Використання IoT-мережі смарт-годинників та RNN LSTM для зменшення часу надання медичної допомоги на полі бою

Заголовок (англійською): 
Optimizing healthcare delivery time on the battlefield using an IoT smart watch network and RNN LSTM
Автор(и): 
Палій С. В.
Ямковенко М. О.
Матченко А. Д.
Гладка М. В.
Автор(и) (англ): 
Paliy S.
Yamkovenko M.
Matchenko A.
Gladka M.
Ключові слова (укр): 
ІоТ системи; смарт-годинник; часові ряди; RNN; LSTM; LoRaWAN
Ключові слова (англ): 
IoT solution; smartwatch; time series; RNN; LSTM; LoRaWAN
Анотація (укр): 
У військовому середовищі екстрені ситуації, зокрема бойові поранення, є невід’ємною частиною бойових дій. Однією з основних причин втрат серед солдат на передовій є несвоєчасна медична допомога. Навіть прибувши вчасно, лікарі мають обмежений час, відомий як «золота година», під час якого вони повинні діяти, щоб забезпечити якісну та ефективну медичну допомогу. Для збільшення ефективності огляду пацієнтів у ситуаціях обмеженого часу та ресурсів, можна використовувати сучасні технології та методи аналізу даних. Зокрема, смарт-годинники можуть використовуватися для збору та передачі даних про фізіологічні параметри пацієнта в режимі реального часу. Ці дані можуть включати серцевий ритм, температуру тіла, рівень кисню в крові, тиск та інші важливі показники. Зібрані дані можуть бути проаналізовані за допомогою рекурентних нейронних мереж, які здатні виявляти закономірності та зв'язки між різними фізіологічними параметрами та станом пацієнта. На основі цього аналізу може бути встановлений попередній діагноз, що допоможе медичному персоналу швидше та точніше оцінити стан пацієнта та прийняти відповідні рішення. Також медик матиме можливість переглядати показники здоров’я пацієнта в режимі реального часу. Окрім цього, перед прибуттям до пацієнта в польових умовах, медик матиме певне розуміння про те, що трапилося з пацієнтом та знати його актуальні фізіологічні показники завдяки системі збору та аналізу даних в режимі реального часу. Такий підхід допомагає зменшити час, необхідний для надання медичної допомоги, і в той же час підвищує ймовірність успішного результату медичного втручання. Отримані дані можуть бути використані медиками для впровадження системи медичного сортування, що дозволить їм розташовувати свої сили та ресурси за пріоритетами. Метою статті є демонстрація системи управління екстреними ситуаціями у військовому середовищі на основі Інтернету речей та методів машинного навчання – рекурентних нейронних мереж; покращення ефективності надання медичної допомоги пораненим військовим у польових умовах; зменшення часу реакції на екстрені ситуації; підвищення шансів на виживання поранених військових. У цілому, дослідження показує важливі аспекти оптимізації надання медичної допомоги в умовах обмежених ресурсів та обмеженого часу, а також визначає шляхи подальшого розвитку та впровадження технологічних інновацій для підвищення ефективності цього процесу.
Анотація (англ): 
In military environments, emergencies, including combat injuries, are an integral part of combat operations. One of the main causes of soldier casualties on the front line is delayed medical assistance. Even when medical personnel arrive on time, they have a limited period known as the "golden hour" to provide quality and effective medical care. To enhance the efficiency of patient assessments in situations with limited time and resources, modern technologies and data analysis methods can be utilized. Specifically, smartwatches can be used to collect and transmit real-time data on a patient’s physiological parameters. These data can include heart rate, body temperature, blood oxygen level, blood pressure, and other vital indicators. The collected data can be analyzed using recurrent neural networks (RNNs), which are capable of identifying patterns and correlations between different physiological parameters and the patient's condition. Based on this analysis, a preliminary diagnosis can be established, aiding medical personnel in more quickly and accurately assessing the patient's condition and making appropriate decisions. Additionally, the medic will have the ability to view the patient’s health indicators in real-time. Before reaching the patient in the field, the medic will have an understanding of what has happened to the patient and know their current physiological indicators, thanks to the real-time data collection and analysis system. This approach helps reduce the time required to provide medical care while simultaneously increasing the likelihood of successful medical intervention. The obtained data can be used by medics to implement a medical triage system, allowing them to prioritize their efforts and resources. The aim of the article is to demonstrate an emergency management system in a military environment based on the Internet of Things (IoT) and machine learning methods—recurrent neural networks; to improve the efficiency of providing medical assistance to injured soldiers in the field; to reduce response time to emergencies; and to increase the survival chances of injured soldiers. Overall, the research highlights key aspects of optimizing medical assistance in situations with limited resources and time, and identifies ways for further development and implementation of technological innovations to enhance the effectiveness of this process.
Публікатор: 
Київський національний університет будівництва і архітектури
Назва журналу, номер, рік випуску (укр): 
Управління розвитком складних систем, номер 63, 2025
Назва журналу, номер, рік випуску (англ): 
Management of Development of Complex Systems, number 63, 2025
Мова статті: 
Українська
Формат документа: 
application/pdf
Документ: 
158-166.pdf
Дата публікації: 
24 Сентябрь 2025
Номер збірника: 
63
Розділ: 
ІНФОРМАЦІЙНІ ТЕХНОЛОГІЇ УПРАВЛІННЯ
Університет автора: 
Київський національний університет ім. Тараса Шевченка, Київ; Запорізький державний медико-фармацевтичний університет, Запоріжжя;
Литература: 

1.     Палій С., Ямковенко М., Шевченко Б., Матченко А. Прогнозування та запобігання медичних надзвичайних ситуацій на полі бою за допомогою мережі IoT смарт-годинників та RNN // Матеріали 1-ої Міжнародної науково-практичної конференції «Інформаційні системи та технології: результати і перспективи» (IST 2024), 6 березня 2024 р. (Київ, Україна). Київ : ФІТ КНУТШ, 2024. С. 106–109.

2.     Тактична медицина : веб-сайт. URL: http://www.patr1ot.od.ua/medicina-taktichna/. (Дата звернення: 05.05.2024).

3.     Про затвердження Загальних вимог щодо проведення медичного сортування постраждалих і хворих та форм медичної документації. Офіційний вебпортал парламенту України : веб-сайт. URL: https://zakon.rada.gov.ua/laws/show/z0884-12#Text. (Дата звернення: 05.05.2024).

4.     Тактична медицина: Як діяти у разі поранень, травм та надавати першу допомогу. АрміяInform – Інформаційне агентство АрміяInform. URL: https://armyinform.com.ua/2022/03/10/taktychna-medyczyna-yak-diyaty-u-razi-poranen-travm-ta-nadavaty-pershu-dopomogu/. (Дата звернення: 05.05.2024).

5.     Kirillova K. Запорізький державний медичний університет Teмa 8 : веб-сайт Шоки. Scribd. URL: https://ru.scribd.com/document/606258028/Teмa-8-Шоки. (Дата звернення: 05.05.2024).

6.     MSD Довідник версія для фахівців – MSD Manual Professional Edition. MSD Manual Professional Edition : веб-сайт. URL: https://www.msdmanuals.com/uk/professional/resourcespages/medical-content-in-ukrainian. (Дата звернення: 05.05.2024).

7.     Шок. empendium.com : веб-сайт. URL: https://empendium.com/ua/chapter/B27.II.2.2.. (Дата звернення: 05.05.2024).

8.     Технології та протоколи передачі даних на довгі відстані в IoT мережах : веб-сайт. URL: https://e-tk.lntu.edu.ua/pluginfile.php/20329/mod_resource/content/0/Тема%2012.%20Технології%20та%20протоколи%20передачі%20даних%20на%20довгі%20відстані%20в%20IoT%20мережах.pdf. (Дата звернення: 05.05.2024).

9.     PhDᴬᴮᴰ R. E. Understanding Recurrent Neural Networks (RNNs). LinkedIn: Log In or Sign Up : веб-сайт. URL: https://www.linkedin.com/pulse/understanding-recurrent-neural-networks-rnns-rany-elhousieny-phdᴬᴮᴰ-62nyc/. (Дата звернення: 05.05.2024).

10.  Loss and Loss Functions for Training Deep Learning Neural Networks - MachineLearningMastery.com : веб-сайт. URL: https://machinelearningmastery.com/loss-and-loss-functions-for-training-deep-learning-neural-networks. (Дата звернення: 05.05.2024).

11.  Time Series Predictions with RNNs. The Complete Data Development Platform for AI | Encord : веб-сайт. URL: https://encord.com/blog/time-series-predictions-with-recurrent-neural-networks. (Дата звернення: 05.05.2024).

12.  Thakur D. LSTM and its equations. Medium. : веб-сайт. URL: https://medium.com/@divyanshu132/lstm-and-its-equations-5ee9246d04af. (Дата звернення: 05.05.2024).

13.  Welcome to Python.org. Python.org : веб-сайт. URL: https://www.python.org/about/. (Дата звернення: 05.05.2024).

14.  Що таке синтетичні дані? | Синто. Synthetic data software : веб-сайт. URL: https://www.syntho.ai/uk/what-is-synthetic-data. (Дата звернення: 05.05.2024).

15.  Білощицький А. О., Дехтяренко О. В., Палій С. В. Способи пошуку неточних дублікатів зображень в наукових роботах. Збірник наукових праць "Управління розвитком складних систем". Київ : КНУБА, 2015. № 21. С. 149–155.

16.  Цюцюра С. В., Терейковський І. А., Палій С. В. Застосування нейронних мереж для розпізнавання «ідеального співрозмовника» серед користувачів соціальних мереж. Системи управління, навігації та зв’язку. Полтава : ПолтНТУ, 2013. Вип. 4 (28). С. 123–126.

References: 

1.     Paliy, S., Yamkovenko, M., Shevchenko, B., & Matchenko, A. (2024). Prediction and prevention of medical emergencies on the battlefield using IoT smartwatch network and RNN. In Materials of the 1st International Scientific and Practical Conference "Information Systems and Technologies: Results and Prospects" (IST 2024), March 6, 2024 (Kyiv, Ukraine) (pp. 106–109). FIT KNUTSH.

2.     Tactical medicine: Website. (n.d.). URL: http://www.patr1ot.od.ua/medicina-taktichna/.

3.     On the approval of the General requirements for conducting medical triage of injured and sick people and forms of medical documentation. (n.d.). Official Website of the Parliament of Ukraine. URL: https://zakon.rada.gov.ua/laws/show/z0884-12#Text.

4.     Tactical medicine: How to act in case of wounds, injuries and provide first aid. (2022, March 10). ArmiyaInform – ArmiyaInform information agency. URL: https://armyinform.com.ua/2022/03/10/taktychna-medyczyna-yak-diyaty-u-razi-poranen-travm-ta-nadavaty-pershu-dopomogu/.

5.     Kirillova, K. (n.d.). Zaporizhzhia State Medical University topic 8: Shocks. Scribd. URL: https://ru.scribd.com/document/606258028/Тема-8-Шоки.

6.     MSD manual version for specialists - MSD manual professional edition. (n.d.). MSD Manual Professional Edition. URL: https://www.msdmanuals.com/uk/professional/resourcespages/medical-content-in-ukrainian.

7.     Shock. (n.d.). Empendium.com. URL: https://empendium.com/ua/chapter/B27.II.2.2..

8.     Technologies and protocols for long-distance data transmission in IoT networks: website. (n.d.). URL: https://e-tk.lntu.edu.ua/pluginfile.php/20329/mod_resource/content/0/Тема%2012.%20Technologies%20and%20protocols%20data%20transmission%20over%20long%20distances%20%20IoT%20networks.pdf.

9.     PhDᴬᴰ R. E. (n.d.). Understanding recurrent neural networks (RNNs). LinkedIn. URL: https://www.linkedin.com/pulse/understanding-recurrent-neural-networks-rnns-rany-elhousieny-phdᴬᴮᴰ-62nyc/.

10.  Loss and loss functions for training deep learning neural networks. (n.d.). MachineLearningMastery.com. URL: https://machinelearningmastery.com/loss-and-loss-functions-for-training-deep-learning-neural-networks.

11.  Time series predictions with RNNs. (n.d.). The Complete Data Development Platform for AI | Encord. URL: https://encord.com/blog/time-series-predictions-with-recurrent-neural-networks.

12.  Thakur, D. (n.d.). LSTM and its equations. Medium. URL: https://medium.com/@divyanshu132/lstm-and-its-equations-5ee9246d04af.

13.  Welcome to Python.org. (n.d.). Python.org. URL: https://www.python.org/about/.

14.  What is synthetic data? | Shinto. (n.d.). Synthetic data software. URL: https://www.syntho.ai/uk/what-is-synthetic-data.

15.  Biloshchytskyi, A. O., Dikhtiarenko, O. V., & Paliy, S. V. (2015). Searching for partial duplicate images in scientific works. Management of Development of Complex Systems, 21, 149–155.

16.  Tsiutsiura, S. V., Tereikovskyi, I. A., & Paliy, S. V. (2013). Application of neural networks for recognizing "the ideal interlocutor" among social network users. Control, Navigation and Communication Systems, (4 (28)), 123–126.