Resumen

Con los avances recientes en los sistemas de salud, la cantidad de datos de salud está creciendo rápidamente en varios formatos. Estos datos provienen de muchas fuentes nuevas, incluidos registros digitales, dispositivos móviles y dispositivos de salud portátiles. Los grandes datos de salud ofrecen más oportunidades para el análisis de datos de salud y la mejora de los servicios de salud a través de enfoques innovadores. El objetivo de esta investigación es desarrollar un marco para mejorar la predicción de la salud con el nodo de fusión revisado y los paradigmas de aprendizaje profundo. El nodo de fusión es un modelo de fusión de información para construir sistemas de predicción. El aprendizaje profundo implica la aplicación compleja de algoritmos de aprendizaje automático, como fusiones bayesianas y redes neuronales, para la extracción de datos e inferencia lógica. El aprendizaje profundo, combinado con los paradigmas de fusión de información, puede utilizarse para proporcionar predicciones más completas y confiables a partir de grandes datos de salud. Basándose en el

• Materias:Calibración geométrica Núcleos computacionales Consultas de palabras clave Pronóstico probabilístico Máquina de aprendizaje
• Subjects:Geometric calibration Computational kernels Keyword queries Probabilistic forecasting Machine learning
• Palabras claves:Avances recientes; Datos de salud; Registros digitales; Dispositivos de salud portátiles; Aprendizaje profundo; Fusión de información
• Keywords:Recent advances; Health data; Digital records; Wearable health devices; Deep learning; Information fusion