Διεπιστημονικές εφαρμογές επιστήμης ηλεκτρονικών υπολογιστών

Επιστημονικές Δημοσιεύσεις Ανοικτής Πρόσβασης

Journal of Medical Systems, Volume 44, Issue 7, 1 July 2020, Article number 122
Αυτή η συστηματική ανασκόπηση εξετάζει εφαρμογές AI που βασίζονται σε αλγόριθμους εξόρυξης δεδομένων και μηχανικής μάθησης (ML) για την ανίχνευση του ιού και για τη διάγνωση COVID-19.
Review on the Evaluation and Development of Artificial Intelligence for COVID-19 Containment
Hasan, Md Mahadi, Islam, Muhammad Usama, Sadeq, Muhammad Jafar, Fung, Wai-Keung, Uddin, Jasim
Sensors 2023, 23(1), 527; https://doi.org/10.3390/s23010527
Published: 3 January 2023
Αυτή η μελέτη παρουσιάζει μια ολοκληρωμένη ανασκόπηση της τεχνητής νοημοσύνης με ιδιαίτερη εστίαση στις μελέτες μηχανικής μάθησης, βαθιάς μάθησης, επεξεργασίας εικόνας, ανίχνευσης αντικειμένων, τμηματοποίησης εικόνων και εκμάθησης λίγων λήψεων, που χρησιμοποιήθηκαν σε διάφορες εργασίες σχετικά με την COVID-19.
Review of artificial intelligence-assisted COVID-19 detection solutions using radiological images
Yousefpanah, K.; Ebadi, M. J.
Journal of Electronic Imaging, Vol. 32, Issue 2, 021405, 2023, https://doi.org/10.1117/1.JEI.32.2.021405
22 September 2022
Οι μέθοδοι τεχνητής νοημοσύνης θεωρούνται γρήγορες τεχνικές και ισχυρά εργαλεία για τον έλεγχο της ασθένειας COVID-19. Αυτή η ανασκόπηση εξετάζει άρθρα που μελετούσαν συστήματα βασισμένα σε τεχνητή νοημοσύνη, τα οποία χρησιμοποιούσαν ακτινολογικές εικόνες, όπως ακτίνες Χ και εικόνες αξονικής τομογραφίας (CT) για τη διάγνωση της COVID-19. Εστιάζει ειδικά σε συστήματα που βασίζονται σε βαθιά μάθηση (deep learning) για τον προσυμπτωματικό έλεγχο ασθενών με COVID-19.
Retail store customer flow and COVID-19 transmission
Robert A. Shumsky, Laurens Debo, Rebecca M. Lebeaux, Quang P. Nguyen, Anne G. Hoen
Proceedings of the National Academy of Sciences Mar 2021, 118 (11) e2019225118; DOI: 10.1073/pnas.2019225118
 Για την εκτίμηση της αξίας των παρεμβάσεων στα καταστήματα λιανικής πώλησης, για τον περιορισμό της πανδημίας, διατυπώνεται και αναλύεται ένα μαθηματικό μοντέλο ροής πελατών και μετάδοσης της COVID-19.
Public Libraries as Partners in Telemedicine Delivery: A Review and Research Agenda
Pamela B. DeGuzman, Neha Jain & Christine G. Loureiro
Public Library Quarterly, DOI: 10.1080/01616846.2021.1877080
Published online: 22 Jan 2021
Προτείνεται ένα ερευνητικό πλαίσιο για την αξιολόγηση των δημόσιων βιβλιοθηκών ως δυνητικών κόμβων για την μείωση του ψηφιακού χάσματος και ιδιαίτερα των ανισοτήτων υγειονομικής περίθαλψης μέσω τηλεϊατρικής
Privacy-preserving COVID-19 contact tracing solution based on blockchain
Momeng Liu, Zeyu Zhang, Wenqiang Chai, Baocang Wang
Computer Standards and Interfaces, Volume 83, January 2023, Article number 103643, https://doi.org/10.1016/j.csi.2022.103643
Available online 4 April 2022
Αξιοποιώντας τις καλές ιδιότητες του blockchain (π.χ. ανωνυμία, αποκέντρωση και ιχνηλασιμότητα), προτείνεται μια αποτελεσματική λύση διατήρησης της ιδιωτικότητας στο σενάριο της αυτοματοποιημένης ανίχνευσης.
Prevalence of Problematic Internet Use during the COVID-19 Pandemic
Burkauskas, Julius; Gecaite-Stonciene, Julija; Demetrovics, Zsolt; Griffiths, Mark D; Király, Orsolya
Current Opinion in Behavioral Sciences, Volume 46, August 2022, 101179, https://doi.org/10.1016/j.cobeha.2022.101179
Available online 15 June 2022
Η παρούσα εργασία εξετάζει πρόσφατες μελέτες σχετικά με τον επιπολασμό της προβληματικής χρήσης του διαδικτύου (PIU) πριν και κατά τη διάρκεια της πανδημίας COVID-19. Αρκετές μετα-αναλύσεις πριν την πανδημία ανέφεραν εκτιμήσεις επικράτησης PIU που κυμαίνονταν από 6% έως 9,7%. Οι ειδικοί στον τομέα των διαδικτυακών εθισμών προέβλεψαν ότι η PIU θα αυξανόταν κατά τη διάρκεια της πανδημίας λόγω του αυξημένου χρόνου που αφιερώνεται στο διαδίκτυο. Ωστόσο, δεν είναι ακόμη σαφές εάν ο αυξημένος χρόνος στο διαδίκτυο είχε ως αποτέλεσμα υψηλότερη PIU κατά τη διάρκεια της πανδημίας. Οι εκτιμήσεις διέφεραν πολύ μεταξύ των μελετών κατά τη διάρκεια της πανδημίας COVID-19. Πιθανές ασυνέπειες σκιαγραφούνται μαζί με μελλοντικές κατευθύνσεις για μελέτες επικράτησης PIU.
Blessy Antony, Hannah Blau, Elena Casiraghi, Johanna J. Loomba, Tiffany J. Callahan, Bryan J. Laraway, Kenneth J. Wilkins, Corneliu C. Antonescu, Giorgio Valentini, Andrew E. Williams, Peter N. Robinson, Justin T. Reese, and T. M. Murali, on behalf of the N3C consortium
eBioMedicine, Volume 96, October 2023, 104777, https://doi.org/10.1016/j.ebiom.2023.104777
Available online 4 September 2023
Η αιτία και τα συμπτώματα της μακροχρόνιας COVID είναι ελάχιστα κατανοητά. Είναι δύσκολο να προβλεφθεί εάν ένας δεδομένος ασθενής με COVID-19 θα αναπτύξει μακρά COVID-19 στο μέλλον.
Predicting and preventing COVID-19 outbreaks in indoor environments: an agent-based modeling study
Reveil, M.; Chen, Y. H.
Scientific Reports ; 12(1):16076, 2022,  https://doi.org/10.1038/s41598-022-18284-8
Published: 27 September 2022
Το πώς να μετριαστεί η εξάπλωση μολυσματικών ασθενειών όπως η COVID-19 σε εσωτερικούς χώρους παραμένει ένα σημαντικό ερευνητικό ερώτημα. Σε αυτή τη μελέτη, προτείνουμε ένα πλαίσιο μοντελοποίησης βασισμένο σε πράκτορες, για την αξιολόγηση των πολιτικών χρήσης εγκαταστάσεων που στοχεύουν στη μείωση της πιθανότητας ξεσπάσματος.
Practical Machine Learning Techniques for COVID-19 Detection Using Chest X-Ray Images
Mangalmurti, Y.; Wattanapongsakorn, N.
Intelligent Automation and Soft Computing ; 34(2):733-752, 2022, http://dx.doi.org/10.32604/iasc.2022.025073
03 May 2022
Το άρθρο αυτό παρουσιάζει αποτελεσματικές τεχνικές για την αυτόματη ανίχνευση/ταξινόμηση της COVID-19 και άλλων ασθενειών του πνεύμονα χρησιμοποιώντας μηχανική μάθηση, συμπεριλαμβανομένης της βαθιάς μάθησης με συνελικτικά νευρωνικά δίκτυα (CNN) και κλασικές τεχνικές μηχανικής μάθησης.

Pages