Control Systems and Computers

https://doi.org/10.15407/csc.2024.02.065

Bychkov O.S., Gezerdava O.V., Dukhnovska K.K., Kovtun O.I., Leshchenko O.O. Medical Card Information System for Data Analysis from Fitness Bracelets. Control Systems and Computers. 2024. № 2. C. 65-76

УДК 004.05

О.С. Бичков, д.т.н., професор, кафедра програмних систем і технологій, Київський національний університет імені Тараса Шевченка, Україна, ORCID: https://orcid.org/0000-0002-9378-9535, Scopus Author ID: 700541, 02000, м. Київ, вул. Богдана Гаврилишина, 24, Україна, oleksiibychkov@knu.ua

О.В. Гезердава, магістр, кафедра програмних систем і технологій, Київський національний університет імені Тараса Шевченка, Україна, ORCID: https://orcid.org/0009-0002-9494-5541, 02000, м. Київ, вул. Богдана Гаврилишина, 24, Україна, oleksandrgezerdava@gmail.com

К.К. Духновська, к.т.н., доцент, кафедра програмних систем і технологій, Київський національний університет імені Тараса Шевченка, Україна, ORCID: https://orcid.org/0000-0002-4539-159X, Scopus Author ID: 57433704700, 02000, м. Київ, вул. Богдана Гаврилишина, 24, Україна, kseniia.dukhnovska@knu.ua

О.І, Ковтун, кандидат фіз.-мат. наук, доцент, кафедра програмних систем і технологій, Київський національний університет імені Тараса Шевченка, Україна, ORCID: https://orcid.org/0000-0003-0871-5097, Scopus Author ID: 57216826583, 02000, м. Київ, вул. Богдана Гаврилишина, 24, Україна, kovok@ukr.net

О.О. Лещенко, к.т.н., доцент, кафедра програмних систем і технологій, Київський національний університет імені Тараса Шевченка, Україна, ORCID: https://orcid.org/0000-0002-3997-2785, Scopus Author ID: 57208407651, 02000, м. Київ, вул. Богдана Гаврилишина, 24, Україна, lesolga@ukr.net

АНАЛІТИКА ДАНИХ З ФІТНЕС-БРАСЛЕТІВ

Вступ. Значний розвиток та досягнення в галузі штучного інтелекту (ШІ) спричинили інтерес до його впровадження в різних сферах суспільства. Не стала винятком і сфера охорони здоров’я та медицини. Серед напрямків використання ШІ в медицині можна виокремити багато аспектів. Водночас на найбільшу увагу заслуговує підвищення точності діагностики, зниження витрат на охорону здоров’я, профілактичне попередження епідеміологічних захворювань та географічне розширення отримання медичних послуг за допомогою телекомунікаційних технологій.

Мета статті. Метою дослідження є розробка інформаційної системи медичної картки для аналітики даних з фітнес браслетів. Це уможливить збирання даних для подальшого використання кластерного аналізу отриманих даних і вдосконалення функціоналу та точності медичного моніторингу.

Для досягнення цієї мети потрібно було виконати такі завдання:

– розробити та навчити математичну модель у вигляді лінійної регресії. Ця модель використовує параметри Very Active Distance, Fairly Active Minutes та Calories для прогнозування серцевого ритму (Value);

– розробити електронну медичну картку та в якості додаткового функціоналу впровадити в неї модуль прогнозування зміни у серцевому ритмі на основі даних, отриманих з фітнес-браслету.

Методи. Системний аналіз, лінійна рекурсія.

Результати. В результаті розроблено інформаційну систему медичної картки, яка може отримувати дані з фітнес-браслету і призначена для моніторингу та діагностування стану здоров’я пацієнта в реальному часі. Інформація з фітнес-браслета може включати кількість кроків, серцевий ритм, якість сну та інші параметри, які характеризують стан здоров’я.

Інформаційна система може синхронізувати дані в реальному часі та використовувати їх для покращення оцінки загального стану здоров’я пацієнта. Наприклад, зміни в серцевому ритмі або якості сну можуть вказувати на потенційні проблеми, які можуть вимагати подальшої уваги або медичного втручання.

Використання цих даних також може допомогти в лікуванні хронічних захворювань, таких як діабет або гіпертонія, завдяки моніторингу впливу різних факторів на стан здоров’я пацієнта. Процес також забезпечує лікарям можливість глибше зрозуміти стан здоров’я пацієнта, що дозволяє їм надавати більш персоналізовану та ефективну допомогу.

Висновки. У результаті було систематизовано дані користувачів фітнес браслетів та створено математичну модель, яка може використовуватися для індивідуального моніторингу здоров’я та оптимізації фізичної активності для підтримання здоров’я серцево-судинної системи. Результати дослідження підтверджують, що модель лінійної регресії є ефективним інструментом для індивідуального моніторингу та оптимізації фізичної активності на основі даних фітнес-браслетів. В дослідженні доводиться адекватність отриманих результатів за критерієм Стьюденса. Розрахований критерій Стьюденса t дорівнює 1.31, при критичному ¾ 2.62, що і доводить адекватність розробленої моделі.

На основі цієї моделі було розроблено, програмно реалізовано та описано інформаційну систему, яка використовує лінійну регресію для вивчення впливу параметрів, таких як Very Active Distance, Fairly Active Minutes та Calories, на серцевий ритм (Value). Особливість розробленої електронної медичної картки полягає в тому, що її можливо використовувати не лише для фіксування стану здоров’я людини, але й для його моніторингу та прогнозування.

Завантажити повний текст! (англійською)

Ключові слова: Digital medical records, IoT, Fitbit tracker.

1. Li, X., Wang, H., He, H., Du, J., Chen, J., & Wu, J. (2019). “Intelligent diagnosis with Chinese electronic medical records based on convolutional neural networks”. BMC bioinformatics, 20, pp. 1-12. https://doi.org/10.1186/s12859-019-2617-8
2. Connor, K. I., Siebens, H. C., Mittman, B. S., Ganz, D. A., Barry, F., Ernst, E. J., … & Vickrey, B. G. (2020). “Quality and extent of implementation of a nurse-led care management intervention: care coordination for health promotion and activities in Parkinson’s disease (CHAPS)”. BMC health services research, 20, pp. 1-17.
   https://doi.org/10.1186/s12913-020-05594-8
3. Pikoula, M., Kallis, C., Madjiheurem, S., Quint, J. K., Bafadhel, M., & Denaxas, S. (2023). “Evaluation of data processing pipelines on real-world electronic health records data for the purpose of measuring patient similarity”. Plos one, 18 (6), e0287264.
   https://doi.org/10.1371/journal.pone.0287264
4. Safdari, R., Hamidi, M., Aghaee, M., & Ghazi Saeedi, M. (2017). “Designing electronic card of health for schizophrenic patients”. Payavard Salamat, 10 (6), pp. 479-487.
5. Miller, M.L., Ruprecht, J., Wang, D., Zhou, Y., Lales, G., McKenna, S., & Klein-Gitelman, M. (2011). “Physician assessment of disease activity in JIA subtypes. Analysis of data extracted from electronic medical records”. Pediatric Rheumatology, 9, pp. 1-7.
   https://doi.org/10.1186/1546-0096-9-9
6. King, Z., Farrington, J., Utley, M., Kung, E., Elkhodair, S., Harris, S., … & Crowe, S. (2022). “Machine learning for real-time aggregated prediction of hospital admission for emergency patients”. NPJ Digital Medicine, 5 (1), 104, pp. 1-12, https://doi.org/10.1038/s41746-022-00649-y
7. Malakhov, K.S. (2023). “Insight into the digital health system of Ukraine (ehealth): Trends, definitions, standards, and legislative revisions”. International Journal of Telerehabilitation, 15 (2). https://doi.org/10.5195/ijt.2023.6599
8. Khiani, S., Iqbal, M.M., Dhakne, A., Thrinath, B.S., Gayathri, P.G., & Thiagarajan, R. (2022). “An effectual IOT coupled EEG analysing model for continuous patient monitoring measurement: sensors”, 24, no 100597.
   https://doi.org/10.1016/j.measen.2022.100597
9. Martínez-Martínez, F.J., Concheiro-Moscoso, P., Miranda-Duro, M.D. C., Boedo, F.D., Muiño, F.J. M., & Groba, B. (2020). “Validation of self-quantification Xiaomi band in a clinical sleep unit”. In Proceedings. MDPI. Vol. 54, No. 1, p. 29.
   https://doi.org/10.3390/proceedings2020054029
10. Kwon, O., & Yoo, S.K. (2021). “Interoperability Reference Models for Applications of Artificial Intelligence in Medical Imaging”. Applied Sciences, 11 (6), p. 2704. https://doi.org/10.3390/app11062704
11. Yermakova, I., Nikolaienko, A., Tadeieva, J., Bogatonkova, A., Solopchuk, Y., Gandhi, O.(2020). “Computer model for heat stress prediction during physical activity.” 2020 IEEE 40th International scientific conference electronics and nanotechnology (ELNANO). Kyiv, Ukraine, 2020. April 22-24, pp. 569-573. https://doi.org/10.1109/ELNANO50318.2020.9088846
12. FitBit Fitness Tracker Data. [online]. Available at: <https://www.kaggle.com/datasets/arashnic/fitbit> [Accessed 01 March, 2024].
13. Zhu, Z., Li, H., Xiao, J., Xu, W., & Huang, M. C. (2022). “A fitness training optimization system based on heart rate prediction under different activities”. Methods, 205, pp. 89-96.
    https://doi.org/10.1016/j.ymeth.2022.06.006
14. Lin, H., Zhang, S., Li, Q., Li, Y., Li, J., & Yang, Y. (2023). “A new method for heart rate prediction based on LSTM-BiLSTM-Att”. Measurement, 207, 112384.
    https://doi.org/10.1016/j.measurement.2022.112384

Надійшла 30.04.2024