Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Dự đoán dữ liệu chăm sóc sức khỏe tương lai và vấn đề sức khỏe dựa trên kiến trúc tự phát triển phân phối tiềm ẩn sử dụng trí tuệ máy
Soft Computing - Trang 1-10 - 2023
Tóm tắt
Dữ liệu chăm sóc sức khỏe được tạo ra thông qua các cơ sở dữ liệu blockchain, cơ sở dữ liệu dựa trên web và dữ liệu từ các ứng dụng di động. Nghiên cứu này sử dụng trí tuệ máy để rút ra suy luận từ dữ liệu chăm sóc sức khỏe nhằm tạo ra dữ liệu tương lai từ đó. Nói cách khác, việc dự đoán các vấn đề sức khỏe trong tương lai có thể được thực hiện thông qua trí tuệ máy dựa trên các xu hướng hiện có của dữ liệu lịch sử. Biến đổi khái niệm đề cập đến hiện tượng thay đổi động trong phân phối dữ liệu, thường gặp trong dữ liệu giám sát sức khỏe di động mà chịu ảnh hưởng của môi trường, gây cản trở cho phân tích y tế và ra quyết định. Công trình nghiên cứu đề xuất một kiến trúc tự phát triển phân phối tiềm ẩn (LDSA) dựa trên các biến thể nơ-ron và kết hợp phân phối tiềm ẩn (LDR) để đạt được biểu diễn và dự đoán dữ liệu trong bối cảnh biến đổi khái niệm của dữ liệu chăm sóc sức khỏe tương lai. Cơ chế gen của LDSA có thể xử lý thích ứng với biến đổi khái niệm trong dữ liệu và định hình phân phối dữ liệu tiềm ẩn hướng về tương lai, cuối cùng đạt được dự đoán về dữ liệu tương lai. Cơ chế thông minh dựa trên học máy có thể dự đoán các ca bệnh tiểu đường trong tương lai trên thế giới bằng cách phân tích dữ liệu hiện tại và dữ liệu lịch sử của các bệnh nhân tiểu đường trên toàn cầu. Chúng tôi cũng thiết kế một hàm mất mát tiến hóa để tối ưu hóa hiệu suất của mô hình và cải thiện khả năng tổng quát của mô hình. Kết quả thực nghiệm cho thấy LDSA đạt được hiệu suất hàng đầu trên các tập dữ liệu sức khỏe di động và có khả năng thích ứng với biến đổi tốt hơn so với các phương pháp cơ bản phổ biến. Thuật toán dựa trên trí tuệ máy được đề xuất có khả năng dự đoán dữ liệu trong tương lai bằng cách học hỏi từ các đặc trưng dữ liệu lịch sử. Ngành công nghiệp chăm sóc sức khỏe sẽ được hưởng lợi lớn từ công trình nghiên cứu này để dự đoán các bệnh tật trong tương lai ở dân số dựa trên sự thay đổi của các tham số chăm sóc sức khỏe của dân số hiện tại.
Từ khóa
Tài liệu tham khảo
Ali EE, Chew L, Yap KY-L (2016) Evolution and current status of mhealth research: a systematic review. BMJ Innov; 2(1).
Babirye D et al (2019) Feasibility of a short message service (SMS) intervention to deliver tuberculosis testing results in peri-urban and rural Uganda. J Clin Tuberc Other Mycobact Dis 16:100110
Baxter C, Carroll J-A, Keogh B et al (2020) Assessment of mobile health apps using built-in smartphone sensors for diagnosis and treatment: systematic survey of apps listed in international curated health app libraries. JMIR mHealth uHealth 8(2):e16741
Byambasuren O, Sanders S, Beller E, Glasziou P (2018) Prescribable mHealth apps identified from an overview of systematic reviews. NPJ Digit Med 1(1):12
El-Sappagh S, Ali F, Hendawi A et al (2019) A mobile health monitoring-and-treatment system based on integration of the SSN sensor ontology and the HL7 FHIR standard. BMC Med Inform Decis Mak 19(1):1–36
E. B. Gulcan and F. Can (2022), “Unsupervised concept drift detection for multi-label data streams,” Artif. Intell. Rev., pp. 1–34.
Hollander JE, Carr BG (2020) Virtually perfect? Telemedicine for COVID-19. N Engl J Med 382(18):1679–1681
Kaunda-Khangamwa BN et al (2018) The effect of mobile phone text message reminders on health workers’ adherence to case management guidelines for malaria and other diseases in Malawi: lessons from qualitative data from a cluster-randomized trial. Malar J 17:1–13
Kaur M, Khedkar G, Sakhare S et al (2023) A research study on the cervical cerclage to deal with cervical insufficiency using machine learning. Soft Comput. https://doi.org/10.1007/s00500-023-08622-x
Kaur M, Sakhare SR, Wanjale K et al (2022) Early stroke prediction methods for prevention of strokes, Behavioural Neurology, Hindawi, p. 7725597. https://doi.org/10.1155/2022/7725597.
Khachatryan K (2015) Medical device regulation in the information age: a mobile health perspective. Jurimetrics, pp 477–507
Larsen ME, Nicholas J, Christensen H (2016) Quantifying app store dynamics: longitudinal tracking of mental health apps. JMIR mHealth uHealth 4(3):e6020
Lu Y, Li L, Peng H, Yang Y (2015) An enhanced biometric-based authentication scheme for telecare medicine information systems using elliptic curve cryptosystem. J Med Syst 39:1–8
Lu J, Liu A, Song Y, Zhang G (2020) Data-driven decision support under concept drift in streamed big data. Complex Intell Syst 6(1):157–163
O’Dea S (2020) Number of smartphone users worldwide from 2016 to 2021. Stat Res Dep
W. H. Organization (2011) mHealth: new horizons for health through mobile technologies. mHealth new horizons Heal Through Mob Technol
Osei E, Mashamba-Thompson TP (2021) Mobile health applications for disease screening and treatment support in low-and middle-income countries: a narrative review. Heliyon 7(3):e06639
Osei E, Kuupiel D, Vezi PN et al (2021) “Mapping evidence of mobile health technologies for disease diagnosis and treatment support by health workers in sub-Saharan Africa: a scoping review. BMC Med Inform Decis Mak 21:1–18
Paglialonga A, Lugo A, Santoro E (2018) An overview on the emerging area of identification, characterization, and assessment of health apps. J Biomed Inf 83:97–102
Palmer MJ et al (2021) Mobile phone-based interventions for improving adherence to medication prescribed for the primary prevention of cardiovascular disease in adults. Cochrane Database Syst Rev 6(6):2675
Plante TB et al (2016) Validation of the instant blood pressure smartphone app. JAMA Int Med 176(5):700–702
Tuckson RV, Edmunds M, Hodgkins ML (2017) Telehealth. N Engl J Med 377(16):1585–1592
Wang T, Zhang F, Gu H, H., et al (2023) A research study on new energy brand users based on principal component analysis (PCA) and fusion target planning model for sustainable environment of smart cities. Sustain Energy Technol Assess 57:103262
Wood CS et al (2019) Taking connected mobile-health diagnostics of infectious diseases to the field. Nature 566(7745):467–474
Yang Y, Wang H, Jiang R et al (2022) A review of IoT-enabled mobile healthcare: technologies, challenges, and future trends. IEEE Internet Things J 9(12):9478–9502
Zhu Z, Liu Z, Jin G et al (2021) MixSeq: connecting macroscopic time series forecasting with microscopic time series data. Adv in Neural Info Proc Sys 34:12904–12916
Zurovac D et al (2011) The effect of mobile phone text-message reminders on Kenyan health workers’ adherence to malaria treatment guidelines: a cluster randomised trial. Lancet 378(9793):795–803