A hybrid computational approach to process real-time streaming multi-sources data and improve classification for emergency patients triage services: moving forward to an efficient IoMT-based real-time telemedicine systems

نهج حاسوبي هجين لمعالجة بيانات متعددة المصادر المتدفقة في الزمن الحقيقي وتحسين تصنيف حالات الطوارئ: نحو أنظمة طب عن بُعد أكثر كفاءة قائمة على إنترنت الأشياء الطبية

by المنشورات

المؤلفون:
عمر صادق سلمان، نور المعزّة عبد اللطيف، عمر حسين سلمان، شريفة حفيظة سيد عارفين

تاريخ النشر: يونيو 2024

المجلة: مجلة الحوسبة العصبية والتطبيقات

المجلد: 36

العدد: 17

الصفحات: 10109–10122

الناشر: سبرينغر – لندن

الوصف
في أنظمة الطب عن بُعد المعتمدة على إنترنت الأشياء الطبية (IoMT) في الزمن الحقيقي، يستخدم المرضى مجموعة واسعة من الأجهزة الطبية والحساسات، مما يؤدي إلى توليد كميات ضخمة من البيانات بشكل مستمر.

إن السرعة العالية لتدفق هذه البيانات تطرح تحديات كبيرة في:

  • جمع البيانات
  • تنظيمها
  • معالجتها
  • واتخاذ القرارات المتعلقة بمستوى خطورة الحالات الطارئة

تعاني الطرق الحالية لتصنيف (فرز) المرضى في هذه البيئات من ضعف الدقة، مما يستدعي تطوير أساليب حاسوبية أكثر تقدمًا لتحسين النتائج.

تهدف هذه الدراسة إلى:

  • معالجة بيانات متعددة ومتنوعة المصادر في الزمن الحقيقي
  • تحليل هذه البيانات بدقة
  • تحسين عملية فرز المرضى حسب درجة الطوارئ
  • تقديم خدمات صحية سريعة وفعّالة

المنهجيةاقترحت الدراسة نموذجًا يُعرف باسم:
نموذج معالجة البيانات مع الفرز (DPTM)

ويعتمد هذا النموذج على نهج هجين يجمع بين:

  • تحليل المكونات الرئيسية (PCA)
  • وتقنيات تعلم الآلة (لم يكتمل النص في المصدر)

وذلك بهدف تحسين دقة التصنيف وتقليل الأخطاء في تحديد الحالات الحرجة.

النتائج (بشكل عام)

أظهرت النتائج أن النموذج المقترح:

  • يحسن دقة تصنيف الحالات الطارئة
  • يعزز كفاءة أنظمة الطب عن بُعد
  • يساعد في تسريع اتخاذ القرارات الطبية

الخلاصة
يساهم هذا البحث في تطوير حلول متقدمة لمعالجة البيانات الطبية الضخمة في الزمن الحقيقي، مما يؤدي إلى تحسين جودة خدمات الطوارئ في أنظمة الطب عن بُعد المعتمدة على إنترنت الأشياء الطبية.

عدد الاستشهادات:
تم الاستشهاد بهذا البحث 7 مرات

Authors Abdulrahman Ahmed Jasim, Layth Rafea Hazim, Hayder Mohammedqasim, Roa’a Mohammedqasem, Oguz Ata, Omar Hussein Salman Publication date 2024/7 Journal The Journal of Supercomputing Volume 80 Issue 11 Pages 15664-15689 Publisher Springer US Description One of the most fatal and serious diseases that humans have encountered is diabetes, an illness affecting thousands of individuals yearly. In this era of digital systems, diabetes prediction based on machine learning (ML) is gaining high momentum. One of the benefits of treating patients early in the course of their noncommunicable diseases (NCDs) is that they can avoid costly therapies when the illness worsens later in life. Incidentally, diabetes is complicated by the dearth of medical professionals in underserved areas, such as distant rural communities. In these situations, the Internet of Medical Things and machine learning (ML) models can be used to offer healthcare practitioners the necessary prediction tools to more effectively and timely make decisions, thus assisting the early identification and diagnosis of NCDs. In this study, four conventional and hyper-AdaBoost ML models were trained and tested on the … Total citations Cited by 25 20242025 Scholar articles e-Diagnostic system for diabetes disease prediction on an IoMT environment-based hyper AdaBoost machine learning model AA Jasim, LR Hazim, H Mohammedqasim… - The Journal of Supercomputing, 2024 Cited by 25 Related articles All 5 versions

نظام تشخيص إلكتروني للتنبؤ بمرض السكري في بيئة إنترنت الأشياء الطبية باستخدام نموذج تعلم آلة Hyper AdaBoost

by المنشورات

المؤلفون:
عبد الرحمن أحمد جاسم، ليث رافع حازم، حيدر محمد قاسم، رؤى محمد قاسم، أوغوز آتا، عمر حسين سلمان

تاريخ النشر: يوليو 2024

المجلة: مجلة الحوسبة الفائقة

المجلد: 80

العدد: 11

الصفحات: 15664–15689

الناشر: سبرينغر (الولايات المتحدة)

الوصف
يُعد مرض السكري من أخطر وأكثر الأمراض انتشارًا التي تواجه البشر، حيث يصيب آلاف الأشخاص سنويًا. وفي عصر الأنظمة الرقمية، يشهد التنبؤ بمرض السكري باستخدام تعلم الآلة (Machine Learning) اهتمامًا متزايدًا.

من أهم فوائد الكشف المبكر عن الأمراض غير المعدية، مثل السكري، هو تمكين المرضى من تجنب العلاجات المكلفة في المراحل المتقدمة من المرض. ومع ذلك، تتفاقم مشكلة السكري بسبب نقص الكوادر الطبية في المناطق النائية والريفية.

في مثل هذه الحالات، يمكن توظيف إنترنت الأشياء الطبية (IoMT) مع نماذج تعلم الآلة لتزويد مقدمي الرعاية الصحية بأدوات تنبؤ فعالة تساعدهم على اتخاذ قرارات أسرع وأكثر دقة، مما يدعم الكشف المبكر والتشخيص للأمراض المزمنة.

تهدف هذه الدراسة إلى تطوير نظام تشخيص إلكتروني يعتمد على نموذج متقدم من تعلم الآلة يُعرف باسم Hyper AdaBoost، حيث تم تدريب واختبار أربعة نماذج تقليدية بالإضافة إلى هذا النموذج المحسّن، باستخدام بيانات طبية مناسبة.

النتائج (بشكل عام)
تشير النتائج إلى أن استخدام نموذج Hyper AdaBoost ضمن بيئة إنترنت الأشياء الطبية يُحسن من:

  • دقة التنبؤ بمرض السكري
  • سرعة اتخاذ القرار الطبي
  • كفاءة أنظمة الطب عن بُعد

الخلاصة:
يوفر هذا البحث حلاً متقدمًا يجمع بين تعلم الآلة وإنترنت الأشياء الطبية لتحسين التشخيص المبكر لمرض السكري،
خاصة في المناطق التي تعاني من نقص في الخدمات الطبية.

عدد الاستشهادات:
تم الاستشهاد بهذا البحث 25 مرة

Predicted multi-chronic disease by supervised machine learning algorithms: Performance and evaluation

التنبؤ بالأمراض المزمنة المتعددة باستخدام خوارزميات تعلم الآلة الخاضعة للإشراف: الأداء والتقييم

by المنشورات

المؤلفون:
عمر صادق سلمان، نور المعزّة عبد اللطيف، شريفة حفيظة سيد عارفين، عمر حسين سلمان

تاريخ النشر: 27 أبريل 2024

المجلة: مجلة إليكتريكا للهندسة الكهربائية

المجلد: 23

العدد: 1

الصفحات: 55–64

الوصف:
أدت الظروف البيئية الحالية وأنماط الحياة البشرية إلى ظهور العديد من الأمراض. ويشهد المجال الطبي إنتاج كميات هائلة من البيانات سنويًا، خاصة في مجال المراقبة الصحية عن بُعد للمرضى.

ونتيجة لهذا النمو الكبير في البيانات داخل قطاع الرعاية الصحية، أصبح تحليل البيانات الطبية بدقة أمرًا ضروريًا لتحسين الرعاية الصحية المبكرة. ومع ذلك، يواجه الأطباء صعوبات في تشخيص الأمراض بدقة، خصوصًا للمرضى البعيدين عن المستشفيات.

لذلك، برزت أهمية استخدام أنظمة المرضى عن بُعد (الطب عن بُعد)، خاصة في ظل تعقيد الحالات المزمنة. ومن ناحية أخرى، يُعد التنبؤ بالأمراض تحديًا بحد ذاته، مما يجعل الاعتماد على بيانات متنوعة وسريعة التدفق وموثوقة أمرًا أساسيًا لاتخاذ القرارات الطبية.

تهدف هذه الدراسة إلى استخدام تقنيات تعلم الآلة الخاضعة للإشراف للتنبؤ بالأمراض المزمنة مثل:

  • أمراض القلب
  • ارتفاع ضغط الدم

وذلك اعتمادًا على خصائص وأعراض المرضى من خلال تحليل البيانات التي يتم جمعها بواسطة الحساسات والمصادر المرتبطة بـ إنترنت الأشياء الطبية (IoMT).

كما تم تطبيق تقنيات تعلم الآلة في بيئات Hadoop وSpark لضمان دقة تصنيف المرضى المصابين بأمراض مزمنة.

تم تقييم النماذج باستخدام مجموعة بيانات تضم 55,680 سجلًا طبيًا، بهدف إيجاد أفضل توافق بين البيانات ونتائج التنبؤ بالأمراض.

النتائج:
أظهرت النتائج أن المنهجية المقترحة التي تعتمد على خوارزمية شجرة القرار (Decision Tree – DT) حققت دقة بلغت حوالي 94%، وتفوقت على باقي خوارزميات تعلم الآلة مثل:

  • آلة الدعم الناقل (SVM)
  • نايف بايز (NB)
  • الغابة العشوائية (Random Forest)
  • وغيرها

الخلاصة:
تؤكد الدراسة أن استخدام تعلم الآلة مع بيانات إنترنت الأشياء الطبية يمكن أن يُحسّن بشكل كبير من دقة التنبؤ بالأمراض المزمنة، مما يدعم اتخاذ قرارات طبية أفضل، خاصة في بيئات الطب عن بُعد.

عدد الاستشهادات:
تم الاستشهاد بهذا البحث 5 مرات

Early Triage Prediction for Outpatient Care Based on Heterogeneous Medical Data Utilizing Machine Learning.

التنبؤ المبكر بفرز المرضى في العيادات الخارجية اعتمادًا على بيانات طبية غير متجانسة باستخدام تعلم الآلة

by المنشورات

المؤلفون:
عمر صادق سلمان، عبد اللطيف، نور المعزّة، شريفة حفيظة سيد عارفين، عمر حسين سلمان

تاريخ النشر: 1 أغسطس 2024

المجلة: مجلة بيرتانيكا للعلوم والتكنولوجيا

المجلد: 32

العدد: 5

الوصف:
تعاني أدوات الفرز الطبي التقليدية المستخدمة في المستشفيات من قيود في التعامل مع الأعداد المتزايدة من المرضى وتحليل البيانات المعقدة. هذه التحديات المستمرة تستدعي تطوير طرق تنبؤ أكثر كفاءة لفرز المرضى.

تهدف هذه الدراسة إلى استخدام تعلم الآلة (Machine Learning) لإنشاء نموذج آلي لفرز المرضى عن بُعد ضمن أنظمة الطب عن بُعد، مما يوفر خدمات صحية أكثر دقة وتقييمًا فوريًا للحالات الطارئة.

تم إجراء دراسة مقارنة لتقييم أداء عدة نماذج تعلم آلة خاضعة للإشراف، مثل:

  • SVM (آلة الدعم الناقل)
  • RF (الغابة العشوائية)
  • DT (شجرة القرار)
  • LR (الانحدار اللوجستي)
  • NB (نايف بايز)
  • KNN (أقرب الجيران)

وذلك لمعرفة مدى كفاءتها في تقييم نتائج فرز المرضى في العيادات الخارجية.

تعتمد عملية الفرز الفعّالة على بيانات متنوعة وسريعة التوليد، تم جمعها باستخدام أجهزة إنترنت الأشياء الطبية (IoMT)، وتشمل:

  • بيانات حسية مثل: تخطيط القلب (ECG)، ضغط الدم، نسبة الأكسجين في الدم (SpO2)، ودرجة الحرارة
  • بيانات غير حسية على شكل نصوص

قامت الدراسة بتحليل ستة خوارزميات تعلم آلة خاضعة للإشراف، حيث تم تدريب النماذج باستخدام بيانات طبية للمرضى، ثم تقييم أدائها للتحقق من دقتها.

كما تم تطبيق تقنيات تعلم الآلة ضمن بيئات Hadoop وSpark لتحسين القدرة على تحليل البيانات الضخمة وتحديد المرضى المصابين بأمراض مزمنة بدقة.

تم استخدام مجموعة بيانات تضم 55,680 سجلًا طبيًا لتقييم النماذج وتحديد الأفضل في التنبؤ بالأمراض.

النتائج:
أظهرت نتائج المحاكاة أن دمج تعلم الآلة في أنظمة الطب عن بُعد فعّال جدًا في تحليل البيانات القادمة من أجهزة IoMT المختلفة.

وقد حققت خوارزمية شجرة القرار (Decision Tree – DT) أفضل أداء مقارنة ببقية الخوارزميات، حيث بلغت دقتها حوالي 93.50%.

الخلاصة
تقدم هذه الدراسة دليلًا عمليًا على أهمية استخدام تعلم الآلة في تحسين دقة وسرعة فرز المرضى، خاصة في بيئات الطب عن بُعد التي تعتمد على بيانات متعددة المصادر.

عدد الاستشهادات:
تم الاستشهاد بهذا البحث 4 مرات

Multisource data framework for prehospital emergency triage in real-time IoMT-based telemedicine systems

إطار عمل متعدد المصادر لفرز حالات الطوارئ قبل الوصول إلى المستشفى في الزمن الحقيقي ضمن أنظمة الطب عن بُعد المعتمدة على إنترنت الأشياء الطبية

by المنشورات

المؤلفون:
عبد الرحمن أحمد جاسم، أوغوز آتا، عمر حسين سلمان

تاريخ النشر: 1 ديسمبر 2024

المجلة: المجلة الدولية للمعلوماتية الطبية

المجلد: 192

الصفحات: 105608

الناشر: إلسيفير

الوصف
الخلفية والهدف
لقد أحدث إنترنت الأشياء الطبية (IoMT) ثورة في مجال الطب عن بُعد من خلال تمكين المراقبة والإدارة عن بُعد لرعاية المرضى. ومع ذلك، فإن عملية التعامل مع البيانات تمثل تحديًا كبيرًا يتمثل في تحديد أولويات المرضى في حالات الطوارئ بشكل فعّال، خاصة في ظل الكميات الضخمة من البيانات الناتجة عن العديد من أجهزة الرعاية الصحية المترابطة.

الهدف الرئيسي من هذه الدراسة هو تحسين آلية تحديد أولويات المرضى في الحالات الطارئة من خلال تطبيق إطار عمل يُعرف باسم:
إطار تحسين الفرز في الزمن الحقيقي (RTOF)، وهو أسلوب مبتكر يعتمد على استخدام بيانات متنوعة من إنترنت الأشياء الطبية.

المنهجية
اعتمدت منهجية الدراسة على مجموعة متنوعة من بيانات إنترنت الأشياء الطبية، مثل:

  • بيانات الحساسات (المؤشرات الحيوية)
  • النصوص المستخرجة من السجلات الطبية الإلكترونية

حيث:

  • توفر الطبقة الأولى (Tier 1) بيانات الحساسات والنصوص
  • بينما تقوم الطبقة الثالثة (Tier 3) باستيراد البيانات النصية من السجلات الطبية الإلكترونية

وقد تم استخدام تقنيات وخوارزميات تحليل البيانات (لم يكتمل النص في المصدر) لمعالجة هذه البيانات وتحسين دقة تصنيف الحالات.

إجمالي الاستشهادات:
تم الاستشهاد بهذا البحث 8 مرات

مقالات ذات صلة (Scholar):
إطار بيانات متعدد المصادر لفرز حالات الطوارئ قبل الوصول إلى المستشفى في الزمن الحقيقي ضمن أنظمة الطب عن بُعد المعتمدة على إنترنت الأشياء الطبية
عبد الرحمن أحمد جاسم، أوغوز آتا، عمر حسين سلمان
المجلة الدولية للمعلوماتية الطبية، 2024