دوره 18، شماره 3 - ( 7-1398 )                   جلد 18 شماره 3 صفحات 63-72 | برگشت به فهرست نسخه ها

XML English Abstract Print


Download citation:
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
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

URL: http://jhosp.tums.ac.ir/article-1-5894-fa.html


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
چکیده:   (982 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
متن کامل [PDF 893 kb]   (332 دریافت)    
نوع مطالعه: سایر | موضوع مقاله: سایر
دریافت: 1396/8/3 | پذیرش: 1397/12/22 | انتشار: 1398/2/23

ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA

کلیه حقوق این وب سایت متعلق به فصلنامه بیمارستان می باشد.

طراحی و برنامه نویسی : یکتاوب افزار شرق

© 2017 All Rights Reserved | Journal of Hospital

Designed & Developed by : Yektaweb