پروپوزال ارایه یک روش جدید برای بهبود دقت و عملکرد سیستم های توصیه گر سلامت با استفاده از محاسبات ابری

این پروپوزال با موضوع "ارایه یک روش جدید  برای بهبود دقت  و عملکرد سیستم های توصیه گر سلامت با استفاده از محاسبات ابری" می باشد. فایل  Word, Pdf پس از خرید محصول، قابل دانلود است. همچنین تعداد صفحات این پروپوزال 9 صفحه با رعایت قالب استاندارد دانشگاه می باشد. کلیه نکات نگارشی مطابق با استاندارهای پژوهشی انجام شده است.

امکانات اصلی این پروپوزال پس از خرید عبارتند از:
  امکان دانلود فایل Word پروپوزال
  امکان دانلود فایل Pdf پروپوزال

توجه : در صورت نیاز به پایان نامه، پروپوزال یا شبیه سازی مشابه با این محصول و همچنین اصلاحات پس از خرید کافی است با تیم پشتیبانی "ناب تزیز" از طریق پیامک یا واتساپ ارتباط برقرار نمایید.

سیستم‌های توصیه گر سلامت  (HRS) به‌عنوان ابزاری مکمل در فرایند تصمیم‌گیری در فرایندهای خدمات بهداشتی ارائه می‌شوند. سیستم‌های توصیه گر سلامت قابلیت استفاده از فناوری‌ها را افزایش و سربار اطلاعاتی در فرایندها را کاهش می‌دهد. فرصت‌ها و چالش‌های پیش روی سیستم‌های توصیه گر سلامت شامل موارد ذیل است.
فرصت‌های سیستم‌های توصیه گر سلامت:
-توصیه ی پزشک متناسب با شرایط (مکان، نوع بیماری، زمان و …) به بیمار، توصیه ی دارو.
-کمک به پزشکان در تصمیم‌گیری‌های پزشکی.
-افزایش دقت و سرعت تشخیص و درمان بیماری‌ها و کاهش هزینه‌ها.
-سیستم‌های توصیه گر سلامت به دلیل قابلیت کارکرد خودمختارانه و رویکردهای فیلترینگ مشترک  به تخصص کمتری نیاز دارد.
-ادغام سوابق داده‌های سلامت شخصی می‌تواند قدرت پیش‌بینی HRS را افزایش دهد و ممکن است بتواند مسئله‌ی شروع سرد  را حل کند.
-روش‌های همکارانه ممکن است قادر به جمع‌آوری ترجیحات کاربر و دانش در HRS باشد اگرچه زیاد متداول نیست اما می‌تواند در آموزش سلامت مفید باشد.
-ساختار خودمختاری می‌تواند ثبات توصیه‌ها را افزایش دهد و جمع‌آوری دانش از کاربران را بهبود ببخشد.
-با شخصی‌سازی محصولات و خدمات باعث افزایش رضایت بیماران می‌شود.
چالش‌های سیستم‌های توصیه گر سلامت:
-HRS با توجه به اهمیت آن می‌تواند هدف حملات سایبری باشد.
-سیستم‌های توصیه گر به‌طورکلی بر اساس عمومیت منابع هستند؛ بنابراین در HRS ممکن است گمراه‌کننده باشند.
-اپلیکیشن های سلامت وب هنوز توانایی یکپارچگی ازنظر تبادل داده را ندارند.
-داده‌کاوی مسئله‌ای برای مدل‌سازی کاربر است که منجر به مسائل اخلاقی ازنظر نژادها، جنسیت و جهت‌گیری‌های جنسی می شود(Sezgin & Özkan, 2015).
سرویس‌های محاسبات ابری  به‌طور گسترده در صنایع مختلف استفاده می‌شوند؛ بنابراین سرویس‌های سلامت نیز از خدمات آن استفاده می‌کنند. یافته‌ها نشان می‌دهد که کاربرد محاسبات ابری در سیستم‌های سلامت شامل پزشکی از راه دور، تصویربرداری پزشکی، سلامت شخصی و عمومی، سیستم‌های اطلاعاتی بیمارستانی و بالینی و سیستم‌های پشتیبان تصمیم پزشکی است. به‌طورکلی سرویس‌های محاسبات ابری در دو بخش سلامت الکترونیک و بیوانفورماتیک در سیستم سلامتی دسترس است(Moghaddasi, 2016).
سرویس‌های سلامت الکترونیک مبتنی بر ابر آخرین انقلاب در زمینه‌ی خدمات پزشکی هستند. اخیراً سیستم‌های بالینی مبتنی بر ابر با هزینه‌ی پایین‌تر و عملکرد قوی‌تر در ادغام داده‌ها توجهات فراوانی را جلب کرده‌اند. سیستم بالینی مبتنی بر ابر نیازهای کلان داده‌ها را با کارایی و دقت بیشتر در داده‌کاوی و تجزیه‌وتحلیل‌های مراقبت‌های پزشکی بهبود می‌بخشد. استفاده از فناوری محاسبات ابری نه‌تنها هزینه‌های ذخیره‌سازی را به‌شدت کاهش می‌دهد بلکه قادر به یکپارچه‌سازی داده‌ها برای داده‌کاوی کارآمد است؛ که به‌شدت در پیش‌گیری از بیماری‌های مزمن، تصمیم‌گیری در تشخیص‌های پزشکی، درمان بیماری‌ها و بهینه‌سازی موجودی داروها کمک‌کننده است. همچنین اپلیکیشن های مبتنی بر ابر قادر به کسب داده‌های چندگانه از کاربران مختلف است که کارایی و دقت داده‌کاوی برای سیستم‌های توصیه گر را بهبود می‌بخشد(Hu, Lu, Jin, & Jiang, 2017)  .
هدف از این پژوهش پیشنهاد یک سیستم توصیه گر سلامت با استفاده از محاسبات ابری است که بتواند نقاط ضعف روش‌های قبلی را بهبود بخشیده و دقت و کارایی توصیه‌های پزشکی را بهبود و هزینه‌ها را کاهش دهد.
اهداف تحقيق : 
1- بهبود کارایی و دقت توصیه‌ها در سیستم‌های HRS موجود با استفاده از محاسبات ابری.
2- افزایش سرعت و کاهش زمان موردنیاز برای ارائه‌ی توصیه‌ها در سیستم‌های HRS موجود با استفاده از محاسبات ابری.
3- استفاده از محاسبات ابری به‌منظور کاهش هزینه‌های ذخیره‌سازی داده‌های سلامت در سیستم HRS موجود.
4- تمرکز بر یافتن الگوریتمی بهینه برای بهبود عملکرد سیستم‌های توصیه گر سلامت موجود با استفاده از محاسبات ابری.
5- ارائه مدلی مبتنی بر سیستم‌های توصیه‌گر به‌منظور افزایش رضایت بیماران از کیفیت خدمات بیمارستانی.