| کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
|---|---|---|---|---|
| 415095 | 681171 | 2015 | 9 صفحه PDF | دانلود رایگان |
کلمات کلیدی
1.مقدمه
شکل 1- تکنیک های بهینه سازی نگاشت کاهش.
2- مقدمات
2-1 نگاشت کاهش
2-2 خدمات درمانی و داده بزرگ
شکل 2- منابع داده استاندارد در خدمات درمانی.
3- پیشینه PaSi
شکل 3- یافتن راه حل های شباهت بیمار.
4- روش پیشنهادی
جدول 1- منبع داده ScaDiPaSi.
جدول 2- آیتم های داده ورودی.
جدول 3- ScaDiPasiColumn.
جدول 4- ScaDiPasiFact.
جدول 5- ScaDiPasiEqual.
شکل 4- فرآیند ScaDiPaSi برای اجرای پرس وجو.
جدول 6- ScaDiPasiMisspell.
شکل 5- معماری ScaDiPaSi با ترکیب کننده ها.
5- ارزیابی
5-1 زمان اجرا
جدول 7- مشخصه منابع داده.
جدول 8- مشخصه سرور.
شکل 6- معماری ScaDiPaSi با ترکیب کننده ها.
شکل 7- زمان اجرای کل.
جدول 9- دقت ScaDiPaSi.
جدول 10- دقت نگاشت کاهش LSH.
5-2 دقت
6- نتیجه گیری
Healthcare network information growth follows an exponential pattern, and current database management systems cannot adequately manage this huge amount of data. It is necessary to use a “big data” solution for healthcare problems. One of the most important problems in healthcare is finding Patient Similarity (PaSi). Current methods for finding PaSi are not adaptive and do not support all data sources, nor can they fulfill user requirements for a query tool. In this paper, we propose a scalable and distributable method to solve PaSi problems over MapReduce architecture. ScaDiPaSi, supports storage and retrieval of all kinds of data sources in a timely manner. The dynamic nature of the proposed method helps users to define conditions on all entered fields. Our evaluation shows that we can use this method with high confidence and low execution time.
Journal: Big Data Research - Volume 2, Issue 1, March 2015, Pages 19–27