مدل خوشه‌بندی ابزارها و نرم‌افزارهای پایش جسمی بیمار در محیط اینترنت اشیا در حوزه سلامت

زمینه و هدف: امروزه با افزایش تقاضای درمان، بیماران با کمک اینترنت اشیا مراقبت و پایش می شوند. فناوری های پایش جسمی بیمار در محیط اینترنت اشیا شامل اندازه گیری ضربان قلب، فشارخون، قند خون و دیگر علائم حیاتی هستند.هدف مقاله، ارائه مدل خوشه بندی فناوری های مذکور با استفاده از تکنیک های داده کاوی است تا مناسب ترین فناوری، طبق نیازها و ویژگی های کاربر انتخاب شود. مواد و روش ها: پژوهش حاضر، مروری و از منظر نتیجه کاربردی می باشد. داده ها شامل شش مشخصه منحصربه فرد 60 فناوری منتخب، شامل کاربرد، قیمت، نحوه اتصال، منبع تغذیه، مکان استفاده و نوع استفاده می باشد که از سایت های توسعه و تبلیغات فناوری ها و همچنین بررسی مقالات مرتبط استخراج شده است. روش تجزیه وتحلیل داده ها، تکنیک خوشه بندی و الگوریتم kmedoids است. هم چنین برای شناسایی موثرترین مشخصه ها، از الگوریتم جنگل تصادفی استفاده شده است.یافته ها: مدل ارائه شده، با در نظر گرفتن مشخصه های انتخاب شده کاربر به عنوان ورودی، خوشه ای از فناوری ها را به عنوان خروجی مدل ارائه می دهد. مطابق با الگوریتم، داده ها در بهترین حالت در چهار دسته خوشه بندی شدند. شاخص سیلوئت برای چهار خوشه، مقدار 0.45 شده است که اعتبار مدل را نشان می دهد. با اجرای الگوریتم جنگل تصادفی، نوع کاربرد و پس از آن قیمت، بیشترین تاثیر را در خوشه بندی داشته اند.نتیجه گیری: توسط مدل پیشنهادی پژوهش، بیماران یا کاربران می توانند مناسب ترین فناوری را بر حسب نوع بیماری و دیگر ویژگی های موثر همچون قیمت، بیابند و به این ترتیب با پایش جسمی درست و لحظه به لحظه، آمار پیشروی بیماری ها کمتر و پیشگیری آن ها بهتر انجام گیرد

A Clustering model for gadgets and apps used in patient monitoring in HIOT environment

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.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 Kmedoids algorithm. to identify the most effective features, random forest algorithm has been used.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.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.