Hospital

fa مدل خوشه‌بندی ابزارها و نرم‌افزارهای پایش جسمی بیمار در محیط اینترنت اشیا در حوزه سلامت A Clustering model for gadgets and apps used in patient monitoring in HIOT environment سایر سایر سایر Other 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 <pre> Background: with increasing demand for treatment, patients are monitored with help of Internet of Things(IOT). Patient's monitoring devices and technologies include heart rate measurement, blood pressure measurement, blood glucose and other vital signs. The purpose of study is to provide a model of clustering patient physical monitoring gadgets and apps in Healthcare Internet of Things (HIOT) environment using data mining techniques, so based on the needs and characteristics of the user, the more appropriate results of choosing technologies acquired.</pre> <pre> Materials and methods: This study is a review and functional since its result. The data includes 6 unique features of 60 selected technologies including function, price, connectivity route, power supply, location and type of use that has been extracted from R&D and advertising sites of technologies and also relevant articles. data analysis method is clustering technique and K-medoids algorithm. to identify the most effective features, random forest algorithm has been used.</pre> <pre> Results: the proposed clustering model takes into account 6 as inputs and clusters gadgets and apps in accordance with selected characteristics as the model outputs. clustering problem data is clustered in 4 categories.  Silhouette index is 0.45, which indicates the validity of the model. The type of application and then the price had the greatest impact on clustering.</pre> <pre> Conclusion: By this model, patients or users can find the most appropriate technology based on the type of disease and other effective features, such as price. So with accurate physical and momentary monitoring, disease progression decrease and prevention of disease will improve. </pre> پایش بیمار, ابزار و نرم‌افزار, اینترنت اشیا در سلامت, خوشه‌بندی Patient Monitoring, gadget and app, Healthcare Internet of Things (HIOT), Clustering 63 72 http://jhosp.tums.ac.ir/browse.php?a_code=A-10-320-7&slc_lang=fa&sid=1 Mohssen Ghanavatinejad محسن قنواتی نژاد Mohssen.ghanavati@gmail.com No Master Industrial Engineering, Healthcare Systems, Faculty of Industrial and Systems Engineering, Tarbiat Modares University, Tehran, Iran کارشناسی ارشد مهندسی صنایع، گرایش سیستم های سلامت، دانشکده مهندسی صنایع و سیستم‌ها، دانشگاه تربیت مدرس، تهران، ایران Mahdieh Tavakoli مهدیه توکلی mahdiye.tavakkoli@gmail.com No Master Industrial Engineering, Healthcare Systems, Faculty of Industrial and Systems Engineering, Tarbiat Modares University, Tehran, Iran کارشناسی ارشد مهندسی صنایع، گرایش سیستم های سلامت، دانشکده مهندسی صنایع و سیستم‌ها، دانشگاه تربیت مدرس، تهران، ایران MohamadMehdi Sepehri محمدمهدی سپهری Yes Professor, Healthcare System Engineering Group, Faculty of Industrial and Systems Engineering, Tarbiat Modares University, Tehran, Iran (*Corresponding Author), Email: mehdi.sepehri@gmail.com 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