دوره 18، شماره 3 - ( 7-1398 )
جلد 18 شماره 3 صفحات 72-63 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Ghanavatinejad M, Tavakoli M, Sepehri M. A Clustering model for gadgets and apps used in patient monitoring in HIOT environment. jhosp 2019; 18 (3) :63-72
URL: http://jhosp.tums.ac.ir/article-1-5894-fa.html
URL: http://jhosp.tums.ac.ir/article-1-5894-fa.html
قنواتی نژاد محسن، توکلی مهدیه، سپهری محمدمهدی. مدل خوشهبندی ابزارها و نرم‌افزارهای پایش جسمی بیمار در محیط اینترنت اشیا در حوزه سلامت . بیمارستان. 1398; 18 (3) :63-72
محسن قنواتی نژاد1 
، مهدیه توکلی1 ، محمدمهدی سپهری* 2
، مهدیه توکلی1 ، محمدمهدی سپهری* 2
1- کارشناسی ارشد مهندسی صنایع، گرایش سیستم های سلامت، دانشکده مهندسی صنایع و سیستم‌ها، دانشگاه تربیت مدرس، تهران، ایران
2- استاد گروه مهندسی سیستم‌های سلامت، دانشکده مهندسی صنایع و سیستم‌ها، دانشگاه تربیت مدرس (*نویسنده مسئول)، آدرس: دانشگاه تربیت مدرس، دانشکده مهندسی صنایع و سیستم ها، طبقه نهم غربی، mehdi.sepehri@gmail.com
2- استاد گروه مهندسی سیستم‌های سلامت، دانشکده مهندسی صنایع و سیستم‌ها، دانشگاه تربیت مدرس (*نویسنده مسئول)، آدرس: دانشگاه تربیت مدرس، دانشکده مهندسی صنایع و سیستم ها، طبقه نهم غربی، mehdi.sepehri@gmail.com
چکیده: (3201 مشاهده)
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، قند خون و دیگر علائم حیاتی هستند. هدف مقاله، ارائه مدل خوشهبندی فناوریهای مذکور با استفاده از تکنیکهای داده‌کاوی است تا مناسبترین فناوری، طبق نیازها و ویژگیهای کاربر انتخاب شود.
مواد و روشها: پژوهش حاضر، مروری و از منظر نتیجه کاربردی میباشد. داده‌ها شامل شش مشخصه منحصربهفرد 60 فناوری منتخب، شامل کاربرد، قیمت، نحوه اتصال، منبع تغذیه، مکان استفاده و نوع استفاده میباشد که از سایتهای توسعه و تبلیغات فناوری‌ها و همچنین بررسی مقالات مرتبط استخراج شده است. روش تجزیه‌وتحلیل داده‌ها، تکنیک خوشهبندی و الگوریتم K-medoids است. همچنین برای شناسایی مؤثرترین 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 لحظه‌به‌لحظه، آمار پیشروی بیماریها کمتر و پیشگیری آنها بهتر انجام گیرد
مواد و روشها: پژوهش حاضر، مروری و از منظر نتیجه کاربردی میباشد. داده‌ها شامل شش مشخصه منحصربهفرد 60 فناوری منتخب، شامل کاربرد، قیمت، نحوه اتصال، منبع تغذیه، مکان استفاده و نوع استفاده میباشد که از سایتهای توسعه و تبلیغات فناوری‌ها و همچنین بررسی مقالات مرتبط استخراج شده است. روش تجزیه‌وتحلیل داده‌ها، تکنیک خوشهبندی و الگوریتم K-medoids است. همچنین برای شناسایی مؤثرترین 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 لحظه‌به‌لحظه، آمار پیشروی بیماریها کمتر و پیشگیری آنها بهتر انجام گیرد
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
