یکپارچه سازی الگوریتم های یادگیری عمیق در سیستم های اطلاعات بیمارستانی (HIS) برای تشخیص زودهنگام بیماری ها: یک رویکرد فناوری اطلاعات

سیستم های اطلاعات بیمارستانی (HIS) نقش حیاتی در مدیریت داده های بالینی ایفا می کنند، اما معماری های سنتی آن ها در پردازش بلادرنگ و پیش بینی زودهنگام بیماری ها با محدودیت های جدی مواجه هستند. هدف از این مطالعه مروری، بررسی یکپارچه سازی الگوریتم های یادگیری عمیق در زیرساخت های سیستم اطلاعات بیمارستانی به منظور ارتقای قابلیت های تشخیص زودهنگام بیماری ها با رویکرد فناوری اطلاعات است. در این پژوهش نظام مند، مقالات معتبر نمایه شده در پایگاه های داده طی سال های ۲۰۱۸ تا ۲۰۲۶ با تمرکز بر معماری نرم افزار، تعامل پذیری و امنیت مورد بررسی قرار گرفتند. یافته ها نشان می دهد که استفاده از معماری ترکیبی ابری-لبه می تواند چالش های مربوط به تاخیر در پردازش و استنتاج مدل های یادگیری عمیق را به میزان قابل توجهی کاهش دهد. علاوه بر این، پیاده سازی استاندارد HL۷ FHIR برای طراحی رابط های برنامه نویسی کاربردی جهت تضمین تعامل پذیری داده ها و بهره گیری از یادگیری فدرال برای حفظ حریم خصوصی بیماران، از الزامات بنیادین این یکپارچه سازی محسوب می شوند. در نتیجه، گذار از سیستم های سنتی به سیستم های مبتنی بر هوش مصنوعی نیازمند بازطراحی زیرساخت های فناوری اطلاعات است و موفقیت در این مسیر در گرو استانداردسازی داده ها، ارتقای کیفیت اطلاعات و اتخاذ معماری های امن و مقیاس پذیر خواهد بود.

کلیدواژه ها:

سیستم های اطلاعات بیمارستانی ، یادگیری عمیق ، معماری فناوری اطلاعات ، تعامل پذیری ، تشخیص زودهنگام