استفاده از اینترنت اشیا و یادگیری ماشین برای بهداشت شخصی: مسائل و چالش ها

کنفرانس بین المللی 2018 یادگیری ماشین و مهندسی داده (iCMLDE)

چکیده :

بهداشت شخصی (PH) یک رویکرد جدید مراقبت های بهداشتی بیمار محور است که انتظار دارد سیستم مراقبت های بهداشتی سنتی را بهبود بخشد. تمرکز این فناوری جدید بر داده های بیمار جمع آوری شده از سوابق الکترونیکی سلامت بیمار (EHR) ، دستگاه های حسگر اینترنت اشیا (IoT) ، دستگاه های تلفن همراه پوشیدنی ، اطلاعات مبتنی بر وب و رسانه های اجتماعی است. PH تکنیک های هوش مصنوعی (AI) را برای بهبود تکنیک پیشرفت بیماری ، پیش بینی بیماری ، خود مدیریتی بیمار و مداخله بالینی در مجموعه داده های جمع آوری شده اعمال می کند. تکنیک های یادگیری ماشین در این زمینه به طور گسترده ای برای توسعه مدل های تحلیلی استفاده می شود. این مدل ها در برنامه های مختلف خدمات مراقبت های بهداشتی و سیستم های پشتیبانی تصمیم گیری بالینی ادغام شده اند. این مدل ها به طور عمده داده های جمع آوری شده از دستگاه های حسگر و منابع دیگر را برای شناسایی الگوهای رفتاری و شرایط بالینی بیمار تجزیه و تحلیل می کنند. به عنوان مثال ، این مدل ها داده های جمع آوری شده را برای شناسایی بهبودها ، عادت ها و ناهنجاری های بیمار در برنامه روزانه ، تغییر در خواب و تحرک ، خوردن ، نوشیدن و الگوی هضم تجزیه و تحلیل می کنند. بر اساس این الگوها ، برنامه های مراقبت های بهداشتی و سیستم های پشتیبانی تصمیم گیری بالینی توصیه های مربوط به سبک زندگی ، برنامه های درمانی خاص و مراقبتی را برای بیمار توصیه می کنند. پزشکان و مراقبان نیز می توانند برای تأیید توصیه های مربوط به سبک زندگی در روند برنامه مراقبت شرکت کنند. با این وجود ، هنگام استفاده از یادگیری ماشینی در این زمینه ، عدم اطمینان و منطقه خاکستری زیادی وجود دارد. داده های بالینی ، رفتاری و سبک زندگی در طبیعت بسیار حساس هستند. در روند جمع آوری و تفسیر داده ها می تواند انواع مختلف تعصب داشته باشد. مدل داده های آموزشی می تواند نسخه قدیمی تر از مجموعه داده را داشته باشد. همه اینها می تواند منجر به تصمیم نادرستی از سیستم بدون اطلاع کاربر شود. در این مقاله ، برخی از استانداردهای مدل های ML که در روندهای تحقیق اخیر گزارش شده اند ، موارد قابلیت اطمینان را شناسایی کرده و پیشرفت هایی را ارائه می دهند.

1-مقدمه

اینترنت اشیا و یادگیری ماشین (ML) به طور گسترده ای در PHاستفاده شده است. این سیستم ها ، به طور کلی ، مجموعه ای از دستگاه های IoT بهم پیوسته برای انجام تجزیه و تحلیل پیش بینی ، تشخیص ، نظارت از راه دور ، تجزیه و تحلیل پیشگیری و جراحی در برخی موارد است. بسیاری از شرکت های فناوری در توسعه سیستم مراقبت های بهداشتی شخصی مبتنی بر یادگیری ماشین سرمایه گذاری کردند. در دانشگاه ، محققان همچنین در حال توسعه الگوریتم هایی برای آموزش دستگاه برای تشخیص علائم پیچیده از تصاویر 2d و 3Dهستند. به عنوان مثال ، گروهی از محققان دستگاهی را برای شناسایی بافت سرطانی ریه آموزش دادند

از انواع نمونه های بزرگ که تصاویر آسیب شناسی بافت سرطانی ریه هستند. با این حال ، استفاده از اینترنت اشیا و ML برای PH با موضوعات و چالش های زیادی همراه است. بخشهای زیر این موضوعات مربوط به PH را با IoT و ML پوشش می دهد. در بخش II ، وضعیت هنر PH بیان شده است. در بخش III ، کاربردهای IoT و ML در PH شرح داده شده است. در بخش IV ، چالش ها و مسائل مربوط به PHتوضیح داده شده است. سرانجام ، بخش Vسخنان پایانی را ارائه می دهد.

2- مراقبت های بهداشتی شخصی شده

روش فعلی در پزشکی این است که پزشکان در اکثر مواقع داروها را با آزمون و خطا و یک رویکرد متناسب با همه تجویز می کنند. اگرچه ، پاسخ به یک دارو برای هر فرد یکسان نیست. در حالی که اکثر افراد ممکن است به یک دارو و دوز خاص پاسخ دهند ، تعداد انگشت شماری از بیماران ممکن است حداقل اثر یا عوارض جانبی شدید ناشی از همان دارو را داشته باشند. بر اساس برخی مطالعات ، بیماران فقط 50٪ از زمان را با دستورالعمل پر و مصرف می کنند. دلایل زیادی وجود دارد ، از جمله فرهنگ نگرانی در مورد داروها و عوارض جانبی و فرهنگ بی اعتمادی به سیستم پزشکی. PH می تواند کیفیت مراقبت را بهبود بخشد و همزمان هزینه را کاهش دهد. همچنین می تواند به ما کمک کند تا درمان صحیح و کمترین عوارض را برای بیماران منفرد پیش بینی کنیم. مدیریت دیابتی شخصی یکی از مطالعات موردی موفقیت آمیز PH با اینترنت اشیا و یادگیری ماشین است. عادت غذایی و پاسخ انسولین هر فرد متفاوت است. واکنش بدن نسبت به مصرف غذا نیز در افراد مختلف متفاوت است. پایش قند خون با بلوتوث توصیه های غذایی را به بیمار می دهد که چه زمانی و چه مقدار غذا باید مصرف شود و همچنین توصیه های غذایی در مورد تأثیر خوردن بدون نظارت. این توصیه را می توان از طریق دستگاه همراه شخصی جستجو کرد. PH همچنین در صورت بستری مجدد در بیمارستان نقش حیاتی دارد. طبق یک نظرسنجی یک پنجم ، بیماران پس از جراحی مجدداً به بیمارستان بستری شدند. اگر برنامه و مراقبت های بهداشتی و درمانی شخصی شخصی به وجود آمده باشد ، از یک سوم بستری مجدد در بیمارستان می توان جلوگیری کرد. محققان تخمین زده اند که هماهنگی مراقبت ناکافی مسئول 25 تا 45 میلیارد دلار هزینه های بیهوده از طریق عوارض قابل پیشگیری و بستری مجدد در بیمارستان های محلی در ایالات متحده آمریکا است. با توجه به پیشرفت دستگاههای محاسباتی کوچکتر با هزینه کم ، مفهوم کاربرد اینترنت اشیا و اینترنت اشیاano نانو (IoNT) امکان پذیر بود. علاوه بر این ، مزایای این فناوری ها برای کاربردهای مراقبت های بهداشتی محقق شده است. دستگاه های کوچک حسی IoT و IoNT می توانند با یکدیگر ارتباط برقرار کنند و می توانند یک شبکه بدن (BAN) ، شبکه منطقه شخصی (PAN) و انواع دیگر شبکه را تشکیل دهند. اینترنت اشیا و ML می توانند سه زمینه زیر را به سمت PH کمک کنند ، همچنین در شکل 2.1 نشان داده شده است. اینها :

1) مراقبت های تشخیصی

2) مراقبت های کمکی

3) نظارت و هشدار دهنده هستند.

مراقبت های بهداشتی در مراقبت های تشخیصی ، دستگاه های ماژول زیستی ممکن است در انجام برخی از موارد تشخیصی برای بیمار کمک کنند. به عنوان مثال ، در مناطق دور افتاده ، پزشکان واجد شرایط در دسترس نیستند. همچنین کمبود پرسنل آسیب شناسی ، مجری ابزار پزشکی در مناطق دور افتاده و نیمه دور وجود دارد. تشخیص هوشمند و خودکار می تواند بر این چالش ها غلبه کند. از این رو ، خدمات تشخیصی از طریق اینترنت اشیا و ML می توانند PH را بسیار پیشرفت دهند. خدمات PH کمکی مبتنی بر ML و IoT در حال حاضر در بسیاری از زندگی ها تأثیرگذار است. به دلیل پیشرفت تکنولوژی ، تأثیر نیز در حال افزایش است. با این حال ، PH کمکی همچنین باید به مسائل مربوط به قابلیت استفاده ، هیاهوی فنی در مقابل میزان واقعی و مقرون به صرفه بپردازد. علاوه بر این ، مسئله حریم خصوصی و احراز هویت برای دستگاه های کوچک می تواند نگرانی قابل توجهی ایجاد کند زیرا در صورت عدم امنیت صحیح می توان آنها را هک و تغییر داد. نظارت از راه دور نقش مهمی در سرویس PH دارد. بیمارستان بیماران ، افرادی که از راه دور زندگی می کنند و افراد مسنی که تحت مراقبت های مسکونی زندگی می کنند را آزاد می کند می تواند از نظارت از راه دور به عنوان بخشی از PH استفاده کند. با نظارت از راه دور از وضعیت سلامتی از طریق دستگاه های اینترنت اشیا ، می توان اطلاعات بهداشتی شخصی بیماران را به سرور Cloud هدایت کرد. علاوه بر این ، سرویس های مبتنی بر ابر مبتنی بر ابر می توانند تجزیه و تحلیل پیش بینی هوشمندانه را بر اساس داده های PH ذخیره شده انجام دهند. در این مدل ، کانال ارتباطی باید فعال باشد تا اطلاعات مربوط به کاربر خاص را منتقل کند.

3-مسائل و چالش ها

مراقبت های بهداشتی الکترونیکی شخصی از نقد و اشکال مصون نیست. وارث مسائل اساسی موجود اینترنت اشیا و ML است. در زیر سناریویی توصیف می شود که در آن یک فرد مسن از سیستم PH مبتنی بر حسگر استفاده می کند. این سنسور اطلاعات مختلفی مانند ضربان قلب ، EEG ، قند خون ، فشار و غیره را جمع آوری کرده و به یک پایگاه داده ارسال می کند. داده ها برای دسترسی طرفین درگیر در آنجا ذخیره می شود. در همان زمان ، پایگاه داده از برخی الگوریتم های یادگیری ماشین برای تجزیه و تحلیل داده های جمع آوری شده برای تعیین عامل خطر بیمار ، بهبود سلامت و اقدامات بعدی بر اساس آن استفاده می کند. شکل 3.1 معماری مشابهی را نشان می دهد. حتی در این سناریوی ساده ، هر یک از مراحل شامل مسائل و چالش های خاصی است. انتقال داده ها و مشکلات افت بسته ، حریم خصوصی و احراز هویت توسط دستگاه های حسی باید بررسی شود.

الف. مسائل مربوط به اینترنت اشیا در PH

به طور کلی ، موفقیت این فناوری توسط سودمندی برای کاربر تعیین می شود. BAN از سنسورها برای جمع آوری اطلاعات مربوط به بدن مربوط به بدن از کاربران استفاده می کند. بنابراین ، برای ارائه خدمات PH ، BAN باید به طور مداوم پدیده های حس شده را به اطلاعات ارزشمند منتقل و تبدیل كند و باید اطمینان حاصل كند كه سایر نیازهای سیستم مانند بهره وری انرژی را برآورده می كند. علاوه بر این ، توانایی آن در پردازش و ارائه اطلاعات در سطوح وفاداری و نرخ متناسب با مقصد داده ها ، خواه به دونده ای که در مورد ضربان قلب خود کنجکاو است و یا به پزشکی که به نوار قلب احتیاج دارد ، باشد. این الزامات کاربردی متنوع ، توانایی جمع آوری اطلاعات سلسله مراتبی و ادغام سیستم های BAN در زیرساخت های فناوری اطلاعات موجود را دارد. به طور خلاصه ، برای بهره مندی کامل از BAN برای PH ، لازم است از یکپارچگی داده ها ، بهره وری انرژی حسگرها و توانایی ادغام با زیرساخت های موجود اطمینان حاصل شود.

ب. مسائل مربوط به ML در PH

ماشین لرنینگ با قیاس آماری ، تصمیم گیری از داده های موجود و پیش بینی از تجربه قبلی ارتباط نزدیک دارد. در صورت نظارت بر بیمار ، روش مبتنی بر ML وضعیت را با توجه به مجموعه داده آموزش دیده تجزیه و تحلیل می کند. مجموعه داده های آموزشی در بیشتر اوقات نقش مهمی در پیش بینی روند آینده یک مسئله جدید با موفقیت دارد. این مجموعه داده گاهی اوقات می تواند مغرضانه باشد و ممکن است متنوع نباشد و بسیاری از سناریوها را پوشش دهد. داده های پر سر و صدا ، داده های کثیف و داده های ناقص می تواند منجر به سهمیه احتمال کمتری برای تشخیص و پیش بینی تشخیص و اعلامیه مشاوره مرتبط با سلامتی شود. در مورد نظارت بر خواب و ردیابی آپنه خواب ، الگوی خواب و روال خواب می تواند در افراد ، سن و وضعیت سلامتی متفاوت باشد. بنابراین ، یک مجموعه داده کامل از تمام مطالعات موردی ممکن است برای ردیابی الگوی خواب در دسترس نباشد ، و این می تواند منجر به تخمین اشتباه در PH شود. در صورت استفاده از اینترنت اشیا و ML فعال کردن PH ، ممکن است لازم باشد سیستم برای تشخیص ، پیش بینی و هشدار به کاربر تصمیم بگیرد. مواردی وجود دارد که یک تصمیم مبتنی بر ML می تواند اشتباه باشد ، و اشاره به دلیل تصمیم گیری خاص تقریباً غیرممکن است. به عنوان مثال ، در مورد اتومبیل رانندگی مستقل ، تصادفات کمی به دلیل تصمیم اشتباه توسط اتومبیل خودمختار بوجود آمد. با این حال ، سوال مهم این بود که چگونه می توان تصمیمی را که یک دستگاه هوش مصنوعی در هنگام استفاده از یادگیری بدون نظارت گرفته است ، درک کرد این می تواند به یک سوال اخلاقی منجر شود که چه کسی در صورت ادعای کاذب مسئول است و چگونه می توان نقص را در روند تصمیم گیری شناسایی یا اصلاح کرد و درک می کند که یک ماشین آموزش دیده بدون نظارت چگونه کار می کند. این اشکالات می تواند استفاده از ML در PH را برای یک کاربرد حساس مانند داروی شخصی محدود کند. در حالی که از سرویس PH مبتنی بر MLاستفاده می کنید ، تجزیه و تحلیل پیش بینی می تواند به بیماران ترخیص شده در بیمارستان که ممکن است نیاز به بستری مجدد در بیمارستان داشته باشند ، کمک کند. تجزیه و تحلیل پیش بینی برای ایجاد یک مدل طبقه بندی خطر مناسب است که در آن بیماران خاص با خطر بالاتر با تلاش اضافی مدیریت می شوند. چنین تلاشی شامل ارائه دستگاههای نظارتی اضافی و پیگیری مداوم نمی شود. در بسیاری از موارد ، چنین مدل هایی بر اساس ادعاها و داده های تاریخی گذشته ایجاد می شوند. سیستم PH پویا که به ابتکار عمل جلوگیری از بستری مجدد کمک می کند ، باید داده های دینامیکی را نیز از بیمار استفاده کند و از آن برای پیش بینی احتمالات آینده و شروع یک برنامه عملیاتی برای کاهش عوارض احتمالی استفاده کند. مطالعات Rothman و همکاران. نشان داده اند که ترکیب متغیرهای بالینی و علائم حیاتی می تواند برای پیش بینی موارد بستری مجدد ارزشمند باشد. برای این سناریو می توان از سیستم PH استفاده کرد. با این حال ، مسائل مربوط به از دست دادن انتقال داده ، سر و صدا در داده ها و داده های ناقص باید بررسی شود.

4. نتیجه

یادگیری ماشینی تا حد زیادی به مجموعه داده های موجود و الگوریتم های موجود بستگی دارد تا داده ها را از طریق یادگیری تحت نظارت یا یادگیری بدون نظارت ، به برخی از دسته ها تقسیم کند. انسانها تصمیمات اشتباهی می گیرند زیرا ما انسانها نیز برای تصمیم گیری به دانش کسب شده خود وابسته هستیم. تصمیمی که می گیریم گاهی اوقات احساسات را در بر می گیرد ، برعکس کامپیوترها چنین تصمیمی ندارند. ما انسانها می توانیم بر اساس ارزشهای اخلاقی ، تصور نسبت به جهان ، ارزش سیاسی و مذهبی و هویت خود تعصب داشته باشیم و تصمیم بگیریم. این عوامل می توانند در مجموعه داده های موجود که از رایانه ها برای آموزش تصمیم گیری استفاده می شود ، ظاهر شوند. بنابراین اطمینان از اینکه مجموعه داده هایی که برای یادگیری ماشین استفاده می شود تا آنجا که ممکن است از تعصبات انسانی خالی باشد ، یک چالش است. غلبه بر این کاستی ها در اینترنت اشیا و ML می تواند مراقبت های بهداشتی شخصی را بیش از پیش تقویت کند.

ترجمه: آریا نامداری TEL: http://t.me/mr_redux
منبع مقاله اصلی: https://ieeexplore.ieee.org/document/8613997