oHealth: Opportunistic Healthcare in Public Transit through Fog and Edge Computing
Notice bibliographique
Résumé
Access to healthcare services is one of the fundamental pillars of society today. People either have access to healthcare or they are not privileged enough to visit a doctor. In underprivileged societies, access to healthcare is difficult due to various reasons such as fewer number of doctors and healthcare facilities, inefficient communication means, and so on. This may result in exaggeration of the disease or threat to life. On the other hand, those who are privileged, end up paying unnecessary visits to the physician in most of the cases on an average (>71% in USA), and incurring high costs. Often-times, health issues are minor, and it is not necessary to visit a doctor. In such a case, the patient only requires suggestions on quick health fix, or some precautionary measures. Such information can be provided through the combination of a smartphone-based app, fog/edge computing, and mobile communication. Hence, reaching out to the doctors in their available time (off-time, commuting via public transit, so on) when they can answer some quick questions is one of the solutions that fit into smart healthcare definition, and truly pervasive healthcare. In this paper, we propose an innovative healthcare service architecture, called opportunistic healthcare (oHealth), where health log and questions can be opportunistically offloaded to a nearby (such as at public transit) compute entity (such as fog server) capable of processing health logs (up to 234,729 logs daily as per our setup). The fog node communicates the questions to a doctor, who provides the necessary feedback. We provide proof-of-concept evaluation results (in WiFi vs 4G networks, on the basis of delay, cost, and commute time, comparing cloud with fog) to endorse the applicability of our oHealth.
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.
Comment cette classification a été obtenuedéplier
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 | 0,001 | 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) | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».