مدل‌سازی معماری اطلاعات بیمارستان هوشمند مبتنی بر اینترنت اشیاء و عامل توصیه‌ گر

مقدمه: امروزه سازمان های مراقبت بهداشتی در سطح جهان از اهمیت فناوری و تاثیر فناوری بر کیفیت مراقبت ارائه شده واقف هستند. بیمارستان یکی از سیستم هایی است که به دلایل مختلف، بهره گیری از اطلاعات در آن از اهمیت ویژه ای برخوردار است. در این تحقیق سعی شد با استفاده از شبیه ‌سازی گسسته پیشامد و طراحی یک عامل توصیه‌گر، تخصیص تجهیزات اینترنت اشیاء به بیماران به گونه‌ای انجام شود که تعداد خطاهای درمانی کاهش یابد و طول درمان بیماران کمینه گردد.روش: برای انجام تحقیق مورد نظر، ابتدا وضعیت فعلی سیستم درمان با رویکرد شبیه‌سازی گسسته پیشامد مدل شد. سپس سناریوی ورود اینترنت اشیاء به مدل شبیه‌سازی انجام گرفت و در نهایت با استفاده از مدل‌سازی عامل بنیان، عامل توصیه‌گر جهت اختصاص بهینه تجهیزات اینترنت اشیاء به بیماران طراحی شد.نتایج: پیاده‌سازی عملکرد عامل توصیه‌گر در مدل شبیه‌سازی نشان داد که به کارگیری اینترنت اشیاء و عامل توصیه گر در فرآیندهای درمانی باعث کاهش خطاهای درمانی و طول درمان می شود.نتیجه‌گیری: قرار دادن اینترنت اشیاء در مراحل مختلف درمانی باعث کاهش خطا می شود، ولی اثربخشی آن در مراحل مختلف از بیماری های مختلف با هم متفاوت است. از آنجایی که برخی از تجهیزات اینترنت اشیاء مربوط به بیماری‌های مختلف با هم هم‌پوشانی دارند و همچنین تعداد این تجهیزات در بیمارستان‌ها محدود است، برای داشتن بیشترین اثربخشی از عامل توصیه‌گر استفاده شد. عامل توصیه‌گر در خصوص نحوه تخصیص تجهیزات اینترنت اشیاء به هر یک از مراحل درمانی بیماران تصمیم‌گیری می‌کند.

Modeling a Smart Hospital Information Architecture Based on Internet of Things and Recommender Agent

Introduction: Today, healthcare organizations worldwide are aware of the significance of technology and its impact on the quality of care. Hospitals are one of the most crucial systems in which the utilization of information is particularly important for several reasons. Using discreteevent simulation and developing a recommender agent, this study aimed to allocate IoT devices to patients in such a way as to minimize the number of medical errors and the length of treatment.Method: To carry out this research, first, the current condition of the medical care system was modeled using discreteevent simulation. Then, the scenario of introducing IoT into the model was simulated. Finally, using agentbased modeling, the recommender agent was developed to optimize the allocation of IoT devices to the patients.Results: Implementing recommender agent in the simulation model indicated that using IoT and recommender agent in medical processes leads to reducing medical errors and length of treatment.Conclusion: Utilizing the IoT in medical processes reduces errors, although the extent of its effectiveness varies at different stages of treating various diseases. Since some diseasespecific IoT devices overlap in their functions, and given the limited number of these devices in hospitals, it is recommended that a recommender agent be used to ensure maximum effectiveness. Recommender agents make informed decisions as to how IoT devices can be efficiently allocated to patients at each stage of their treatment.