یکپارچگی و کاوش داده های پزشکی چندمنبعی جهت ارائه سرویس های مراقبت سلامت
ترجمه شده

یکپارچگی و کاوش داده های پزشکی چندمنبعی جهت ارائه سرویس های مراقبت سلامت

عنوان فارسی مقاله: یکپارچگی و کاوش داده های پزشکی چندمنبعی جهت ارائه سرویس های مراقبت سلامت
عنوان انگلیسی مقاله: Multi-Source Medical Data Integration and Mining for Healthcare Services
مجله/کنفرانس: IEEE Access
رشته های تحصیلی مرتبط: مهندسی پزشکی و فناوری اطلاعات و ارتباطات
گرایش های تحصیلی مرتبط: سایبرنتیک پزشکی، کاربردهای ICT
کلمات کلیدی فارسی: توصیه خدمات، اینترنت سلامت، هشینگ حساس به محل، حریم خصوصی کاربر، یکپارچگی داده ها
کلمات کلیدی انگلیسی: Service recommendation - Internet of Health - locality-sensitive hashing - user privacy - data integration
نمایه: scopus - Master Journals List - JCR - DOAJ
شناسه دیجیتال (DOI): https://doi.org/10.1109/ACCESS.2020.3023332
دانشگاه: کالج بسکتبال چین، دانشگاه ورزشی پکن، چین
صفحات مقاله انگلیسی: 8
صفحات مقاله فارسی: 20
ناشر: آی تریپل ای - IEEE
نوع ارائه مقاله: ژورنال
نوع مقاله: ISI
سال انتشار مقاله: 2020
ایمپکت فاکتور: 4.983 در سال 2019
شاخص H_index: 86 در سال 2020
شاخص SJR: 0.775 در سال 2019
ترجمه شده از: انگلیسی به فارسی
شناسه ISSN: 2169-3536
شاخص Quartile (چارک): Q2 در سال 2019
فرمت مقاله انگلیسی: PDF
وضعیت ترجمه: ترجمه شده و آماده دانلود
فرمت ترجمه فارسی: pdf و ورد تایپ شده با قابلیت ویرایش
مشخصات ترجمه: تایپ شده با فونت B Nazanin 14
مقاله بیس: خیر
مدل مفهومی: ندارد
کد محصول: 11550
رفرنس: دارای رفرنس در داخل متن و انتهای مقاله
پرسشنامه: ندارد
متغیر: ندارد
درج شدن منابع داخل متن در ترجمه: بله
ترجمه شدن توضیحات زیر تصاویر و جداول: بله
ترجمه شدن متون داخل تصاویر و جداول: بله
رفرنس در ترجمه: در داخل متن و انتهای مقاله درج شده است
نمونه ترجمه فارسی مقاله

چکیده

با ظهور عصر و دوره اینترنت سلامت (IoH)، سرویس های پزشکی یا سلامت سنتی به تدریج به وب یا اینترنت مهاجرت کرده و داده های پزشکی قابل توجهی در ارتباط با بیماران، پزشکان، دارو، زیرساخت پزشکی و غیره تولید کرده اند. ترکیب و تحلیل موثر داده های IoH، بر تشخیص حوادث و سوانح علمی و سرویس های مراقبت پزشک، تاثیر مثبتی می گذارد. با این حال، داده های IoH اغلب ار میان دپارتمان های مختلف توزیع شده و محتوی حریم خصوصی جزئی (ناقص) کاربر هستند. بنابراین، یکپارچگی یا کاوش موثر داده های حساس IoH، درطول مدتی که حریم خصوصی کاربر افشا نشده است، وظیفه ای چالش برانگیز می باشد. برای غلبه بر مشکل فوق، راه حل یکپارچگی و کاوش داده های پزشکی چند منبعی جدیدی برای سرویس های مراقبت سلامت بهتر، به نام  PDFM مطرح می کنیم. از طریق PDFM، پرونده های پزشکی مشابه را به شیوه زمانی کارآمد و با حفظ حریم خصوصی جستجو نموده و سر ویس های پزشکی و سلامت (بهداشتی) بهتری به بیماران عرضه می نماییم. برای تشریح امکان سنجی پیشنهاد مطرح شده در این کار، گروهی از آزمایشات وضع و پیاده گردید.

1. مقدمه

با افزایش شهرت فناوری اطلاعات و پذیرش تدریجی نرم افزار دیجیتال در حوزه های پزشکی یا سلامتی، دپارتمان ها یا آژانس های پزشکی مختلف، داده های تاریخی قابل ملاحظه ای جمع آوری نموده اند (مثلاً، پرونده های پزشکی بیماران، راه حل های درمان سالم و غیره)، که منبع اصل کلان داده های اینترنت سلامت (IoH) را تشکیل می دهند [1]. درجه بهره برداری از چنین داده های IoH، معیاری کلیدی برای ارزیابی و تعیین سطح اطلاعات واحدها یا دپارتمان های پزشکی یا سلامتی به حساب می آید [2]. 

6. نتیجه گیری

ترکیب و تحلیل های موثر داده های IoH به عنوان روشی موثر و مهم برای تشخیص حوادث علمی و سرویس های مراقبت سلامت شناخته می شود. با این حال، داده های IoH تولید شده توسط بیماران، اغلب در میان دپارتمان های مختلف توزیع شده، و محتوی حریم خصوصی جزئی بیمار هستند. بنابراین، یکپارچه سازی یا کاوش موثر داده های حساس IoH بدون افشاء حریم خصوصی بیمار، وظیفه ای چالش برانگیز به حساب می آید. برای حل این چالش، راه حل جدیدی به نام PDFM برای یکپارچه سازی و کاوش داده های پزشکی چند منبعی مطرح می کنیم تا به این طریق بتوانیم به سرویس های مراقبت سلامت بهتری دست یابیم. از طریق PDFM، پرونده های پزشکی مشابه را به شیوه زمانی کارآمد و با حفظ حریم خصوصی جستجو نموده و سرویس های پزشکی و سلامتی بهتری به بیماران عرضه می گردد. آزمایشات انجام شده برروی مجموعه داده واقعی، امکان سنجی PDFM را اثبات می کنند.

نمونه متن انگلیسی مقاله

Abstract 

With the advent of Internet of Health (IoH) age, traditional medical or healthy services are gradually migrating to the Web or Internet and have been producing a considerable amount of medical data associated with patients, doctors, medicine, medical infrastructure and so on. Effective fusion and analyses of these IoH data are of positive significances for the scientific disaster diagnosis and medical care services. However, IoH data are often distributed across different departments and contain partial user privacy. Therefore, it is often a challenging task to effectively integrate or mine the sensitive IoH data, during which user privacy is not disclosed. To overcome the above difficulty, we put forward a novel multi-source medical data integration and mining solution for better healthcare services, named PDFM (Privacy-free Data Fusion and Mining). Through PDFM, we can search for similar medical records in a time-efficient and privacy-preserving manner, so as to offer patients with better medical and health services. A group of experiments are enacted and implemented to demonstrate the feasibility of the proposal in this work.

I. INTRODUCTION

With the ever-increasing popularity of Information Technology and the gradual adoption of digital software in medical or healthy domains, various medical departments or agencies have accumulated a considerable amount of historical data (e.g., patients’ medical records, healthy treatment solutions and so on), which form a main source of big Internet of Health (IoH) data [1]. The utilization degree of such IoH data is a key criterion to evaluate and quantify the information level of medical or healthy units or departments [2].

VI. CONCLUSION

Effective fusion and analyses of IoH data are of positive significances for scientific disaster diagnosis and medical care services. However, the IoH data produced by patients are often distributed across different departments and contain partial patient privacy. Therefore, it is often a challenging task to effectively integrate or mine the sensitive IoH data without disclosing patient privacy. To tackle this challenge, we bring forth a novel multi-source medical data integration and mining solution for better healthcare services, named PDFM. Through PDFM, we can search for similar medical records in a time-efficient and privacy-preserving manner, so as to provision patients with better medical and health services. The experiments on a real dataset prove the feasibility of PDFM.

تصویری از فایل ترجمه

          

(جهت بزرگ نمایی روی عکس کلیک نمایید)

ترجمه فارسی فهرست مطالب

چکیده

1. مقدمه

2. کارهای مرتبط 

A. رمزنگاری 

B. حریم خصوصی تفاضلی 

C. بی نام سازی

3. انگیزش 

4. رویکرد

(1) گام 1: تصویر سازی یا طرح ریزی داده های IoH برمبنای LSH

(2) گام 2: ایجاد (ساخت) جداول هش بدون نگرانی در مورد حریم خصوصی

(3) گام 3: جستجو و کاوش داده های مشابه IoH بر مبنای جداول هش 

5. آزمایشات

A. پیکره بندی 

B. مقایسه ها

C. بحث های آتی 

6. نتیجه گیری

فهرست انگلیسی مطالب

ABSTRACT

I. INTRODUCTION

II. RELATED WORK

A. ENCRYPTION

B. DIFFERENTIALLY PRIVACY

C. ANONYMIZATION

III. MOTIVATION

IV. APPROACH

(1) Step-1: LSH-based IoH data projection

(2) Step-2: Creation of hash tables without privacy

(3) Step-3: Hash tables-based similar IoH data search and mining

V. EXPERIMENTS

A. CONFIGURATION

B. COMPARISONS

C. FURTHER DISCUSSIONS

VI. CONCLUSION

محتوای این محصول:
- اصل مقاله انگلیسی با فرمت pdf
- ترجمه فارسی مقاله با فرمت ورد (word) با قابلیت ویرایش، بدون آرم سایت ای ترجمه
- ترجمه فارسی مقاله با فرمت pdf، بدون آرم سایت ای ترجمه
قیمت محصول: ۵۲,۲۰۰ تومان
خرید محصول