Використання IoT-мережі смарт-годинників та RNN LSTM для зменшення часу надання медичної допомоги на полі бою
DOI:
https://doi.org/10.32347/2412-9933.2025.63.158-166Ключові слова:
ІоТ системи, смарт-годинник, часові ряди, RNN, LSTM, LoRaWANАнотація
У військовому середовищі екстрені ситуації, зокрема бойові поранення, є невід’ємною частиною бойових дій. Однією з основних причин втрат серед солдат на передовій є несвоєчасна медична допомога. Навіть прибувши вчасно, лікарі мають обмежений час, відомий як «золота година», під час якого вони повинні діяти, щоб забезпечити якісну та ефективну медичну допомогу. Для збільшення ефективності огляду пацієнтів у ситуаціях обмеженого часу та ресурсів, можна використовувати сучасні технології та методи аналізу даних. Зокрема, смарт-годинники можуть використовуватися для збору та передачі даних про фізіологічні параметри пацієнта в режимі реального часу. Ці дані можуть включати серцевий ритм, температуру тіла, рівень кисню в крові, тиск та інші важливі показники. Зібрані дані можуть бути проаналізовані за допомогою рекурентних нейронних мереж, які здатні виявляти закономірності та зв'язки між різними фізіологічними параметрами та станом пацієнта. На основі цього аналізу може бути встановлений попередній діагноз, що допоможе медичному персоналу швидше та точніше оцінити стан пацієнта та прийняти відповідні рішення. Також медик матиме можливість переглядати показники здоров’я пацієнта в режимі реального часу. Окрім цього, перед прибуттям до пацієнта в польових умовах, медик матиме певне розуміння про те, що трапилося з пацієнтом та знати його актуальні фізіологічні показники завдяки системі збору та аналізу даних в режимі реального часу. Такий підхід допомагає зменшити час, необхідний для надання медичної допомоги, і в той же час підвищує ймовірність успішного результату медичного втручання. Отримані дані можуть бути використані медиками для впровадження системи медичного сортування, що дозволить їм розташовувати свої сили та ресурси за пріоритетами. Метою статті є демонстрація системи управління екстреними ситуаціями у військовому середовищі на основі Інтернету речей та методів машинного навчання – рекурентних нейронних мереж; покращення ефективності надання медичної допомоги пораненим військовим у польових умовах; зменшення часу реакції на екстрені ситуації; підвищення шансів на виживання поранених військових. У цілому, дослідження показує важливі аспекти оптимізації надання медичної допомоги в умовах обмежених ресурсів та обмеженого часу, а також визначає шляхи подальшого розвитку та впровадження технологічних інновацій для підвищення ефективності цього процесу.
Посилання
Paliy, S., Yamkovenko, M., Shevchenko, B., & Matchenko, A. (2024). Prediction and prevention of medical emergencies on the battlefield using IoT smartwatch network and RNN. In Materials of the 1st International Scientific and Practical Conference "Information Systems and Technologies: Results and Prospects" (IST 2024), March 6, 2024 (Kyiv, Ukraine) (pp. 106–109). FIT KNUTSH.
Tactical medicine: Website. (n.d.). URL: http://www.patr1ot.od.ua/medicina-taktichna/.
On the approval of the General requirements for conducting medical triage of injured and sick people and forms of medical documentation. (n.d.). Official Website of the Parliament of Ukraine. URL: https://zakon.rada.gov.ua/laws/show/z0884-12#Text.
Tactical medicine: How to act in case of wounds, injuries and provide first aid. (2022, March 10). ArmiyaInform – ArmiyaInform information agency. URL: https://armyinform.com.ua/2022/03/10/taktychna-medyczyna-yak-diyaty-u-razi-poranen-travm-ta-nadavaty-pershu-dopomogu/.
Kirillova, K. (n.d.). Zaporizhzhia State Medical University topic 8: Shocks. Scribd. URL: https://ru.scribd.com/document/606258028/Тема-8-Шоки.
MSD manual version for specialists - MSD manual professional edition. (n.d.). MSD Manual Professional Edition. URL: https://www.msdmanuals.com/uk/professional/resourcespages/medical-content-in-ukrainian.
Shock. (n.d.). Empendium.com. URL: https://empendium.com/ua/chapter/B27.II.2.2.
Technologies and protocols for long-distance data transmission in IoT networks: website. (n.d.). URL: https://e-tk.lntu.edu.ua/pluginfile.php/20329/mod_resource/content/0/Тема%2012.%20Technologies%20and%20protocols%20data%20transmission%20over%20long%20distances%20%20IoT%20networks.pdf.
PhDᴬᴰ R. E. (n.d.). Understanding recurrent neural networks (RNNs). LinkedIn. URL: https://www.linkedin.com/pulse/understanding-recurrent-neural-networks-rnns-rany-elhousieny-phdᴬᴮᴰ-62nyc/.
Loss and loss functions for training deep learning neural networks. (n.d.). MachineLearningMastery.com. URL: https://machinelearningmastery.com/loss-and-loss-functions-for-training-deep-learning-neural-networks.
Time series predictions with RNNs. (n.d.). The Complete Data Development Platform for AI | Encord. URL: https://encord.com/blog/time-series-predictions-with-recurrent-neural-networks.
Thakur, D. (n.d.). LSTM and its equations. Medium. URL: https://medium.com/@divyanshu132/lstm-and-its-equations-5ee9246d04af.
Welcome to Python.org. (n.d.). Python.org. URL: https://www.python.org/about/.
What is synthetic data? | Shinto. (n.d.). Synthetic data software. URL: https://www.syntho.ai/uk/what-is-synthetic-data.
Biloshchytskyi, A. O., Dikhtiarenko, O. V., & Paliy, S. V. (2015). Searching for partial duplicate images in scientific works. Management of Development of Complex Systems, 21, 149–155.
Tsiutsiura, S. V., Tereikovskyi, I. A., & Paliy, S. V. (2013). Application of neural networks for recognizing "the ideal interlocutor" among social network users. Control, Navigation and Communication Systems, (4 (28)), 123–126.
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2025 Сергій Палій , Максим Ямковенко , Артур Матченко , Мирослава Гладка

Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.