همگامتک بنیاد تحقیقاتی هوش مصنوعی و اینترنت اشیا

بسمه تعالي

گزارش و تحليل مقاله

Realizing an Effective COVID-19 Diagnosis System Based on Machine Learning and IOT in Smart Hospital Environment

در طی بیماری همه گیر COVID-19، انتظار می رود تعداد زیادی از بیماران تشخیص، معالجه و کنترل شوند، بنابراین این امر بار سنگینی را بر دوش سازمان های پزشکی می گذارد. چرا كه ویروس کرونا با سرعت وحشتناکی در جهان در حال گسترش می باشد و اين امر كار را براي مراكز درماني و پزشكي بسيار دشوار كرده است. به همين دليل ضرورت يافتن روشي براي حل اين چالش بزرگ به شدت احساس ميشود.در اين مقاله مدلی مبتنی بر یادگیری ماشین (ML) و اینترنت اشیا (IoT) برای تشخیص بیماران مبتلا به COVID-19 در بیمارستان های هوشمند پيشنهاد شده است. و نيز در رابطه با نقش مدلهای ML و فناوریهای مربوط به اینترنت اشیا در محیط بیمارستان هوشمند تأکید شده است.

جمع بندي و پيشنهاد براي کارهاي آتي

نتایج این مطالعه تأیید می کند که (1) بر اساس نتایج تشخیص مجموعه داده های آزمایشگاهی اصلیCOVID-19 ، SVM در تمام معیارهای ارزیابی از مدل های ML بهتر عمل می کند، (2) بر اساس نتایج تشخیص مجموعه داده های نرمال شده، SVM در مقایسه با سایر مدل های ML در تمام معیارها، به استثنای AUC که بالاترین مقدار توسط مدل RF ، 89 درصد بدست آمده است،بهتر عمل میکند (3) بر اساس نتایج رویکرد انتخاب ویژگی، فقط 15 مورد از 18 ویژگی برای تشخیص موارد COVID-19 موثر است، بنابراین بار محاسباتی و زمان تشخیص برای مدل های ML کاهش می یابد. علاوه بر این، SVM در تمام معیارهای ارزیابی از سایر مدل ها بهتر عمل می کند، به جز در صحت که SVM مقدار مساوی (95٪) با RF مشترک دارد. (4) سرانجام، در مقایسه با سایر مطالعاتی که مجموعه داده های آزمایشگاهی یکسانی را اتخاذ کرده اند، SVM پیشنهادی از نظر دقت تشخیص (تا 2.7٪) پیشرفت چشمگیری نشان می دهدپيشنهاد مي شود نویسندگاني كه قصد دارند در اين حوزه فعاليتي داشته باشند، مجموعه داده های آزمایشگاهی، مدل های ML و روش های مختلف انتخاب ویژگی را بررسی کنند.

مراجع

[1] C. Cáceres, J. M. Rosário, and D. Amaya, "Proposal of a smart hospital based on Internet of Things (IoT) concept," in Sipaim–Miccai Biomedical Workshop, 2018, pp. 93-104: Springer.
[2] K. Jensen, "Emergency department crowding: the nature of the problem and why it matters," in Patient Flow: Springer, 2013, pp. 97-105.
[3] J. M. Pines et al., "International perspectives on emergency department crowding," vol. 18, no. 12, pp. 1358-1370, 2011.

براي مشاهده ويدئو روي تصوير زير کليک نماييد

فايل تحليل پروژه

فايل ارائه پروژه