критерія терміновості пацієнтів, що сприятиме зменшенню обсягу даних, які необхідно передати, скороченню часу очікування в постановці діагнозу. Для оцінки терміновості пацієнтів прийняті загальні клінічні критерії. Висновок. Запропоновано модель інформаційної системи медичної установи, яка ефективна при зборі даних і оптимізує порядок їхньої обробки в прогнозуванні. Досягнуто зменшення обсягів медичних даних, які надходять від пацієнтів, і налаштування часу очікування для даних, що потрібні в прогнозуванні, на основі різних пріоритетів.Завантаження
Дані про завантаження поки що недоступні.
Посилання
1. Frick N., Mirbabaie M., Stieglitz S., and Salomon J. (2021). “Maneuvering through the stormy seas of digital transformation: the impact of empowering leadership on the AI readiness of enterprises.” Journal Of Decision Systems, 1-24.
2. Bohr A., and Memarzadeh K. (2020). “Artificial intelligence in healthcare.” San Diego: Elsevier Science & Technology.
3. Forkan A. R. M., and Khalil I. (2017). “Peace-home: Probabilistic estimation of abnormal clinical events using vital sign correlations for reliable home-based monitoring.” Pervasive and Mobile Computing, 38:296-311.
4. Li H., and Boulanger P. (2020). “A Survey of Heart Anomaly Detection Using Ambulatory Electrocardiogram (ECG).” Sensors, 20(5), 1461. doi: 10.3390/s20051461
5. Cao H., Eshelman L., Chbat N., Nielsen L., Gross B., and Saeed M.. (2008). “Predicting icu hemodynamic instability using continuous multiparameter trends.” In Engineering in Medicine and Biology Society, 2008. EMBS 2008. 30th Annual International Conference of the IEEE, pages 3803-3806.
6. Salem O., Liu Y., Mehaoua A., and Boutaba R.. (2014). “Online anomaly detection in wireless body area networks for reliable healthcare monitoring.” IEEE J. Biomedical and Health Informatics, 18(5):1541-1551.
7. Jiang P., Winkley J., Zhao C., Munnoch R., Min G., and Yang L. T. (2016). “An intelligent information forwarder for healthcare big data systems with distributed wearable sensors.” IEEE Systems Journal, 10(3):1147-1159.
8. Holm S., Stanton C., and Bartlett B. (2021). “A New Argument for No-Fault Compensation in Health Care: The Introduction of Artificial Intelligence Systems.” Health Care Analysis. doi: 10.1007/s10728-021-00430-4
9. Tarassenko L., Hann A., Patterson A., Braithwaite E., Davidson K., Barber V., and Young D. (2005). “Biosign: multi-parameter monitoring for early warning of patient deterioration.” pages 71-76.
10. Xie R., Khalil I., Badsha S., and Atiquzzaman M. (2018). “Fast and peer-to-peer vital signal learning system for cloud-based healthcare.” Future Generation Computer Systems, 88:220-233.
11. Saeed M., Villarroel M., Reisner A. T., Clifford G., Lehman L.-W., Moody G., Heldt T., Kyaw T. H., Moody B., and Mark R. G.. (2019). “Multiparameter intelligent monitoring in intensive care ii (mimic-ii): a public-access intensive care unit database.” Critical care medicine, 39(5):952.
2. Bohr A., and Memarzadeh K. (2020). “Artificial intelligence in healthcare.” San Diego: Elsevier Science & Technology.
3. Forkan A. R. M., and Khalil I. (2017). “Peace-home: Probabilistic estimation of abnormal clinical events using vital sign correlations for reliable home-based monitoring.” Pervasive and Mobile Computing, 38:296-311.
4. Li H., and Boulanger P. (2020). “A Survey of Heart Anomaly Detection Using Ambulatory Electrocardiogram (ECG).” Sensors, 20(5), 1461. doi: 10.3390/s20051461
5. Cao H., Eshelman L., Chbat N., Nielsen L., Gross B., and Saeed M.. (2008). “Predicting icu hemodynamic instability using continuous multiparameter trends.” In Engineering in Medicine and Biology Society, 2008. EMBS 2008. 30th Annual International Conference of the IEEE, pages 3803-3806.
6. Salem O., Liu Y., Mehaoua A., and Boutaba R.. (2014). “Online anomaly detection in wireless body area networks for reliable healthcare monitoring.” IEEE J. Biomedical and Health Informatics, 18(5):1541-1551.
7. Jiang P., Winkley J., Zhao C., Munnoch R., Min G., and Yang L. T. (2016). “An intelligent information forwarder for healthcare big data systems with distributed wearable sensors.” IEEE Systems Journal, 10(3):1147-1159.
8. Holm S., Stanton C., and Bartlett B. (2021). “A New Argument for No-Fault Compensation in Health Care: The Introduction of Artificial Intelligence Systems.” Health Care Analysis. doi: 10.1007/s10728-021-00430-4
9. Tarassenko L., Hann A., Patterson A., Braithwaite E., Davidson K., Barber V., and Young D. (2005). “Biosign: multi-parameter monitoring for early warning of patient deterioration.” pages 71-76.
10. Xie R., Khalil I., Badsha S., and Atiquzzaman M. (2018). “Fast and peer-to-peer vital signal learning system for cloud-based healthcare.” Future Generation Computer Systems, 88:220-233.
11. Saeed M., Villarroel M., Reisner A. T., Clifford G., Lehman L.-W., Moody G., Heldt T., Kyaw T. H., Moody B., and Mark R. G.. (2019). “Multiparameter intelligent monitoring in intensive care ii (mimic-ii): a public-access intensive care unit database.” Critical care medicine, 39(5):952.
Опубліковано
2023-06-09
Як цитувати
Rosinskiy Dmytro Оптимізація збору оперативних даних в піринговій мережі медичної установи / Dmytro Rosinskiy, Kyryl Svirshchevskyi // Системи управління, навігації та зв’язку. Збірник наукових праць. – Полтава: ПНТУ, 2023. – Т. 2 (72). – С. 142-145. – doi:https://doi.org/10.26906/SUNZ.2023.2.142.
Розділ
Інформаційні технології
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
