مدل‌سازي معماري اطلاعات بيمارستان هوشمند مبتني بر اينترنت اشياء و عامل توصيه‌ گر

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

مقدمه: امروزه سازمانهاي مراقبت بهداشتي در سطح جهان از اهميت فناوري و تأثير فناوري بر كيفيت مراقبت ارائه شده واقف هستند. بيمارستان يكي از سيستم هايي است كه به دلايل مختلف، بهره گيري از اطلاعات در آن از اهميت ويژه اي برخوردار است. در اين تحقيق سعي شد با استفاده از شبيه ‌سازي گسسته پيشامد و طراحي يك عامل توصيه‌گر، تخصيص تجهيزات اينترنت اشياء به بيماران به گونه‌اي انجام شود كه تعداد خطاهاي درماني كاهش يابد و طول درمان بيماران كمينه گردد. روش: براي انجام تحقيق مورد نظر، ابتدا وضعيت فعلي سيستم درمان با رويكرد شبيه‌سازي گسسته پيشامد مدل شد. سپس سناريوي ورود اينترنت اشياء به مدل شبيه‌سازي انجام گرفت و در نهايت با استفاده از مدل‌سازي عامل بنيان، عامل توصيه‌گر جهت اختصاص بهينه تجهيزات اينترنت اشياء به بيماران طراحي شد. نتايج: پياده‌سازي عملكرد عامل توصيه‌گر در مدل شبيه‌سازي نشان داد كه به كارگيري اينترنت اشياء و عامل توصيه گر در فرآيندهاي درماني باعث كاهش خطاهاي درماني و طول درمان ميشود. نتيجه‌گيري: قرار دادن اينترنت اشياء در مراحل مختلف درماني باعث كاهش خطا ميشود، ولي اثربخشي آن در مراحل مختلف از بيماري هاي مختلف با هم متفاوت است. از آنجايي كه برخي از تجهيزات اينترنت اشياء مربوط به بيماري‌هاي مختلف با هم هم‌پوشاني دارند و همچنين تعداد اين تجهيزات در بيمارستان‌ها محدود است، براي داشتن بيشترين اثربخشي از عامل توصيه‌گر استفاده شد. عامل توصيه‌گر در خصوص نحوه تخصيص تجهيزات اينترنت اشياء به هر يك از مراحل درماني بيماران تصميم‌گيري مي‌كند.

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 discrete-event simulation. Then, the scenario of introducing IoT into the model was simulated. Finally, using agent-based 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 disease-specific 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.