图 2 详细阐述了 ACM 库中搜索过程的详细信息★★■◆。还搜索了IEEE的库以获取相关详细信息。

　　本文的贡献是回顾本研究适用于移动医疗和电子医疗，其中讨论了使用大数据进行诊断和医疗保健系统的方法和模型。本文总结了人工智能和大数据目前在医疗健康和电子健康中的令人鼓舞的应用，这些应用对疾病诊断和患者护理具有潜在的附加值。拟议的研究将帮助研究人员在医疗保健领域设计新的解决方案◆◆★■■。

　　医疗保健组织面临着许多挑战，例如分析大规模数据。随着医疗保健应用的快速增长，许多设备用于生成数据，其中许多设备用于更好地分析数据和做出更好的决策。以下是当今医疗保健组织面临的挑战。

　　人工智能也许能够代替麻醉医生的一部分工作，根据心率血压血氧等各种生命体征调节药物浓度用量以及输注速度，可以更精确的控制补液，成为麻醉医生实现精确化医疗的工具。在术前评估、麻醉方式选择、困难气道处理◆◆★◆、术中和外科医生的沟通配合、各种紧急情况的处理上，还是需要麻醉医师自己判断处理★★★■。我们在思考人工智能在本学科的发展的同时，也要看到人工智能本身目前的一些发展短板。

　　对于各个国家 /地区■★■，EQ-5D-3L（三级Euroqol五维问卷）的价值集被根深蒂固以评估卫生状态的效用。在生成这些价值之前，分析师从代表公众然后使用数学算法的游戏机中收集了预先校园健康状态的值，以产生243个状态的值◆◆◆★。估计较新标准的合理性和正确性★■，以及以前的，就所有健康状态的价值预测和特定的普通健康状态值的预测而言，已经使用了预先存在的数据集，可适应VAS（视觉模拟量表）值来自126名学生，每个学生都重视所有243个州。产生了一系列表示■■，最终根据每个模型设计了数据。过去很少有人使用它们[52]。与科学活动相关■★★■★，这项研究显示了一个大型数据存储者◆◆★■，其中包含流行病学，临床和分子数据■★◆★■，该数据提供了研究机会，对于协助科学活动至关重要★■★■■◆。大量数据的优点可能包含低成本收集■◆★◆◆。限制可能包含数据存储和处理的成本和困难，这对于格式，分析以及对安全性，准确性和可靠性的关注等现代方法至关重要★★◆■。可以解释说，大数据和分析工具的来源可用于帮助和诊断皮肤病的治疗和管理[53]。糖尿病是葡萄糖滞留于血液中的疾病，导致无法代谢。当体内的胰岛素反应不正常或者身体不产生它时，会导致糖尿病。可导致严重和长期的健康问题。药物并未真正治疗包括心痛，肺疾病、皮肤和肝脏疾病，神经损伤和噪音损害等并发症；快速检测结果很少见■■★★★◆。Thakkar等人讨论了一些有价值的技术◆◆■◆■★，以便在未来挖掘和诊断糖尿病。

　　4.2. 关于机器和技术的知识◆◆★■★。大多数技术人员或机器用户对使用技术/机器没有足够的知识。为了克服这个问题◆■◆★■，技术人员和操作员在使用之前应该有足够的数据和知识来了解机器和技术■★，因为医疗和保健中使用的大多数机器都会发出辐射★◆■■，这对人类和建筑物非常有害和危险◆■◆■★◆。euroCAT基础设施需要作为辐射诊所实施★★◆★■◆。

　　COVID-19的暴露给医疗保健系统带来了越来越大的负担。虽然某些感染患者征象并不严重，可以在家中处理，但有些人发展成重症，需要住院治疗。这就是为什么有效评估COVID-19的严重程度并确定为医院的重中之重非常重要★★。COVID-19已在短期内在多个国家发布。通过选择一个疗程作为患者出院的时间★■，包括救援技术和统计分析，现在是时候认真准备了，让决策者为更多的医院负担做好准备。提出了一个立方体模型来核实和确定病例和死亡★◆★◆■★，并被世界卫生组织接受。通常在霍乱病期间，可以学习这种研究辅助配对。已经使用XGBoost算法开发并验证了四种诊断模型◆◆★★★，包括淋巴细胞★■◆◆★、乳酸脱氢酶、C反应蛋白和嗜中性粒细胞[15-17]。

　　过敏性结膜炎人群的患病率为15-20%。然而，由于缺乏了解★■■◆，慢性阻塞性肺病的多因是环境、居住地、直接分布有着复杂的关系■★◆◆■◆。药物对慢性肾脏病患者的益处和糖尿病的治疗类型★■，以及患者需要了解的其他疾病的可能性，这些疾病将根据干预的症状和危险因素帮助患者社会增强和慢性阻塞性肺病患者的康复，以减少体力帮助以创造永久性解决方案并防止社会疾病升级。

　　如果早期发现耳部疾病和乳突疾病，可以很容易地处理。然而◆★◆■◆■，有时，我们没有专家■★◆，或者如果需要一种新的诊断策略，我们的诊断精度可能会非常低，其中深度机器学习可以发挥崇高的作用。Cha等人提出了一种机器学习模型，该模型借助数据集总共有10544张图像◆◆，这些图像使用CNN进行训练，将内耳膜和外耳道特征分为6类耳部疾病■■，涵盖了大多数耳部疾病。Inception-V3和ResNet101是时间训练和准确性所选择的学习模型◆★◆★，平均准确率为93◆■★.67%。该分类器在各种条件和环境中经过训练，并提供更好的诊断结果，因此它更适合在实际环境中使用。

　　关于如何解读网络，现在逐渐有一些工作，即人工智能的可解释性。神经网络算法的提出◆■■，最开始是受到了生物学研究，尤其是神经研究的启发。不过即使针对比较简单的模式生物，比如只有302个神经元的线虫，我们也刚刚能理解一些最简单行为■★■■■★，比如趋热或者趋冷在神经系统里细胞层面是如何编码的。

　　4.5. 转型◆★◆★■■。医疗保健转型是一种分享公司想法的方法。它具有重要意义，因为旧技术正在转变为基于创新的新开发和不断发展的技术，其中可能包括数字健康★★■■◆★，电子医疗，移动医疗和基于传感器的技术★■★。这种健康的增强对于在下一阶段识别疾病可能具有重要意义。在从传统医疗保健转向虚拟和实时诊断之前，需要观察一些事情，这些事情仍然缺乏对这些发明是否真的在改善和克服医疗保健质量的真实评估。如果采用了任何不基于有证据的护理的新技术可能会面临意外后果的风险■★，如隐私泄露，护理成本增加等。需要实施分布式账本技术★★■，以确保嵌入式系统生成的数据的完整性和真实性

　　拟议研究的贡献是审查与电子健康和医疗保健相关的现有研究，其中讨论了各种模型■■★◆★◆。详细阐述了在医疗保健系统中使用大数据诊断疾病的方法。该研究总结了人工智能和大数据最近在医疗保健和电子健康中的有希望的应用◆★★。该研究可能有利于疾病诊断和患者护理◆★◆◆◆★。

　　这些人造机器可以执行复杂的任务；许多技术在很长一段时间内大规模运行，这会消耗大量电力★◆■■，而在大多数发展中国家的权力问题中◆★■■★，需要解决和调整，以提供大量医疗保健设施。

　　4.1. 社交媒体。当今时代的分析人士正在命名我们生活在假新闻时代的时期■◆★★◆，这是基于产生的错误信息的传播，这些信息可能是有意或无意地传播的。由于它影响到生活的所有领域，它也在与健康有关的领域制造问题，可能导致停止有效的护理患者，而在某些情况下，它正在威胁个人的生命■★■★◆■。Wang等人揭露了本证据，并以可以理解的方式将其明确；错误信息的机制传播★◆■■■■。最实质性和最重要的话题包括与疫苗接种，寨卡病毒和埃博拉病毒相关的错误信息★■◆，尽管其他主题■★■★■◆，如水的氟化，营养■★◆■，癌症和吸烟也被强调。大多数研究都采用了内容分析，社交网络分析或实验，借鉴了不同的学科范式。相应的系统对这些数据进行分类。未来的研究应该检查不同社会人口群体对错误信息的易感性■★◆，并了解信仰体系对传播错误信息的意图的作用。

　　人工智能（airtifical intelligence， AI）正在使计算机系统能够在日常生活的许多领域执行过去需要人脑的任务★■■◆■。信息和通信技术（ICT）的提高无疑改善了全球人民的生活质量。特别是，信息通信技术在健康领域带来了非常亟需和巨大的改善■◆■◆，该领域通常被称为电子健康（eHealth）和医疗健康（mHealth）★★。深度机器学习和AI方法通常在许多使用大数据的应用程序中呈现，大数据模型由在执行或诊断疾病时可以访问的有关医疗健康和疾病的所有相关数据组成。例如，心血管成像现在具有准确的成像功能，并结合了来自电子健康记录和病理学的大数据，以更好地表征疾病和个性化治疗。在临床工作和成像方面，通过了解肿瘤生物学和帮助实施精准医疗★★，癌症治疗正在得到改善。马尔可夫模型用于提取治疗癌症的新方法◆◆◆★◆■。在本文，我们回顾了与电子健康和移动医疗相关的现有研究，其中讨论了使用大数据进行诊断和医疗保健系统的各种模型。本文总结了人工智能和大数据最近在医疗健康和电子健康中的应用前景，这些应用对患者诊断和治疗具有潜在的附加值。

　　健康信息技术的设计是为了解决健康差异等复杂问题。许多结果可以通过对健康结果的直接影响来获得证明。对于所有这些◆■，我们必须了解集体智慧◆◆、大数据★■◆■、信息能力的相应术语，包括智能健康、知识交换知识、生态系统和场景感知。公共卫生信息学为健康公平和健康差异制定了标准、指南和反对意见，这将提高健康素养和获得护理的机会。Fodeh和Zeng 提出了大数据符号，用三个词表示：体量，多样性和速度。这是与体量相关的最重要的概念◆★■◆，并且多样性与患者获得的生物医学数据（包括表格和结构化数据）非常相关★★◆◆■。生物医学研究界正在努力升级大数据的聚类和分析。挖掘大数据可能包含大量信息，并具有提供知识的可能方式和来源；■■■■★◆；数据挖掘和机器学习方法对于具有挑战性的任务中的此类数据系列非常有用。Kavakiotis等人讨论了大量关于对医疗人员可行的先进技术的数据◆■。研究人员领导了大量关于糖尿病等疾病的研究，涉及主要使用不同类型的数据集。这些假设将引导我们了解世界上各种技术知识和疾病■◆■。在使用机器和技术之前■■◆★，人们应该有足够的数据和知识，因为医疗和保健中使用的大多数机器都会发出辐射，这对人类和建筑物都是非常有害和危险的。已从五个地点收集了肺癌的证据。euroCAT基础设施已经成功被建设为放射诊所。放射肿瘤学作为euroCAT网络而促进机器的运用。在日常临床工作中，成像数据的使用能够通过肿瘤生物学和帮助实施精准医疗来改善癌症护理。对于肿瘤及其微环境★■◆■★■，放射学有助于监测和评估肿瘤特征，例如时间和空间异质性。

　　3.1.疾病预测和大数据◆◆◆■。大数据和人工智能方法通常出现在医疗保健和电子健康应用程序中，用于许多长期健康状况的自我管理和家庭护理。这些应用程序的适应性在哮喘多因素持续性疾病中的自我管理需要在现实生活中的设置中进行验证和评估■★◆◆★★，同时提高患者以个性化方式预测哮喘控制状态和风险增加的水平。该研究提出了一种控制哮喘状态的短期预测技术，其中多个分类模型被认为是每个观察到的框架的训练，以及强制性的预处理技术，以提高力量和有效性。支持向量机、随机森林■★★◆■■、贝叶斯净工作和自适应增强被认为是本综述中使用的机器学习算法。Xin-Di等人从■■★“金匮要略■◆★”和一篇关于外源性发热性疾病的论文中提取了252个公式◆◆★◆■★，旨在通过概率模型和大数据技术确定主导草药混合物选择的基本规则。Pashazadeh和Navimipour对大数据领域与医疗保健应用相关的现代机制进行了详细和系统的回顾。讨论的五个类别是基于启发式、混合机制、机器学习、基于云、和基于代理的。Harous等人已经使用移动健康体系结构中的感官和社交数据启发了大数据在肥胖管理中的应用，这些架构主要是为评估，检测和控制肥胖而提出的，这些肥胖依赖于用于复杂操作和处理的手机收集的数据。使用这种新开发的移动体系结构◆■■，可以应对肥胖控制，监测和预防的挑战。已使用不同的算法来生成特色的建议★★★，建议和警告■★★◆■，以控制肥胖及其相关疾病。在卫生专业人员经常使用的大型身体增长测量数据集的背景下◆★■★，本文旨在为法国儿童重生。在使用电子病历软件的法国主要地区■★■◆◆◆，选择了32名随机初级保健儿科医生和10名志愿者全科医生★■◆。为患有匿名的儿科患者提取了所有身体生长的数据。得出了一个新的增长图◆◆★◆★◆，然后将其与WHO图表进行了比较，并发现它正确且无误差◆■★◆★◆。

　　人工智能是计算机科学的一个领域■■，它能够复制人类思维特征、学习能力和知识存储★★■■。它使用大数据应用程序执行我们日常生活各个方面和领域的人脑任务。超级计算机正在使用先进的深度学习机器算法来分析大数据◆■★★◆，这使得现场即时输出成为可能，也给各个领域都带来了进步和需求★★★■■，特别是在医疗保健领域■◆◆★。大数据分析进入生物医学科学■◆★★★；大数据的主要来源已经被讨论和解释，特别是在肿瘤疾病，心血管疾病，过敏性疾病★◆■★，临床工作，耳科疾病等方面■◆，日益改善医疗护理和治疗★★◆。研究人员正在收集数据，以便有效和可实施地为人类治疗和诊断疾病服务。医生对人工智能在他们的医疗实践中可以为他们提供的帮助持怀疑态度。研究探索了一种可以理解的体验★◆，其包括在传染病环境下借助医疗保健大数据实施人工智能（AI）编程带来的所有挑战、风险和舒适。。该计划的目的是设计一套工具，可以有效地实施准确◆■■■、客观的临床决策过程[3]。在生物医学中■■■■◆，有很多方法可以从观察和实验中收集数据。科学家们竭力收集有关疾病的数据以及如何生成用于治疗疾病的数据。这种生物医学信息是创新思维★■◆◆■■、管理和分析，以及将其转化为进一步的科学证据以增强患者治疗的方式。这是美国国立卫生研究院（NIH）将大数据引导到知识表示的主要挑战。这些机构正在努力收集越来越多的数据★■，提高研究能力◆■◆◆。领先的中心正在开发使用大规模数据来处理此类事件。他们将研究新一代生物医学数据科学家将需要多少精确的设备■◆。在当今世界，NIH和大数据知识（BD2K）寻求数据科学在生物医学研究中的地位★◆★■■★。

　　Tandon等人提出了当前的问题和使用区块链技术改善健康状况的机会联系。SLR（系统文献综述）的结果表明★■■◆◆，区块链正被用于创造新的就业机会★★◆，以提高个人医疗记录的管理、分布和停止标准。实施区块链技术是医疗保健系统的一部分，在医疗保健行业中★◆★★★◆，通过提高信息管理系统的性能，接近性，技术进步，保护，安全性和优先级，增加了其显著的价值。政府和世界各地的房地产公司已将公共技术信息的收集和阐述纳入其中，作为消减COVID-19信息以防止信息泄露的战略解决方案。然而，关于机器报废监测制度的法律，以监测帮助那些无法阅读以下文件的人使用世界上公众的权力文件★★★◆。电子健康记录（her）包含有关年轻人（Rangatahi，毛利语）病进展和治疗悲剧的宝贵信息。在心力衰竭研究中，Esther和她的同事提出了一种从CCE数据中提取短期序列样本的方案，该方案的分级可以改善表型和预测，并且也很专业。给出了有关疾病进展和治疗结局的EHR的简要信息◆★■◆■。本文介绍了一种表示到机器学习的瞬态过渡 CCE 观测值的方法■■。使用来自心脏病患者的临床数据，给出了EHR药物转移和诊断和分类记录的临时代表，用于开具活动处方◆◆★■。虚拟化（AI）和机器学习正在医疗保健行业的许多领域产生真正的影响。癌症部位是一个全球现象◆◆■★◆★。减少事故发生几率的努力应该是及时的。无论如何，观察到转移发展■◆，血清素频率和药物抑制◆★◆■★★。重要的是要找到新的生物标志物◆★◆，以刺激群体抵抗力并改善药物递送，以改善携带者■◆■■。心力衰竭的时间线风险评估工具使用逼真的一次性临床文件扫描和低准确性设计的数据库。这项研究的目的是为所有人的未宣布和准确的预测制定一个全面的30天计划◆◆◆★■■。全因死亡率（ACM）将电子病历系统上可用的临床和临床信息连接起来◆★◆。对于使用分步方法创建的30天非结构化读数或ACM★★，有三个预先指示指标：（a）指数准入模型★■◆★◆◆，（b）特征聚合模型，和（c）指数分散模型[58]◆★★★■。该研究谈到了人工智能，它具有模仿人类性格的能力 - istics，知识存储◆■★★★◆，学习能力等。大多数技术已经应用于医学和医疗保健领域★■，例如C统计模型，该模型在北卡罗来纳州医院中被用作预测和提高预防医学效率的最佳模型。表1代表了文献中现有的一些研究工作◆■◆★。

　　Miller等人[18]提出了生物医学数据概述，以推导出关于如何从丰富的可用数据中开发临床决策支持工具的新知识，在精准医疗时代实现神经变性相关的疾病的临床护理和科学研究的现代化。Garcia-Ceja等人调查了有关心理健康管理系统的传感器数据和机器学习。该研究的主要重点是精神障碍或压力、焦虑、抑郁和双相情感障碍等疾病■★■■■。建议综述基于相关分类术语★■，并呈现MHMS的全部阶段。数字健康技术允许访问以优化临床护理服务和临床研究，以获取有关医疗保健年龄的信息■★。尽管在研究和临床护理中使用了这些技术◆★■★，但仍面临着数据的质量、隐私和监管等问题。Sharma等人总结了思想库会议记录，其目标是描绘一个框架，以便在研究和医疗保健服务中适当地使用数字健康技术★★★■◆。在阿尔茨海默病（AD)中★◆，既有的临床开发项目未能减少新发疾病★■，也未能为治疗疾病进展建立高质量的工作方法■◆◆◆。该报告基于电脑建模和仿真，这在 AD 研究中起着强大且观察性作用 。超级计算机正在使用先进的深度学习机器的算法分析大数据，这些算法允许将视觉图像解释等的输出提高到以前难以察觉的水平◆★◆◆★，并承诺革新医学实践。人工智能是一个众所周知的领域，它在临床决策自动化，疾病检测，医学诊断分类中的免疫分析和干预程序等领域取得了巨大进步■◆★◆，并且具有显着影响实用介入心脏病学■◆◆■。介入心脏病学的这种独特性质使其成为基于人工智能的方法发展的最高目标，这些方法被描绘为增强实时决策■■，实验室中优雅的工作流程以及使用先进机器人的标准化导管程序。该研究强调了人工智能的范围、其潜在应用以及干预心脏病学的局限性★■■★■。

　　3.4.大数据和疾病识别。在日常临床工作中，成像数据的使用能够通过了解肿瘤生物学和帮助实现精准医疗来改善癌症护理◆★■■。对于肿瘤及其微环境的加入，放射组学有助于监测和评估肿瘤特征★■■★★■，如时间和空间异质性。哮喘在临床关联和遗传关联复制不良方面不一致。哮喘不是一种单一的疾病，而是一组具有一些临床表现的类似疾病■◆★■◆★。这种疾病的大数据不是提供解决方案，只是提供有关疾病的信息。贝叶斯和常用方法使我们了解统计机器学习中常用的疾病人种学◆★，并且可以应用于医疗保健研究中的大小数据。我们需要了解哮喘的真实情况◆■■，而不仅仅是给出预测★■。我们关于数据科学的方法论将会被大家熟识。给出了当前人工二分法的贝叶斯和常用范式◆◆◆。需要大数据将哮喘分为亚型以获得解决方案◆★◆。利用分解表型和基因组研究，探索肺功能作为中间表型。连贯归纳和演绎统计方法的流行病学用贝叶斯和统一图表提出。有一些技术和方法可以有效地将患者分为哮喘患者和没有长期缓解的患者。VA-PODR（兽医事务准确的肿瘤学数据集）是一个全球范围内的大量存储库，该存储库与VA（事务）部门有关诊断的癌症患者。该数据包括来自全国事务记录，医疗摄影数据◆★★，肿瘤测序目标，病理幻灯片和事务中央癌症注册表以及CT（计算机断层扫描）扫描的长期临床数据。该数据存储的子集可在GDC（基因组数据公共）和TCIA（癌症成像存档）中获得◆★■◆■。

　　医疗保健领域通过大数据的影响获得效果，因为在医疗保健阐述的来源因其维度、异质并发症和精神焦虑而熟悉。大数据的分析技术、工具和平台在众多领域中得到了感知；。它们对医疗保健机构的影响 为可能的医疗保健应用实现新的用例，显示出有希望的研究方向■◆◆★◆◆。在这种情况下★◆★，这些应用程序的成功完全取决于引入研究尝试所含的合适和适当工具的基本架构和优化◆★■◆★。Palanisamy和Thirunavukarasu从股东的角度讨论了患者护理系统中存在的许多分析领域■◆◆■，并根据基本数据源■★、系统能力和应用领域评估了大数据结构，同时还讨论了有助于医疗保健生态系统发展的大数据的暗示。现代技术如隐马尔可夫模型（HMM），可用于包含各年龄段的海量数据；；可重复和可解释的动态大脑网络的推断可以在不同的数据集范围内实现，包括各种其他任务★◆。以前在信息和通信技术方面的改进无可争辩地改善了全球人民的生活质量。计算机技术在卫生部门（通常称为电子健康）中带来了需要和巨大的改善。为了优化此开发的全部和令人钦佩的好处，在基于云的环境中实现它非常重要。除了电子医疗在云计算中的众多优雅优势外★◆◆，其全面优化仍然受到隐私和安全性等一些挑战的阻碍。该研究主要关注许多技术的当代文献，该机制用于控制电子健康中的隐私和安全相关问题★★◆。这些方法的稳健性和脆弱性需要重视。从审查的110篇文章找出了包含解决方案的几个模型。对这些模型进行了比较，其中给出了建议的标准和可接受的电子健康定义。还根据《健康保险流通与责任法案》（HIPAA）的建议讨论了隐私和安全要求，并提供了隐私和安全要求。最后，提出了一种可靠和安全的电子健康架构，可以保证有效★◆、规范和可靠的健康信息访问框架。它在言语和语言治疗中也有应用■■◆★。然而，这些治疗在中风后的几个月内通常获益差★■。Palmer等人已经评估了一种自我管理的混合言语和语言治疗（CSLT），旨在为患者提供比仅通过常规护理所能获得的更多的治疗。CSLT加常规护理显着改善个体找词功能，但对话功能没有改善◆■■★◆★。Schoettler等人对哮喘和与过敏相关的全基因组关联研究（GWASs）进行了综述◆★■◆★，结论为与其他指定的过敏和哮喘病例组相比，儿童哮喘与最独立的位点相关，而成人哮喘与较少的基因相关，这些基因可以被认为是与儿童哮喘相似的基因集的子集。

　　例如，对人工智能最大的批评在于它的结果是否可以被解释。人们难以理解越发庞大的深度网络是如何发挥它的作用，每个节点有着怎样的功能。拿图像识别任务来说◆◆★★◆■，比较早期的深度网络AlexNet有35K个参数,到了2014年，VGG16网络有138M个参数■■。在强大的表现背后，是一个人们从未接触过的，难以理解的庞大造物（考虑到标准模型只有19个自由参数）★■■◆■◆。

　　从麻醉学的发展历史来看■◆■，麻醉★◆◆，其实是最早接近人工智能的医学科。基于临床药理学的发展，麻醉学早就建立了临床药物的药代动力学-药效动力学概念与模型(PK/PD模型)，这也是自动化麻醉和机器人麻醉的雏形。可是麻醉科的智能技术一直局限在“自动化★■◆■■”这一壁垒里，另外“自动化麻醉系统”完全无法颠覆麻醉师的诊疗习惯和工作方式。这是因为◆■★★◆，即使接受手术麻醉的患者数量众多，但是有效和客观的临床数据收集不完整，缺乏麻醉和手术对于患者长期转归影响的临床观察资料。

　　最后，尝试了 ScienceDirect 库，从各个角度看该库的详细信息如图 4 所示。该库得到了进一步的阐述，一些细节如图 5 所示。

　　在生物医学知识库中，体细胞基因组的规模正在增加。因此，描述了使用数学算法预测与癌症集相关的文档。由于计算成本高◆■■■★，数据集大■■◆◆◆■，基于基因的体细胞癌的最小模型不受体细胞基因排序和特征提取的阻碍。可以使用各种特征■★■◆★★、首选项和功能压缩过程，并且它们通常部署在许多区域中。这些过程中的每一个都试图从训练的数据集中提取和挤压一些新的不相关的特征，其目标是为新排列的记录数据提供越来越准确的结果。提取或挤压数据是根据给定信息从大量数据集中提供所需和相关数据的活动。有一些标准可以对排序的信息进行排序，因为最佳结果将具有最高优先级◆★◆◆，因此它将位于专业列表的顶部。实验结果具有不同簇大小和不同基因特征的体细胞聚类■■★。他们生成的结果证明，现有模型具有高质量的计算聚类。

　　4.4◆■◆■★★. 昂贵。这是机器人和人工智能的一代，在医疗保健领域具有重要意义■◆◆◆■★。但是◆◆★■，由于价格高昂，组织大多无法负担得起技术，机器和数据存储，无论是云数据库还是我们自己的数据库。

　　3.3.心血管。随着数据科学的兴起，心血管成像越来越受欢迎。有许多技术已应用于心血管医学◆★◆■★◆，用于探索不同类型的疾病，以及提高患者护理质量和改善死亡率。人工智能在心血管医学中的潜力是巨大的，尽管对其认识不足可能会掩盖其潜在的临床影响★■。在成像链的所有阶段都存在一些复杂性■◆，例如效率，时机和诊断缺失。人工智能应用的依赖性落在了强大的数据、合适的计算技术和工具上。而在某些领域，它依赖于其临床应用的验证◆★■★◆★，以图像切片◆■■，自动测量和诊断。心血管疾病现在具有准确的成像功能，并结合来自电子健康记录和病理学的大数据，以更好地表征不适和个性化治疗。研究已经探索了该领域，并提出了对该领域现有文献的研究。

　　特别是，它正在为医疗保健系统带来创新技术■★。它将传统的卫生系统转变为心血管◆◆★，肿瘤学，耳部，哮喘◆★◆◆■，过敏，癌症或任何其他疾病形式的技术系统■★★◆。大数据使得通过虚拟和实时系统诊断疾病变得容易。

　　人工智能（Artificial Intelligence■◆，AI）是指计算机像人一样拥有智能能力，是一个融合计算机科学、统计学、脑神经学和社会科学的前沿综合学科，可以代替人类实现识别★■◆■■、认知，分析和决策等多种功能。目前在医疗临床使用较多的主要有四种★★★■：一是智能影像，二是智能语音，三是医学机器人，四是临床智能决策。智能影像和语音是基于医疗图像和语音识别技术发展起来的，由于医学影像资料获取门槛较低且更有可能作为标准化，所以智能医学影像目前发展最为成熟，临床接受度最高，只不过仍然不属于医疗最核心领域★◆。“医疗影像+AI◆★”最早涉及★◆◆■■、最主流应用范围在疾病筛查和辅助诊断，另外还有病理分析★◆◆★■、医学图像的后期处理利来老牌国际官网app、放疗部位靶区勾画以及青少年生长发育评估等■■◆。

　　医疗的技术创新区块链技术，如遗传特征的血管化■■■，路由透明度和识别信息，于2008年在比特币加密货币中引入◆◆◆■■■。各种领域级技术进入健康领域★■◆■◆。本研究的目的是系统地获取创业出版物，并评估土耳其使用/提供区块链以改善医疗保健、健康科学和无组织服务流程和服务的立场。在一些生物学过程中，细胞调节和信号传导通过蛋白质复合物的组装而参与。当通过蛋白质 - 蛋白质界面发生任何变化时★◆■★，它将影响多蛋白复合物的形成。因此◆★◆，细胞功能发生突然变化，遗传性疾病的发展像癌症一样发生并产生耐药性■★。这些蛋白质是必不可少的，并导致许多资源的形成，以预测其影响。它应该为突变如何影响多原蛋白复合物的结构和身体做好准备。目前正在制定一些模式◆◆■★■，以解决两个不同的问题，即为非洲沙漠和森林中的传染病划拨资金。为今后的发展提供了实证数据收集和理论发展的指导。生物医学研究正在随着大数据的出现而彻底改变★■■。大规模临床和分子数据自动数据收集的非凡进步给数据简化和分析带来了主要挑战，总结为新计算技术的发展。在医学领域有效利用生物医学大数据的系统的发展将需要高尚的科学和技术创造，其中将包括工程◆★，基础设施，财务人员和项目◆★◆。本研究综述了数据驱动技术的转换如何为解决其中许多问题提供概率，指导了系统功能理论的阐述和技术模型的生成，并协助了精确医学临床程序的设计。

　　机械疗法主要用于运动■◆◆■、十二指肠、内分泌★◆◆■◆■、泌尿、呼吸■◆★、消化、神经和心血管疾病★◆。医疗保健的快速发展是由与奥运会■■◆★、生物医学和科学相关的技术的增强推动的■◆★■★★。专有药物旨在对特定疾病和患者实施特定和更具体的治疗■■■。医疗保健行业在制药行业蓬勃发展◆★■★。再一次，就像确认文本、数字、照片和目录一样■◆，任何列出各种卫生服务管理系统的大型和不规则发现的信息都会列出患者信息。同时，医院处在不同的地理位置以不同的方式，给予事实，时不时提供患者的健康信息。为了应对这些问题★■，达米安（Damien）是医疗保健干预关于海产品、纯素食医疗管理系统的单方解决方案。肺炎和腹泻等儿科和儿科疾病的发病率是全球性的。来自印度的患者人口统计和健康调查（DHS）再次创建了即日的剖腹产（CBNs）★◆■★，并探讨儿童腹泻的定位因素。描述了用于DHS数据的免费软件工具的位置，具有基于世界分数的限制的图形结构学习以及混合结构学习算法。该研究基于每种结构学习算法确定了缺失值★■，样本量和知识约束的结果★◆，并使用多种评分函数评估其准确性。Waring等人帮助大东地区（Greater East）的医疗保健专家使用自动化机器学习（AutoML）进行知识审查★■，并具有最新的机器学习模型O-Shelf经验，具有有限的信息数据专业化。在现场医疗保健中使用AutoML的可能机会和风险的前景以及AutoML在医疗保健中响应攻击的需求并重。使用ML技术有可能改善健康结果，降低医疗保健成本并展示临床研究■■★◆◆★。如今，使用AI◆◆■，以前研究发现的常规知识可以在大型数据集合中找到。临床肿瘤学数据是临床实践和研究的开始，具有丰富的多线程文档和元数据。我们的大多数客户包括公司和员工★◆◆■■。不充分的干预◆■◆◆、短期住院和探视可以改善患者护理。结合强大的AI算法有助于改变高强度放射肿瘤学的呈现和共识◆★■■★◆。因此，通过建立放射肿瘤学临床科学社区，这是可能的。

　　不过相信人工智能技术的成熟◆★■，尤其在深度学习理解能力的进展◆★■，未来大量深度学习平台及框架开源会进一步降低算法实现的技术门槛，这些开源包大幅降低了应用深度学习算法的难度◆★◆★■■，再加上算力和数据的不断完善，将有助于我们更多更好更深入的用于大样本研究，进一步加快AI在麻醉学科的发展。

　　通过使用单队列模型参数，我们可以钝化我们面临的价格问题，以及我们将来将面临的价格问题；这将为医疗机构以及负担不起和无法获得这些技术的农村地区患者增加重要价值。

　　Limkin等人提供了一个研究案例，有助于确保放射组学作为生物标志物的实际开发和增强◆◆，并促进其在临床实践中的实施■★。Gebremeskel等人提出了一种数据挖掘技术，用于优化技术■★★■，通过检查临床数据集来定义决定性特征，从而设想知识边缘提取■★■■，能够在其上下文中进行处理和分析★■。在分析中■◆◆■★，使用AI加速药物恢复的指南★◆◆◆，因此AI视野不仅强而且很重要。人工智能和网络医学技术的飞速发展、动力和问题，加快了医疗发展■■■◆◆。该研究有力地证明了使用人工智能辅助工具治疗药物和治愈人类疾病，包括致命疾病COVID-19。各种研究对COVID-19进行了定性分析。这些研究主要从不同的角度考虑了冠状病毒◆■。

　　本文结构如下■★◆：第2节显示了与计划研究相关的工作。有关大数据和人工智能应用的详细信息，请参见第3节◆■■★。医疗保健面临的挑战和障碍在第4节中显示。论文的结论载于第5节■■◆■■。

　　世界上许多数据在不同的医院和医疗中心都可以获得，这些数据是从受疾病影响的人类那里收集的。这些数据量每天都在增加■★■★。研究人员正试图分析数据并提取影响人体的疾病★★。Pobiruchin等人应用马尔可夫模型开发和提取了治疗癌症的新方法，研究人员从中可以轻松提取乳腺癌的临床患者，这可以很容易地用于现实世界中新发个体。该研究主要集中在发表关于乳腺癌的研究，这与数据的临床研究有关。在此注册研究中★◆，通常患者从临床注册报告开始覆盖8年◆■。使用马尔可夫模型对于创造一个很好的机会来制定医疗保健和临床中心数据存在的未来规划是非常有益的★★■■。这对于将来获得一种简单的方法来识别患者及其未来变化非常有用◆■★■◆。基于规则的深度模糊系统用于医院重症监护病房（ICU）的准确死亡率预测。根据这种方法，在DRBFS的每个基础建筑单元中，必须保留相同的输入系统◆★◆◆。在ICU的最初48小时内，提取了一组以入院率异质性的患者，以医院的死亡率为特征■■◆。对于与健康记录有关的数据，循环神经网络用于疾病风险预测。对于小型数据集，模型结果更好，而对于大规模数据集，未评估相关模型及其在整个医院中不同人群中对不同患者的应用■■■■。流行病学家正在使用电子健康记录，这些记录有助于为间隔指导和筛查间隔提供证据★■★◆，同时审查间隔和未确诊的疾病可以为使用Kaplan-Meier方法无法解决的大量分析风险估计等问题提供途径◆■★◆■。Zhao等人已经确定了电子健康记录（EHR）中时间数据的图解★★■★；有几种基于时间序列数据的符号序列表示的方法，可以以多种方式使用◆◆◆★★，而一些证据依赖于符号序列表示的标准，将其与临床专家使用领域知识发起的特定顺序进行比较。在基于轨迹数据的大数据的其他各种应用中，提取了私家车的规律行为◆★。

　　大数据和人工智能彻底改变了人们在日常生活的各个方面为人们的生活带来舒适感的一切◆★★。

　　人工智能（airtifical intelligence■■★■◆◆， AI）正在使计算机系统能够在日常生活的许多领域执行过去需要人脑的任务。

　　图 1 从图中给出的各种角度显示了 Springer 库中文献的详细信息。