COVID-19 ПАНДЕМИЯСЫМЕН КҮРЕСУДЕ ЖАСАНДЫ ИНТЕЛЛЕКТТІ ҚОЛДАНУ: ҚАЗІРГІ ТЕНДЕНЦИЯЛАР МЕН ПЕРСПЕКТИВАЛАР. ӘДЕБИЕТКЕ ШОЛУ
Кіріспе. Зерттеу тек медициналық ғана емес, сонымен қатар технологиялық жауаптарды қажет ететін COVID-19 пандемиясы сияқты жаһандық сын-қатерлермен күресудің тиімді стратегияларының қажеттілігіне бағытталған. Осы тұрғыда зерттеу проблемаларды талдауға және қазіргі білімді ескере отырып және осы саланы түсінудегі олқылықтарды анықтай отырып, вирустың таралуын болжау үшін жасанды интеллектті қолдану әлеуетін бағалауға бағытталған.
Бұл зерттеудің мақсаты COVID-19 инфекциясын болжау және алдын алу саласында жасанды интеллектті қолдануға арналған ғылыми жарияланымдарды талдау болып табылады.
Іздеу стратегиясы. COVID-19 пандемиясы және жасанды интеллект технологияларын қолдану арқылы болжау туралы әдеби дереккөздерді зерттеу PubMed дерекқорын пайдалана отырып жүргізілді. Іздеу нәтижелеріне 2023 жылдың 27 желтоқсанында түсірілген 3,894 басылым кіреді. VOSviewer 1.6.19 бағдарламалық жасақтамасын қолданатын библиометриялық талдау ұқсас терминдердің кластерлерін анықтау және COVID-19 пандемиясына қарсы тұру үшін жасанды интеллектті қолдану контекстінде зерттеу тақырыбын терең түсіну арқылы кілт сөздердің өзара байланысын визуализациялауға мүмкіндік берді. Кілт сөздер бойынша критерийлерге сәйкес келмейтін мақалалар қолмен алынып тасталды және тақырыпты көрсететін және белгіленген критерийлерге сәйкес келетін ең маңызды 23 жұмыстың соңғы жиынтығын құрады.
Қорытындылар. Коронавирустық инфекцияның өршуін болжау үшін модельдер мен жасанды интеллектті қолданудың заманауи тенденциялары мен перспективалары статистикалық талдауды, имитациялық модельдерін, машиналық оқытуды және деректерді өндіруді қамтитын пәнаралық тәсілді көрсетеді. Зерттеу деректер сапасының маңыздылығын, белгілі бір елдегі деректерге негізделген қолайлы алгоритмдерді таңдауды және қоғамдық денсаулық сақтау шешімдері мен пандемияны басқаруға айтарлықтай үлес қосу үшін жасанды интеллекттің әлеуетін көрсетеді.
Едиль Д. Омарбеков1, https://orcid.org/0000-0001-5736-4866
Шолпан Е. Токанова1, http://orcid.org/0000-0003-0304-4976
Ерлан А. Оспанов1, http://orcid.org/0000-0002-1344-5477
Бауыржан А. Наурызбаев2, https://orcid.org/0000-0003-4935-5972
Алмас Ж. Жахиянов2, https://orcid.org/0009-0008-7520-723X
1 «Семей Медицина Университеті» КеАҚ, Семей қ., Қазақстан Республикасы;
2 «Alikhan Bokeikhan University», Семей қ., Қазақстан Республикасы.
1. Bansal A. [et al.]. Utility of Artificial Intelligence Amidst the COVID 19 Pandemic: A Review // Journal of medical systems. 2020. № 9 (44): 156.
2. Bertacchini F., Bilotta E., Pantano P. S. On the temporal spreading of the SARS-CoV-2 // PLOS ONE. 2020. № 10 (15): e0240777.
3. Borovkov A. I., Bolsunovskaya M. V., Gintciak A.M. Intelligent Data Analysis for Infection Spread Prediction // Sustainability (Switzerland). 2022. № 4 (14): 1995.
4. Bousquet A. [et al.]. Deep learning forecasting using time-varying parameters of the SIRD model for Covid-19 // Scientific Reports. 2022. № 1 (12): 3030.
5. Chen J. [et al.]. A Survey on Applications of Artificial Intelligence in Fighting Against COVID-19 // ACM Computing Surveys (CSUR). 2021. № 8 (54): 1-32.
6. Comito C., Pizzuti C. Artificial intelligence for forecasting and diagnosing COVID-19 pandemic: A focused review // Artificial Intelligence in Medicine. 2022. (128). P. 102286.
7. Fard S. G. [et al.]. Application of machine learning in the prediction of COVID-19 daily new cases: A scoping review // Heliyon. 2021. № 10 (7): e08143.
8. Ismail L. [et al.]. Automated artificial intelligence-enabled proactive preparedness real-time system for accurate prediction of COVID-19 infections- Performance evaluation // Frontiers in medicine. 2022. (9): 871885.
9. Jakhar D., Kaur I. Current applications of artificial intelligence for COVID‐19 // Dermatologic Therapy. 2020. № 4 (33): e13654.
10. Jung S.Y. [et al.]. Real-World Implications of a Rapidly Responsive COVID-19 Spread Model with Time-Dependent Parameters via Deep Learning: Model Development and Validation // Journal of medical Internet research. 2020. № 9 (22): e19907.
11. Li A. Guest Editor’s Introduction: COVID-19 and Data Science // Annals of Data Science. 2022. № 5 (9): 885-888.
12. Liao Z. [et al.]. SIRVD-DL: A COVID-19 deep learning prediction model based on time-dependent SIRVD // Computers in Biology and Medicine. 2021. (138): 104868.
13. Mohamadou Y., Halidou A., Kapen P.T. A review of mathematical modeling, artificial intelligence and datasets used in the study, prediction and management of COVID-19 // Applied Intelligence (Dordrecht, Netherlands). 2020. № 11 (50): 3913.
14. Muñoz-Organero M., Queipo-álvarez P. Deep Spatiotemporal Model for COVID-19 Forecasting // Sensors 2022, Vol. 22, Page 3519. 2022. № 9 (22): 3519.
15. Musulin J. [et al.]. Application of Artificial Intelligence-Based Regression Methods in the Problem of COVID-19 Spread Prediction: A Systematic Review // International journal of environmental research and public health. 2021. № 8 (18): 4287.
16. Niazkar H. R., Niazkar M. Application of artificial neural networks to predict the COVID-19 outbreak // Global Health Research and Policy. 2020. № 1 (5): 1-11.
17. Safari A., Hosseini R., Mazinani M. A novel deep interval type-2 fuzzy LSTM (DIT2FLSTM) model applied to COVID-19 pandemic time-series prediction // Journal of biomedical informatics. 2021. (123): 103920.
18. Shuja J. [et al.]. COVID-19 open source data sets: a comprehensive survey // Applied Intelligence (Dordrecht, Netherlands). 2021. № 3 (51): 1296.
19. Srinivasa Rao A.S.R., Vazquez J.A. Identification of COVID-19 can be quicker through artificial intelligence framework using a mobile phone–based survey when cities and towns are under quarantine // Infection Control & Hospital Epidemiology. 2020. № 7 (41): 826-830.
20. Thomson R., Mosier R., Worosz M. COVID research across the social sciences in 2020: a bibliometric approach // Scientometrics. 2023. № 6 (128): 3377.
21. Ting D.S. W. [et al.]. Digital technology and COVID-19. // Nature Medicine. 2020. № 4 (26): 459–461.
22. Wang T. [et al.]. Artificial intelligence against the first wave of COVID-19: evidence from China // BMC Health Services Research. 2022. № 1 (22): 767.
23. Zhan C. [et al.]. Modeling and prediction of the 2019 coronavirus disease spreading in China incorporating human migration data // PLOS ONE. 2020. № 10 (15): e0241171.
Көрген адамдардың саны: 2109
Мақалалар санаты:
COVID-19-өзекті тақырып
Библиографиялық сілтемелер
Омарбеков Е.Д., Токанова Ш.Е., Оспанов Е.А., Наурызбаев Б.А., Жахиянов А.Ж. COVID-19 пандемиясымен күресуде жасанды интеллектті қолдану: қазіргі тенденциялар мен перспективалар. Әдебиетке шолу // Ғылым және Денсаулық сақтау. 2024. 1 (Т.26). Б. 140-146. doi 10.34689/SH.2024.26.1.018Ұқсас жариялымдар:
SARS-COV-2-МЕН БАЙЛАНЫСТЫ КӨП ЖҮЙЕЛІ ҚАБЫНУ СИНДРОМЫ БАР БАЛАЛАРДЫҢ ИММУНОЛОГИЯЛЫҚ ӨЗГЕРІСТЕРІ
ТҮРКІСТАН ОБЛЫСЫНЫҢ ЕРЕСЕК ПАЦИЕНТТЕРІНДЕГІ ІЛЕСПЕЛІ АУРУЛАРҒА БАЙЛАНЫСТЫ COVID-19 КЛИНИКАЛЫҚ КӨРІНІСІ
COVID-19 КОРОНАВИРУСТЫҚ ИНФЕКЦИЯСЫНДАҒЫ ӨЛІМ ЖАҒДАЙЛАРЫН ТАЛДАУ
КОРОНАВИРУСТЫҚ ИНФЕКЦИЯНЫ ӨТКЕРГЕН, РЕВАСКУЛЯРИЗАЦИЯСЫ БАР НАУҚАСТАРДА КОРОНАРЛЫҚ АРТЕРИЯ РЕСТЕНОЗЫНЫҢ ЭПИДЕМИОЛОГИЯЛЫҚ АСПЕКТІЛЕРІ
COVID-19 КОРОНАВИРУСТЫҚ ИНФЕКЦИЯСЫНЫҢ ПАНДЕМИЯСЫ КЕЗІНДЕГІ АРТЕРИЯЛЫҚ ГИПЕРТЕНЗИЯ АҒЫМЫ МЕН СЕМІЗДІКТІҢ ЕРЕКШЕЛІКТЕРІ. ӘДЕБИ ШОЛУ