دوره 10، شماره 1 - ( 12-1399 )                   جلد 10 شماره 1 صفحات 52-59 | برگشت به فهرست نسخه ها


XML English Abstract Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Akhoondan F, Hamidi H, Broumandnia A. Monitoring Patients to Prevent Myocardial Infarction using Internet of Things Technology. JCHR. 2021; 10 (1) :52-59
URL: http://jhr.ssu.ac.ir/article-1-681-fa.html
آخوندان فرنوش، حمیدی حجت الله، برومندنیا علی. نظارت بر بیماران برای جلوگیری از سکته قلبی با استفاده از فناوری اینترنت اشیا. مجله تحقیقات سلامت. 1399; 10 (1) :52-59

URL: http://jhr.ssu.ac.ir/article-1-681-fa.html


1- دانشکده مهندسی کامپیوتر ، پردیس الکترونیکی دانشگاه آزاد اسلامی ، تهران ، ایران
2- 2. دانشکده مهندسی صنایع ، دانشگاه صنعتی خواجه نصیرالدین طوسی ، تهران ، ایران ، h_hamidi@kntu.ac.ir
3- 3. دانشکده مهندسی کامپیوتر ، دانشگاه آزاد اسلامی واحد تهران جنوب ، تهران ، ایران
چکیده:   (768 مشاهده)
مقدمه:وزارت بهداشت ایران اعلام کرده است هنگامی که حمله قلبی رخ می دهد، 50٪ از بیماران  در طی ساعات اولیه پس از سکته قلبی جان خود را از دست می دهند. هدف از این مقاله فراهم آوردن سیستمی برای پایش 24 ساعته بیمار، جلوگیری از حمله قلبی و کاهش مرگ و میر ناشی از آن است.
روش ها:در این مطالعه پژوهشی، با بررسی مقالات معتبر سال 2020، دو نمونه سنسور که دارای کمترین خطا، سریع و کاربر پسند بودند، انتخاب شدند سپس با ارائه روشهایی نوین سیستمی شامل دوفاز ارسال اخطار و حالت نرمال ارائه شد.اطلاعات دریافت شده از هر دو فاز در پرونده دیجیتال بیمار ذخیره سازی می شود. براساس این اطلاعات می توان تصمیم گیری هایی شخصی سازی شده برای بیمار اتخاذ کرد.
نتایج:طبق گزارش وزارت بهداشت، درمان و آموزش پزشکی ایران، بیش از 40٪ مرگ و میر در کشور مربوط به بیماری های قلبی می باشد که 19٪ آنها به دلیل سکته قلبی است درحالی که 50٪ از مرگ و میرها براثرسکته قلبی در اولین ساعات بعد از سکته اتفاق می افتد. سیستم نظارت 24 ساعته پیشنهادی ما، با استفاده از به روزترین و دقیق ترین ابزار اندازه گیری، احتمال خطر را از طریق اندازه گیری پیوسته علائم حیاتی بیمار، کاهش می دهد.
نتیجه گیری:در سیستم پیشنهادی ما، بازه زمانی و عددی هر اندازه گیری توسط سنسورها را پزشک مربوطه تعیین می کند سپس اطلاعات در پرونده پزشکی دیجیتال هرفرد ذخیره می شود. این سیستم به تجویز دارو و تصمیم گیری دقیق تر بر اساس شرایط اختصاصی بیمار کمک می کند. توصیه می شود فاز تحویل دارو به بیمار در بازه زمانی رسیدن تیم پزشکی، برای به حداقل رسیدن خطر انجام شود.
 
متن کامل [PDF 1411 kb]   (279 دریافت)    
مروری: پژوهشي | موضوع مقاله: مدیریت خدمات بهداشتی درمانی
دریافت: 1399/6/26 | پذیرش: 1399/12/30 | انتشار: 1400/1/9

فهرست منابع
1. 1. Kang JJ, Adibi S. A Review of Security Protocols in mHealth Wireless Body Area Networks (WBAN). in International Conference on Future Network Systems and Security, Paris, France. 2015; 61-83. [DOI:10.1007/978-3-319-19210-9_5]
2. Gao W, Emaminejad S, Nyein HY, et al. Fully Integrated Wearable Sensor Arrays for Multiplexed in Situ Perspiration Analysis. Nature. 2016; 529(7587): 509-514. [DOI:10.1038/nature16521]
3. Kang JJ. An Inference System Framework for Personal Sensor Devices in Mobile Health and Internet of Things Networks . Submitted in Fulfilment of The Requirements for the PhD thesis, Deakin University January 2017.
4. Rosli RSB, Olanrewaju RF. Mobile Heart Rate Detection System (Moherds) for Early Warning of Potentiallyfatal Heart Diseases. in 2016 International Conference on Computer and Communication Engineering (ICCCE). 2016: 422-427.
5. Wolgast G, Ehrenborg C, Israelsson A, et al. Wireless body area network for heart attack detection . IEEE Antennas and Propagation Magazine. 2016; 58(5) : 84-92. [DOI:10.1109/MAP.2016.2594004]
6. Jambhulkar P, Baporikar V. Review on Prediction of Heart Disease Using Data Mining Technique with Wireless Sensor Network. International Journal of Computer Science and Applications. 2015; 8(1): 55-59.
7. Alansari Z, Soomro S, Belgaum MR, et al. The Rise of Internet of Things (IoT) in Big Healthcare Data: Review and Open Research Issues. Progress in Advanced Computing and Intelligent Engineering. 2018: 675-85. [DOI:10.1007/978-981-10-6875-1_66]
8. Fernandez-Carames MT, Fragra-Lamas P. Design of a Fog Computing, Blockchain and IoT-Based Continuous Glucose Monitoring System for Crowdsourcing mHealth. 5th International Electronic Conference on Sensors and Applications. 2018; 4(1): 37. [DOI:10.3390/ecsa-5-05757]
9. Martín A, Kim J, Kurniawan JF, et al. Epidermal Microfuidic Electrochemical Detection System: Enhanced Sweat Sampling and Metabolite Detection. ACS Sensors. 2017; 2(12): 1860-1868. [DOI:10.1021/acssensors.7b00729]
10. Huang X, Liu Y, Cheng H, et al. Materials and Designs for Wireless Epidermal Sensors of Hydration and Strain. Advanced Functional Materials. 2014; 24(25): 3846-3854. [DOI:10.1002/adfm.201303886]
11. Howsmon DP, Cameron F, Baysal N, et al. Continuous Glucose Monitoring Enables the Detection of Losses in Infusion Set Actuation (LISAs). Sensors . 2017: 17(1); 161. [DOI:10.3390/s17010161]
12. Ding S, Schumacher M. Sensor Monitoring of Physical Activity to Improve Glucose Management in Diabetic Patients: A Review. Sensors . 2016; 16(4): 589. [DOI:10.3390/s16040589]
13. Haase K, Müller N, Petrich W, et al. Towards a continuous glucose monitoring system using tunable quantum cascade lasers. InBiomedical Vibrational Spectroscopy 2018: Advances in Research and Industry . 2018 ; 10490: 1049008. International Society for Optics and Photonics. [DOI:10.1117/12.2291745]
14. Isensee K, Müller N, Puccib A, et al. Towards a Quantum Cascade Laser-Based Implant for The Continuous Monitoring of Glucose. Analyst. 2018; 143(24): 6025- 36. [DOI:10.1039/C8AN01382A]
15. Rotenberg MY, Tian B. Bioelectronic Devices: Long-Lived Recordings. Nature Biomedical Engineering. 2017; 1(3): 1-2. [DOI:10.1038/s41551-017-0048]
16. Yokota T, Inoue Y, Terakawa Y, et al. Ultrafexible, Large-Area, Physiological Temperature Sensors for Multipoint Measurements. Proceedings of The National Academy of Sciences of the United States of America. 2015; 112(47): 14533-14538. [DOI:10.1073/pnas.1515650112]
17. Wang CH. Ultrasonic Device for Blood Pressure Measurement"; A Thesis Submitted in Partial Satisfaction of The Requirements. University of California San Diego. 2018.
18. Man S, Ter Haar CC, Maan AC, et al. The Dependence of The Stemi Classification on The Position of St-Deviation Measurement Instant Relative to The J Point. 2015 Computing in Cardiology Conference (CinC). 2015: 837 - 840. [DOI:10.1109/CIC.2015.7411041]
19. Wang  C, Li X, Hu H, et al. Monitoring of the Central Blood Pressure Waveform Via A Conformal Ultrasonic Device . Nature Biomedical Engineering. 2018; 2(9): 687-695. [DOI:10.1038/s41551-018-0287-x]
20. Dewan A, Sharma M. Prediction of Heart Disease Using A Hybrid Technique in Data Mining Classification. 2015 2nd International Conference on Computing for Sustainable Global Development (INDIACom). 2015:704-706.
21. Koshti M, Ganorkar S. Iot Based Health Monitoring System by Using Raspberrypi and Ecg Signal. International Journal of Innovative Research in Science, Engineering and Technology. 2016; 5(5): 8977- 85.
22. Medhekar DS, Bote MP, Deshmukh SD. Heart Disease Prediction System Using Naive Bayes. International Journal of Enhanced Research in Science Technology and Engineering. 2013; 2(3).
23. Raihan M, Mondal S, More A, et al. Smartphone Based Ischemic Heart Disease (Heart Attack) Risk Prediction Using Clinical Data and Data Mining Approaches, A Prototype Design. 2016 19th International Conference on Computer and Information Technology (ICCIT). 2016: 299 - 303. [DOI:10.1109/ICCITECHN.2016.7860213]

ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA

ارسال پیام به نویسنده مسئول


بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.

کلیه حقوق این وب سایت متعلق به مجله تحقیقات سلامت می باشد.

طراحی و برنامه نویسی : یکتاوب افزار شرق

© 2021 CC BY-NC 4.0 | Journal of Community Health Research

Designed & Developed by : Yektaweb