Date of publication XXXX 00, 0000, date of current version XXXX 00, 0000


party's data. This makes it an essential tool for addressing



Yüklə 217,03 Kb.
Pdf görüntüsü
səhifə13/13
tarix07.01.2024
ölçüsü217,03 Kb.
#211335
1   ...   5   6   7   8   9   10   11   12   13
FL for clinical events classification IEEE


party's data. This makes it an essential tool for addressing 
complex and sensitive healthcare problems. We achieved a 
high accuracy rate of 98.9% for clinic event classification on 
the MIMIC IV dataset, and we plan to improve our results 
further in future studies, using advanced techniques. 
 
 


Ruzaliev R: 
Federated Learning for Clinical Event Classification Using Vital 
Signs Data 
VOLUME XX, 2017 

REFERENCES 
[1]
L. Bote-Curiel, S. Muñoz-Romero, A. Gerrero-Curieses, 
and J.L. Rojo-Á lvarez, "Deep Learning and Big Data in 
Healthcare: A Double Review for Critical Beginners," 
Appl. 
Sci., 
vol. 
9, 
pp. 
2331, 
2019. 
DOI: 
10.3390/app9112331 
[2]
Q. Xia, E.B. Sifah, A. Smahi, S. Amofa, and X. Zhang, 
"BBDS: Blockchain-Based Data Sharing for Electronic 
Medical Records in Cloud Environments," Information, 
vol. 8, pp. 44, 2017. DOI: 10.3390/info8020044 
[3]
D. Gallagher, C. Zhao, A. Brucker, J. Massengill, P. 
Kramer, E.G. Poon, and B.A. Goldstein, "Implementation 
and Continuous Monitoring of an Electronic Health 
Record Embedded Readmissions Clinical Decision 
Support Tool," J. Pers. Med., vol. 10, pp. 103, 2020. DOI: 
10.3390/jpm10030103 
[4]
O.S. Albahri, A.A. Zaidan, B.B. Zaidan, M. Hashim, A.S. 
Albahri, and M.A. Alsalem, "Real-time remote health-
monitoring Systems in a Medical Centre: A review of the 
provision of healthcare services-based body sensor 
information, open challenges and methodological 
aspects," Journal of Medical Systems, vol. 42, no. 9, pp. 
1-47, 2018. 
[5]
S. Siddique and J.C.L. Chow, "Machine Learning in 
Healthcare Communication," Encyclopedia, vol. 1, pp. 
220-239, 2021. DOI: 10.3390/encyclopedia1010021 
[6]
Song, C., Wang, Y., Yang, X., Yang, Y., Tang, Z., Wang, 
X., & Pan, J. (2020). Spatial and Temporal Impacts of 
Socioeconomic and Environmental Factors on Healthcare 
Resources: 

County-Level 
Bayesian 
Local 
Spatiotemporal Regression Modeling Study of Hospital 
Beds in Southwest China. International Journal of 
Environmental Research and Public Health, 17(16), 
5890. https://doi.org/10.3390/ijerph17165890 
[7]
Wang, F., Wang, Y., Ji, X., & Wang, Z. (2022). Effective 
Macrosomia Prediction Using Random Forest Algorithm. 
International Journal of Environmental Research and 
Public 
Health, 
19(6), 
3245. 
https://doi.org/10.3390/ijerph19063245 
[8]
Abdullah, T. A. A., Zahid, M. S. M., & Ali, W. (2021). A 
Review of Interpretable ML in Healthcare: Taxonomy, 
Applications, Challenges, and Future Directions. 
Symmetry, 
13(12), 
2439. 
https://doi.org/10.3390/sym13122439 
[9]
Mazo, C., Kearns, C., Mooney, C., & Gallagher, W. M. 
(2020). Clinical Decision Support Systems in Breast 
Cancer: A Systematic Review. Cancers, 12(2), 369. 
https://doi.org/10.3390/cancers12020369 
[10]
Sallam, M., Al-Mahzoum, K., Al-Tammemi, A. B., 
Alkurtas, M., Mirzaei, F., Kareem, N., Al-Naimat, H., 
Jardaneh, L., Al-Majali, L., AlHadidi, A., Al-Salahat, K., 
Al-Ajlouni, E., AlHadidi, N. M., Bakri, F. G., Harapan, 
H., & Mahafzah, A. (2022). Assessing Healthcare 
Workers’ Knowledge and Their Confidence in the 
Diagnosis and Management of Human Monkeypox: A 
Cross-Sectional Study in a Middle Eastern Country. 
Healthcare, 
10(9), 
1722. 
https://doi.org/10.3390/healthcare10091722 
[11]
K. Guk, G. Han, J. Lim, K. Jeong, T. Kang, E.-K. Lim 
and J. Jung, "Evolution of Wearable Devices with Real-
Time Disease Monitoring for Personalized Healthcare," 
Nanomaterials, 
vol. 
9, 
p. 
813, 
2019. 
DOI: 
10.3390/nano9060813. 
[12]
Li, Li, Yuxi Fan, Mike Tse, and Kuo-Yi Lin, "A review 
of applications in federated learning," Computers & 
Industrial Engineering, vol. 149, p. 106854, 2020. DOI: 
10.1016/j.cie.2020.106854. 
[13]
J. Xu, B. S. Glicksberg, C. Su, P. Walker, J. Bian and F. 
Wang, "Federated learning for healthcare informatics," 
Journal of Healthcare Informatics Research, vol. 5, no. 1, 
pp. 1-19, 2021. DOI: 10.1007/s41666-021-00076-9. 
[14]
T. S. Brisimi, R. Chen, T. Mela, A. Olshevsky, I. C. 
Paschalidis and W. Shi, "Federated learning of predictive 
models from federated electronic health records," 
International Journal of Medical Informatics, vol. 112, 
pp. 59-67, 2018. DOI: 10.1016/j.ijmedinf.2018.01.004. 
[15]
R. S. Antunes, C. A. da Costa, A. Küderle, I. A. Yari and 
B. Eskofier, "Federated Learning for Healthcare: 
Systematic Review and Architecture Proposal," ACM 
Transactions on Intelligent Systems and Technology, vol. 
13, no. 4, pp. 1-23, 2022. DOI: 10.1145/3487065. 
[16]
Choudhury, Olivia, Aris Gkoulalas-Divanis, Theodoros 
Salonidis, Issa Sylla, Yoonyoung Park, Grace Hsu, and 
Amar Das. "Anonymizing data for privacy-preserving 
federated learning." arXiv preprint arXiv:2002.09096 
(2020). 
[17]
Pati, Sarthak, Ujjwal Baid, Brandon Edwards, Micah 
Sheller, Shih-Han Wang, G. Anthony Reina, Patrick 
Foley et al. "Federated learning enables big data for rare 
cancer boundary detection." Nature communications 13, 
no. 1 (2022): 1-17. 
[18]
Sannara, E. K., François Portet, Philippe Lalanda, and V. 
E. G. A. German. "A federated learning aggregation 
algorithm for pervasive computing: Evaluation and 
comparison." In 2021 IEEE International Conference on 
Pervasive Computing and Communications (PerCom), 
pp. 1-10. IEEE, 2021. 
[19]
Rahman, Md Mahbubur, Dipanjali Kundu, Sayma Alam 
Suha, Umme Raihan Siddiqi, and Samrat Kumar Dey. 
"Hospital patients’ length of stay prediction: A federated 
learning approach." Journal of King Saud University-
Computer and Information Sciences 34, no. 10 (2022): 
7874-7884. 
[20]
Kumar, Sunil, and Maninder Singh. "Big data analytics 
for healthcare industry: impact, applications, and tools." 
Big data mining and analytics 2, no. 1 (2018): 48-57. 
[21]
Dolley, S. "Big Data Solution to Harnessing Unstructured 
Data in Healthcare." IBM Report (2015). 
[22]
Han, Trong Thanh, Huong Yen Pham, Dang Son Lam 
Nguyen, Yuki Iwata, Trong Tuan Do, Koichiro Ishibashi, 
and 
Guanghao 
Sun. 
"Machine 
learning 
based 
classification model for screening of infected patients 
using vital signs." Informatics in Medicine Unlocked 24 
(2021): 100592. 
[23]
Beunza, Juan-Jose, Enrique Puertas, Ester García-
Ovejero, Gema Villalba, Emilia Condes, Gergana 
Koleva, Cris-tian Hurtado, and Manuel F. Landecho. 
"Comparison of machine learning algorithms for clinical 
event prediction (risk of coronary heart disease)." Journal 
of biomedical informatics 97 (2019): 103257. 
[24]
Pan, Y., Fu, M., Cheng, B., Tao, X., & Guo, J. (2020). 
Enhanced Deep Learning Assisted Convolutional Neural 
Network for Heart Disease Prediction on the Internet of 
Medical Things Platform. IEEE Access, 8, 189503-
189512. doi: 10.1109/ACCESS.2020.3026214. 
[25]
Shaik, Thanveer, Xiaohui Tao, Niall Higgins, Raj 
Gururajan, Yuefeng Li, Xujuan Zhou, and U. Rajendra 
Acharya. "FedStack: Personalized activity monitoring 
using stacked federated learning." Knowledge-Based 
Systems 257 (2022): 109929. 
[26]
I. Dayan et al., "Federated Learning for Predicting 
Clinical Outcomes in Patients with COVID-19," Nat. 
Med., vol. 27, no. 10, pp. 1735-1743, Oct. 2021, doi: 
10.1038/s41591-021-01570-x. 
[27]
A. Budrionis et al., "Benchmarking PySyft Federated 
Learning Framework on MIMIC-III Dataset," IEEE 
Access, vol. 9, pp. 116869-116878, 2021, doi: 
10.1109/ACCESS.2021.3105929. 
[28]
U. Kryva and M. Dilai, "Automatic Detection of 
Sentiment and Theme of English and Ukrainian Song 
Lyrics," in Proc. 2019 IEEE 14th Int. Conf. on Computer 
Sciences and Information Technologies (CSIT), Lviv, 


Ruzaliev R: 
Federated Learning for Clinical Event Classification Using Vital 
Signs Data 
VOLUME XX, 2017 

Ukraine, 
2019, 
pp. 
20-23, 
doi: 
10.1109/STC-
CSIT.2019.8929732. 
[29]
L. Clifton et al., "Identification of Patient Deterioration in 
Vital-Sign Data Using One-Class Support Vector 
Machines," in Proc. Federated Conf. on Computer 
Science and Information Systems (FedCSIS), IEEE, 
2011, pp. 125-131, doi: 10.1109/FedCSIS.2011.21. 
[30]
T. Rocha et al., "Wavelet Based Time Series Forecast 
with Application to Acute Hypotensive Episodes 
Prediction," in Proc. Annual Int. Conf. of the IEEE 
Engineering in Medicine and Biology Society (EMBC), 
IEEE, 
2010, 
pp. 
2403-2406, 
doi: 
10.1109/IEMBS.2010.5627806. 
[31]
H. Cao et al., "Predicting ICU Hemodynamic Instability 
Using Continuous Multiparameter Trends," in Proc. 30th 
Annual Int. Conf. of the IEEE Engineering in Medicine 
and Biology Society (EMBS), IEEE, 2008, pp. 3803-
3806, doi: 10.1109/IEMBS.2008.4650084. 
[32]
Johnson, A.E.W., Bulgarelli, L., Shen, L. et al. MIMIC-
IV, a freely accessible electronic health record dataset. 
Sci Data 10, 1 (2023). https://doi.org/10.1038/s41597-
022-01899-x 

Yüklə 217,03 Kb.

Dostları ilə paylaş:
1   ...   5   6   7   8   9   10   11   12   13




Verilənlər bazası müəlliflik hüququ ilə müdafiə olunur ©azkurs.org 2024
rəhbərliyinə müraciət

gir | qeydiyyatdan keç
    Ana səhifə


yükləyin