医疗保健决策中基于人工智能的可持续性和关键因素：孟加拉国的专家评估

International Journal of Information Management Data Insights 3（2023）100170探索确保在医疗保健决策中利用人工智能的可持续性的主导因素：新兴国家背景Sayma Alam SuhaSai，Tahsina Farah Sanam孟加拉国工程和技术大学适当技术研究所，孟加拉国达卡aRT i cL e i nf o保留字：医疗保健决策人工智能（AI）可持续性聚类分析a b sTR a cT医疗保健决策是一个复杂的方面，需要利益相关者之间的合作，同时确保其可持续性对于满足医疗保健设施的要求至关重要。基于临床知识和数据的医疗保健决策中的人工智能（AI）正在获得吸引力，作为通过做出智能诊断和治疗决策来增强医疗保健服务的一种方式。然而，确实有一些因素需要全面检查，以确保医疗保健领域基于人工智能的决策系统的可持续性。因此，本研究探讨了将人工智能应用于医疗保健决策的15个关键可持续性指标，并根据孟加拉国卫生行业35位相关专家的观点进行了系统评估，以优先考虑这些指标对各指标重要程度的专业判断已转换为量化数据，并按其相对重要性及意见分歧以图表方式绘制。此外，还使用两种聚类技术将指标分为三组：K-均值聚类法和聚合聚类法。根据调查结果，在三个指标群组中，其中一个由六个指标组成的指标群组的相对重要性值较大，而意见分歧较小，因此，是确保可持续性的极其关键的因素。因此，这项研究将以更深的视角指导医疗从业者采取适当的战略，重点关注发展中国家医疗决策领域采用基于人工智能技术1. 介绍决策是一种认知方法，需要获取信息并评估不同的解决方案，目的是从相关领域的两个或多个操作中确定决策。医疗保健决策是医疗保健行业的一个复杂领域，涉及医疗保健提供者、投资者、政府，政策制定者以及寻求治疗的个人，包括患者及其护理人员;其中，获得医疗保健的人的满意度和偏好应处于决策的最前沿（Grenfell Soundy，2022）。医疗保健行业是一个更为复杂的领域，因为它汇集了广泛的利益相关者，通 常 将 运 营 、 环 境 、 体 验 、 临 床 和 组 织 目 标 与 动 态 性 质 相 结 合（Halawa，Madathil，Gittler，&Kha- sawneh，2020）。医疗保健行业是一种不可替代的珍贵商品，该领域的最重要决策，包括如何分配资源或开哪些治疗和药物，都需要人工做出和证明，因为决策方法太 复杂，医疗保健问题必须广泛，透明，并明确结合社会和医疗保健方面（Glaize，Duenas，Di Martinelly，&Fagnot，2019）。此外，政府、捐助者和技术支持合作伙伴越来越关注成本分析的结果以及其他经济评估，如预算、财务规划和支出基准，这些评估与医疗保健决策过程中技术和数据差异很大的许多因素相对应（Murphy等人，2021年）。因此，实施可持续的决策系统至关重要，该系统可以满足医疗机构的需求和要求以及利益相关者的期望。然而，医疗保健行业的决策过程（包括各种利益相关者）对于建立可持续的解决方案变得更加复杂，并且由于每个利益相关者可能具有不同的利益、优先事项和观点，因此达成协议可能更加困难和耗时（Sivakumar，Almehdawe，&Kabir，2021）。此外，由于数量、速度、异质性和复杂性等因素，与健康相关的信息不断发展-∗ 通讯作者。电子邮件地址：suha. gmail.com（S.A. 苏哈）。https://doi.org/10.1016/j.jjimei.2023.100170接收日期：2022年6月20日;接收日期：2023年2月23日;接受日期：2023年2月26日2667-0968/© 2023作者。由Elsevier Ltd.发布。这是一个CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）可在ScienceDirect上获得目录列表国际信息管理数据见解期刊主页：www.elsevier.com/locate/jjimeiS.A.苏哈和TF SanamInternational Journal of Information Management Data Insights 3（2023）1001702实时数据的复杂性，使得基于这种高维数据做出决策变得困难。在这种情况下，基于人工智能（AI）的计算决策提供应用程序不仅提供了一个智能的替代解决方案，用于在尽可能快的时间内管理整个医疗决策系统，而且还有助于准确诊断和预测各种关键健康问题，分配医疗保健专业人员，提供有效的资源管理，提供家庭护理建议，以及处方个性化药物等Mohapatra& Swarnkar（2021）。人工智能和大数据分析推动了机器人技术和自动化技术的突破，这在现实生活中的几乎所有方面都产生了深远的影响（Dogru& Keskin，2020; Gupta，Kar，Baabdullah，&Al-Khowaiter，2018）.虽然使用医疗保健知识和数据来生成基于AI的随着利益相关者的兴趣和投资不断增加，能够通过改进诊断和治疗决策来增强医疗保健服务的决策系统有可能极大地改善全球医疗保健系统;为了确保其可持续性，确实需要考虑许多伦理、监管和财务因素（KarDwivedi，2020; Whicher Rapp，2022）。因此，考虑可持续发展的目标是至关重要的，以便在医疗保健决策中成功采用人工智能。实现可持续发展目标和有效的商业创新可以共同解决各种社会问题，并促进几乎所有行业（包括医疗保健行业）的生产力和经济增长（Yadav，Kar，Kashiramka，2021）。 然而，由于最不发达国家缺乏各种资源和设施，因此更有必要进行可持续性评估，使领域利益相关者能够考虑这些目标或因素，以便在未来有效实施。但很少有人专门对这一领域进行研究。因此，本研究的目的是对在医疗决策领域部署基于人工智能的应用程序进行全面的可持续性评估，同时考虑到相关专家在孟加拉国医疗行业采用基于人工智能的医疗决策实践的观点。为了实现这一目标，通过观察功能性医疗保健领域，研究了在医疗保健决策中应用和采用基于人工智能的应用程序的重要可持续性指标 孟加拉国，并进行了广泛的文学研究。在此基础上，进行了问卷调查分析，来自相关行业的35位专家就每个可持续性指标的相关性和重要性。然后将调查结果转化为定量数据，以确定标准化的相对重要性和意见分歧每项指标的百分比;这些百分比进一步以图形方式绘制，成组或成簇。指标，从而分为三个categories使用两种类型的聚类技术：K-means和agglomerative聚类方法。作为聚类分析的结果，具有高相对重要性值和低意见分歧的一组指标可以被认为是确保可持续性的最重要方面。因此，该研究可以为利益相关者提供有价值的见解，并帮助医疗保健专业人员了解在孟加拉国医疗保健部门实施基于人工智能的决策系统时应优先考虑哪些因素，也可以指导从业人员采取适当行动以满足要求。本研究的主要贡献如下：• 探讨了在医疗决策领域应用和采用基于人工智能的应用程序的基本可持续性指标。• 已聘请有关专家进行了调查分析 研究指标的重要性• 根据指标的相对重要性和与专家判断的意见分歧，采用聚类算法对指标进行聚类。• 包含最重要因素的集群得到了深入的解决，这对于确保人工智能在医疗决策中的长期可行性至关重要。论文的其余部分组织如下：第二部分探讨了相关的文献综述;在本研究中使用的研究方法已在第三部分进行了讨论。第4节描述了结果分析和发现;第5节最后总结了结论，强调了关键结果和进一步研究的领域2. 背景研究2.1. 医疗保健决策中的人工智能传统的医院管理和手工操作使得有效的医疗决策极具挑战性。 随着人工智能及其他新兴技术的迅速发展，人工智能应用在医疗保健行业的使用率大幅增加，旨在提供新的机遇，并通过有效的数据处理和分析能力克服现有的挑战（Kushwaha Kumaresan，2021）。 如今，临床决策支持技术，例如用于预测几种危重疾病、输入药品订单等的技术，与电子健康记录（EHR）一起帮助防止医疗保健行业中的许多错误和不良事件（Ozdemir，Barron，&Bandyopadhyay，2011）。此外，使用可扩展的数字健康干预措施有可能显著提高人工智能可以发挥重要作用的医疗保健领域的有效性、效率、可访问性、安全性和个性化（Murray等人， 2016年）。 通过分析人工智能在医疗保健中应用的几个现实世界的例子，人们发现，人工智能正在被发达国家的医疗机构乐观地接受，他们正在使用人工智能系统来增强医院专业人员对各种疾病的患者诊断和治疗操作，并最大限度地提高护士的效率，医院服务的组织和管理活动（Lee& Yoon，2021）。基于人工智能方法的预测分析最近在医疗保健领域引起了广泛关注，特别是在决策领域，因为这些方法可以始终帮助管理快速的数据扩展，并可以从大量的异构数据中预测未来（Kaur，Sharma，&Mittal，2018; Verma，Sharma，Deb，&Maitra，2021）。当需要在更短的时间内以更高的精度分析复杂的医疗保健数据时，或者当 由于人类无法有效地识别某些异常，基于人工智能的计算决策在揭示人类无法察觉的隐藏交互或异常方面非常有利（Kushwaha，Kar，Dwivedi，2021）。例如，研究中的研究人员（Chassagnon等人，2021）提出了一种基于人工智能的集成架构，以构建深度学习疾病量化模型，该模型采用计算机断层扫描（CT）扫描，用于COVID-19患者的疾病量化、分期和结果预测的决策。此外，世界各地的许多研究人员已经利用基于人工智能的机器学习策略来分类和检测各种疾病数据集，包括糖 尿 病 、 心 脏 病 、 癌 症 等 ， 以 便 就 患 者 是 否 感 染 疾 病 做 出 决 定（ Jackins ， Vancouver ， Kaliappan ， Lee ， 2021; Supriya Deepa ，2020）。在研究中（Alsinglawi等人，2020年）和（Mekhaldi，Caulier，Chaa- bane，Chraibi，&Piechowiak，2020年），已经实施了各种类型的基于AI的回归分析模型，以决定患者的住院时间或住院天数对于ICU中的心脏病和重症监护患者，这对于医疗保健行业的资源管理非常重要。因此，人工智能在医疗决策中的应用具有令人难以置信的潜力，因为它可以实现精准医疗、疾病检测、老年人辅助生活以及医疗机构的管理支持等（Bartoletti，2019）。S.A.苏哈和TF SanamInternational Journal of Information Management Data Insights 3（2023）1001703然而，随着经济的发展和人口的密集，孟加拉国的医疗保健系统在适当提供医疗保健方面面临着很多挑战。据世界卫生组织报告，孟加拉国目前是南亚医生与病人比例最低的国家之一（每10，000名病人中有5.26名医生）。根据世界银行团队最近的一项统计，医生职位空缺的百分比从基线的45.7%下降到37.8%，但没有达到22.8%的预期水平，因此孟加拉国农村地区的前医生仍然非常稀缺。根据孟加拉国地方政府、农村发展和合作社部的另一份报告，市民的初级保健是通过城市初级保健服务提供项目（UPHCSDP）和政府药房提供的，但这些药房也太有限，无法满足整个城市社区的需求。因此，将新技术与适当的管理以及决策系统结合起来以应对现有挑战变得非常重要。近年来，众多学者正以构建数字孟加拉国为愿景，研究孟加拉国医疗保健系统背景下医疗保健行业的人工智能和数字健康。例如，Hassan、Dhali、Zaman、Tanveer（2021）分析了孟加拉国的医疗行业法规、健康数据隐私法和基于人工智能的医疗器械监管结构。Uzir et al.（2021）以孟加拉国486名智能手机用户为研究对象，调查了智能手表在医疗用途上的使用情况，特别关注产品质量、服务质量、感知便利性、实用性和易用性对客户体验、信心和用户满意度的影响。此外，Rahman等人（2022）研究了基于物联网（IoT）和人工智能（AI）的数字健康监测和护理系统在快速检测COVID方面的作用。19、传染病、登革热病例等加强预防和管理方法。然而，尽管许多研究者已经调查了人工智能在孟加拉国医疗保健领域的作用，但很少有研究关注实施基于人工智能的技术的可持续发展目标或管理部门，这是本文的重点。2.2. 医疗保健的可持续性可持续发展通常集中于满足特定行业人口的当前需求，基于三个方面：经济、社会和环境;而不损害未来世代&随着科技的进步，每天都有一系列更新和先进的技术出现，但只有少数技术能够真正获得公众认可，从而实现长期的财务和环境稳定（Ginters，2020）。因此，世界各国学者都强调对新兴技术在相关行业的长期可持续性进行系统的评估。近年来，研究人员一直在使用各种多标准决策（MCDM）方法，如层次分析法（AHP）来处理医疗保健决策中的实时挑战。医疗保健可持续性调查了各种方面的en-确保与不同的医疗保健活动相关的长期生存能力;为此，世界各地的一些研究人员已经专注于探索医疗保健可持续性的各种范围。例如，Hussain，Ajmal，Gunasekaran，Khan（2018）的工作探讨了医疗可持续性的社会方面，以及将社会实践融入医疗供应链的势头，并确定了医疗供应链中社会可持续性的激励因素，重点关注四个利益相关者群体。由于评估医疗保健系统的可持续性方面是一项具有挑战性的非结构化任务，AlJaberi、Hussain、Drake（2017）的研究人员提出了一个基于层次分析法（AHP）的综合分层框架，用于测量可持续性因素在复杂的，多标准的问题，医疗保健系统包括多个利益相关者和决策的关注。此外，医疗行业被认为是可能对环境产生负面影响的污染物的重要生产者，因此Sherman等人（2020）的工作基于医疗可持续发展科学的现有水平和专家意见提出了一个环境可持续的医疗排放研究框架，旨在改善医疗行业&的环境可持续性。Suresh Krishnan（2021）的研究利用了解释性结构模型（ISM）技术，用于确定触发因素以及这些因素之间的相互关系，以提高环境的可持续性和有害物质的管理，同时最大限度地提高医疗保健行业的药房部门的资源利用率。Hasan Rahman（2018）的另一项研究探讨了医疗废物管理技术的可持续性，目标是处理城市地区的医疗废物。因此，分析可持续发展- 医疗保健行业由于其庞大、复杂和多维的属性，成为一个新兴的研究领域。然而，分析迄今为止的相关工作，尽管人工智能在医疗行业中得到广泛应用，但探索人工智能在医疗行业中的可持续性指标是一个相对较新的研究领域;特别是评估人工智能应用在医疗行业决策领域的长期可行性。因此，本研究专注于探索在医疗决策领域确保基于人工智能的应用程序可持续性的潜在因素，并进行系统的可持续性评估以优先考虑这些因素。3. 方法这项研究分多个阶段进行，以评估将人工智能应用于发展中国家医疗保健决策的可持续性指标，特别是在孟加拉国医疗保健系统的背景下。本研究中使用的方法框架如图1所示，并在下文中简要描述。Fig. 1. 研究方法框架。S.A.苏哈和TF SanamInternational Journal of Information Management Data Insights 3（2023）1001704=1���������������表1可持续性指标清单。代码可持续性指标参考文献I0系统的临床性能Bu Jiangoli等人（2013），Yoon Lee（2018）I1基础设施支持，Bu Bazoli等人（2013），Yoon &Lee（2018），系统Hadley，Pettit，Malik，Khoei，&Salihu（2020），Nadalin Penno et al.（2019年）I2与现有技术的一致NadalinPenno等人04. Ghadimi &Heavey（2014）临床实践I3系统的管理性能Bu Bazoli等人（2013），AlJaberi et al. （2017年）I4社会影响，文化观念，Yoon Lee（2018），Strohm，Hehakaya，Ranschaert，Boon，Moors（2020）收养人的接受和信任I5相关医疗保健的个人能力Strohm等人（2020），Alami et al. （2020年）操作系统I6系统的环境影响Dicuonzo，Dell &'Atti，Fusco，Donofrio（2021），Vinuesa et al.（2020年）I7患者Bu Bazoli等人（2013），Yoon &Lee（2018）I8结构化实施，Hadley等人（2020），Alami et al. （2020年）监控维护以运行系统I9医疗保健专业人员Hadley等人（2020），Wol Han（2021）从系统I10获得系统AlJaberi等人（2017年）I11成本-系统的经济性与效率，Wol Wan（2021），van Leeuwen等人（2021）公用事业服务质量I12维护临床数据可访问性隐私加扎勒（2021），伊利亚申科，比库洛娃，杜布戈恩（2019）可用性，真实性，正确性I13在决策中考虑Schönberger（2019），Rigby（2019）I14来自政府医疗保健的政策设置沃勒（2021），拉德万·法鲁克（2021）根据系统表2显著性评分水平。重要程度（语言代表性）数值分数不重要（NI）1不太重要（LI）2中性（N）3重要（一）4非常重要（六）53.1. 数据收集和专家甄选：最初，通过监测孟加拉国的实际医疗保健领域以及进行全面的文献综述，对确保将人工智能与医疗保健决策部门相结合的长期可行性为确定孟加拉国医疗保健系统的可持续性指标，研究小组访问了孟加拉国的6家公立医院、3家私立医院和2家诊断中心，其中7家位于首都达卡，其余4家位于城外。为了在孟加拉国这样的新兴国家中发现基于人工智能的医疗决策应用程序可持续发展的因素，该团队花了六个月的时间研究医疗保健行业，并与该领域的众多利益相关者进行了交谈经过广泛的检查，作者探索了15个关键的可持续性因素，如表1所示。本评估的研究数据是根据表1中提供的可持续性指标，通过相关专家的问卷调查方法收集的。调查问题是关于将人工智能融入医疗决策的可持续性指标，询问专家对每个指标的重要性参加调查的每一位专家都被要求根据1到5的李克特量表评估指标，这是一种常用的方法，用于获得关于主题重要性的观点（Joshi，Kale，Chandel，Joshi，2015）。本研究遵循的五点Likert量表的语言和数字表示见表2。面对面访谈）。两种类型的模式都用于调查数据收集，因为在线调查有助于收集该领域的足够统计数据，而在线调查减少了问题误解的可能性。此外，还收到了来自孟加拉国各机构和地区积极参与医疗保健行业的各种利益相关者的反馈，以消除偏见。然而，参与者比例较少（35），因为本研究调查的参与者均为主题专家，对孟加拉国的医疗保健、信息管理或人工智能相关问题有深入了解，并在各自领域积极做出重要决策。因此，从该研究成果中获得的综合评估结果（其中可持续发展因素已根据重要性进行分类）可被视为在实际实践中具有重要意义。在专家参与者中，有12名医生目前在孟加拉国各政府和私立医院工作; 4名参与者是具有8-15年工作经验并积极参与医院管理或行政部门的其他医疗保健专业人员; 5名是对孟加拉国医疗保健问题进行各种研究的医疗保健研究人员; 4名是技术管理领域的研究人员和专家;其中4人是在计算机科学各个领域拥有专业知识的信息技术专家; 6人是研究人员以及通常进行各种人工智能相关研究的大学教师。然而，与会者也被要求提供他们的建议或建议，以开发一个可持续的基于人工智能的决策支持系统，在孟加拉国的医疗保健领域。在收集了关于重要性对于每一个可持续发展指标，下一阶段是通过“相对重要性值”确定每一个指标的相对重要性，以及通过“标准偏差值”确定参与者对同一指标的专家观点的差异。如果选定的可持续性指标表示为1，2，3.，其中1，2，3. 15时，回答数为1，参与者给指标1的数值分数为1，则计算各指标的相对重要性值（RIV）和标准差值（SDV）的公式为如下Tumpa et al.（2019年）：共有35名专家参加了调查，调查结果如下：∑������=������在线形成（通过电子邮件，社交媒体等）和邻苯二甲酸（在（一S.A.苏哈和TF SanamInternational Journal of Information Management Data Insights 3（2023）1001705=��� 1���–���������√∑������������������=（−）2������������������表3关于每个指标的重要性水平的专家回答-（二现在，为了将来自不同动态范围的特征值（平均值和平均值）标准化为特定范围，在本研究中使用了Z评分标准化方法，将正常变体转换为标准评分形式Mohamad Usman（2013）。������������标准化公式如下，其中m代表指标数量1 0 0 4 9 2212 0 4 14 10 7I3 5 9 10 9 214 2 8 15 8电话：+86-515 - 8888888=∑���������������（三）16 6 12 10 5 2������������=��� 1���17 0 1 6 12 1618 3 6 8 10 8=∑���������������（四）19 0 0 8 15 12������������=��� 1������������������−���̄���������I10 7 11 5 9 311 0 1 5 13 1612 0 6 9 10������������������（1∑������|������������ ��������������� |（五）13 0 2 11 10 1214 1 8 9 8���（）=−������������������（六）������������1∑������|���-���-|在这里，平均值和平均值代表相对重要性的平均值，������������������指标的使用寿命和标准偏差值而且，（）和������������������������������指标的相对重要性值和标准差值的标准化值为（），X轴为（），Y轴为（）。���������������������������������3.2. 将可持续性指标之后，为了确定需要考虑的相对更重要的指标组，将指标分为若干组。聚类是在使用可持续性指标的标准化相对重要性值（相对重要性值）和标准差值（相对重要性值）制定的图形表示上进行的。���������������为了对数据点进行聚类，这里采用了两种类型的无监督聚类技术，它们是K-均值聚类和层次或凝聚聚类方法。Google Colaboratory被用作使用Python Scikit-Learn工具开发两种类型的聚类技术的平台这里的第一个聚类技术是K-means聚类算法，使用启发式“肘方法”确定了最佳组数，其中K是聚类数。对于K的几个值，肘部技术描绘了聚类中每个点与质心之间的平方距离之和，从而产生了一个臂状图形结构，在曲线的切入点或“肘部”处具有最佳&因此，在确定聚类的最佳数目之后，将K-均值聚类技术应用于数据点以将可持续性指标为了验证k-means方法的聚类结果，这里使用的第二种聚类技术是凝聚聚类。为了在聚合聚类方法中确定最佳聚类数，使用了一种称为“树状图”的二叉合并树。表示层次关系的公式。该树以自下而上的方式在凝聚聚类中形成，从放置在树的叶子上的单个数据项开始根据树状图树，也可以容易地确定哪些数据点在哪个聚类中。因此，根据凝聚树结构将数据点划分为聚类。此外，使用这两种技术得到的聚类结果比较这些指标，具有较高相对重要性值和较低标准差值的聚类被认为是确保人工智能在孟加拉国医疗决策中的长期可行性的最重要指标聚类。以下各节的组织是为了介绍对研究结果的解释所得出的结果。4.1. 数据分析在探讨了可持续发展指标后，本研究的35位专家通过一项调查对每个指标的重要程度发表了意见，表3概述了这些意见。例如，对于指标I0，即“系统的临床性能”，17位专家将其确定为非常重要（VI）的指标，其中11位将其标记为重要（I），其中7位将其标记为神经（N） 没有人将其标记为不太重要（LI）或不重要（NI）。专家们已经通过物理或电子邮件和社交媒体平台进行了联系，以获取他们的意见;如今，在线平台在制定不同利益相关者之间的沟通方面发挥着重要和更容易的作用（Grover，Kar，Ilavarasan，2019）。将公式（1）至（6）应用于表3中每个指标的专家显著性值，计算出了表4中列出的平均值、平均值、平均值（平均值）和平均值（平均值）。���������������������������������������������������对于所有指标，第一次评估和第二次评估均使用公式（1）计算，（二）、它们的平均值分别为������������������������等式（3）和（4）。最后，从公式（5）和（6）计算出标准化值（）和（）���������������������������正电子束（正电子束）及表4中的Δ（Δε）值表示它们������������������������������表4数据表征和标准化值。指示符代码������������������������中文（简体）���中文（简体）���I04.2860.7771.163-1.219I14.5140.6921.502-1.76I23.5710.9350.0690.325I32.8281.133-1.4931.033I43.000.956-0.4930.186I54.1710.8770.955-0.583I62.5711.103-1.9620.839I74.2280.8311.059-0.879I83.41.247-0.4521.619I94.1140.7470.851-1.409I102.7141.277-1.7011.945I114.2570.8051.211-1.043I123.6861.0630.0690.588I133.9140.9370.5420.479I143.4291.153-0.3991.059（35个答复）。=1=1������������4. 结果分析指示符代码NI李N我VII00071117S.A.苏哈和TF SanamInternational Journal of Information Management Data Insights 3（2023）1001706图2. 标准化相对重要性指数（Standardized RelativeImportance Index，简称 SNR）相对于每个指标的标准偏差值���������������4.2. 聚类分析表4中为每项指标生成的（）和（）值以图表形式绘制，如图2所示。���������������在此，图表的x轴表示标准化的相对重要性值，y轴表示每个指标的标准化标准差值。������������然后，使用两种不同类型的聚类技术将图2中获取的数据点分组为聚类，所述聚类技术是k均值聚类和分层或凝聚聚类技术。为了确定k-均值聚类方法中的最佳聚类数，使用了弯头技术，在图3（A）中。在此，切入点在λ= 3处，这表明具有该数据点的聚类的最佳数目应该是3。因此，考虑到k= 3，k-均值聚类算法已应用于每个指标的k（k均值聚类）与k（k均值聚类）的数据点，并将其分为图3（B）所示的3组������������为了验证k-means算法得到的聚类结果以及确定每个聚类中包含哪些数据点，采用了凝聚聚类技术。从凝聚聚类获得的树状图树结构已经在图4（A）中示出，并且因此使用该分层算法的数据点的聚类已经在图4（B）中示出，图4（B）示出了与先前技术相似的聚类结果。层次聚类的优点是， 树状图树可以清楚地估计到聚类的数据点分布。这里，由于图3和图4中的两种技术的聚类结果相同，因此可以 他说，最佳聚类已经形成了可持续发展指标的数据点。4.3. 调查结果的影响通过对聚类图和聚类图的分析，可以预见标准差较高、相对重要性较低的聚类1包含3个指标，分别为I10、I3、I6。聚类2包括I8、I14、I4、I13、I2、I12 6个指标，标准最后，I1、I5、I7、I9、I0和I11这6个指标的其余部分被归入标准差较低、相对重要性较高的第3从15个可持续性指标的专家意见中获得的聚类分析结果显示，聚类3中的6个指标具有较低的意见分歧和较高的相对重要性，因此在确保基于AI的应用程序用于医疗决策的可持续性时，它们是非常重要的考虑因素（见图3，4）。因此，第3组中的这6个指标被认为是非常重要的指标。第一组中意见分歧较大、相对重要性较低的三个指标，另一方面，已被指定为维持相关领域可持续性的不太重要的指标。最后，属于第二组的其余六个指标的意见分歧和相对重要性均为中等，因此可被视为中等重要性指标。下文简要说明经探讨后认为具有高度重要性的可持续发展指标。• I0：“系统的临床性能”：这是一个非常重要的指标，表明用于医疗决策的人工智能系统在执行任何临床活动或做出敏感临床决策时必须在准确性、精确性和响应性方面表现良好。• I1• I5：“相关医护人员处理系统的个人能力”：这是一个关键因素，意味着相关医护人员的技能、知识和吸收能力应足够丰富，具有进行和操作创新的基于人工智能的医疗决策系统的技术能力。• I7：“患者对系统的满意度”：这是本研究中专家强调的另一个高度重要的可持续性指标。由于医疗保健行业的核心目标是为患者提供优质的治疗和服务，因此， 在舒适性、更快的治疗、可靠性、隐私保护和安全维护方面，保持患者对基于人工智能的医疗保健决策系统的满意度至关重要。• I9• I11：“系统的成本效益与效率、效用和服务质量”：就发展中国家而言，基于先进人工智能的技术应用的部署和维护成本变得越来越难以承受。因此，基于人工智能的决策系统必须具有足够的成本效益，才能为患者提供高质量的服务。据观察，研究团队通过对孟加拉国医疗体系的细致观察，初步列出了15个可持续性因素。但是，在任何最不发达国家的背景下，在实际实施中实施任何基于人工智能的决策应用时，可能不可能在初始阶段考虑所有这些可持续性目标。因此，从业者、利益相关者和决策者可以首先解决上述六个重要指标，以确保基于人工智能应用的长期可持续医疗决策系统。此外，由于该领域的可持续性评估是一项相对较新的研究，具有类似经济条件的邻国在实施或在其医疗保健领域进行进一步研究时也可以遵循这些因素。这项研究中的专家分析称，在这些指标上，创新者应在下一阶段关注另外六S.A.苏哈和TF SanamInternational Journal of Information Management Data Insights 3（2023）1001707图3. 使用K-means聚类算法对数据点进行聚类。图第四章 使用凝聚聚类算法对数据点进行聚类。最后，根据分析，在确定了上述所有因素之后，在医疗决策中部署基于AI的应用之前，从业者最后应该关注三个指标：5. 讨论在这项研究中，探讨了在孟加拉国开发可持续的基于人工智能的医疗决策系统需要解决的15个关键因素。此外，为了优先考虑这些可持续发展指标，通过一项系统的问卷调查对这些指标进行了评估，该调查包括35名相关专家，他们对可持续发展指标的重要性进行了评级。此外，调查结果被转换为数值，并根据各指标的相对重要性和意见分歧划分为聚类。研究结果显示，两种聚类算法均能将反映标准化相对重要性与意见分歧的指标数据点聚类为三组。其中一组包括六项指标，其相对重要性较高，意见分歧减少，显示大部分专家认为这些因素至关重要，而他们对这些可持续发展指标重要性的意见分歧不大。借助树状图树显示，在孟加拉国医疗保健行业的背景下，建立基于人工智能的医疗保健决策系统的这些高度重要的六个可持续性指标将是：系统的临床性能;建立和运行系统的基础设施支持;助理健康的个人能力护理人员处理系统的满意度;患者近年来，一些研究人员正致力于确定可持续发展目标或确保各部门的 可 持 续 性 ， 以 使 任 何 技 术 都 能 有 效 地 持 续 很 长 时 间 。 例 如 ，Braithwaite等人（2020）研究了整体医疗保健系统的理论框架和可持续性措施。Pettigrew等人（2015年）致力于评估公共医疗保健部门的可持续性因素。Verdejo Espinosa，López，Mata Mata，&Estevez（2021）研究了可持续发展目标对医疗保健领域智能系统和物联网（IoT）应用的影响。然而，很少有研究关注基于人工智能的医疗决策的可持续建立，特别是在孟加拉国等新兴国家的背景下，因此，这项研究可以成为这一领域的先驱。 这项研究将能够反映革命性医疗保健领域基于人工智能的应用的发展或最不发达国家，提供了更深入的了解实施这种先进技术的长期可持续性，特别是在医疗保健决策领域。最后，研究结果将有助医疗从业员及政策制定者制定适当策略，在医疗决策领域推广以人工智能为基础的技术，以跟上当今世界的技术进步。6. 结论在智能技术的帮助下，在医疗保健活动中建立战略选择和关键决策具有潜力S.A.苏哈和TF SanamInternational Journal of Information Management Data Insights 3（2023）1001708成为成功治疗管理以及提供高质量医疗保健的有价值的解决方案。然而，确保医疗保健行业这种技术参与的长期可持续性需要严格的调查，因为这是一个涉及人们生活的微妙领域。因此，这项研究对于从业者定义AI在医疗决策中的可持续发展目标非常有益。然而，这项研究的一个局限性是，参与者的意见对有关因素重要性的发现有影响;这可能会产生一些偏见。但研究小组试图通过应用不同的方法来避免偏见。在未来，这项研究可以扩展，包括更多的专家意见，以及涉及更多的措施，以避免偏见。此外，研究人员计划实施一个基于人工智能的功能性决策应用程序，考虑孟加拉国一家农村医院的关键可持续性因素，作为其任务的一部分，以彻底评估本研究结果的有效性和准确性。资金不适用数据可用性在当前研究期间生成和分析的数据集可根据合理要求从相应作者处获得。竞争利益作者声明，该研究是在没有任何商业或财务关系的情况下进行的，潜在的利益冲突引用阿 拉 米 ，H. ， 里 瓦 德 湖 LehouX ， P. ， Ho Bertman， S. J.，Cadeddu ， S. B. M. ，Savoldelli，M.，. . . Fortin，J.-P. （2020年）。医疗保健中的人工智能：为低收入和中等收入国家的负责任，可持续和包容性创新奠定基础。Globalization andHealth，16（1），1贾贝里岛一、Hussain，M.，&德雷克，公共关系。（2017年）。衡量医疗系统可持续性的框架。国际医疗保健管理杂志。Alsinglawi，B.，Alnajjar，F.， Mubin，O.， Novoa，M.， Alorjani，M.， Karajeh，O.， &达维什，奥。（2020年）。预测重症监护病房心血管住院的住院时间：机器学习方法。在2020年第42届IEEE医学生物学工程学会（EMBC）年度国际会议上，5442-5445）。IEEE。巴尔托莱蒂岛（2019年）。医疗保健中的人工智能：伦理和隐私挑战。在欧洲医学人工智能会议上（pp. 7-10）。斯普林格Braithwaite ， J. ， Ludlow ， K. ， 泰 斯 塔 湖 ， Herkes ， J. ， Augustsson ， H. ，Lamprell，G.，. . . Y.J.（2020年）。经久耐用？卫生保健系统改进、方案和干预措施的可持续性：一项系统的综合审查。BMJ O