A Scalable Patient Monitoring System Using Apache Storm
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The growth in wearable medical sensor-based technologies has made it possible to capture high volume physiological data of patients, both within and outside the hospital. The acquired physiological data are analyzed, usually in real-time, using a patient monitoring application for early disease detection or to detect any other changing conditions of a patient. In some cases, it is desirable to have a distributed, scalable patient monitoring system to which the physiological data of different patients can be submitted for online analysis. Such a system should be able to support the concurrent analysis of multiple data streams of different patients, allowing a clinician to remotely monitor more than one patient from a single location. This type of system also conserves resources, since in this case, there is no need to provision computational resources for every single patient being monitored. In this paper, we explore the usability of Apache Storm, an open-source real-time processing engine, in the development of such a scalable patient monitoring system. The contribution of this work, therefore, is to demonstrate that it is possible to achieve a more resource-efficient alternative to the isolated patient monitoring systems by using a distributed real-time computation platform, Apache Storm, to develop a scalable health monitoring system that can support the concurrent monitoring of multiple patients. To show how the proposed system can be developed, we describe a prototype implementation of a multi-tenant health monitoring application that monitors the arrhythmia status of multiple patients, based on a simple ECG analysis, using Apache Storm.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle