آنالیز اثربخشی یک مداخله خودگردان مبتنی بر اینترنت (“زندگی بهتر”) برای ترویج عادات سالم در جمعیت مبتلا به چاقی و فشار خون: یک کارآزمایی تصادفی کنترل شده اکتشافی

Analysis of the efficacy of an internet-based self-administered intervention (“Living Better”) to promote healthy habits in a population with obesity and hypertension: An exploratory randomized controlled trial

چکیده
1. مقدمه
2. روش ها
3. نتایج
4. بحث
منابع

چکیده
مقدمه: تغییرات در سبک زندگی ناسالم عناصر کلیدی برای پیشگیری و درمان چاقی و فشار خون بالا هستند. برنامه های مبتنی بر اینترنت پتانسیل فوق العاده ای برای به کارگیری مداخلات مبتنی بر شواهد متمرکز بر ترویج رفتارهای سالم ارائه می دهند. ما اثر یک مداخله خودکار مبتنی بر اینترنت (Living Better یا زندگی بهتر) را بررسی می کنیم که افراد مبتلا به اضافه وزن یا چاقی نوع I و فشار خون بالا را هدف قرار می دهد.

روش ها: نمونه انتخاب شده شامل 106 شرکت کننده (میانگین سنی:53؛ 59) از یک بیمارستان عمومی در اسپانیا بود که ابتلای آنها به چاقی نوع I و فشار خون بالا تشخیص داده شده بود؛ این افراد به صورت تصادفی به دو گروه تقسیم شدند- گروه مداخله (IG؛ مداخله مبتنی بر اینترنت) و گروه کنترل (CG؛ درمان دارویی معمول). مداخله از راهبردهای رفتاری شناختی و آموزش روانی برای ترویج رفتارهای سالم استفاده می کند. داده های آنتروپومتریک (یعنی شاخص توده بدنی-BMI-، دور کمر و دور باسن) و داده های سبک زندگی/ روانشناختی (یعنی، کیفیت زندگی، فعالیت فیزیکی، نوع غذا خوردن، تحرک، وضعیت بدن و خودکارآمدی) قبل و بعد از مداخله ارزیابی شده و در بازهای زمانی 6 و 12 ماهه پیگیری شدند.

نتایج: تفاوت چشمگیری بین دو گروه IG و CG در متغییرهای آنتروپومتریک (یعنی BMI و دور کمر)، رفتار خوردن خارجی، و هیجان و استرس (p < 0.05) بعد از مداخله مشاهده شد. داده های مربوط به پیگیری نشان داد که تغییرات ایجاد شده در BMI، دور کمر، دور باسن و خوردن خارجی در گروه IG حفظ می شوند. بعد از دریافت درمان مبتنی بر اینترنت، وضعیت بالینی گروه CG نیز بهبود پیدا کرد.

بحث: این مطالعه نشان می دهد که اینترنت جایگزین مناسبی برای ارائه و گسترش مداخلات مبتنی بر ترویج عادات سالم است و به طور کلی یک مداخله خودکار می تواند نتایج مثبت دراز مدتی را ایجاد کند.

2. روش ها
2.1. طراحی آزمایش
این مطالعه یک آزمایش کنترل شده تصادفی با دو بازو است: گروه مداخله (IG) و گروه کنترل(CG). این مطالعه بر اساس دستورالعمل های CONSORT (استانداردهای ارائه گزارش آزمایشات تصادفی) و CONSORT-EHEALTH انجام شد. شماره ثبت آزمایش: NCT02445833. این مطالعه توسط کمیته اخلاق مطالعات بالینی بیمارستان de Sagunto (ref: 002-2014-10) و توسط وزارت بهداشت، خدمات اجتماعی و برابری در دولت اسپانیا (s/n) به عنوان یک مطالعه مشاهده ای مجاز تایید شد.

2.2 نمونه
بیماران انتخاب شده به عنوان نمونه به اضافه وزن یا چاقی نوع I و فشار خون بالا مبتلا هستند و تحت مراقبت پزشکی در بخش فشار خون بالا و بیماری های عروقی یک بیمارستان عمومی (اسپانیا) قرار دارند. بیماران توسط پزشکان پذیرش شده و واجد معیارهای زیر بودند: سن 18 تا 65 سال، قرار داشتن تحت درمان بالینی برای پیشگیری از سندرم متابولیک یا مشکلا قلبی، و ابتلا به اضافه وزن یا چاقی نوع I (شاخص توده بدنی یا BMI >25 و > 35). معیارهای حذف عبارت بود از عدم دسترسی به اینترنت، مصرف بیش از سه دارو برای کنترل فشار خون، ابتلا به دیابت، ابتلا به بیماری تغذیه ای، داشتن معلولیتی که از تحرکت و فعالیت فیزیکی فرد جلوگیری می کرد و دریافت هر نوع درمان برای کاهش وزن در مراکز دیگر. اندازه نمونه براساس اندازه موثر برای بررسی وزن بدن در مطالعات پیشین محاسبه شد.

از بین بیمارانی که در ابتدا توسط پزشکان انتخاب شده بودند (n=500)، 106 بیمار به صورت نهایی پذیرفته شدند (55 نفر در گروه IG و 51 نفر در گروه CG). شکل 1 پیگیری بیماران در طول مطالعه را نشان می دهد. تمام بیماران در پسا-آزمایش یا پیگیری ها تمام مدول های آنلاین را کامل کردند. در جاهایی که نتوانستند مدول ها را پر کنند از آزمایش کنار گذاشته شدند. اکثر شرکت کنندگانی که این مطالعه را ترک کردند توضیحات بیشتری ارائه نکردند. دلایل ذکر شده توسط برخی از افراد ترک کننده مطالعه عبارتند از: نبود علاقه، مشکلات سلامتی، دشواری کنترل مدیریت کامپیوتر یا اینترنت و مشکلات خانوادگی.

نمودارهای کنترل کیفیت آماری برای شاخص های فرآیند پیوند کبد: برآورد تجربه یک مرکز

Statistical Quality Control Charts for Liver Transplant Process Indicators: Evaluation of a Single-Center Experience

چکیده
روش ها 
نرمالیزه کردن و ارائه گواهی برنامه ISO 9001:2008
جمع آوری داده
پردازش داده
نتایج
بحث
منابع

چکیده
پیوند کبد که به عنوان بهترین گزینه در بسیاری از مراحل پایانی بیماری های کبد محسوب می شود، از متقاضیان بیشتری نسبت به اهدا کنندگان برخوردار است. در این وضعیت، لازم است تا این روش درمانی مورد تقاضا به شکل مطلوب، با قابلیت دسترسی و رضایت‌مندی بیمار و به شکل اخلاقی، علمی و کارا انجام شود. اجماع و موافقت عمومی کنونی در مورد معیار های کیفی ارائه شده توسط SETH نشان دهنده انجام معیارها، شاخص ها و استاندارد های پیوند کبد در اسپانیا است. مطابق توصیه این جلسات، برنامه کبد کنری ایسلند به مطالعه تجربه خود پرداخته است. ما 411 پیوند کبد از اجساد را در طی 15 سال اخیر به دو گروه تقسیم کردیم: گروه اول متشکل از 100 پیوند و گروه دیگر، 311 پیوند. 8 معیار SETH 2010 به طور مناسب برآورده شدند. در بیشتر شاخص ها، نتایج به شکل مطلوبی گزارش شدند به طوری که نرخ حیات در طی 1،3،5 و 10 سال به ترتیب به میزان %84، %79، %76 و %65 بود؛ از طرفی نتایج بسیار خوبی در نرخ پیوند مجدد (%0.56 اولیه و %5.9 بلند مدت)، نرخ عدم عملکرد ارگان پیوندی (%0.43)، لیست انتظار پیوند کبد (%13.34) و رضایت‌مندی بیمار (%91.5) به دست آمده اند. از طرف دیگر، برخی از شاخص های مرگ و میر همانند دوره پیش از عمل جراحی، پس از عمل جرایی و مرگ و میر اولیه با عملکرد معمولی گرافت و نرخ جراحی مجدد، نا مطلوب تر بوده اند. پس از تحلیل این سری ها با نمودار های کنترل کیفیت آماری، ما شاهد بهبود کلیه شاخص ها حتی در شاخص های نا مطلوب ظاهری، مرگ و میر زودهنگام با عملکرد نرمال گرافت در یک برنامه پایدار بوده ایم. این نتایج به ما در تشخیص حوزه های خاص جهت بهبود برنامه کمک می کنند. کاربرد اندازه گیری کیفیت مطابق توصیه SETH، در تحقیق ما نشان می‌دهد که علی‌رغم زمان بر بودن این فرآیند، این روش به عنوان یک ابزار مفید محسوب می شود.

پیوند کبد به عنوان یک گزینه مطلوب جهت درمان بیماری مرحله نهایی عضو محسوب می شود. با توجه به تعداد بسیار کم اهدا کنندگان و افزایش طیفی از شاخص های پیوند، این روش درمان مورد توجه باید به صورت مناسب از نظر اخلاقی، علمی و مالی انجام شود. جهت ارزیابی دقیق برنامه پیوند کبد، برخی از مؤسسات و سازمان های علمی به تحلیل این فرآیند با استفاده از معیار های کیفی پرداخته و پایش جهت دستیابی به کارایی، قابلیت دسترسی و رضایت‌مندی بیمار را پیشنهاد کرده اند.

نرمالیزه کردن و ارائه گواهی برنامه ISO 9001:2008
از سال 2009 ، این برنامه تحت کنترل کیفیت خارجی قرار گرفته است ، که مستقل و مکمل توصیه های SETH 2010 بود. در این فرآیند، برخی از معیار ها به صورت انحصاری برای برنامه ما به عنوان شاخص های کیفی لحاظ شدند: بیمارستان یا ماندن در واحد مراقبت های ویژه (ICU) و زمان کم خونی سرد و گرم. داده ها شامل جنبه هایی از رضایت‌مندی بودند که در این تحقیق در مورد داده های از دست رفته از پایگاه داده کلی، استفاده شدند.

جمع آوری داده
از آوریل سال 1996 تا کنون، ما مجموعه ای از داده های مرتبط را بر روی گرافت و حیات بیماران و مدیریت لیست انتظار به عنوان بخشی از ONT (سازمان ملی پیوند اسپانیا) و ELTR (واحد پیوند کبد اروپا) ارائه کردیم. برنامه ما در هر دو بخش مشارکت دارد. از سال 2005 (تاریخ اولین اجماع عمومی SETH منتشر شده در سال 2008) تا کنون، برخی از داده ها به طور چشمگیر جمع آوری شده اند زیرا جلسات متوالی اجماع شاخص ها و اندازه گیری های آنها را اصلاح کرده اند. بنابراین، داده های ضروری نا معلوم از قبل از این تاریخ از گزارشات پزشکی و پایگاه داده از زمان شروع برنامه، به دست آمدند.

پردازش داده
شاخص ها به صورت دوره ای نسبت به داده ها، محاسبه می شوند. کاوش بصری 13 شاخص سری زمانی و برآورد ضرایب همبستگی ساده و جزئی با حداکثر 7 تأخیر جهت بررسی رفتار تصادفی سری های زمانی، انجام شد.
ساختار آماری نمودار های کنترل کیفیت برای هر شاخص در هر دو مجموعه زمانی شامل مقادیر میانگین +1.96 انحراف استاندارد و میانگین +2.58 SD برای هر دوره زمانی به صورت 2 سطح از حداکثر تغییرات تصادفی شاخص ها، تعریف شده اند. محاسبات با استفاده از نرم افزار آماری IBM-SPSS 19.0 برای رایانه شخصی انجام شدند (SPSS، شیکاگو، III).

تحلیل مدیریت ارتباط با مشتری بر روی بیماران سرپایی در یک بیمارستان بیماری های عفونی در چین با استفاده از مدل تازگی- فراوانی- ارزش پولی نسبت دارویی

Customer relationship management analysis of outpatients in a Chinese infectious disease hospital using drug-proportion recency-frequency-monetary model

چکیده

1. مقدمه

2. داده ها و روش ها

3. نتایج

4. بحث

5. محدودیت ها و تحقیقات آینده

6. نتیجه گیری

منابع

چکیده
زمینه: تشخیص انواع بیماران با ارزش های اقتصادی مختلف می تواند برای توسعۀ بیمارستان مفید باشد.
هدف: این تحقیق از تئوری مدیریت ارتباط با مشتری (CRM) جهت تحلیل بیماران سرپایی در بیمارستان بیماری های عفونی در شانگهای چین استفاده می کند.
روش ها: کلا 2,271,020 عنصر داده از بیماران سرپایی در واحد تحقیقاتی بین آگوست 2009 و دسامبر 2019 برای به دست آوردن 171,107 عنصر دادۀ معتبر (1 عنصر به ازای هر فرد) استخراج، تحلیل و شفاف سازی شد. بیماری های اصلی، بیماری ویروسی هپاتیت B (VHB) و سندرم نقص ایمنی اکتسابی (ایدز) بودند و درصد میانگین هزینۀ دارو 80.39 % بود.
ما مدل RFM کلاسیک (R: تازگی، F: فراوانی، M: ارزش پولی) را در CRM به طور خلاقانه به مدل dRFM (d: هزینه های دارویی) توسعه دادیم و بهترین الگوریتم خوشه بندی را از روش های K میانگین، روش های کوهونن و خوشه بندی دو مرحله ای برای یافتن مدل بهینه جهت تشخیص انواع بیماران با ارزش های اقتصادی متفاوت و بهترین الگوریتم تصمیم گیری را از درخت رگرسیون دسته بندی C5.0, CART، الگوریتم های CHAID و QUEST برای تأیید مدل انتخاب کردیم.
نتایج: پس از اجرای 2 دور تحلیل خوشه بندی K میانگین بر روی سه مدل RFM, RFM+ Drfm, dRFM ، 97,855 عنصر داده حفظ شدند. مدل RFM+ Drfm با دسته بندی بیماران به سه نوع مدل بهینه بود: بیماران پتانسیلی (24.2 %) که باید با یک هزینۀ دارویی و آخرین ویزیت در بیش از 19.06 ماه حفظ می شدند، بیماران با ارزش بالا (24.5 %) که با آخرین ویزیت در حدود 6.66 ماه گذشته باید جذب می شدند، و بیماران پایه (51.3 %) با آخرین ویزیت در حدود 3.7 ماه قبل که باید انتخاب می شدند. سپس، مدل با استفاده از الگوریتم درخت تصمیم C5.0 با یک نرخ صحت 99.97 % تأیید شد.
جمع بندی: این تحلیل عینی CRM از بیماران در بیمارستان مربوط به بیماری های عفونی با استفاده از مدل dRFM با فراهم نمودن اساسی عینی و مؤثر برای مدیریت بیمارستان سه نوع مختلف بیماران را به طور صحیح تشخیص داده است.

داده ها و روش ها
جمع آوری داده ها و پیش پردازش
با استفاده از روش های مطالعات قبلی [16-18, 21]، درکل 2,271,020 عنصر داده از بیمارانی که بخش بیماران سرپایی را در واحد تحقیقات در بازۀ زمانی 1 آگوست 2009 و 31 دسامبر 2019 ویزیت کردند، از HIS استخراج شد. داده ها شامل فیلدهای زمانی ویزیت ها، شمارۀ شناسۀ بیمار، جنس، سن، محل سکونت (محلی یا میدانی)، تشخیص، هزینۀ درمانی و هزینۀ دارویی بود. ما از نمایش منسجم تشخیص بر اساس کد دسته بندی بین المللی بیماری ها (ICD- 10) معیارهای اصلی تشخیص که برای مشخصات گروه بیماری به کار رفت، استفاده کردیم [21].در شانگهای، چین، درمان با نام واقعی خود اجرا می شود، و شمارۀ شناسه تنها زمینۀ مورد نیاز برای تشخیص هویت بیمار است. پکیج نرم افزاری 22.0(SPSS) Statistical Product and Service Solutions و 18.0SPSS Modeler برای تحلیل داده ها به کار رفت. 18.0SPSS Modeler برای محاسبات به کار رفت و پارامترها را به عنوان خروجی به مدل داد.

سپس، توسعه و پاکسازی فیلد را بر اساس عناصر داده با استفاده از روش مطالعات قبلی [16-18, 21] بر اساس مراحل زیر به کار گرفتیم: (1) اضافه کردن فیلد «ماه مشاورۀ اخیر» و تشکیل یک متغیر جدید، با دسامبر 2019 به عنوان اولین ماه، نوامبر 2019 به عنوان دومین ماه و به همین ترتیب تا آگوست 2009 به عنوان 125امین ماه؛ (2) اضافه کردن 3 فیلد: جمع بستن هزینه های پزشکی هر بیمار، هزینه های دارویی کلی و فراوانی ویزیت ها؛ (3) اجرای 3 متغیر جدید به صورت زیر [2]:

میانگین هزینه پزشکی به ازای هر ویزیت= هزینۀ پزشکی کل/هزینۀ دارویی کل/فراوانی ویزیت ها/درصد هزینه دارویی (%)=(میانگین هزینه دارویی به ازای هر ویزیت/میانگین هزینه پزشکی به ازای هر ویزیت)×100%
داده ها بررسی شد و موارد تکراری حذف شد. در نتیجه، یک مجموعه دادۀ مؤثر (یک عنصر داده برای هر فرد) به دست آمد.

اینترنت اشیا در مراقبت های بهداشتی: تحلیل علم سنجی

IoT in healthcare: A scientometric analysis

چکیده

1- مقدمه

2- بازنگری مطالعات

3- مواد و روشها

4- نتایج

5- نتیجه گیری

منابع

چکیده

     این پژوهش، مقالات و اختراعات ثبت شدۀ علمی با موضوع اینترنت اشیاء (IoT) در حوزه بهداشت و درمان را مورد بازبینی قرار میدهد. هدف، بررسی همزمان دامنه تحقیق و یکی از تجربیات عملی در این حوزه میباشد. ما رشد سالانه، تولیدات کشوری، و موضوعات متداول نشریات علمی و اختراعات ثبت شده را از طریق تمرکز بر متناسب ترین مضامین IoT در صنعت بهداشت و درمان مقایسه میکنیم. آنالیز ما با انتخاب نشریات و اختراعات ثبت شدۀ منتشرشده در دوره 2020-2015 آغاز میگردد. از آنجا که این تحلیل تطبیقی بین داده های علم سنجی در حوزه بهداشت و درمان، امری تازه و بدیع است، یافته های این مطالعه، مبنایی برای مطالعات آینده جهت تعیین فرصتهای پژوهشی نوین درباره IoT خواهند بود. این مطالعه درک بهتری از پژوهش IoT در حوزه بهداشت و درمان برای پژوهشگران فراهم آورده و بطور همزمان، آگاهی از فرصتهای کارآفرینی در این حوزه را توسعه میدهد. دست اندرکاران میتوانند از این بازنگری برای درک فرصتهای جدیدی بهره مند شوند که کمتر به آنها پرداخته شده است.

بازنگری مطالعات
IoT در حوزه بهداشت و درمان
     IoT در سال 1999 متولد شد زمانیکه Kevin Ashton تلاش کرد اشیاء را از طریق برچسبهای RFID (که برای مدیریت آسانتر اشیاء توسط کامپیوترها طراحی شده بودند)، به اینترنت متصل کند (Ashton, 1999; Bandyopadhyay and Sen, 2011; Ma, 2011; Da Xu et.al, 014; Li et.al, 2015). تعاریف متعددی از IoT در مطالعات وجود دارند. برخی از آنها نوع اتصال (شناسایی فرکانس رادیویی، شبکه حسگر بی سیم) را ترجیح میدهند که اشیای مختلف را به هم متصل میسازد، و سایرین بر نوع شیء (سرویسها و برنامه های کاربردی) و دامنه کاربرد آنها (شهرهای هوشمند، ازدحام ترافیک، مدیریت پسماندها، بهداشت ساختاری، امنیت، خدمات اضطراری، لجستیک، خرده فروشیها، کنترل صنعتی، و مراقبت بهداشتی) تمرکز میکنند.

     IoT پیش از این در چندین حوزه کاربرد داشته است اما در بخش بهداشت و درمان موضوع کاملاً جدیدی بشمار میرود. که احتمالاً بدان علت است که موسسات درمانی در بخشهای بسیار قانونمندی فعالیت میکنند. وسایل بهداشتی متفاوت بر مبنای IoT بخاطر پیشرفت مستمر ابزارکهای پوشیدنی و تلفنهای هوشمند، سیستم بهداشتی سنتی را به سیستمی هوشمندتر و نزدیکتر به نیاز بیماران تبدیل کرده اند. این سیستم هوشمند، نوآوریهای IoT را اهرم بندی میکند تا تجربه قدیمی متمرکز بر بیمارستان را کنار گذاشته و یک روش عملیاتی جدید متمرکز بر بیمار ایجاد نماید. Bhatt و Bhatt (2017) ادعا کردند که IoT با فراهم نمودن فرصتهای جدید برای خدمات سلامت الکترونیک و خدمات سلامت همراه شخصی سازی شده، صنعت بهداشت و درمان را متحول نموده است.

     بنابراین در حوزه درمان، IoT بعنوان شبکه ای از ابزار حسگری هوشمند و اشیای فیزیکی تعریف میشود که برای جمع آوری، پایش و کنترل داده های سلامت، اتصالی دیجیتالی برقرار میکنند. در واقع بوسیله حسگرهای تشخیصی جاسازی شده در اشیایی که آنها را میپوشیم (مثل دستکشها، ساعت مچی، عینک، و …) که از طریق شبکه های سیمی یا بی سیم به تبلت ها یا تلفنهای هوشمند متصل میشوند داده های بیمار بلافاصله بوسیله پزشکان و خود بیماران مورد ارزیابی و مشاوره قرار میگیرند (Farahani et.al, 2018; Mital et.al 2018).

اجرای یک راه حل حسابداری هزینه هوش تجاری در یک محیط مراقبت های بهداشتی

Implementing a business intelligence cost accounting solution in a healthcare setting

چکیده

1 مقدمه

2 پیش زمینه

3 روش شناسی و ابزارها

4 توسعه راه حل هوش تجاری

5 داشبورد ها

6 بحث

7 نتیجه گیری و کار های آتی

منابع

چکیده

     محیط نظام بهداشت و درمان پرتغال یک نگرانی همیشگی برای جامعه ما محسوب می ­شود. بر این اساس، همانند بخش­ های دیگر، محیط بیمارستانی دارای ساختاری پیچیده همراه با حجم زیادی از اطلاعات می­ باشد، که این مسئله فرایند تصمیم ­گیری را دشوار می ­کند. از این رو، احساس نیاز به بهبود مدیریت خدمات و منابع سازمان ­های حوزه سلامت وجود دارد. با در نظر گرفتن این مسئله، راه ­حل شامل ایجاد تغییر و تحول در سیستم فعلی با کمک سیستم ­های اطلاعاتی است که قرار است پیاده­ سازی شوند. بنابراین، ایده پیاده­ سازی سیستم ­های اطلاعاتی که از هوش تجاری در محیط­ های بیمارستانی استفاده می ­کنند، مطرح می­ شود، تمرکز و هدف این پروژه، کمک به مدیران در تجزیه و تحلیل­ های حسابداری و حسابرسی می­باشد. در همکاری با Centro Hospitalar Universitário do Porto ، تصمیم بر این شد که استفاده از هوش تجاری، با هدف پیاده ­سازی یک راه­ حل عمومی برای طرح حسابرسی هزینه تمام شده موجود بررسی شود، هدف از این راه ­حل بهبود بازدهی و ارائه ابزار های جدید به مدیران به منظور مدیریت منابع خود و در صورت نیاز برنامه­ریزی برای آینده می ­باشد.

پیش زمینه
     بخش بیمارستانی در پرتغال، سیستم¬های اطلاعاتی خود را به منظور افزایش بازدهی و تاثیرگذاری کار های انجام شده، توسعه داده است. با این حال، اگرچه پروژه¬ های متعددی در ارتباط با استفاده از فناوری به منظور بهبود خدمات وجود دارد، اما تعداد اندکی از آن ¬ها از فناوری هوش تجاری بهره¬ گرفته¬ اند[6]. با آگاهی از این مسئله که بیمارستان¬ ها سیستم¬ های حسابرسی پیچیده ای دارند، عملاً هیچ گونه زیرساختی برای حمایت از مدیران در تصمیم¬ گیری بر اساس اطلاعات حسابرسی هزینه تمام شده، وجود ندارد. همانند هر بخش دیگری، بخش بیمارستانی نیز به مدیریت منابع خود نیاز دارد.

     حسابرسی تحلیلی یا حسابرسی هزینه تمام شده، اطلاعات هزینه ¬ها را با جزئیات ارائه کرده و مدیریت برای کنترل عملیات¬ های جاری و اجرای برنامه ¬های عملیاتی آتی به این اطلاعات نیاز دارد. در گام بعدی مدیریت از این اطلاعات به منظور تصمیم ¬گیری به منظور نحوه اختصاص منابع مالی به شیوه ¬ای موثرتر و سودآور تر به حوزه -های تجاری، استفاده می¬کند [7].

     با توسعه سیستم های که راه ¬حل هوش تجاری را با برنامه ¬های فعلی سازمان ¬ها ادغام می ¬کنند، امکان بهبود فرایند تصمیم¬¬ گیری به شیوه ¬ای با ثبات ¬تر برای سازمان¬ ها ایجاد می ¬شود. به وسیله این ابزار ها، جمع¬ آوری، پردازش، ذخیره¬ سازی و توزیع اطلاعات به منظور پشتیبانی از فرایند های تصمیم¬گیری و کمک به کنترل کردن شرایط امکان ¬پذیر خواهد بود. تحقق این امر، مستلزم ادغام انواعی از سیستم¬ های اطلاعاتی¬ است که برای انجام عملیات¬ های روزانه سازمان مهم و ارزشمند هستند. با این حال، این کار مشکلات متعددی نیز ایجاد می ¬کند مانند، تداخل سیستم ¬های مختلف درون سازمان. از آن¬جایی که هر یک از خدمات، یا حیطه کاری سازمان¬ ها یک سیستم بسته است، این مسئله ممکن است تبادل اطلاعات را سخت و پیچیده کند. در مسئله مورد بحث، به دلیل وسعت زیاد واحد های بیمارستانی، و نحوه ساختار یافتن آن¬ ها در واحد ها و بخش¬ های مختلف با استفاده از یک سیستم بسته، مدیریت این حجم از داده¬ های پیچیده به طور چشمگیری دشوار شده است. بنابراین نیاز است تا از وجود و ناهمگونی سیستم ¬های اطلاعاتی توزیع شده اطمینان حاصل شود تا سیستم ¬های مختلف با یکدیگر ارتباط برقرار کرده و تبادل اطلاعات را انجام دهند. برای تحقق این امر، لازم است تا از قابلیت تعامل¬ و همکاری میان اجزای مختلف سیستم اطمینان حاصل شود. قابلیت تعامل و همکاری به عنوان ظرفیت سیستم¬ های اطلاعاتی، دستگاه¬ها و اپلیکیشن ¬ها برای تعامل و برقراری ارتباط در استفاده از اطلاعات به طور هماهنگ در سطوح سازمانی، منطقه¬ ای، و ملی به منظور فراهم آوردن اطلاعات صحیح و به موقع، تعریف می ¬شود[8,9].

بلاک چین پزشکی: به اشتراک گذاری داده ها و حفظ حریم خصوصی EHR بر اساس قرارداد هوشمند

Medical blockchain: Data sharing and privacy preserving of EHR based on smart contract

چکیده

1 مقدمه

2 مقدمات

3 طرح پیشنهادی

4 تحلیل عملکرد

5 نتیجه گیری

منابع

چکیده

     بی تردید، اشتراک داده های پزشکی اهمیت زیادی دارد، اما در پی بردن به تشخیص بین بیمارستانی و بهبود تحقیقات توسعه ای نیز حائز اهمیت است. در مکانیسمهای سنّتی، همیشه یک رابطه پایاپای بین صحت و درستی اطلاعات پزشکی و حریم خصوصی بیمار وجود دارد. ما می خواهیم که در این مقاله، مفهوم بلاک چین و قرارداد هوشمند را برای ایجاد مکانیسم اشتراک پرونده پزشکی الکترونیکی، یعنی بلاک چین، بیان کنیم. به خصوص، اشتراک پرونده پزشکی را از طریق طراحی رمزنگاری اطلاعات انجام می دهیم. شبیه سازیها نشان داده اند که با استفاده از بلاک چین می توان از صحت داده های پزشکی و حفظ حریم خصوصی بیمار اطمینان حاصل کرد، و در عین حال صداقت و راستی یک بیمار خاص را به واسطه کنترل قرارداد هوشمند تحقق بخشید. علاوه بر این، مدل پیشنهادی بلاک چین پزشکی می‌تواند مانع از حملات اینترنتی بالقوه ای شود که با درستی یابی رسمی شبیه سازی شده اند. بدین ترتیب، هویت بیمار به هیچ وجه افشا نمی شود و با توجه به نتایج شبیه سازی می توان این رابطه پایاپای را به خوبی و بدون اصلاح و تغییر تجهیزات پزشکی کنونی حذف کرد.

مقدمات
     قبل از اینکه به شرح جزئیات مکانیسم جدید بپردازیم، ابتدا در بخش 2.1 مقررات مطابق با HIPAA را بیان می کنیم. سپس، مفاهیم اصلی قرارداد هوشمند و بلاک چین را به اختصار در بخشهای 2.2 و 2.3 توصیف می کنیم.

قوانین انتقال و پاسخگویی الکترونیک بیمه سلامت
     قوانین و مقررات HIPAA برای تلفیق داده های پزشکی تعریف شده اند و کلیه موسسات پزشکی، مراکز مبادله داده ها و پرسنل ملزم به رعایت آن هستند. در بین این مقررات، قوانین امنیتی و حفظ حریم خصوصی بر محیط بلاک چین پزشکی تمرکز کرده اند به این دلیل که با مدیریت و کنترل سلامت فردی مرتبط هستند. علاوه بر این، NIST برای بهبود زیرساختهای حیاتی، اقدام به انتشار چارچوب امنیت سایبری کرده است (31) که یک زبان مشترک برای ارتباطات سازمانی محسوب می شود. بدین ترتیب، دفتر حقوق مدنی (OCR) یک سند کراس واک را برای تشخیص نگاشتهای بین قانون امنیتی HIPAA و چارچوب امنیت سایبری ارائه کرده است (31). لازم به ذکر است که موسسات تحت نظارت HIPAA ملزم به رعایت قانون امنیتی HIPAA در فضای بهداشت و درمان هستند.

قاعده حریم خصوصی
     این قاعده اذعان می کند که یک بیمار حق دارد از نحوه افشا و استفاده از اطلاعات پزشکی شخصی خود آگاهی پیدا کند (4، 5). به عبارت دیگر، بیمار باید بداند که چگونه از داده های درمانی شخصی وی استفاده می شود و خودش آن را تعیین کند. در صورتی که یک موسسه بخواهد پرونده بیمار را بدون حق کمیسیون منتشر کند، قاعده حریم خصوصی را نقض کرده است. بخصوص اینکه، استاندارد شناسه زدایی نیز به این قاعده افزوده شده است (6، 7). حتی اگر یک بیمار برای انتشار EHR های مربوطه در یک مورد خاص موافقت کرده باشد، اما هیچ کس این اجازه را ندارد که داده ها و اطلاعات آن را به مالک اصلی پیوند دهد (8، 9).

حریم شخصی و هوش مصنوعی: چالش های حفاظت از اطلاعات بهداشتی در عصر جدید

Privacy and artifcial intelligence: challenges for protecting health information in a new era

چکیده

پس زمینه

متن اصلی

نگرانی‌ها درباره دسترسی، استفاده و کنترل

مشکل شناسایی مجدد

نتیجه گیری

منابع

چکیده

پس زمینه : پیشرفت ها در زمینه هوش مصنوعی( AI) بهداشت و درمان به سرعت در حال اتفاق افتادن است و گفتگو درباره مدیریت توسعه آن رو به افزایش است. بسیاری از تکنولوژی های هوش مصنوعی به شرکت‌های خصوصی تعلق دارند و توسط آنها کنترل می‌شوند. ماهیت اجرای هوش مصنوعی می تواند به معنای آن باشد که شرکت ها ،کلینیک ها و سازمان های عمومی نقش پررنگ‌تری در به دست آوردن، استفاده و حفاظت از اطلاعات بهداشتی بیمار را خواهند داشت. این مسئله ، مسائل حریم شخصی مربوط به اجرا و امنیت اطلاعات را افزایش می دهد.

متن اصلی: اولین دسته از نگرانی‌ها، شامل استرس دسترسی، استفاده و کنترل اطلاعات بیمار در دستان شخصی می شود. برخی از مشارکت های عمومی – خصوصی اخیر برای اجرای هوش مصنوعی منجر به حفاظت ضعیف حریم شخصی شده است. بنابراین درخواست هایی برای نظارت سیستماتیک بر روی تحقیقات داده های وسیع بهداشت وجود داشته است. اقدامات مناسب باید برای حفظ حریم شخصی بیمار صورت گیرد. متولیان شخصی داده ها می توانند توسط اهداف رقابتی تحت تاثیر قرار گیرند و باید به صورت ساختاری به تضمین حفاظت اطلاعات و جلوگیری از استفاده جایگزین آنها تشویق شوند. دسته دیگری از نگرانی ها مربوط به ریسک های خارجی نقض حریم شخصی از طریق روشهای مبتنی بر هوش مصنوعی است. توانایی ناشناساندن و یا ناشناس بودن اطلاعات بهداشتی بیمار ممکن است به خطر بیفتد و یا حتی در پرتو الگوریتم های جدید که چنین اطلاعاتی را مجدداً شناسایی می کنند، مورد تهدید قرار گیرد. این مسئله می تواند ریسک وارد بر اطلاعات بیمار تحت نظر متولیان شخصی را افزایش دهد.

نتایج: در حال حاضر ما در یک شرایط مشابه قرار داریم که در آن مقررات و نظارت بر ریسک در پشت فناوری هایی که آنها را کنترل می‌کنند، قرار می گیرد. مقررات باید بر رضایت و حریم شخصی بیمار تاکید داشته باشد و روش های حفاظت و گمنام سازی اطلاعات را مورد تشویق قرار دهد.

نتیجه گیری

این یک دوره هیجان انگیز در توسعه و اجرای هوش مصنوعی در زمینه بهداشت و درمان است.بیمارانی که داده های آنها توسط هوش مصنوعی مورد استفاده قرار می‌گیرند، اگر تا حد زیادی از بهبود این تکنولوژی بهره مند نباشند، اما به طور قابل توجهی سود خواهند برد. با این حال اجرای تکنولوژی بهداشت و درمان با چالش های جدی حریم شخصی مواجه است. با این وجود ، اجرای فن‌آوری بهداشت و درمان با چالش‌های جدی حریم شخصی مواجه است . با توجه به اطلاعات پزشکی شخصی ، یکی از اشکالات اطلاعات خصوصی است و نگرانی‌های عمده‌ای در مورد چگونگی دسترسی ، کنترل و استفاده از آن توسط گروه‌های ذی النفع در طول زمان با بهبود هوش مصنوعی وجود دارد .تاکید بر روی رضایت بیمار و توسعه مقررات در این فضا نشان دهنده ارزش‌های قانونی و اخلاقی دموکراسی‌های لیبرال می‌باشد. به عنوان مثال، الزامات لازم برای رضایت آگاهانه از لحاظ تکنولوژیکی برای استفاده های جدید از داده ها، در صورت امکان، به حفظ حریم خصوصی  بیماران کمک می کند. همچنین اجازه استفاده از اطلاعات می تواند به وضوح منتقل شود.

Abstract

Background: Advances in healthcare artifcial intelligence (AI) are occurring rapidly and there is a growing discussion about managing its development. Many AI technologies end up owned and controlled by private entities. The nature of the implementation of AI could mean such corporations, clinics and public bodies will have a greater than typical role in obtaining, utilizing and protecting patient health information. This raises privacy issues relating to implementation and data security.

Main body: The frst set of concerns includes access, use and control of patient data in private hands. Some recent public–private partnerships for implementing AI have resulted in poor protection of privacy. As such, there have been calls for greater systemic oversight of big data health research. Appropriate safeguards must be in place to maintain privacy and patient agency. Private custodians of data can be impacted by competing goals and should be structurally encouraged to ensure data protection and to deter alternative use thereof. Another set of concerns relates to the external risk of privacy breaches through AI-driven methods. The ability to deidentify or anonymize patient health data may be compromised or even nullifed in light of new algorithms that have successfully reidentifed such data. This could increase the risk to patient data under private custodianship.

Conclusions: We are currently in a familiar situation in which regulation and oversight risk falling behind the technologies they govern. Regulation should emphasize patient agency and consent, and should encourage increasingly sophisticated methods of data anonymization and protection.

Conclusions

It is an exciting period in the development and implementation of healthcare AI, and patients whose data are used by these AI should beneft signifcantly, if not greatly, from the health improvements these technologies generate. Nonetheless, the implementation of commercial healthcare AI faces serious privacy challenges. Given personal medical information is among the most private and legally protected forms of data, there are signifcant concerns about how access, control and use by for-proft parties might change over time with a self-improving AI. An emphasis on patient agency and consent in the development of regulation in this space would refect the key legal and ethical values of liberal democracies. For example, requirements for technologically-facilitated recurrent informed consent for new uses of data, where possible, would help to respect the privacy and agency of patients.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

حریم شخصی و هوش مصنوعی: چالش های حفاظت از اطلاعات بهداشتی در عصر جدید

Privacy and artifcial intelligence: challenges for protecting health information in a new era

یادگیری عمیق و کاربرد های آن در زیست پزشکی

Deep Learning and Its Applications in Biomedicine

چکیده
مقدمه
توسعه ی ANN ها
توسعه ی یادگیری عمیق
توصیفی خلاصه در رابطه با یادگیری عمیق
مفاهیم اولیه
توابع فعال سازی
هدف بهینه سازی
تابع ضرر
روش های بهینه سازی
معماری یادگیری عمیق
AEها
RBM ها و DBN ها
شبکه های عصبی پیچشی ( کانولوشن)
شبکه های عصبی بازگشتی
کاربرد های این روش در زیست پزشکی
طبقه بندی تصویر های پزشکی و بخش بندی آن ها

چکیده

پیشرفت های انتزاعی در زیست و تکنولوژی های زیستی، حجم بسیار زیادی از داده های زیستی و فیزیولوژیک را ایجاد کرده است، از جمله تصویر های پزشکی، الکتروانسفالوگرافی، نقشه های ژنوم و توالی های پروتئینی. یادگیری با استفاده از این داده ها منجر به تسهیل درک ما نسبت به سلامت و بیماری های انسان می شود. الگوریتم های مبتنی بر یادگیری عمیق که از شبکه های عصبی مصنوعی توسعه پیدا کرده اند، توانایی بالایی برای استخراج کردن ویژگی و الگوهای یادگیری از داده های پیچیده را از خودشان نشان داده اند. هدف این مقاله فراهم کردن مروری بر روی تکنیک های یادگیری عمیق و بعضی از جدید ترین کاربرد های آن ها در زمینه ی پزشکی می باشد. ما نخست توسعه ی شبکه های عصبی و یادگیری عمیق را ارائه می کنیم. سپس دو بخش اصلی از یادگیری عمیق، یعنی معماری یادگیری عمیق و بهینه سازی مدل را ارائه می کنیم. در نهایت بعضی از نمونه های کاربردی روش یادگیری عمیق ارائه می گردد ، از جمله طبقه بندی تصاویر پزشکی، تحلیل توالی ها، و همچنین طبقه بندی و پیش بینی کردن ساختار پروتئین ها. در نهایت، ما دیدگاه خودمان را در رابطه با جهت آتی در زمینه ی یادگیری عمیق را ارائه می کنیم.
مقدمه
یادگیری عمیق یکی از روش های جدید با رشد سریع در زمینه ی یادگیری ماشین می باشد. در این روش تلاش می شود تا استخراج ویژگی ها و اطلاعات مفید از داده هایی با مقیاس بزرگ، با استفاده از شبکه های عصبی عمیق چند لایه ای (DNN ها) ، استخراج شود تا بتوان از داده هایی مانند تصاویر، صداها و متن ها، اطلاعات مفید به دست آورد [1]. یادگیری عمیق به صورت عمومی دارای دو ویژگی می باشد : 1)لایه های چندگانه از واحد های پردازش غیر خطی و 2) یادگیری با سرپرست یا بدون سرپرست از نمایه ی ویژگی ها در هر لایه [1].قالب کاری اولیه برای یادگیری عمیق بر اساس شبکه های عصبی مصنوعی (ANN ها) در دهه ی 1980 ایجاد شد [2] ، در حالی که تاثیر واقعی این روش های یادگیری عمیق در سال 2006 نمایان شد [3و4]. از آن زمان تا کنون، یادگیری عمیق در گستره ی زمینه های مختلف، شامل شناسایی خودکار گفتار، شناسایی تصویر، پردازش طبیعی زبان، شناسایی دارو و انفورماتیک زیستی مورد استفاده قرار گرفته است [5-7].
در دهه های اخیر، رشد گسترده ای در زمینه ی داده های پزشکی مانند توالی های ژنی، ساختار پروتئین ها، و تصویر های پزشکی ایجاد شده است که به دلیل پیشرفت در تکنولوژی هایی با کارایی بالا بوده است. این طوفان گسترده از داده های بزرگ زیستی، منجر به الزام استفاده از ابزار محاسباتی موثر و کارآمد شده است تا بتوانیم این چنین داده هایی را ذخیره سازی، تحلیل و تفسیر کنیم. قالب های کاری یادگیری عمیق ، مسائل جدیدی را نمایان کرده اند. هدف این مقاله فراهم کردن یک مرور در رابطه با یادگیری عمیق و بعضی از جدید ترین کاربرد های یادگیری عمیق در زمینه ی پزشکی و انفورماتیک زیستی می باشد.ما امید داریم که این مقاله بتواند برای خوانندگان ، مروری مناسب در رابطه با یادگیری عمیق ایجاد کرده و کاربرد های آن برای تحلیل داده های زیستی را نمایان کند.
طبقه بندی تصویر های پزشکی و بخش بندی آن ها
یادگیری ماشینی برای تصویر های پزشکی ، یک ابزار قوی در تشخیص و یا ارزیابی بیماری ها بوده است. معمولا، ویزگی های متمایز اشاره به تفسیر تصویر های پزشکی دارد که معمولا پیش از این، به صورت دستی توسط انسان ها برای طبقه بندی ( شناسایی کردن آسیب ها یا حالت های غیر عادی) و یا بخش بندی منطقه های مد نظر ( بافت ها و ارگان ها) در زمینه های پزشکی مختلف، مورد استفاده قرار می گرفته است. این روند نیازمند مشارکت متخصص ها و پزشکان می باشد. در هر صورت، پیچدگی و ابهام تصویر های پزشکی، دانش محدود برای تفسیر تصاویر پزشکی و الزام مقادیر داده های تفسیری مانع استفاده ی گسترده از یادگیری ماشینی در دامنه ی تصویر های پزشکی شده است. اما باید به این نکته اشاره کرد که روش های یادگیری عمیق ، موفقیت زیادی در انواع وظایف بصری کامپیوتری مانند شناسایی اشیا، مشخص کردن مکان آن ها و یا بخش بندی تصویر های طبیعی به دست آورده است. این موارد ، باعث شده که این روش ها از نظر تفسیر تصویر های پزشکی نیز امید بخش باشند.

Abstract

Advances in biological and medical technologies have been providing us explosive volumes of biological and physiological data, such as medical images, electroencephalography, genomic and protein sequences. Learning from these data facilitates the understanding of human health and disease. Developed from artificial neural networks, deep learning-based algorithms show great promise in extracting features and learning patterns from complex data. The aim of this paper is to provide an overview of deep learning techniques and some of the state-of-the-art applications in the biomedical field. We first introduce the development of artificial neural network and deep learning. We then describe two main components of deep learning, i.e., deep learning architectures and model optimization. Subsequently, some examples are demonstrated for deep learning applications, including medical image classification, genomic sequence analysis, as well as protein structure classification and prediction. Finally, we offer our perspectives for the future directions in the field of deep learning.

Introduction

Deep learning is a recent and fast-growing field of machine learning. It attempts to model abstraction from large-scale data by employing multi-layered deep neural networks (DNNs), thus making sense of data such as images, sounds, and texts [1]. Deep learning in general has two properties: (1) multiple layers of nonlinear processing units, and (2) supervised or unsupervised learning of feature presentations on each layer [1]. The early framework for deep learning was built on artificial neural networks (ANNs) in the 1980s [2], while the real impact of deep learning became apparent in 2006 [3,4]. Since then, deep learning has been applied to a wide range of fields, including automatic speech recognition, image recognition, natural language processing, drug discovery, and bioinformatics [5–7]. The past decades have witnessed a massive growth in biomedical data, such as genomic sequences, protein structures, and medical images, due to the advances of highthroughput technologies. This deluge of biomedical big data necessitates effective and efficient computational tools to store, analyze, and interpret such data [5,8]. Deep learning-based algorithmic frameworks shed light on these challenging problems. The aim of this paper is to provide the bioinformatics and biomedical informatics community an overview of deep learning techniques and some of the state-of-the-art applications of deep learning in the biomedical field. We hope this paper will provide readers an overview of deep learning, and how it can be used for analyzing biomedical data.

Medical image classification and segmentation

Machine learning for medical images has long been a powerful tool in the diagnosis or assessment of diseases. Traditionally, discriminative features referring to medical image interpretation are manually designed for classification (detection of lesions or abnormalities) and segmentation of regions of interest (tissues and organs) in different medical applications. This requires the participation of physicians with expertise. Nonetheless, the complexity and ambiguity of medical images, limited knowledge for medical image interpretation, and the requirement of large amounts of annotated data have hindered the wide use of machine learning in the medical image domain. Notably, deep learning methods have attained success in a variety of computer vision tasks such as object recognition, localization, and segmentation in natural images. These have soon brought about an active field of machine learning in medical image analysis.

تشخیص تنگی نفس موقتی در خواب بر اساس مدل سازی Rician تغییرات جنبه ها در سیگنال های EEG در چند باند

Sleep Apnea Detection Based on Rician Modeling of Feature Variation in Multi-band EEG Signal

چکیده
1- مقدمه
2- روش پیشنهاد شده
الف) استخراج سیگنال محدود به باند
ب)استخراج ویژگی از چند باند
ج) استخراج الگوی تغییرات ویژگی ها به صورت زمانی
د) برازش مدل از الگوهای تغییرات ویژگی ها
ه) دسته بندی کننده
3- نتایج و مباحث
الف) دیتابیس ها
ب) نکویی برازش
ج) نکویی ویژگی ها
د) نتایج دسته بندی
4- جمع بندی
منابع

چکیده

آپنه در خواب، که یکی از اختلال های جدی در خواب است و جمعیت زیادی از آن رنج می برند، باعث اختلال در تنفس در طول خواب می شود. در این مقاله، یک طرح شناسایی خودکار آپنه با استفاده از سیگنال های EEG تک کابل ارائه شده است که باعث می شود بین بیماران آپنه و افراد سالم تمایز ایجاد شود و بتوان رخداد های آپنه و غیر آپنه را در بیماران مبتلا به مشکل آپنه را بررسی کرد که این کار، کار دشواری می باشد. یک طرح استخراج ویژگی از فریم های فرعی از چند باند به صورت منحصر به فرد در این مقاله توسعه یافته است که با استفاده از آن می توان الگوی تغییرات ویژگی را در یک قاب از داده های EEG، شناسایی کرد که این ویژگی ها می تواند مشخصه های کاملا متفاوتی را در فریم های مرتبط با آپنه و رخداد های غیر آپنه ای ارائه کند. در این مقاله ها مشخص شده است که استفاده از پارامتر های مدل Rician همراه با معیار های آماری می تواند کیفیت های ویژگی بسیار قوی از نظر معیار عملکرد استاندارد ارائه کند، مانند فاصله Bhattacharyya و شاخص تفکیک پذیری هندسی. برای دسته بندی، ویژگی های پیشنهاد شده در روش دسته بندی نزدیک ترین همسایه K (KNN) مورد استفاده قرار می گیرد. از آزمایش های گسترده و تحلیل های انجام شده بر روی دیتابیس هایی که به صورت عمومی در دسترس می باشد، مشخص شده است که روش پیشنهاد شده می تواند عملکرد بهتری از نظر حساسیت، ویژگی و صحت دسته بندی ارائه کند.

4- جمع بندی

در تحلیل داده های EEG فریم به فریم به صورت متداول تنها مشخصه های کلی از یک فریم را می توان به دست آورد که در این مورد، ویژگی ها با در نظر داشتن کل فریم در یک زمان استخراج می شوند .در مقابل، در این مقاله، روش استخراج ویژگی به صورت دو مرحله ای ارائه شده است. نخست، ویژگی ها از یک مدت زمان کوتاه با همپوشانی بین فریم های فرعی در یک فریم محاسبه می شود که این کار باعث می شود که تغییرات شدید در زمان ثبت بشود و باعث می شود که تغییرات زمانی ویژگی استخراج شده در فریم، شناسایی شود. سپس تحلیل های آماری و مدل سازی بر روی الگوی تغییرات به دست آمده اعمال می شود که باعث می شود ما بتوانیم از مشخصه های محلی و سراسری یک فریم استفاده کنیم. جدا از تضمین تفکیک زمانی در استخراج ویژگی ها، استفاده از سیگنال هایی با چند باند باعث می شود که تفکیک فرکانسی نیز تضمین شود. در میان مدل های مختلف از PDF، مشخص شده است که PDF از نوع Rician بهترین کیفیت ویژگی را از نظر فاصله Bhattacharyyaو GSI ایجاد می کند. فارغ از نوع آپنه، روش پیشنهاد شده می تواند نه تنها موارد آپنه ای و افراد سالم را از یکدیگر تفکیک کند، بلکه می تواند فریم های آپنه ای و غیر آپنه ای در یک بیمار را هم شناسایی کند که این موضوع ، کاربرد بسیار مهمی در پلی سومنوگرافی شبانه (PSG) برای کاهش خطای انسانی، نیروی کار و هزینه دارد. روش پیشنهاد شده بر روی سه دیتابیس EEG بزرگ ارزیابی شد و مشخص گردید که این روش نسبت به روش های دسته بندی موجود از نظر معیار های عملکردی حساسیت، ویژگی و صحت ، برتری دارد. این موضوع باعث می شود که روش پیشنهاد شده در دامنه های تشخیصی گسترده، کاربرد های زیادی داشته باشد.

Abstract

Sleep apnea, a serious sleep disorder affecting a large population, causes disruptions in breathing during sleep. In this paper, an automatic apnea detection scheme is proposed using single lead electroencephalography (EEC) signal to discriminate apnea patients and healthy subjects as well as to deal with the difficult task of classifying apnea and nonapnea events of an apnea patient. A unique multiband subframe based feature extraction scheme is developed to capture the feature variation pattern within a frame of EEC data, which is shown to exhibit significantly different characteristics in apnea and nonapnea frames. Such withinframe feature variation can be better represented by some statistical measures and characteristic probability density functions. It is found that use of Rician model parameters along with some statistical measures can offer very robust feature qualities in terms of standard performance criteria, such as Bhattacharyya distance and geometric separability index. For the purpose of classification, proposed features are used in K Nearest Neighbor classifier. From extensive experimentations and analysis on three different publicly available databases it is found that the proposed method offers superior classification performance in terms of sensitivity, specificity, and accuracy.

IV- CONCLUSION

In conventional frame-by-frame EEG data analysis only the global characteristics of a frame can be obtained as in that case, features are extracted considering the entire frame at a time. On the contrary, in this paper, two-stage feature extraction method is proposed. First, the feature is computed from small duration overlapping sub-frames within a frame, which can precisely capture sharp changes with respect to time and provide temporal variation of the extracted feature within that frame. Next, statistical analysis and modeling are carried out on the resulting feature variation pattern, which gives an opportunity to utilize both local and global characteristics of a frame. Apart from ensuring such time resolution in feature extraction, use of multi-band signals also ensures frequency resolution. Among various PDF models, it is found that the Rician PDF is offering the best feature quality in terms of Bhattacharyya distance and GSI. Irrespective of the type of apnea, the proposed method can not only classify apnea patient and healthy subject but also classify apnea and nonapnea frames of an apnea patient, which has a great demand in the overnight polysomnography (PSG) to reduce human error, labor and cost. The proposed method is evaluated on three different and large EEG databases and it offers superior classification performance in comparison to some existing methods in terms of sensitivity, specificity and accuracy. It makes the proposed method to be widely applicable in a greater domain of diagnosis.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

تشخیص تنگی نفس موقتی در خواب بر اساس مدل سازی Rician تغییرات جنبه ها در سیگنال های EEG در چند باند

Sleep Apnea Detection Based on Rician Modeling of Feature Variation in Multi-band EEG Signal

استفاده از فناوری اطلاعات و ارتباطات میان افراد مبتلا به بیماری PLHIV در چین: استفاده برای پیشگیری و مراقبت اچ آی وی

Information Communication Technology (ICT) use among PLHIV in China: A promising but underutilized venue for HIV prevention and care

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.

مجله بین المللی مدیریت اطلاعات – International Journal of Information Management

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

استفاده از فناوری اطلاعات و ارتباطات میان افراد مبتلا به بیماری PLHIV در چین: استفاده برای پیشگیری و مراقبت اچ آی وی

Information Communication Technology (ICT) use among PLHIV in China: A promising but underutilized venue for HIV prevention and care

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.