Journal des sciences théoriques et computationnelles
Libre accès

Abstrait

Plateforme d'analyse de Big Data pour les services de santé en milieu rural

Prince Appiah

L'ère du numérique est accompagnée d'une grande quantité de données qui doivent être analysées à l'aide d'outils d'analyse prédictive. Dans le cas de l'augmentation exponentielle du volume de données de santé avec l'Internet des objets (drone), l'attention a été attirée sur l'analyse du big data. La tendance actuelle en matière de collecte de données épidémiologiques de surveillance des maladies se fait mieux à l'aide de drones. Par conséquent, il s'accompagne de données structurées, semi-structurées et non structurées qui conduisent à la recherche de données à l'aide de drones. Cet article propose un outil de big data pour une technique d'apprentissage automatique appropriée pour la ségrégation et le regroupement des données de drones, pour une prédiction précise afin d'améliorer la qualité des soins de santé. L'approche proposée, visant à surmonter le trawling de données à l'aide de drones et à fournir des analyses en temps réel des données de crowdsensing. La mise en œuvre a été réalisée à l'aide du noyau Apache Spark avec un algorithme d'apprentissage automatique pour une meilleure séparation du streaming en temps réel provenant de différentes sources de la foule. Selon les résultats de l'expérience menée, le concept a le potentiel d'améliorer les prévisions de qualité des soins de santé. Les résultats de l'étude ont clairement indiqué que le cluster K-means présente le taux le plus élevé de contrôle des données de ségrégation en temps réel par rapport au clustering basé sur la grille et basé sur la densité.