Нейрономережева інформаційна технологія опрацювання медичних даних
Анотація
Швидкий розвиток комп'ютерної техніки формує передумови для розробок нейрокомп'ютерів (тобто комп'ютерів 6-го покоління), які, за прогнозами в галузі штучного інтелекту, активно будуть використані для перероблення будь-якої інформації, за тими ж принципами, що й біологічні нейронні мережі – такі як людський мозок. Тому попит на використання нейромережеві технології поступово охоплює дедалі ширший коло користувачів зокрема й у галузі охорони здоров'я. Досліджено можливості застосування штучних нейронних мереж для оброблення даних регіональної охорони здоров'я. Нейронні мережі – потужний метод моделювання, що дає змогу відтворювати складні нелінійні залежності, що актуально для систем прийняття рішень управління пацієнтопотоком у медичних закладах. Запропоновано інформаційну технологію оброблення медичних даних за допомогою штучних нейронних мереж, що дасть змогу підвищити ефективність надання медичної допомоги під час профілактичних медоглядів, ніж відомі інформаційні технології класифікації. Розглянуті такі положення: принципи дії штучних нейронних мереж, переваги і недоліки їх використання та основні функції. Також наведено перспективи використання штучних нейронних мереж щодо класифікації пацієнтів для проходження профілактичного медичного огляду.
Завантаження
Посилання
Girosi, F., Meili, R., & Scoville, R. (2005). Extrapolating evidence of health information technology savings and costs. Health affairsvol. https://doi.org/10.1377/hlthaff.24.5.1103
HFA-DB. (2012). European health for all database. Retrieved from: http://data.euro.who.int/hfadb/.
Li, Xiang, Ding, Qian, & Sun, Jian-Qiao. (2017). Remaining useful life estimation in prognostics using deep convolution neural networks. Reliability Engineering & System Safety. https://doi.org/10.1016/j.ress.2017.11.021
Melnik, K. V. (2015). Primenenie algoritma kollaborativnoi filtratcii dlia obrabotki meditcinskikh dannykh. Bulletin of the National Technical University "Kharkiv Polytechnic Institute", 2(1111), 193–198. [In Russian].
Montavon, Grégoire, Samek, Wojciech, & Müller, Klaus-Robert. (2017). Methods for interpreting and understanding deep neural networks. Digital Signal Processing. https://doi.org/10.1016/j.dsp.2017.10.011
Nazirova, T. O., & Kostenko, O. B. (2017). Overview of ehealth development models and existing medical information systems. problems of creating a single medical information space. Scientific Bulletin of UNFU, 27(10), 123–131. https://doi.org/10.15421/40271027
Nazirova, T. O., & Kostenko, O. B. (2018). Instrumentalnyi analiz demohrafichnykh pokaznykiv u medychnii informatsiinii systemi. Bulletin of the National Technical University "Kharkiv Polytechnic Institute". Series "Mathematical Modeling", 3(1279), 81–88. [In Ukrainian].
Palm, Günther. (2016). Neural Information Processing in Cognition: We Start to Understand the Orchestra, but Where is the Conductor? Front Comput Neurosci. https://doi.org/10.3389/fncom.2016.00003
VOZ. (2017). Vsesvitnia orhanizatsiia okhorony zdorovia. Retrieved from: http://www.who.int/ru/. [In Ukrainian].
Переглядів анотації: 261 Завантажень PDF: 0
Авторське право (c) 2018 Науковий вісник НЛТУ України
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.