有影响力的使用大数据和人工智能的医疗保健

文摘

人工智能(AI)使人类大脑计算机系统能够执行的任务在许多领域在日常生活的各个方面。信息和通信技术(ICT)的增强无疑提高了世界各地人们的生活的质量。尤其是ICT导致贫困和巨大的改善卫生部门也就是俗称电子健康(电子健康)和医疗卫生(mHealth)。深机器学习和人工智能方法通常呈现在许多应用程序中使用大数据,包括所有相关数据对模型的医疗健康和疾病时可以访问执行或诊断疾病。例如,心血管成像已经准确成像结合大数据的电子健康记录和更好地描述疾病病理学和个性化的治疗。在临床工作和成像,癌症治疗得到改善通过了解肿瘤生物学和帮助实现精密医学。马尔可夫模型用于提取新方法利用癌症。在这篇文章中,我们回顾了现有研究电子健康和健康相关的各种模型讨论了使用大数据诊断和医疗保健系统。本文总结了最近的人工智能的应用前景和大数据在医疗卫生和电子健康,具有潜在的附加值来诊断和病人护理。

1。介绍

人工智能是计算机科学领域,能够复制人类特征,学习能力和存储的知识。它执行的大部分领域的人类大脑的任务在我们的日常生活的各个方面使用大数据的应用程序。超级计算机是分析大数据使用先进的算法深度学习的机器,这使得产量的提高。这个领域非常贫困和巨大的增强在生活的各个领域,尤其是在医疗保健。大数据分析在生物医学科学输入;大数据的最重要的来源已经讨论和解释,尤其是在肿瘤、心血管疾病、过敏性疾病,临床工作,耳疾病,等等。一起,也触动的某些方面需要结合几个病理和临床资源和生活质量数据1)以及前所未有的神经科学和定量数据集(2]。医疗护理和治疗得到增强。研究人员收集数据有效地使人类保健和疾病诊断和操作。医生怀疑人工智能可以提供的帮助他们的医疗实践。研究探索一种可以理解的经验,包括所有挑战,风险,和安慰,因为人工智能编程的实现大数据的帮助下在传染性疾病医疗设置。这个项目的目的是在设计一套工具可以支持一个准确、客观、有效和临床决策过程(3]。在生物医学中,有很多方法可以收集数据从观察与实验中得来。科学家经常在努力收集数据对数据是如何产生的疾病和治疗疾病。生物医学信息是创造思维、管理和分析,可以进一步转变成科学认知方式提高病人护理。这是主要挑战美国国立卫生研究院(NIH)研究院领导知识表示的大数据。评级机构正努力收集越来越多的数据提高研究效率。主要中心正在开发和大规模数据处理这种类型的案件。他们将研究精确的设备需要多少生物医学数据的新一代科学家。在当今世界,国家卫生研究院和大数据(BD2K)寻求知识的位置数据科学生物医学研究(4]。

健康信息技术设计由于健康差异等复杂问题的解决方案。混合结果可以通过演示直接影响健康结果。所有这些,我们必须知道集体智慧,大数据,信息能力,相应的智能健康、知识交流知识、生态系统,和态势感知能力。标准、指南和反对建立了公共卫生信息学健康公平和健康差异,这将增加健康知识和保健(5]。Fodeh和曾6提出了大数据的符号是用于三个词:体积,品种,和速度。这是最重要的概念,是与尺寸的体积有关,和多样性是非常相关的生物医学数据得到病人,包括表和结构化数据。生物医学研究团体正在努力升级大数据的聚类分析。挖掘大数据可能拥有大量的信息,有一个可能的方式和源给知识;数据挖掘和机器学习方法等数据系列是有用的在一个具有挑战性的任务。Kavakiotis et al。7)已经讨论了很多数据在推进技术可行的医疗人员。研究人员领导的很多疾病如糖尿病的研究,有关主要是使用不同类型的数据集。这些假设将会引领我们对世界上各种的知识技术和疾病。应该有足够的数据和知识在使用前对机器和技术,因为大多数的机器用于医学和医疗辐射对人类非常有害和危险和建筑物。证明的原则提供了肺癌已收集到的五个位置。euroCAT基础设施已成功实现为一个辐射诊所。放射肿瘤学作为euroCAT网络,将有利于促进机器(8]。在日常临床工作中,成像数据使用有能力改善癌症治疗通过了解肿瘤生物学和精密医学的帮助实现的。加入的肿瘤微环境,radiomics有助于监测和评价肿瘤的特性,比如时间和空间异质性。

Limkin et al。9]提供了一个研究案例,协助确保的实际发展和增强radiomics作为生物标志物和在临床实践中促进其实现。Gebremeskel等人提出了一种数据挖掘技术的优化构想的知识提取通过检查临床数据集定义的决定性特征使用建模技术,能够处理和分析大规模数据的上下文(10]。使用人工智能分析,指导方针,加快药物的复苏,所以艾未未的视力不强但重要的是,。快速发展、权力和人工智能技术和网络医学问题加快医疗治疗的发展。这项研究是一个强有力的证据AI-assisted工具的使用和偿还对人类疾病的药物,包括COVID-19致命的疾病的时候(11]。各种研究已经考虑COVID-19[的定性分析12- - - - - -14]。这些研究主要从不同的角度考虑冠状病毒。

冠状病毒病的风险敞口2019使医疗体系越来越重的负担。而被感染的病人不严重的迹象,可以在家处理,有些人出现严重症状,需要住院。这就是为什么重要的是有效地评估COVID-19的严重程度,确定医院的重点。COVID-19已经发表在许多国家在短期内。通过选择一个会话病人出院时间,包括救援技术和统计分析,是时候认真准备了决策者做好准备更多医院负担。提出了一种多维数据集模型验证和验证的实际和确诊病例和死亡人数,并接受由世界卫生组织。经常在霍乱疾病,这个research-assisted配对可以习得的。四个诊断模型,包括淋巴细胞、乳酸脱氢酶、c反应蛋白,中性粒细胞,已经开发和验证使用XGBoost算法(15- - - - - -17]。

提出研究的贡献是回顾电子健康和健康相关的现有研究,各种模型进行了讨论。大数据的方法以及使用在医疗系统阐述了诊断疾病。人工智能的研究总结了最近的应用前景和大数据在医疗卫生和电子健康。这项研究将可能增加价值的研究诊断和病人护理。

本文结构如下:部分2显示了相关工作计划的研究。细节关于大数据的应用和AI给出简要的部分3。所面临的挑战和障碍的医疗部分所示4。给出本文的结论部分5。

2。文献综述

米勒et al。18)提出的概述生物医学数据的推导新知识对临床决策支持工具可以从可用数据的财富发展到现代化的临床护理和科学研究神经退化疾病相关的精密医学的时代。Garcia-Ceja et al。19传感器数据调查)和机器学习心理健康监测系统。这项研究的重点是关于精神疾病或条件如压力、焦虑、抑郁症、双相情感障碍。建议指导相关分类分类研究的回顾和现在嗯的整个阶段。数字医疗技术允许访问优化临床保健和临床研究访问医疗的信息时代。尽管这些技术的使用在研究和临床护理面临着数据质量等问题,隐私和监管等。Sharma et al。20.]总结智库会议程序与目标描述一个适当的框架中使用数字医疗技术研究和卫生保健供给。在阿尔茨海默病(AD),临床发展项目未能修改新的疾病和建立质量工作工具新的和先进的疾病的治疗。报告是基于计算机建模与仿真中扮演重要角色的强大和观察在广告研究[21]。超级计算机是分析大数据使用算法先进的深度学习机器允许改善输出像视觉影像判读以前听不清并承诺改变医学的实践水平。人工智能是一个著名的领域什么每个人都意识到;等领域带来了巨大的进步在像自动化临床决策,疾病探测器成像分析在医学诊断分类器,一个介入程序,它已经严重影响介入心脏病学实践的力量。这种独特的介入心脏病学的性质使其进化的最高目标描述的基于人工智能的方法来提高实时临床决策,优雅的在实验室工作流程,标准化catheter-based程序使用机器人。这项研究强调了人工智能的范围,其潜在的应用,限制在介入性心脏病学22]。

医疗领域取得的效果的影响以来大数据来源阐述了医疗机构的熟悉的维度,异构并发症,和过度的精神。大数据的分析技术、工具和平台被认为在许多领域;影响医疗机构实现小说为可能的医疗保健应用程序用例显示了有前途的研究方向。在这种情况下,这些应用程序的成功完全依赖于适当的和适当的基本架构和优化工具所指通过引入研究的尝试。Palanisamy和Thirunavukarasu23已经讨论了许多分析领域,忍受病人护理系统从股东的角度和评价大数据结构基本数据源,系统的功能,以及应用领域,而大数据的暗示,艾滋病医疗发展的生态系统也进行了讨论。现代技术,隐马尔科夫模型(HMM),可以用于管理大量数据;可再生和可翻译的动态的大脑网络的推理可以成为可能在不同的数据集的范围包括各种其他任务(24]。前面的增强在ICT无疑改善了世界各地人们的生活质量。计算机技术已导致非常贫困,极大的增强在卫生部门,通常被称为电子健康(电子健康)。优化这一发展的完整和令人钦佩的福利,是很重要的在基于云的环境中实现它。旁边无数的和优雅的电子健康云计算的好处,全面优化仍是阻碍等面临一些挑战隐私和安全。研究主要侧重于当代文学的许多技术和机制是用来控制隐私在电子健康和安全相关的事项。这些方法的鲁棒性和脆弱性的哼声。综述了110篇文章,和几个模型找出解决方案被采纳。这些模型比较,文章综述了可接受的标准和定义的电子健康被推荐。隐私和安全需求进行了讨论和提供按照推荐的健康保险流通与责任法案(HIPAA)。 Finally, a dependable and secured architecture for eHealth was proposed that could guarantee the effective, regulated, and dependable access framework to health information [25]。它也应用于语音和语言治疗。但是,这些疗法往往愿意用于中风后几个月。帕默et al。26)评估自我管理的计算机语言疗法(CSLT)旨在提供更多治疗病人比他们可以访问仅通过常规治疗。单独CSLT +常规治疗显著改善相关词的发现,但是他们没有改善在谈话中。Schoettler et al。27]提出了审查的全基因组关联研究(gwas)哮喘和过敏有关,他得出的结论是,儿童哮喘相关是最独立的轨迹与其他指定组相比,过敏和哮喘病例,同时减少了成人哮喘相关基因可以被视为类似于儿童哮喘的一个子集。

3所示。大数据的应用和人工智能

世界上大量的数据可以在不同的医院和医疗中心,收集从流感传染人类。日益增加的数据量(28]。研究人员正在分析数据并提取影响人体的疾病。Pobiruchin et al。29日)提取新方法利用癌症发展的马尔可夫模型的研究人员容易提取乳腺癌的临床病人,可以很容易地用于新鲜尸体在现实世界的影响。研究主要集中在出版研究乳腺癌,这是关心的临床研究数据。在这个注册表,通常情况下,病人都是8年临床注册报告。使用马尔可夫模型很好为未来创造一个良好的机会规划在医疗和临床数据中心的存在。这是有用的一个简单的方法来确定未来的病人和他们的感情。深基于规则的模糊系统用于准确预测死亡率在医院重症监护病房(ICU)。按照这种方法,每个基本建筑单元DRBFS,同一个系统的输入必须保持。在ICU在48小时内,异构特色的招生提取一组死亡率在医院(30.]。与健康有关的数据记录,复发性神经网络用于疾病风险的预测。模型结果更好的小数据集,而对于大型的、有关模型及其应用不同病人的人口在医院没有评估(31日]。流行病学家使用电子健康档案,协助为间隔的指导方针提供证据和筛查间隔而审查间隔和未确诊的疾病做一个路径等问题大量分析风险评估使用kaplan meier方法所无法解决的(32]。赵et al。33)已经确定时态数据的说明电子健康记录(EHR);有几个方法基于符号序列的时间序列数据,可在几个方面,而几个证据依赖的标准符号序列表示通过比较它特定的订单由临床专家领域知识的使用。在其他应用程序的大数据基于轨迹数据,提取私家车的常规行为(34- - - - - -36]。

3.1。疾病预测和大数据

大数据和人工智能方法通常在移动医疗和电子健康应用自我管理和家庭保健服务的长期健康状况。适应自我管理这些应用程序的哮喘多因子的持久的疾病需要验证和评估现实的设置以及增强病人的个性化程度预测关于哮喘的控制地位,增加陷阱。这项研究提供了一个短期的预言技术控制哮喘状态,在多个分类模型被认为是火车每个观察框架以及义务预处理技术来提高强度和有效性。支持向量机,随机森林,贝叶斯网络,演算法被认为是机器学习算法综述(37]。Xin-Di et al。38)由252公式从处方的黄金商会的简介和论述外生发热性疾病,寻求识别草药混合物的基本规则的选择概率模型和大数据技术。Pashazadeh和Navimipour39]提供了一个详细和系统综述现代机制相关的医疗保健应用程序在大数据领域。五个类别是讨论基于启发式的,混合动力机制,基于机器学习的、基于云的,代理。Harous et al。40有开明的肥胖管理大数据的应用使用感觉和社会数据在移动健康体系结构中,主要提出了评估,检测,控制肥胖,取决于手机用于复杂的操作和处理的数据收集。使用这种新开发的移动架构,一个可以解决肥胖的挑战控制、监视和预防。不同的算法被用来生成了建议,建议,控制肥胖及其相关疾病和警告。在大型数据集的体格生长测量经常使用的卫生专业人员,本文旨在重新生成一个新的增长图表为法国的孩子。32个随机初级保健儿科医生和10个志愿者选择全科医生在法国主要地区所使用的电子病历软件。小儿体格生长提取的所有数据匿名化患者。新的成长图表导出并与世卫组织图表,发现它正确和错误免费(41]。

机械疗法主要是规定为电机、十二指肠、内分泌、泌尿、呼吸、消化、神经、心血管疾病。卫生保健的快速进化是由奥运相关技术的提高,生物医学和科学科学。适当的药物被设计来实现特定的和更具体的治疗特定疾病和病人42]。医疗行业是制药行业蓬勃发展。再次确认,文本、数字、照片和目录,任何信息,列出了大而不规则的发现各种卫生服务管理系统的患者信息列表。同时,医院的几个地理部门在不同的位置。以不同的方式,事实上提供病人健康信息的时候。为了应对这些问题,达明是一个片面的解决方案为海军医疗干预,素食医疗管理系统(43]。儿童的发病率和小儿肺炎和腹泻等疾病是全球挑战。病人的人口统计和健康调查(DHS)驱逐出境后从印度再一次创建剖腹产(cbn),儿童腹泻的位置因素进行了探讨。免费软件工具,国土安全部的位置数据,图形结构学习与世界参考限制,和混合结构学习算法。研究发现失踪的结果值,样本大小,并根据每个约束的知识结构学习算法和评估其准确性与多个评分功能。(44]。华林et al。45)帮助医疗保健专家知识文献综述在大东部使用自动化机器学习(AutoML)与机器学习模型的最新经验专业化“O-Shelf”有限的信息数据。的可能的机会和风险在医疗领域也使用AutoML位于前景,以及AutoML在医疗保健的需求应对攻击。毫升技术的使用有可能改善的结果健康,降低医疗成本,证明临床研究。如今最大的惯例,使用人工智能,以前发现的知识可以在大集合。临床肿瘤数据只是一个开始与丰富的临床实践和研究多线程文件和元数据。我们的大多数客户包括公司和员工。干预措施不足,短期停留,视力可以改善病人护理。将强大的人工智能算法已经在改变仪器演示和常识的高强度放射肿瘤学。然而,这可能是通过建立临床科学界放射肿瘤学(46]。

3.2。在医疗技术创新

区块链技术,如遗传特征的血管化,路由器透明度、和识别信息,比特币cryptocurrency 2008年推出。广泛的域级领域从事健康领域。本研究的目的是系统地获得启动出版物和评估的土耳其位置使用/区块链改进流程和服务的提供医疗、健康科学、卫生服务(47]。有一些生物过程涉及细胞调节和信号通过蛋白复合物的组装。当有任何改变发生通过蛋白质的接口,它将影响multiprotein复合物的形成。因此,突然改变发生在细胞功能和遗传疾病发生发展的癌症和耐药性。这些蛋白质是必不可少的,导致许多资源预测效果的形成。它应该准备变异如何影响multiprotein复合物的结构和身体(48]。有一些模型正在开发的两个不同的问题解决方案的计算,分配的基金在非洲的沙漠和森林传染病。指导实证数据收集和理论发展提供了未来的发展49]。生物医学研究与大数据正在彻底改变了。自动数据收集的非凡的进步大规模临床和分子数据造成的主要挑战数据简化和分析,总结了新的计算技术的发展。系统的开发与有效利用生物医学大数据尤其是医学需要高尚的科学技术创造工程,基础设施、金融管理和项目将被包括在内。在这项研究中,数据驱动的转换技术提供了解决这些问题的概率已经审核,指导精化理论系统的功能和技术模型的生成和协助临床过程的设计精密医学(50]。

耳病和乳突疾病可以很容易地处理如果早期发现与适当的医疗照顾。然而,有时候,我们没有专家或我们可能相对较低的诊断精度如果需要新的诊断方式的政策,深机器学习可以扮演一个贵族角色。Cha et al。51)提出了机器学习模型自动诊断的帮助下耳病数据集有总共10544张图片被训练使用CNN分类内部鼓膜和外耳道耳朵疾病的特性分为6类,已覆盖大部分的耳朵疾病. .Inception-V3和ResNet101学习模型选择的培训和精度,平均精度为93.67%。这个分类器训练在各种条件和环境诊断并给出更好的结果,所以它是更适合在实际环境中使用。不同国家,EQ-5D-3L(三级EuroQol五维问卷)集是根深蒂固的价值评估的效用的健康状态。生成这些值之前,分析师收集prechosen健康状态的值从一个控制台代表公众然后使用数学算法来生成值243个国家。估计两新标准的合理性和正确性,早些时候,预报值的健康状态和共同价值观的健康状态在特定的,先前存在的数据集使用,适应血管(视觉模拟量表)值从126名学生,每个学生有价值的所有243个国家。产生一系列表示,最终,数据是根据每个模型设计。很少被使用在过去(52]。相关的科学活动,这项研究显示了一个大型数据保管,包括流行病学、临床和分子数据,提供了研究机会和协助科学活动至关重要。大量的数据可能包含低成本的优势集合。限制可能包含数据存储和处理的成本和难度,这是必不可少的现代方法如格式,分析,和安全的担忧,准确性和可靠性。这是解释说,大数据的来源和工具分析可以用来帮助和诊断皮肤疾病的治疗和管理(53]。糖尿病是一种血糖水平的降低在血液中轻微的延迟,导致无法代谢。当体内的胰岛素反应不当或者身体不会产生它,这导致糖尿病。严重的和长期的健康问题。政府并没有真正对待选修课,包括心脏疼痛、肺部疾病、皮肤和肝脏疾病,神经损伤,和噪音损害;快速的发现是罕见的。塔迦尔et al。54]讨论了一些有价值的技术在未来挖掘和诊断糖尿病。

Tandon et al。55]目前的问题和机会使用区块链技术来改善健康性能。单反(系统文献综述)结果表明,区块链被用来创造新的就业机会,提高标准管理、配送、加工的个人医疗记录。实现区块链技术是医疗体系的一部分,在医疗行业的真实,在添加了重要的价值通过改善性能,接近,技术进步,保护,信息管理系统的安全性和隐私。信息的收集和细化公共技术整合政府和房地产公司的整个世界作为一个战略解决方案,以缓解COVID-19,防止信息的信息。然而,法律关于临终监控系统来监控那些无法阅读下列文件在使用帮助文档的公共权力的世界。电子病历的发展包含有价值的信息Rangatahi的疾病和治疗的悲剧。在心力衰竭的研究中,以斯帖和她的同事们提出了一个方案提取短期CCE的连续样本数据分级改善表型和预测,也专业。短暂的EHR信息对疾病进展和治疗结果。本文提出了一种方法代表瞬态过渡CCE观察机器学习。利用心脏疾病患者的临床资料,EHR药物传输和临时表示从诊断和处方类记录活动(56]。虚拟化(AI)和机器学习产生真正的影响在医疗行业的许多领域。癌症的网站是一个全球性的现象。努力减少事故的几率应该是及时的。然而,转移性发展,5 -羟色胺的频率,和药物抑制。重要的是要找到新的生物标记物刺激组阻力和改善药改善航空公司提高航空公司(57]。时间表心脏衰竭的风险评估工具使用数据库设计与现实,一次性临床文档扫描和低精度。本研究的目的是创造一个全面的30天计划突然公告和准确的预测。全因死亡率(ACM)连接临床和临床电子病历系统上的可用信息。有三个预测指标一个30天的非结构化阅读或ACM创建使用循序渐进的方法:(a)指数录取模式,(b) feature-aggregated模型和(c)指数放电模式58]。研究讨论了人工智能,它有能力模拟人体特征,知识存储、学习能力等。已经有大部分技术已被应用于医学和医疗、C-statistic模型等,在北卡罗莱纳医院最好的模型用于预测和提高效率的预防医学(59]。表1代表了一些现有的研究文献中可用。

3.3。心血管

心血管成像与数据科学的兴起得到改变。有许多种技术已被应用于心血管医学探索不同类型的疾病,以及改善病人护理质量和死亡率。AI在心血管医学的潜力是巨大的,虽然无知的挑战可能掩盖其潜在的临床影响(60]。有一些复杂性如效率、定时和失踪发生在所有阶段的诊断成像链。人工智能的应用程序的依赖项落在有力的数据,适当的计算技术和工具。在一些地区,这取决于其临床应用的验证图像分组,自动测量,和诊断。心血管疾病已经准确成像结合大数据的电子健康记录和更好地描述疾病病理学和个性化治疗(61年]。研究探索区域,提出了在现有文献研究的区域(62年,63年]。

3.4。大数据和疾病识别

在日常临床工作中,成像数据使用有能力改善癌症治疗通过了解肿瘤生物学和精密医学的帮助实现的。加入的肿瘤微环境,radiomics有助于监测和评价肿瘤特性,比如时间和空间异质性(64年]。哮喘临床关联不一致和可怜的复制的遗传关联。哮喘不是一个单一的疾病,而是一组类似疾病临床表现。大数据的疾病并不提供解决方案,提供有关疾病的信息。贝叶斯和频繁的方法使我们了解疾病的民族学中常用统计机器学习和可以应用到大型和小型数据在医疗研究。我们需要了解哮喘的现实,而不是只给预测。我们必须意识从数据科学方法论的争论。目前人工二分类的贝叶斯和频繁的范例。大数据需要把哮喘分成亚型的解决方案。利用分解表型和基因研究和探索肺功能作为一个中间表型。 Cohering inductive and deductive statistical approaches to epidemiology pragmatic bayes and unifying graphs are presented [65年]。有技术和方法的病人可以有效地分类为那些有哮喘和那些没有在长期的缓解66年]。VA-PODR(兽医事务准确的肿瘤数据收集)是一个著名的全球大型数据存储库关心诊断病人的癌症在弗吉尼亚州(退伍军人事务部)部门。这些数据包括长期临床数据从全国退伍军人电子健康记录,医学摄影数据,肿瘤测序目标,病理学幻灯片,和退伍军人事务部中央癌症登记处以及CT(计算机断层扫描)扫描。一个子集的数据存储可以在环球数码创意(基因组数据公社)和TCIA(癌症成像存档)67年]。

过敏性结膜炎的人口有15 - 20%的频率。然而,由于缺乏理解,multicause慢性阻塞性肺疾病的环境,住宅,直接分配有复杂的关系。医学对慢性肾病患者的益处和治疗痴呆的类型,以及其他疾病的可能性需要的病人,帮助病人的症状和危险因素干预的社会权力和慢性阻塞性肺疾病患者的康复,减少身体帮助创建永久性的解决方案,防止社会弊病的升级68年]。

在生物医学知识库,体细胞基因组大小的增加。所以使用数学算法预测癌症相关的文件集。挖掘模型传统的基于基因的体细胞癌症是由体细胞基因不受阻碍的排名和特征提取由于高计算成本和内存的大型数据集。广泛的特点、偏好、和特征压缩程序可用,他们通常部署在许多领域。这些程序试图提取和挤压一些新的无关特征的训练数据集,有一个的目标越来越准确的结果为新安排记录数据。提取或压缩的数据是一个活动的要求和相关数据从一个大数据集根据给定的信息的集合。有排名的信息分类标准为最好的结果将有首要任务所以会提供列表的顶部。实验结果有不同的集群大小不同的体细胞基因特征聚类的文档。及其生成的结果表明,现有的模型有一个高质量的计算集群(69年]。

4所示。医疗面临的挑战和障碍

医疗组织正面临着许多挑战像分析大规模数据。快速增加的医疗应用,很多设备是用来产生真理的数据,其中许多是用于更好的分析数据和更好的决策(70年]。以下是今天的医疗组织面临的挑战。

4.1。社交媒体

分析师今天的时代给名字的时期,我们生活在“假新闻”的时代基于产生的错误信息的传播,这可能是有意或无意中传播。是影响各领域和生活领域,它还创建了问题和问题领域相关的健康,它可能导致拘留或停止有效的护理,虽然在某些情况下,这是威胁人的生命。王等人。71年)暴露了目前的证据和明确表示一种容易理解的方式;错误的信息传播机制。最实质性的和相当大的主题包括错误信息与疫苗接种有关,Zika病毒,埃博拉,即使其他人,如氟化物的水、营养、癌症,吸烟也会高亮显示。大多数研究采用内容分析、社会网络分析或实验,利用不同的学科范式。各自的系统用于分类数据结果和条件的基础上每个句子(72年]。未来的研究应该检查的敏感性不同社会人口群体为错误信息和理解角色的信仰体系有意传播错误信息。

4.2。关于机器和技术的知识

大多数技术人员或用户的机器没有足够知识使用的技术/机器(73年]。为了克服这个问题,技术员和操作员应该有足够的数据和知识在使用前对机器和技术,因为大多数的机器用于医学和医疗辐射对人类非常有害和危险和建筑物。euroCAT基础设施需要被实现为一个辐射诊所(8]。

4.3。高功率消耗的技术

这些人造的机器可以执行一个复杂任务;许多操作大规模大面积的技术很长一段时间,这消耗电力虽然是一个大问题在大多数发展中国家的权力需要解决和调整给大量的医疗设施。

4.4。昂贵的

这是一代的机器人和人工智能领域的具有巨大意义医疗保健。然而,技术、机器和数据存储,云数据库或我们自己的数据库,主要是不负担得起的组织,因为高昂的价格。通过使用队列模型参数,我们可以钝角价格我们面临的问题,我们在未来将面临74年];这将添加一个重要的价值在农村地区医疗机构以及病人无法承受,无法获得这些技术。

4.5。转换

医疗转换的方法分享想法的公司工作。具有重要性的旧技术转换到新开发的基于创新和不断发展的技术,这可能包括数字医疗、电子健康,健康,和传感器技术。这样增强健康在识别疾病可能是重要的。有些事情之前需要观察转变从传统医疗转向虚拟和实时诊断,仍然缺乏真正的评价这些发明是否真的改善和克服医疗质量。如果采用新技术并不是基于保健可能意想不到的结果的风险像隐私侵犯,护理成本增加等(75年]。需要实现分布式分类技术来保证数据的完整性和真实性由嵌入式系统(76年]。

现有的文献研究了解的细节研究在医疗领域,基于人工智能和大数据。图1代表文学Springer库的细节从各个角度给出的图。

图2阐述了搜索过程的细节在ACM的图书馆。

IEEE也是图书馆寻找相关的细节。图3介绍了IEEE图书馆的搜索过程的细节。

最后,ScienceDirect图书馆尝试从不同的角度和图书馆的细节图所示4。

这个库是进一步阐述和一些细节图所示5。

5。结论

大数据,人工智能已经彻底改变了一切,给人们的生活带来了舒适的日常生活的方方面面。特别是,它是将创新技术在医疗保健系统中。它改变了传统的和传统的卫生系统的技术系统形式的心血管疾病,肿瘤,耳朵,哮喘,过敏,癌症,或任何其他的疾病。大数据使得很容易通过虚拟和实时系统诊断疾病。本文的贡献是回顾本研究适用于移动医疗和电子健康是讨论各种方法和模型的使用大数据诊断和医疗保健系统。本文总结了当前鼓励应用人工智能和大数据在医疗卫生和电子健康,具有潜在的附加值的诊断疾病和病人护理。该研究将有助于研究人员设计新的解决方案领域的医疗保健。

的利益冲突

作者宣称没有利益冲突。

确认

这项研究支持的财务的教育部人文社会科学基金2020年河南省(批准号:2021 - zzjh - 233), 2021年洛阳人文社会科学基金(yb - 153),省级和部级初步项目2019年洛阳理工学院和科学,和格兰特将军项目省级社会科学成果评审委员会在2021年(批准号:XSP21YBZ077)。

引用

1. s . m . Willems Abeln,芬斯特拉k . et al .,“肿瘤的潜在使用大数据”,口腔肿瘤卷。98年,8 - 12,2019页。视图:出版商的网站|谷歌学术搜索
2. d . Bzdok和b·t·t·杨”推理在大数据时代:在神经科学未来的观点,“科学杂志卷,155年,第564 - 549页,2017年。视图:出版商的网站|谷歌学术搜索
3. c . Garcia-Vidal g . Sanjuan p . Puerta-Alcalde e . Moreno-Garcia a索里亚诺,“人工智能支持临床决策过程,”EBioMedicine,46卷,27 - 29,2019页。视图:出版商的网站|谷歌学术搜索
4. Bui, a . a . t . j .范霍恩,NIH BD2K中心财团,“想象的未来生物医学“大数据”,“生物医学信息学杂志卷,69年,第117 - 115页,2017年。视图:出版商的网站|谷歌学术搜索
5. t·j·卡尼和a . y .香港”,利用卫生信息学培养智能系统应对健康差异和健康公平的挑战,”生物医学信息学杂志卷,68年,第189 - 184页,2017年。视图:出版商的网站|谷歌学术搜索
6. 美国Fodeh曾问:,“挖掘大数据在生物医学和卫生保健,“生物医学信息学杂志卷,63年,第403 - 400页,2016年。视图:出版商的网站|谷歌学术搜索
7. Kavakiotis, o . Tsave a . Salifoglou n . Maglaveras Vlahavas, i Chouvarda,“机器学习和数据挖掘方法在糖尿病的研究中,“计算和结构生物技术杂志15卷,第116 - 104页,2017年。视图:出版商的网站|谷歌学术搜索
8. t . m .自然神论者,a . Jochems j . van所以et al .,“基础设施和分布式学习的方法保护隐私multi-centric快速学习卫生保健:euroCAT,”临床和转化放射肿瘤学4卷,24-31,2017页。视图:出版商的网站|谷歌学术搜索
9. e . j . Limkin r .太阳,l . Dercle et al .,“承诺和挑战实施计算医学成像(radiomics)的肿瘤,”《肿瘤学,28卷,不。6,1191 - 1206年,2017页。视图:出版商的网站|谷歌学术搜索
10. g .确保Gebremeskel b重金,b . Biazen”架构的数据挖掘建模和优化的可视化知识提取:患者安全护理,“沙特国王大学计算机与信息科学杂志》上,2019年。视图:出版商的网站|谷歌学术搜索
11. y, f . Wang j . Tang r . Nussinov f·陈,“人工智能在COVID-19药物再利用,”《柳叶刀》杂志上的数字医疗,卷2,不。12日,pp. e667-e676, 2020年。视图:出版商的网站|谷歌学术搜索
12. k·沙阿,t . Abdeljawad i Mahariq, f . Jarad“定性分析的数学模型COVID-19时,“生物医学研究的国际卷,2020篇文章ID 5098598, 11页,2020年。视图:出版商的网站|谷歌学术搜索
13. Arpaci, s . Alshehabi m . al-Emran et al .,“Twitter数据的分析利用进化聚类COVID-19大流行期间,“电脑,材料和连续,卷65,不。1,第204 - 193页,2020。视图:出版商的网站|谷歌学术搜索
14. h . Alrabaiah m . Arfan k .沙Mahariq,和A . Ullah”比较研究的新型冠状病毒病的传播我们分数阶修改西珥模型,”亚历山大工程杂志,60卷,不。1,第585 - 573页,2021。视图:出版商的网站|谷歌学术搜索
15. 朱y, y, m . et al .,“学习型模型来评估住院优先COVID-19流行病,”模式,1卷,不。6日,第100092条,2020年。视图:出版商的网站|谷歌学术搜索
16. m . Nemati j . Ansary, n . Nemati“机器学习方法在COVID-19生存可能性分析和放电时间预测使用的临床数据,”模式,1卷,不。5日,第100074条,2020年。视图:出版商的网站|谷歌学术搜索
17. h·t·Likassa w . Xain x,和g . Gobebo”预测模型在COVID 19日:非洲人应该做些什么呢?”传染病模型》第六卷,第312 - 302页,2021年。视图:出版商的网站|谷歌学术搜索
18. g·j·b·米勒,j . Lombardo和g . Jimenez-Maggoria“生物医学信息学的应用精度管理神经退行性疾病,”阿尔茨海默氏症和老年痴呆症:转化研究及临床干预措施,4卷,不。1,第365 - 357页,2018。视图:出版商的网站|谷歌学术搜索
19. e . Garcia-Ceja m·格尔t . Nordgreen p·雅各布森k . j . Oedegaard和j . Tørresen”心理健康监测与多通道遥感和机器学习:一项调查,“普及和移动计算卷,51 1-26,2018页。视图:出版商的网站|谷歌学术搜索
20. 沙玛,r·a·哈林顿m·b·麦克莱伦et al .,“使用数字医疗技术更好地生成和提供循证护理证据,”美国心脏病学会杂志》上,卷71,不。23日,第2690 - 2680页,2018年。视图:出版商的网站|谷歌学术搜索
21. h·基尔特•p . a .比如戴克斯诉Devanarayan et al .,“大数据智能数据在阿尔茨海默氏症:大脑健康建模项目培养可操作的知识,”阿尔茨海默氏症和老年痴呆症,12卷,不。9日,第1021 - 1014页,2016年。视图:出版商的网站|谷歌学术搜索
22. p . Sardar j·d·艾伯特,茶室,h·d·Aronow j . f .格拉纳达和j·吉里,“人工智能对介入心脏病学的影响:从决策援助先进介入过程援助,”JACC:心血管疾病的干预措施,12卷,不。14日,第1303 - 1293页,2019年。视图:出版商的网站|谷歌学术搜索
23. 诉Palanisamy和r . Thirunavukarasu”影响大发展中医疗数据分析框架——一个评论,”沙特国王大学计算机与信息科学杂志》上没有,卷。31日。4、415 - 425年,2019页。视图:出版商的网站|谷歌学术搜索
24. d . Vidaurre r . Abeysuriya r·贝克尔et al .,“发现动态脑网络大数据在休息和任务中,“科学杂志,卷180,不。B部分,646 - 656年,2018页。视图:出版商的网站|谷歌学术搜索
25. n . a . Azeez和c . v . der Vyver e-health云计算安全与隐私问题系统:一个全面的内容分析,“埃及信息学杂志,20卷,不。2、97 - 108年,2019页。视图:出版商的网站|谷歌学术搜索
26. r·帕尔默m . Dimairo c·库珀et al .,“自我管理,计算机化的演讲和语言治疗慢性失语症患者中风后与常规治疗相比,或注意力控制(大仙人掌):一个多中心、单盲、随机对照试验,”《柳叶刀神经病学,18卷,不。9日,第833 - 821页,2019年。视图:出版商的网站|谷歌学术搜索
27. n . Schoettler e·罗德里格斯、s垂直焊缝和c·欧博“哮喘和过敏性疾病遗传学的进步:大总是更好吗?”变态反应与临床免疫学杂志》上,卷144,不。6,1495 - 1506年,2019页。视图:出版商的网站|谷歌学术搜索
28. t·李,z, h . m .乔治z罗和d . Wang”性能分析的co和跨越层设备间通信的底层macro-small细胞的无线网络,”J KSII交易网络信息系统,10卷,不。4、1481 - 1500年,2016页。视图:谷歌学术搜索
29. m . Pobiruchin s波鸿,m . Martens m .黄铁矿和w·施拉姆”使用真实世界数据的方法在乳腺癌的建模中,“生物医学信息学杂志,60卷,第394 - 385页,2016年。视图:出版商的网站|谷歌学术搜索
30. r•达和m . h . Moradi死亡率预测重症监护病房(icu)使用基于规则的模糊分类器,”生物医学信息学杂志卷。79年,48-59,2018页。视图:出版商的网站|谷歌学术搜索
31. l . Rasmy y吴:王et al .,”一个概括性的研究心力衰竭发病风险的复发性神经网络预测模型使用一个大型和异构电子健康档案数据集,“生物医学信息学杂志卷。84年,16,2018页。视图:出版商的网站|谷歌学术搜索
32. r·兰迪·l·c·张m . Schiffman et al .,“挑战风险评估使用定期收集临床资料:估算的例子宫颈癌风险电子健康记录,“预防医学卷,111年,第435 - 429页,2018年。视图:出版商的网站|谷歌学术搜索
33. p . j .赵Papapetrou、l .发问者和h·博斯特罗姆“学习来自不同时态数据在电子健康记录,“生物医学信息学杂志卷,65年,第119 - 105页,2017年。视图:出版商的网站|谷歌学术搜索
34. z,徐,t·李et al。”在提取正则私家车的出行行为轨迹数据分析的基础上,“IEEE车辆技术,卷69,不。12日,第14549 - 14537页,2020年。视图:出版商的网站|谷歌学术搜索
35. 黄y, z, d . Wang h .江和d . Wu”探索个人旅游模式在私家车轨迹数据,”IEEE智能交通系统,21卷,不。12日,第5050 - 5036页,2020年。视图:出版商的网站|谷歌学术搜索
36. 柳明桓x, y, z肖诉Havyarimana d . Wang和j·巴姨,“道路网建设复杂路口基于稀疏采样轨迹数据,私人车”ACM交易知识发现的数据(TKDD),13卷,不。3,28,2019页。视图:出版商的网站|谷歌学术搜索
37. o .柯奇士便因a拉、g . Arvanitis和k .工程”多模型的短期预测mHealth授权哮喘自我管理模式,“电子票据在理论计算机科学卷,343年,页3 - 17,2019。视图:出版商的网站|谷歌学术搜索
38. h . Xin-Di d . Chang-Song l ., x Shi-Wei,和l . Li-Song”研究草药对纵观使用大数据技术的经典公式,“数字化中医,卷2,不。4、195 - 206年,2019页。视图:出版商的网站|谷歌学术搜索
39. a . Pashazadeh和n . j . Navimipour”大数据处理机制在医疗保健应用程序:一个全面的、系统的文献回顾,“生物医学信息学杂志卷,82年,页47 - 62,2018。视图:出版商的网站|谷歌学术搜索
40. s . Harous m . El Menshawy m . a . Serhani和a . Benharref“移动健康肥胖管理使用感觉和社会数据架构,”医学信息学解锁,10卷,27-44,2018页。视图:出版商的网站|谷歌学术搜索
41. b . Heude·谢尔德A . Werner et al .,“一个大数据产生描述性的人体测量方法引用:可行性和验证研究儿科增长图表”《柳叶刀》杂志上的数字医疗,1卷,不。8日,pp. e413-e423, 2019年。视图:出版商的网站|谷歌学术搜索
42. c .歌曲,y, l .黄h·罗和朱x,“大数据驱动的精密医学:医学的定制的时代开始,“生物医学和药物治疗第110445条,卷。129年,2020年。视图:出版商的网站|谷歌学术搜索
43. k . a . Shakil f . j . Zareen m·阿拉姆和s .宾”BAMHealthCloud:生物认证和数据管理系统的医疗数据云,“沙特国王大学计算机与信息科学杂志》上,32卷,不。1,57 - 64,2020页。视图:出版商的网站|谷歌学术搜索
44. n·k·凯特森和a·c·Constantinou“学习贝叶斯网络从人口和健康调查的数据,”生物医学信息学杂志第103588条,卷。113年,2021年。视图:出版商的网站|谷歌学术搜索
45. j .华林、c·林德沃和r . Umeton”自动化机器学习:审查的最先进的医疗保健和机会,”人工智能在医学上第101822条,卷。104年,2020年。视图:出版商的网站|谷歌学术搜索
46. j . Kazmierska a .希望大肠Spezi et al .,“从多源数据在放射肿瘤学临床决策艾滋病:临床数据科学社区的必要性,”放射治疗和肿瘤卷。153年,43-54,2020页。视图:出版商的网站|谷歌学术搜索
47. a . Hasselgren k . Kralevska d . Gligoroski彼得森s a和a . Faxvaag”区块链在医疗和卫生sciences-a范围审查,”国际医学信息学杂志》上第104040条,卷。134年,2020年。视图:出版商的网站|谷歌学术搜索
48. h . c . Jubb a . p . Pandurangan m·a·特纳b . Ochoa-Montano t . l . Blundell亚瑟和d b”突变蛋白质接口:小变化大表面有大量对人类健康的影响,”生物物理和分子生物学的进展2017年,卷128,页3日到13。视图:出版商的网站|谷歌学术搜索
49. a·莫顿·r·托马斯,p . c . Smith”为分配财政决策规则,加强卫生系统,”卫生经济学杂志49卷,第108 - 97页,2016年。视图:出版商的网站|谷歌学术搜索
50. d . Cirillo和瓦伦西亚,”大个性化医学数据分析”,当前生物技术的观点58卷,第167 - 161页,2019年。视图:出版商的网站|谷歌学术搜索
51. d . Cha Pae, s . b . Seong j.y.崔和h . j .公园,“耳病的自动诊断使用合奏深度学习与大otoendoscopy图像数据库,”EBioMedicine,45卷,第614 - 606页,2019年。视图:出版商的网站|谷歌学术搜索
52. 杨z:罗,g . Bonsel j . Busschbach和e . Stolk”选择健康状态EQ-5D-3L估值研究:统计因素至关重要,”健康的价值,21卷,不。4、456 - 461年,2018页。视图:出版商的网站|谷歌学术搜索
53. m . r .韦娜k . a . Levandoski m . Kulldorff和m . m . Asgari”研究技术做了简单:介绍使用和分析大数据的皮肤病,”皮肤病学研究杂志》上,卷137,不。8日,pp. e153-e158, 2017年。视图:出版商的网站|谷歌学术搜索
54. h·塔迦尔,诉沙、h . Yagnik和m .沙”比较anatomization数据挖掘和模糊逻辑技术用于糖尿病的预后,”临床电子健康于,14卷,页12日至23日,2020年。视图:出版商的网站|谷歌学术搜索
55. 答:经脉,a,迪尔a . k . m . n .伊斯兰教,和m . Mantymaki”区块链医疗:一个系统的文献综述,综合框架和未来的研究议程,”计算机在工业领域,122卷,2020年。视图:出版商的网站|谷歌学术搜索
56. h . Estiri z h·摩根,et al ., j·g·克兰”传递测序病历矿产预测和解释的时间表示,“模式,1卷,不。4、文章? ? ?,2020年。视图:出版商的网站|谷歌学术搜索
57. Dlamini z, f . z . Francies r·赫尔和r . Marima”人工智能(AI)和大数据在癌症和肿瘤精确,”计算和结构生物技术杂志18卷,第2311 - 2300页,2020年。视图:出版商的网站|谷歌学术搜索
58. a . n . Beecy m . Gummalla大肠Sholle et al .,“利用电子健康数据和机器学习的预测30天意外重新接纳或心脏衰竭,全因死亡率”心血管数字健康杂志,1卷,不。2、71 - 79年,2020页。视图:出版商的网站|谷歌学术搜索
59. y雪、梁h r·吉利斯j•诺布里和b . Killingworth”预测的风险再入院急性护理康复住院病人:机器学习的方法,”生物医学信息学杂志卷,86年,第148 - 143页,2018年。视图:出版商的网站|谷歌学术搜索
60. 张c . Krittanawong h . m . Aydar z . Wang和t .们,“人工智能精密心血管医学,”美国心脏病学会杂志》上,卷69,不。21日,第2664 - 2657页,2017年。视图:出版商的网站|谷歌学术搜索
61. d·戴伊p . j . Slomka p .利森et al .,“人工智能在心血管成像:,”美国心脏病学会杂志》上,卷73,不。11日,第1335 - 1317页,2019年。视图:出版商的网站|谷歌学术搜索
62. s .纳齐尔·m·纳瓦兹汗,美国安瓦尔et al .,“大数据可视化cardiology-a系统性的回顾和未来的发展方向,”IEEE访问,7卷,不。1,第115958 - 115945页,2019。视图:出版商的网站|谷歌学术搜索
63. s .纳齐尔·m·纳瓦兹·a·Adnan沙赫扎德,和s Asadi”大数据功能、应用程序和cardiology-a系统性文献回顾分析,“IEEE访问,7卷,不。1,第143771 - 143742页,2019。视图:出版商的网站|谷歌学术搜索
64. t·艾哈迈德·f·p·威尔逊,n·r·德赛“连环式的精度在心力衰竭护理:生物学,生物标志物,和大数据”美国心脏病学会杂志》上,卷72,不。10日,1091 - 1094年,2018页。视图:出版商的网站|谷歌学术搜索
65. d·格雷弗j·亨德森,a·辛普森巴肯,c .主教和a . Custovic”分解哮喘:调查与大数据,大”美国心脏病学会杂志》上,卷139,不。2、400 - 407年,2017页。视图:出版商的网站|谷歌学术搜索
66. 孙s, s, s . et al .,“建模与RNNs异步事件序列,”生物医学信息学杂志卷,83年,第177 - 167页,2018年。视图:出版商的网站|谷歌学术搜索
67. d . c . Elbers n·r·菲尔莫f . c . et al .,唱“退伍军人事务部精度肿瘤数据存储库,临床,基因组,数据库和成像研究,“模式,1卷,不。6日,第100083条,2020年。视图:出版商的网站|谷歌学术搜索
68. 中村t . Inomata j .唱m . et al .,“新医学大数据P4医学过敏性结膜炎,”变态反应学国际,卷69,不。4、510 - 518年,2020页。视图:出版商的网站|谷歌学术搜索
69. t . Bikku和r . Paturi小说体癌症生物医学文档特征排序和聚类模型,基于基因”医学信息学解锁,16卷,p。100188年,2019年。视图:出版商的网站|谷歌学术搜索
70. s . Rallapalli r . r . Gondkar,美国p . k . Ketavarapu”大数据处理和分析医疗保健的影响在云计算环境中实现Hadoop集群,”Procedia计算机科学卷。85年,16 - 22,2016页。视图:出版商的网站|谷歌学术搜索
71. m . y . Wang麦基,a . Torbica和斯图克勒d”系统文献综述与健康有关的错误信息在社交媒体上的传播,”社会科学与医学第112552条,卷。240年,2019年。视图:出版商的网站|谷歌学术搜索
72. j . Ramsingh诉Bhuvaneswari,”一个高效reduce-based混合NBC-TFIDF算法映射到我的公众情绪糖尿病——大数据的方法,”沙特国王大学计算机与信息科学杂志》上, 2018年。视图:出版商的网站|谷歌学术搜索
73. s e·格林,s·迪克森和j·w·史蒂文斯,“当未来改变问题:建模未来价格和扩散在医疗器械卫生技术评估,”健康的价值,19卷,不。6,720 - 726年,2016页。视图:出版商的网站|谷歌学术搜索
74. c . s .梅奥·m·l·凯斯勒a Eisbruch et al .,“放射肿瘤学的大数据工作:数据挖掘或数据农业吗?”放射肿瘤学的发展,1卷,不。4、260 - 271年,2016页。视图:出版商的网站|谷歌学术搜索
75. s . p . Bhavnani k . Parakh a Atreja et al .,“2017创新路线图,ACC医疗卫生政策声明变换在数字健康时代,大数据,和精密健康:美国心脏学院专责小组的报告对卫生政策声明和系统的保健,“美国心脏病学会杂志》上,卷70,不。21日,第2718 - 2696页,2017年。视图:出版商的网站|谷歌学术搜索
76. j·布罗根、i Baskaran和n .拉马钱德兰”认证的健康活动数据使用分布式分类技术,”计算和结构生物技术杂志》16卷,第266 - 257页,2018年。视图:出版商的网站|谷歌学术搜索

版权

版权©2021燕程杨等。这是一个开放分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。