ترجمه فارسی مقاله نرم‌افزار سلامت هوشمند برای پشتیبانی از پرسنل امداد و نجات در شرایط اضطراری

چکیده

Rescue stations around the world receive millions of emergency rescue calls each year, most of which are due to health complications. Due to the high frequency and necessity of rescue services, there is always an increasing demand for quick, accurate, and coordinated responses from rescue personnel to save lives and mitigate damage. This paper introduces a rescue health management software solution designed to improve the efficiency and effectiveness of rescue situational awareness by rapidly assessing the health status of emergency patients using AI-driven decision support systems. The novelty in this software approach is it’s user-centered design principles to ensure that its solutions are specifically tailored to meet the unique requirements of emergency responders. It used pre-trained machine learning models with rescue data and accepted new patient’s input data to provide a probability of the major health complications so that rescue personnel can expedite treatment plan following the outcome. The paper focuses primarily on the software development and implementation steps with three use cases, while also providing a short overview of the previous machine learning-based development phases.

چکیده به فارسی (ترجمه ماشینی)

ایستگاه های نجات در سراسر جهان هر ساله میلیون ها تماس نجات اضطراری دریافت می کنند که بیشتر آنها به دلیل عوارض بهداشتی است.با توجه به فرکانس بالا و ضرورت خدمات نجات ، همیشه تقاضای فزاینده ای برای پاسخ های سریع ، دقیق و هماهنگ پرسنل نجات برای نجات جان و کاهش آسیب ها وجود دارد.در این مقاله یک راه حل نرم افزاری مدیریت بهداشت و درمان برای بهبود کارآیی و اثربخشی آگاهی موقعیتی نجات با ارزیابی سریع وضعیت سلامت بیماران اورژانس با استفاده از سیستم های پشتیبانی تصمیم گیری AI ارائه شده است.تازگی در این رویکرد نرم افزار این است که اصول طراحی کاربر محور است تا اطمینان حاصل شود که راه حل های آن به طور خاص برای برآورده کردن نیازهای منحصر به فرد پاسخ دهندگان اضطراری متناسب است.این مدل از مدل های یادگیری ماشین قبل از آموزش با داده های نجات استفاده کرده و داده های ورودی جدید بیمار را پذیرفته است تا احتمال عوارض عمده سلامت را فراهم کند تا پرسنل نجات بتوانند پس از نتیجه ، برنامه درمانی را تسریع کنند.این مقاله در درجه اول به مراحل توسعه و اجرای نرم افزار با سه مورد استفاده می پردازد ، در حالی که همچنین یک مرور کلی از مراحل توسعه مبتنی بر یادگیری ماشین قبلی ارائه می دهد.