MEDI-NET : CADRE BASÉ SUR LE CLOUD POUR SYSTÈME DE RÉCUPÉRATION DE DONNÉES MÉDICALES UTILISANT LE DEEP LEARNING
DOI :
https://doi.org/10.59277/RRST-EE.2024.2.23Mots-clés :
Récupération de dossiers médicaux, L'apprentissage en profondeur, Dossiers de santé, Indexage, Création ResNetRésumé
La récupération de données médicales devient de plus en plus cruciale, aidant les médecins et les experts du domaine à accéder plus efficacement aux connaissances et aux informations liées à la médecine et facilitant une prise de décision éclairée. Les architectures centralisées ont besoin d'aide en termes d'évolutivité et d'indexation en temps réel, ce qui entraîne des temps de récupération prolongés et une efficacité réduite. Pour résoudre ces problèmes, une nouvelle récupération de données MEdical utilisant Inception resNET (MEDI-NET) a été proposée pour récupérer efficacement les données médicales. Le système proposé introduit un réseau d'apprentissage profond pour un modèle de poly-indexation dynamique et une indexation simultanée, garantissant la récupération en temps réel des derniers dossiers médicaux. EMRBots et MIMIC-III sont les deux ensembles de données utilisés pour comparer les performances de l'approche MEDI-NET proposée avec les méthodes MRCG, HCAC-EHR et FedCBMIR existantes, qui sont implémentées à l'aide de Python. L'efficacité de l'approche MEDI-NET proposée a été déterminée à l'aide de mesures d'évaluation telles que la précision, l'exactitude, le rappel, le score F1, le temps d'indexation et le temps de récupération. L'analyse comparative avec les méthodes existantes démontre une précision, une exactitude, un rappel et un score F1 supérieurs pour la méthode proposée. De plus, le système proposé présente des temps d'indexation et de récupération réduits, démontrant son efficacité dans le traitement de données médicales à grande échelle. La précision de l'approche MEDI-NET proposée est respectivement de 0,60 %, 9,87 % et 21,1 % supérieure à celle des techniques MRCG, HCAC-EHR et FedCBMIR existantes.
Références
(1) T. Jacquemard, C.P. Doherty, M.B. Fitzsimons, The anatomy of electronic patient record ethics: a framework to guide design, development, implementation, and use, BMC Medical Ethics, 22, 1, pp. 1–14 (2021).
(2) C. Dinh-Le, R. Chuang, S. Chokshi, D. Mann, Wearable health technology and electronic health record integration: scoping review and future directions, JMIR mHealth and Health, 7, 9, pp. e12861 (2019).
(3) L.G. Timme, Social Workers’ Perspectives of the effectiveness of EMDR in telehealth for PTSD patients (Doctoral dissertation, Millersville University of Pennsylvania). (2023).
(4) H.G. Eichler, B. Bloechl‐Daum, K. Broich, P.A. Kyrle, J. Oderkirk, G. Rasi, R. Santos Ivo, A. Schuurman, T. Senderovitz, L. Slawomirski, M. Wenzl, Data rich, information poor: can we use electronic health records to create a learning healthcare system for pharmaceuticals? Clin. Pharmacol. Ther., 105, 4, pp. 912–922 (2019).
(5) K.H. Nguyen, C. Wright, D. Simpson, L. Woods, T. Comans, C. Sullivan, Economic evaluation and analyses of hospital-based electronic medical records (EMRs): a scoping review of international literature, NPJ Digital Med., 5, 1, pp. 29 (2022).
(6) I.C. Stanica, F. Moldoveanu, M.I. Dascalu, I.V. Nemoianu, G.P. Portelli, Advantages of telemedicine in neurorehabilitation and quality of life improvement, Rev. Roum. Sci. Techn. – Électrotechn. Et Énerg., 66, 3, pp. 195–199 (2021).
(7) R. Cerchione, P. Centobelli, E. Riccio, S. Abbate, E. Oropallo, Blockchain’s coming to hospital to digitalize healthcare services: Designing a distributed electronic health record ecosystem, Technovation, 120, pp. 102480 (2023).
(8) D.R. Friedman, V. Patil, C. Li, K.M. Rassmussen, Z. Burningham, S. Hamilton-Hill, M.J. Kelley, A.S. Halwani, Integration of patient-reported outcome measures in the electronic health record: The Veterans Affairs experience, JCO Clin. Cancer Inf. 6, pp. e2100086 (2022).
(9) L.S. Dhingra, M. Shen, A. Mangla, R. Khera, Cardiovascular care innovation through data-driven discoveries in the electronic health record, American Journal of Cardiology, 203, pp.136–148 (2023).
(10) A. Prasanth, N. Muthukumaran, Primary open-angle glaucoma severity prediction using deep learning technique, International Journal of Current Bio-Medical Engineering, 01, 1, pp. 30–37 (2023).
(11) S. Han, R.F. Zhang, L. Shi, R. Richie, H. Liu, A. Tseng, W. Quan, N. Ryan, D. Brent, F.R. Tsui, Classifying social determinants of health from unstructured electronic health records using deep learning-based natural language processing, J. Biomed. Inf., 127, pp.103984 (2022).
(12) M. Jesi, A. Appathurai, M. Kumaran, A. Kumar, Load balancing in cloud computing via mayfly optimization algorithm, Rev. Roum. Sci. Techn. – Électrotechn. Et Énerg., 69, 1, pp.79–84 (2024).
(13) A. Rehman, S. Naz, I. Razzak, Leveraging big data analytics in healthcare enhancement: trends, challenges and opportunities, Multimedia Syst., 28, 4, pp.1339–1371 (2022).
(14) M. Wornow, Y. Xu, R. Thapa, B. Patel, E. Steinberg, S. Fleming, M.A. Pfeffer, J. Fries, N.H. Shah, The shaky foundations of large language models and foundation models for electronic health records, NPJ Digital Med. 6, 1, pp.135 (2023).
(15) J.S. Ilgen, K.W. Eva, A. de Bruin, D.A. Cook, G. Regehr, Comfort with uncertainty: reframing our conceptions of how clinicians navigate complex clinical situations, Advances in Health Sciences Education, 24, 4, pp. 797–809 (2019).
(16) M. Shen, Y. Deng, L. Zhu, X. Du, N. Guizani, Privacy-preserving image retrieval for medical IoT systems: A blockchain-based approach, IEEE Network, 33, 5, pp. 27–33 (2019).
(17) Z. Tang, Z.H. Sun, E.Q. Wu, C.F. Wei, D. Ming, S. Chen, MRCG: An MRI retrieval system with convolutional and graph neural networks for secure and private IoMT, IEEE J. Biomed. Health. Inf. (2021).
(18) C.A. Hussain, D.V. Rao, S.A. Mastani, RetrieveNet: a novel deep network for medical image retrieval, Evol. Intell., 14, 4, pp.1449–1458 (2021).
(19) P. Chinnasamy, P. Deepalakshmi, HCAC-EHR: hybrid cryptographic access control for secure EHR retrieval in healthcare cloud, J. Ambient Intell. Hum. Comput., pp. 1–19, (2022).
(20) P. Shamna, V.K. Govindan, K.A. Nazeer, Content-based medical image retrieval by spatial matching of visual words, Journal of King Saud University-Computer and Information Sciences, 34, 2, pp. 58–71 (2022).
(21) T. Sunitha, T.S. Sivarani, Novel content-based medical image retrieval based on BoVW classification method. Biomed. Signal Process, Control, 77, pp. 103678 (2022).
(22) Z. Tabatabaei, Y. Wang, A. Colomer, J. Oliver Moll, Z. Zhao, V. Naranjo, WWFedCBMIR: world-wide federated content-based medical image retrieval, Bioeng., 10, 10, pp.1144 (2023).
(23) A.S. Ghazanfar, X. Cheng, Brain aneurysm classification via whale optimized dense neural network, International Journal of Data Science and Artificial Intelligence, 02, 2, pp. 63–67 (2024).
Téléchargements
Publiée
Numéro
Rubrique
Licence
(c) Copyright REVUE ROUMAINE DES SCIENCES TECHNIQUES — SÉRIE ÉLECTROTECHNIQUE ET ÉNERGÉTIQUE 2024
Ce travail est disponible sous licence Creative Commons Attribution - Pas d'Utilisation Commerciale - Pas de Modification 4.0 International.
