مقدمه
واحد مراقبتهای ویژه (ICU) یکی از حیاتیترین بخشهای بیمارستان است که بیماران با شرایط بحرانی و تهدیدکننده حیات در آن بستری میشوند. بحرانهای قلبی و تنفسی، از شایعترین عوامل مرگ ناگهانی در این بخش هستند و تشخیص بهموقع آنها اهمیت حیاتی دارد. در بسیاری از موارد، تغییرات اولیه در وضعیت بیمار بسیار ظریف است و سیستمهای مانیتورینگ سنتی که تنها علائم حیاتی مانند ضربان قلب، فشار خون و سطح اکسیژن خون (SpO₂) را نمایش میدهند، نمیتوانند این تغییرات را به شکل پیشگیرانه تشخیص دهند. این محدودیتها منجر به هشدارهای دیرهنگام، افزایش خطر مرگ و تعداد بالای هشدارهای کاذب برای پرسنل پزشکی میشود.
در سالهای اخیر، با پیشرفت فناوریهای نوین، به ویژه اینترنت اشیا (IoT) و هوش مصنوعی، امکان ایجاد سیستمهای مانیتورینگ هوشمند و آنلاین فراهم شده است.
این سیستمها قادرند دادههای بیماران را بهصورت لحظهای جمعآوری، ذخیره و تحلیل کنند و با استفاده از الگوریتمهای یادگیری ماشین، احتمال وقوع بحرانهای قلبی و تنفسی را پیش از بروز کامل آن پیشبینی نمایند.
ترکیب سنسورهای پوشیدنی و کمتهاجمی با پردازش هوشمند، علاوه بر امکان پایش همزمان چند بیمار، دقت تشخیص را افزایش داده و هشدارهای کاذب را کاهش میدهد.
ویژگیهای نوآورانه این سیستمها شامل پیشبینی زودهنگام بحرانها از طریق تحلیل دقیق ECG، SpO₂ و فشار خون، پایش آنلاین و از راه دور، و تحلیل دادههای طولانیمدت برای بهبود درمان و تحقیقات بالینی است. چنین نوآوریهایی میتوانند مرگ و میر بیماران را کاهش دهند، کیفیت مراقبت را افزایش دهند و فشار کاری پرسنل پزشکی را کاهش دهند. هدف این مقاله، بررسی سیستمهای مانیتورینگ آنلاین، الگوریتمهای پیشبینی بحران قلبی و تنفسی، مزایا و چالشها و چشماندازهای آینده این فناوری است.
مروری بر سیستمهای سنتی مانیتورینگ ICU
سیستمهای سنتی مانیتورینگ در ICU از دههها پیش به عنوان ابزار اصلی پایش بیماران بحرانی مورد استفاده قرار گرفتهاند. این سیستمها عمدتاً شامل مانیتورهای پایه هستند که پارامترهای حیاتی مانند ضربان قلب (ECG)، فشار خون، نرخ تنفس و سطح اکسیژن خون (SpO₂) را اندازهگیری و نمایش میدهند. عملکرد این مانیتورها بر اساس آستانههای تعیینشده است و زمانی که یکی از پارامترها از محدوده بحرانی فراتر رود، هشدار صوتی یا بصری صادر میشود.
اگرچه این سیستمها نقش حیاتی در مراقبتهای ICU دارند، اما محدودیتهای قابل توجهی دارند:
- عدم پیشبینی بحرانها: مانیتورهای سنتی فقط تغییرات لحظهای را نشان میدهند و قادر به تحلیل روند طولانیمدت یا پیشبینی بحرانهای قلبی و تنفسی قبل از وقوع نیستند.
- هشدارهای کاذب: تغییرات گذرا یا نویزهای محیطی میتوانند باعث ایجاد هشدارهای غیرضروری شوند که منجر به خستگی پرسنل و کاهش کارایی آنها میگردد.
- پایین بودن توانایی پایش چند بیمار همزمان: هر مانیتور معمولاً تنها به یک یا چند پارامتر محدود برای یک بیمار متصل است و مدیریت چندین بیمار به صورت همزمان دشوار است.
- محدودیت در تحلیل دادههای طولانیمدت: دادههای جمعآوری شده معمولاً به صورت محلی و کوتاهمدت ذخیره میشوند و تحلیل روند طولانیمدت برای بهبود درمان یا تحقیقات بالینی به سختی انجام میشود.
به طور کلی، سیستمهای سنتی مانیتورینگ، اگرچه پایه و اساس مراقبت از بیماران بحرانی را تشکیل میدهند، اما در شرایط پیچیده ICU و در مواجهه با بحرانهای ناگهانی قلبی یا تنفسی، محدودیتهای جدی دارند. این محدودیتها باعث شده تا تحقیقات و توسعه فناوریهای نوین، به ویژه سیستمهای مانیتورینگ آنلاین و هوشمند، جهت افزایش دقت، کاهش هشدارهای کاذب و پیشبینی بحرانها مورد توجه قرار گیرد.
تکنولوژیهای نوین در مانیتورینگ آنلاین
با پیشرفت فناوری، سیستمهای سنتی مانیتورینگ ICU به تدریج جای خود را به سیستمهای آنلاین و هوشمند دادهاند که قادرند دادههای بیماران را در زمان واقعی جمعآوری و تحلیل کنند. این تحول به ویژه با ترکیب اینترنت اشیا (IoT)، سنسورهای پیشرفته و هوش مصنوعی امکانپذیر شده است.
سنسورهای پوشیدنی و کمتهاجمی
یکی از مهمترین پیشرفتها در مانیتورینگ آنلاین، استفاده از سنسورهای پوشیدنی و کمتهاجمی است. این سنسورها میتوانند ضربان قلب، فشار خون، سطح اکسیژن خون، دمای بدن و حتی فعالیتهای تنفسی را به صورت مداوم اندازهگیری کنند. ویژگی کمتهاجمی این سنسورها باعث افزایش راحتی بیماران و کاهش خطر عفونت میشود و امکان پایش طولانیمدت را فراهم میآورد.
تکنولوژی IoT امکان اتصال بیسیم و همزمان چندین دستگاه پزشکی را فراهم میکند. دادههای جمعآوریشده توسط سنسورها به صورت لحظهای به سرورهای مرکزی یا دستگاههای پزشکی منتقل میشوند و امکان نظارت از راه دور برای پزشکان و پرستاران فراهم میشود. این قابلیت به ویژه در شرایط اضطراری و زمانی که پرسنل ICU محدود هستند، بسیار ارزشمند است.
هوش مصنوعی و الگوریتمهای یادگیری ماشین قادرند الگوهای پنهان در دادههای حیاتی بیماران را شناسایی کنند. با تحلیل دقیق تغییرات کوچک در ECG، SpO₂ و فشار خون، این سیستمها میتوانند احتمال وقوع بحران قلبی یا تنفسی را پیشبینی کنند و هشدارهای زودهنگام صادر نمایند. علاوه بر این، تحلیل روندهای طولانیمدت به پزشکان کمک میکند تا روند بهبود یا وخامت وضعیت بیمار را در طول زمان بهتر ارزیابی کنند.
سیستمهای آنلاین با استفاده از شبکههای IoT و پردازش هوشمند، امکان پایش همزمان چند بیمار را بدون کاهش دقت فراهم میکنند. این ویژگی باعث کاهش فشار کاری پرسنل و مدیریت بهتر منابع ICU میشود.
دادههای جمعآوریشده توسط این سیستمها نه تنها برای تشخیص فوری بحرانها استفاده میشوند، بلکه برای تحقیقات بالینی، تحلیل روندهای بیمار و بهبود روشهای درمانی نیز ذخیره میگردند. این امکان به پزشکان کمک میکند تا درمانها را شخصیسازی کرده و تصمیمات مبتنی بر دادههای واقعی اتخاذ کنند.
با این فناوریها، مانیتورینگ آنلاین بیماران در ICU دیگر محدود به نمایش لحظهای علائم حیاتی نیست، بلکه به یک سیستم پیشبینیکننده و هوشمند تبدیل شده است که میتواند مرگ و میر بیماران را کاهش داده و کیفیت مراقبت را به طور قابل توجهی افزایش دهد.
الگوریتمها و روشهای پیشبینی بحران
یکی از پیشرفتهای اساسی در مانیتورینگ آنلاین بیماران ICU، استفاده از الگوریتمهای پیشبینی بحران قلبی و تنفسی است. برخلاف سیستمهای سنتی که تنها هشدارهای لحظهای ارائه میدهند، این الگوریتمها با تحلیل دادههای جمعآوریشده در طول زمان، قادر به شناسایی نشانههای اولیه بحرانها قبل از وقوع واقعی هستند.
یادگیری ماشین و یادگیری عمیق
الگوریتمهای یادگیری ماشین (Machine Learning) و یادگیری عمیق (Deep Learning) قادرند الگوهای پیچیده در دادههای ECG، فشار خون، سطح اکسیژن خون (SpO₂) و نرخ تنفس را تشخیص دهند. برخی از روشهای رایج شامل موارد زیر هستند:
- درخت تصمیم (Decision Tree) و جنگل تصادفی (Random Forest): مناسب برای دستهبندی وضعیت بیماران به خطرناک یا پایدار بر اساس تغییرات پارامترهای حیاتی.
- شبکههای عصبی مصنوعی (ANN) و شبکههای عصبی بازگشتی (RNN): توانایی تحلیل سریهای زمانی دادهها و پیشبینی روند بحرانی را دارند.
- ماشین بردار پشتیبان (SVM): برای تشخیص ناهنجاریهای کوچک و الگوهای غیرمعمول در ECG و دیگر سیگنالها کاربرد دارد.
تشخیص ناهنجاری و تحلیل روند
الگوریتمهای پیشرفته با استفاده از تشخیص ناهنجاری (Anomaly Detection) میتوانند تغییرات ظریف و غیرطبیعی در پارامترهای حیاتی را شناسایی کنند. این تغییرات ممکن است پیشنشانههای ایست قلبی، نارسایی تنفسی یا شوک همودینامیک باشند. تحلیل روند طولانیمدت دادهها به پزشکان امکان میدهد تصمیمات درمانی مبتنی بر پیشبینی اتخاذ کنند و از بروز بحران جلوگیری کنند.
پیشبینی لحظهای و هشدار زودهنگام
الگوریتمهای هوشمند میتوانند خطر بحران را با دقت بالا قبل از وقوع واقعی شناسایی کنند. برای مثال، با تحلیل تغییرات جزئی ECG یا کاهش تدریجی SpO₂، سیستم میتواند چند دقیقه تا چند ساعت قبل از بحران واقعی هشدار دهد. این قابلیت به پزشکان و پرستاران فرصت کافی برای اقدام پیشگیرانه و کاهش مرگ و میر میدهد.
یکپارچهسازی الگوریتمها با سیستمهای آنلاین
الگوریتمهای پیشبینی در سیستمهای مانیتورینگ آنلاین، دادهها را از سنسورهای پوشیدنی و کمتهاجمی جمعآوری کرده و به صورت آنلاین و لحظهای تحلیل میکنند. این یکپارچهسازی باعث میشود حتی در ICU شلوغ یا زمانی که پرسنل محدود هستند، هر بیمار به صورت دقیق و مداوم پایش شود.
مزایای استفاده از الگوریتمهای پیشبینی
- افزایش دقت تشخیص بحرانها و کاهش هشدارهای کاذب
- ارائه تصمیمات پیشگیرانه به تیم پزشکی
- امکان شخصیسازی درمان بر اساس وضعیت هر بیمار
- جمعآوری و تحلیل دادههای طولانیمدت برای تحقیقات بالینی
به طور خلاصه، الگوریتمهای هوشمند و پیشبینی بحران قلبی و تنفسی، هسته مرکزی سیستمهای مانیتورینگ آنلاین در ICU هستند. این الگوریتمها نه تنها عملکرد سیستمهای سنتی را ارتقا میدهند، بلکه نقش مهمی در کاهش مرگ و میر، بهبود کیفیت مراقبت و تسهیل کار پرسنل پزشکی دارند.
مزایا و تأثیرات بالینی
استفاده از سیستمهای مانیتورینگ آنلاین و هوشمند در ICU نه تنها یک پیشرفت فناورانه است، بلکه تأثیر مستقیم و قابل توجهی بر کیفیت مراقبت بیماران و کارایی پرسنل پزشکی دارد. این مزایا را میتوان از چند جنبه مورد بررسی قرار داد:
یکی از مهمترین مزایای این سیستمها، تشخیص و پیشبینی زودهنگام بحرانهای قلبی و تنفسی است. با ارائه هشدارهای پیشگیرانه قبل از وقوع ایست قلبی یا نارسایی تنفسی، تیم پزشکی فرصت کافی برای اقدام سریع و جلوگیری از وخامت وضعیت بیمار پیدا میکند. مطالعات بالینی نشان دادهاند که بهکارگیری الگوریتمهای هوشمند در ICU میتواند مرگ و میر بیماران را به طور قابل توجهی کاهش دهد.
سیستمهای هوشمند قادرند چندین بیمار را به صورت همزمان پایش کرده و هشدارهای کاذب را کاهش دهند. این ویژگی باعث کاهش فشار کاری پرستاران و پزشکان میشود و آنها را قادر میسازد که بر تصمیمات درمانی حیاتی تمرکز کنند، به جای اینکه زمان زیادی را صرف بررسی مداوم مانیتورها کنند.
تحلیل دادههای طولانیمدت و الگوهای رفتاری بیماران امکان تشخیص دقیقتر و درمان شخصیسازیشده را فراهم میکند. پزشکان میتوانند روند تغییر پارامترهای حیاتی هر بیمار را تحلیل کنند و برنامه درمانی مناسبی را بر اساس شرایط فردی بیمار ارائه دهند، نه صرفاً بر اساس مقادیر لحظهای.
سیستمهای آنلاین دادههای بیماران را به صورت مرتب و طولانیمدت ذخیره میکنند. این دادهها منبع ارزشمندی برای تحقیقات بالینی، تحلیل روندها و توسعه مدلهای پیشبینی دقیقتر هستند. با استفاده از این اطلاعات، پزشکان و پژوهشگران میتوانند به درک بهتری از علل بحرانهای قلبی و تنفسی و بهینهسازی روشهای درمانی دست یابند.
استفاده از مانیتورینگ هوشمند باعث بهینهسازی منابع ICU و کاهش هزینههای ناشی از عوارض بحرانی میشود. همچنین، قابلیت پایش از راه دور به مدیریت بهتر ICU و تصمیمگیری سریع در مواقع اضطراری کمک میکند.
چالشها و محدودیتها
با وجود مزایای قابل توجه، پیادهسازی سیستمهای مانیتورینگ آنلاین و هوشمند در ICU با چالشها و محدودیتهای متعددی روبهرو است که باید مورد توجه قرار گیرد. شناخت این چالشها برای بهبود طراحی و استفاده مؤثر از این فناوریها حیاتی است.
سیستمهای آنلاین دادههای پزشکی حساس بیماران را به صورت بیسیم انتقال میدهند. این موضوع خطر دسترسی غیرمجاز، هک یا افشای اطلاعات شخصی را افزایش میدهد. حفاظت از حریم خصوصی بیماران و رعایت استانداردهای امنیت سایبری (مانند HIPAA و GDPR) از چالشهای اساسی در پیادهسازی این سیستمها محسوب میشود.
سنسورهای پوشیدنی و کمتهاجمی، با اینکه راحتی و پایش مستمر را فراهم میکنند، اما محدودیتهای فنی دارند. از جمله:
- کاهش دقت اندازهگیری در شرایط حرکتی بیمار
- نیاز به شارژ یا تعویض منظم باتری
- اختلال در عملکرد به دلیل نویز محیطی یا مشکلات اتصال
الگوریتمهای هوشمند پیشبینی بحرانها پیچیده هستند و درک صحیح آنها توسط پرسنل پزشکی ضروری است. آموزش ناکافی میتواند منجر به سوءتفاهمها، اعتماد بیش از حد به سیستم یا استفاده نادرست شود.
استقرار سیستمهای مانیتورینگ آنلاین نیازمند سرمایهگذاری قابل توجهی است، از جمله:
- خرید سنسورها و تجهیزات آنلاین
- راهاندازی شبکههای IoT و سرورها
- نگهداری و بهروزرسانی نرمافزارهای تحلیل داده
این هزینهها ممکن است محدودیتهایی برای بیمارستانها، به ویژه در کشورها یا مناطق با منابع محدود ایجاد کند.
پذیرش فناوری جدید توسط پرسنل ICU ممکن است با مقاومت مواجه شود، به ویژه اگر سیستمها با روالهای کاری موجود تداخل داشته باشند یا پیچیده و زمانبر به نظر برسند. ایجاد رابطهای کاربری ساده و آموزش مناسب از عوامل کلیدی برای موفقیت است.
عملکرد صحیح سیستمهای آنلاین به اتصال پایدار اینترنت و زیرساختهای فناوری اطلاعات وابسته است. هرگونه قطعی یا اختلال در شبکه میتواند مانیتورینگ بیماران را مختل کرده و خطرات جدی برای بیماران ایجاد کند.
چشمانداز و تحقیقات آینده
سیستمهای مانیتورینگ آنلاین و هوشمند در ICU با وجود پیشرفتهای قابل توجه، همچنان پتانسیلهای توسعه فراوانی دارند. چشمانداز آینده این فناوریها شامل بهبود عملکرد، افزایش دقت پیشبینی و یکپارچهسازی با سیستمهای درمانی مدرن است.
تحقیقات آینده بر تقویت الگوریتمهای یادگیری ماشین و یادگیری عمیق تمرکز خواهد داشت تا دقت پیشبینی بحرانهای قلبی و تنفسی افزایش یابد و هشدارهای کاذب به حداقل برسد. این الگوریتمها میتوانند به تحلیل ویژگیهای فردی بیماران پرداخته و پیشبینیهای شخصیسازیشده ارائه دهند.
با افزایش حجم دادههای جمعآوریشده در ICU، تحلیل دادههای بزرگ (Big Data) و هوش مصنوعی قادر خواهد بود الگوهای پنهان در وضعیت بیماران را شناسایی کند و سیستمهای تصمیمیار بالینی ارائه دهد. این امر تصمیمگیری سریع و دقیق تیم پزشکی را تسهیل کرده و کیفیت مراقبت را افزایش میدهد.
نسل بعدی سنسورها و تجهیزات پوشیدنی، دقیقتر، سبکتر و کمتهاجمیتر خواهند بود و امکان پایش پارامترهای بیشتری مانند شاخصهای متابولیکی و فعالیت مغزی را فراهم میکنند. این پیشرفت، دادههای غنیتری برای تحلیل الگوریتمهای هوشمند ایجاد میکند.
آینده مانیتورینگ ICU شامل ادغام با سیستمهای درمانی خودکار خواهد بود. این ادغام میتواند شامل کنترل هوشمند دارودرمانی، مدیریت مکانیکی تنفس و تنظیم جریان اکسیژن باشد و واکنش سریعتر و دقیقتر به تغییرات وضعیت بیمار را ممکن سازد.
با توسعه زیرساختهای ابری و اینترنت پرسرعت، امکان پایش از راه دور بیماران ICU فراهم میشود و میتوان محیطی مشابه ICUهای مجازی ایجاد کرد که پزشکان و پرستاران قادر به مدیریت بیماران از راه دور باشند.
تحلیل دادههای طولانیمدت و هوش مصنوعی، افقهای جدیدی در پزشکی پیشبین و شخصیسازیشده ایجاد میکند. این دادهها میتوانند منجر به بهبود پروتکلهای درمانی، کاهش عوارض و افزایش موفقیت مراقبتهای ICU شوند.
نتیجهگیری
مانیتورینگ آنلاین بیماران در ICU و استفاده از سیستمهای هوشمند پیشبینی بحران قلبی و تنفسی، تحول قابل توجهی در مراقبتهای بالینی ایجاد کرده است. این فناوریها با ترکیب سنسورهای پوشیدنی و کمتهاجمی، شبکههای اینترنت اشیا (IoT) و الگوریتمهای پیشرفته هوش مصنوعی، امکان پایش لحظهای و همزمان چندین بیمار را فراهم میکنند و قادرند تغییرات جزئی در پارامترهای حیاتی مانند ضربان قلب، فشار خون، نرخ تنفس و سطح اکسیژن خون (SpO₂) را تشخیص داده و خطر بحرانهای ناگهانی را پیش از وقوع واقعی شناسایی کنند. چنین قابلیتی، تفاوتی بنیادین با سیستمهای سنتی دارد که تنها هشدارهای لحظهای ارائه میدهند و نمیتوانند روندهای طولانیمدت یا نشانههای اولیه بحران را تحلیل کنند.
مزایای این فناوریها تنها محدود به تشخیص سریع بحرانها نیست؛ بلکه تأثیر مستقیم و گستردهای بر کیفیت مراقبت بالینی، کاهش مرگ و میر بیماران و بهبود تصمیمگیری تیم پزشکی دارد. کاهش هشدارهای کاذب، امکان مدیریت همزمان چند بیمار، ذخیرهسازی و تحلیل دادههای طولانیمدت، و فراهم آوردن اطلاعات دقیق برای تصمیمات بالینی، همگی باعث میشوند پرسنل ICU بتوانند با تمرکز بیشتر و استرس کمتر به وظایف حیاتی خود بپردازند. علاوه بر این، دادههای جمعآوریشده، زمینه را برای تحقیقات بالینی پیشرفته، بهبود پروتکلهای درمانی و توسعه پزشکی شخصیسازیشده فراهم میکنند.
با وجود این مزایا، چالشهایی نیز وجود دارد که باید مدیریت شوند. از جمله مهمترین آنها میتوان به امنیت و حفاظت از دادههای حساس بیماران، محدودیتهای فنی سنسورها، پیچیدگی الگوریتمها و نیاز به آموزش پرسنل پزشکی، هزینههای بالای پیادهسازی و وابستگی به زیرساختهای فناوری اشاره کرد. موفقیت واقعی این سیستمها وابسته به ادغام هوشمندانه فناوری با فرایندهای بالینی، طراحی رابطهای کاربری ساده و قابل اعتماد، و آموزش مناسب تیم پزشکی است.
چشمانداز آینده مانیتورینگ آنلاین در ICU بسیار گسترده و نویدبخش است. پیشرفتهای الگوریتمی، تحلیل دادههای بزرگ، توسعه سنسورهای پیشرفته و کمتهاجمی، ادغام با سیستمهای درمان خودکار و رباتیک، و ایجاد ICUهای مجازی، میتوانند کیفیت مراقبت از بیماران بحرانی را به سطح بیسابقهای ارتقا دهند. این فناوریها نه تنها یک ابزار پایش هستند، بلکه به یک سیستم پیشبین، تحلیلی و هوشمند تبدیل شدهاند که قادر است روند درمان، تصمیمگیری بالینی و مدیریت منابع ICU را بهینه کند.
در مجموع، مانیتورینگ آنلاین و هوشمند بیماران در ICU فراتر از یک فناوری کمکی عمل میکند؛ این سیستمها میتوانند زندگی بیماران را نجات دهند، کارایی پرسنل را افزایش دهند، و استانداردهای آینده مراقبتهای بحرانی را تعریف کنند. ادامه تحقیقات، توسعه فناوری و بهبود الگوریتمها، مسیر را برای ایجاد ICUهای هوشمند و پیشبین هموار میسازد و آینده مراقبتهای پزشکی در شرایط بحرانی را متحول خواهد کرد.
رفرنس ها :
- Lee, H.-Y., Kuo, P.-C., Qian, F., Hu, J.-R., Hsu, W.-T., Jhou, H.-J., … & Lee, C.-C. (2024). Prediction of In‑Hospital Cardiac Arrest in the Intensive Care Unit: Machine Learning–Based Multimodal Approach. JMIR Medical Informatics, e49142.
- Thambiraj, B., Bazoukis, G., Ghabousian, A., Zhou, L., Bollepalli, S., Isselbacher, E., … Armoundas, A. (2025). Use of artificial intelligence in predicting in‑hospital cardiac and respiratory arrest in an acute care environment. Systematic review.
- Shah, Z., Mousa, O., … (۲۰۲۱). Artificial Intelligence in Predicting Cardiac Arrest: Scoping Review. JMIR Medical Informatics.
- Thambiraj, B., Bazoukis, G., et al. (2024). The role of artificial intelligence in CPR. Resuscitation Journal.
- Kite, T., Ayers, B., … (۲۰۲۵). Continuous Determination of Respiratory Rate in Hospitalized Patients using Machine Learning Applied to Electrocardiogram Telemetry. arXiv.
- Artificial Intelligence in the Management of Patients with Respiratory Failure Requiring Mechanical Ventilation: A Scoping Review. (۲۰۲۳). PubMed.
- Carboni, T., … (سال نامعلوم). پیشبینی ایست قلبی با مدل ترکیبی CNN + LSTM در بیماران ICU با پارامترهای فیزیولوژیک. IAES International Journal of Artificial Intelligence.
- Yam, Y., Biswal, S., … Sun, J. (2018). RAIM: Recurrent Attentive and Intensive Model of Multimodal Patient Monitoring Data. arXiv.
- Predicting Cardiac Arrest and Respiratory Failure Using Feasible Artificial Intelligence with Simple Trajectories of Patient Data. MDPI.
نظر شما در مورد این مطلب چیه؟