საკვანძო სიტყვები
ჯანდაცვა
მანქანური დასწავლა
ანონიმიზაცია
MongoDB
უსაფრთხოება
როგორ უნდა ციტირება
ანოტაცია
ნაშრომში ხაზგასმულია მონაცემთა ბაზების მართვის გადამწყვეტი როლი ჯანდაცვის სფეროში მანქანური სწავლის ალგორითმების ინტეგრაციის პროცესში, განსაკუთრებით სიმპტომებზე დაფუძნებული სავარაუდო დიაგნოზის სისტემის მაგალითზე [1]. როგორც ჯანდაცვის ციფრული ტრანსფორმაციის საფუძველი, მონაცემთა ბაზები უზრუნველყოფს მონაცემთა მოქნილ შეგროვებას, საიმედო შენახვას, ეფექტურ დამუშავებასა და უსაფრთხო ანონიმიზაციას, რაც საშუალებას აძლევს მანქანური სწავლის მოდელებს გენერირებული იქნას ზუსტი და პერსონალიზებული სამედიცინო რეკომენდაციები. MongoDB-ის მაგალითზე ნაჩვენებია, თუ როგორ უწყობს ხელს NoSQL ბაზის მოქნილობა კლინიკური მონაცემების რთული სტრუქტურის მართვას, ხოლო უსაფრთხოების მექანიზმები, როგორიცაა დაშიფვრა და წვდომის კონტროლი, იცავს პაციენტთა კონფიდენციალურობას.
ნაშრომში წარმოდგენილია მონაცემთა მოდელის დეტალური აღწერა, უსაფრთხოების მექანიზმების იმპლემენტაცია და პრაქტიკული მაგალითები, რომლებიც ნათლად აჩვენებს, თუ როგორ უწყობს ხელს მონაცემთა ბაზის ეფექტური მართვა ჯანდაცვის სექტორის ციფრულ ტრანსფორმაციას. კვლევა ხაზს უსვამს, რომ მონაცემთა ბაზების ეფექტური მართვა არა მხოლოდ ტექნიკური საჭიროებაა, არამედ ეთიკური და იურიდიული ვალდებულებაც ჯანდაცვის სფეროში სენსიტიური მონაცემების დაცვის კუთხით [8].
წყაროები
J. D. Kelleher et al., Fundamentals of Machine Learning for Predictive Data Analytics: Algorithms, Worked Examples, and Case Studies, 2nd ed. MIT Press, 2020.
A. Géron, Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, 2nd ed. O'Reilly Media, 2019.
T. Hastie, R. Tibshirani, and J. Friedman, The Elements of Statistical Learning: Data Mining, Inference, and Prediction, 2nd ed. Springer, 2009.
H. M. Abbas, "Ethical and Legal Considerations in Artificial Intelligence in Healthcare: A Review," Health Information Science and Systems, vol. 9, no. 1, pp. 1–7, 2021.
World Health Organization (WHO), "Digital Health Strategy 2020–2025", [Online]. Available: https://www.who.int/publications/i/item/9789240020924
D. Ghosh, S. Dey, and S. Ghosh, “Artificial Neural Networks in Healthcare: A Review,” Advances in Intelligent Systems and Computing, vol. 1216, pp. 23–37, Springer, 2021.
S. M. Raza and A. S. Haque, “Comparative Analysis of Decision Tree, Random Forest, SVM and ANN in Healthcare Diagnosis,” International Journal of Computer Applications, vol. 182, no. 19, pp. 7–12, Mar. 2019.
General Data Protection Regulation (GDPR), European Union, 2016. [Online]. Available: https://gdpr.eu
Ministry of Internally Displaced Persons from the Occupied Territories, Labour, Health and Social Affairs of Georgia, "Health System Performance Assessment", Tbilisi, 2021.
N. Elmqvist, “Data Fusion and Feature Engineering in Healthcare Machine Learning,” IEEE Computer Graphics and Applications, vol. 40, no. 6, pp. 92–97, 2020.
L. Deng and D. Yu, “Deep Learning: Methods and Applications,” Foundations and Trends in Signal Processing, vol. 7, no. 3–4, pp. 197–387, 2014.