|
بیمارستان، جلد ۱۸، شماره ۱، صفحات ۲۱-۳۰
|
|
|
عنوان فارسی |
مدل خوشهبندی ابزارها و نرمافزارهای پایش جسمی بیمار در محیط اینترنت اشیا در حوزه سلامت |
|
چکیده فارسی مقاله |
زمینه و هدف: امروزه با افزایش تقاضای درمان، بیماران با کمک اینترنت اشیا مراقبت و پایش میشوند. فناوریهای پایش جسمی بیمار در محیط اینترنت اشیا شامل اندازهگیری ضربان قلب، فشارخون، قندخون و دیگر موارد حیاتی هستند. هدف مقاله، ارائه مدل خوشه بندی فناوری های مذکور با استفاده از تکنیک های داده کاوی است تا مناسبترین فناوری طبق نیازها و ویژگیهای کاربر انتخاب شود. مواد و روشها: پژوهش حاضر، مروری و از منظر نتیجه کاربردی میباشد. دادهها شش مشخصه منحصربهفرد 60 فناوری منتخب شامل کاربرد، قیمت، نحوه اتصال، منبع تغذیه، مکان استفاده و نوع استفاده میباشد که از سایتهای تحقیق و توسعه و تبلیغات فناوریها و همچنین بررسی مقالات مرتبط استخراج شده است. روش تجزیه و تحلیل دادهها، تکنیک خوشهبندی و الگوریتم K-medoids است. برای شناسایی موثرترین مشخصهها، از الگوریتم جنگل تصادفی استفاده شده است. یافتهها: مدل ارائه شده، با در نظر گرفتن مشخصههای انتخاب شده کاربر به عنوان ورودی، خوشهای از فناوریها را به عنوان خروجی مدل ارائه میدهد. مطابق با الگوریتم، دادهها در بهترین حالت در چهار دسته خوشهبندی شدند. شاخص سیلوئت برای چهار خوشه، مقدار 45/0 شده است که اعتبار مدل را نشان میدهد. با اجرای الگوریتم جنگل تصادفی ، نوع کاربرد و پس از آن قیمت، بیشترین تاثیر را در خوشهبندی داشتهاند. نتیجهگیری: توسط مدل پیشنهادی پژوهش، بیماران یا کاربران میتوانند مناسبترین فناوری را بر حسب نوع بیماری و دیگر ویژگیهای موثر همچون قیمت، بیابند و به این ترتیب با پایش جسمی درست و لحظه به لحظه، آمار پیشروی بیماریها کمتر و پیشگیری آنها بهتر انجام گیرد. |
|
کلیدواژههای فارسی مقاله |
پایش بیمار، ابزار و نرم افزار، اینترنت اشیا در سلامت، خوشه بندی |
|
عنوان انگلیسی |
A Clustering model for gadgets and apps used in patient monitoring in (Healthcare Internet Of Things) HIOT environment |
|
چکیده انگلیسی مقاله |
Patient's monitoring devices and technologies can include heart rate measurement, blood pressure measurement, blood glucose, blood lipids, body temperature, respiratory rate and brain waves. In this study, in order to identify the tools and technologies of patient's physical monitoring in HIOT environment we searched on sites related to the sale and promotion of these technologies. In these investigations, the unique features of each of the available technologies, such as application, price, connection method, power supply, location, and type use were extracted. Finally, 60 gadgets and apps were thoroughly investigated. The clustering model of present study is a model which takes into account 6 features including application, price, connection method, power supply, location, and eventually type of use as input and clusters gadgets and apps in accordance with selected characteristics as the model outputs. In accordance with the above algorithm, clustering problem data is best clustered in 4 categories. Siloet index for 4 clusters is 0.45, which indicates the validity of the model. The type of application and then the price, have had the greatest impact on clustering after the implementation of random forest. |
|
کلیدواژههای انگلیسی مقاله |
|
|
نویسندگان مقاله |
محمدمهدی سپهری | MohamadMehdi Sepehri Tarbiat modares university دانشگاه تربیت مدرس
محسن قنواتی نژاد | Mohssen Ghanavatinejad Tarbiat modares university دانشگاه تربیت مدرس
مهدیه توکلی | Mahdieh Tavakoli Tarbiat modares university دانشگاه تربیت مدرس
|
|
نشانی اینترنتی |
http://jhosp.tums.ac.ir/browse.php?a_code=A-10-320-7&slc_lang=fa&sid=1 |
فایل مقاله |
اشکال در دسترسی به فایل - ./files/site1/rds_journals/123/article-123-1502159.pdf |
کد مقاله (doi) |
|
زبان مقاله منتشر شده |
fa |
موضوعات مقاله منتشر شده |
سایر |
نوع مقاله منتشر شده |
سایر |
|
|
برگشت به:
صفحه اول پایگاه |
نسخه مرتبط |
نشریه مرتبط |
فهرست نشریات
|