Idea de proyecto | Trasplante Rápido

Título del proyecto: Trasplante rápido

Introducción: El trasplante de órganos en la India viene con un número variado de discrepancias no deseadas. La falta de metadatos centralizados de manera eficiente para generar coincidencias potenciales en tiempo real, así como los problemas de transporte y las congestiones de tráfico representan una gran amenaza para los trasplantes exitosos en un país tan diverso como la India. Las arquitecturas de seguimiento de rutas eficientes junto con los sistemas estadísticos y de análisis de datos adecuados pueden ayudar a generar una base de datos más o menos precisa con coincidencias potenciales de forma espontánea para abordar estas emergencias y, por lo tanto, reducir las muertes.

• Donante Vivo – Riñón
• Muerte cerebral o cardíaca: puede donar todos los órganos

El objetivo del proyecto es localizar casos de trasplante inmediato por accidente o cualquier otra incidencia, buscar en la base de datos y encontrar coincidencias con el donante más cercano.
Nuestra implementación se basa en las siguientes metodologías:

• Albergar una base de datos interconectada de todos los hospitales (datos de donante y receptor).
• Análisis de datos estadísticos para clasificar posibles coincidencias entre donante y receptor.
• Un sistema GPS para rastrear las posibles rutas entre los posibles partidos.
• Optimización de señales de tráfico en tiempo real.
• Algoritmo de Dijkstra para encontrar el camino más corto desde el hospital donante hasta el hospital receptor.

(Como donante cadavérico puede donar múltiples órganos y tejidos, por lo que la búsqueda se realizará para las necesidades de múltiples receptores).

Implementación:

• Alojamiento de la base de datos:El primer paso de nuestro modelo sugerido es sobre la recopilación de datos y el alojamiento en una base de datos interconectada a hospitales registrados genuinamente que tienen un historial sólido de trasplantes exitosos. La base de datos consta de datos médicos recopilados de todos los hospitales posibles. Los diversos parámetros necesarios para un trasplante se gestionan bajo un conjunto de datos construido bien organizado con el alcance de la actualización en tiempo real y la modificación de datos basados ​​en entradas nuevas o datos de desecho no deseados. La base de datos centralizada es como un almacenamiento en la nube al que se puede acceder fácilmente desde todos los hospitales involucrados en caso de emergencia y necesidades deseadas y se actualiza según los protocolos de acceso autorizados.
• Análisis de datos utilizando algoritmos de aprendizaje automático:Este paso depende en gran medida de la base de datos recopilada y mantenida en base a la cual se pueden incorporar varios algoritmos y técnicas de optimización para obtener la mejor coincidencia posible entre donante y receptor de acuerdo con los resultados y resultados predefinidos. Nuestro método sugerido para realizar dicho análisis es mediante el uso de algoritmos de aprendizaje supervisado y redes neuronales en el conjunto de datos ya presente y prediciendo la coincidencia más precisa para nuevos casos. Dividimos el conjunto de datos bajo escrutinio en subconjuntos de 60%, 20%, 20%. El 60% del conjunto de datos es nuestro conjunto de entrenamiento en el que se utilizan algoritmos como modelos de regresión lineal y máquinas de vectores de soporte, árboles de decisión, clasificadores AdaBoost y redes neuronales para entrenar nuestro sistema. Ahora, el siguiente 20 % de los datos se utiliza como un paso de validación cruzada para realizar una verificación cruzada y realizar las modificaciones necesarias en nuestro algoritmo o enfoque utilizado. Finalmente, el 20% restante se utiliza como conjunto de prueba. Los resultados de predicción de estos casos de prueba se monitorean de cerca con los resultados con nuestro conjunto de trenes y, por lo tanto, se observan las respectivas precisiones con varios clasificadores. Finalmente, se prefiere el mejor enfoque posible con la complejidad de tiempo más eficiente que se pueda incorporar en el modelo final y pueda predecir coincidencias donante-receptor inmediatas y precisas en caso de emergencias graves.
• Sistema de seguimiento basado en GPS: Este paso es el paso fundamental después de que se realiza el análisis de datos y se localizan las posibles coincidencias de donante-receptor. El uso del Sistema de Posicionamiento Global se hace para rastrear todas las rutas posibles a los hospitales seleccionados con coincidencias potenciales y crear un gráfico virtual con varios Nodes. Este gráfico ponderado derivado (con los pesos que indican las longitudes de ruta respectivas) ahora se procesa a través del algoritmo de ruta más corta para encontrar la ruta más corta posible hacia la mejor coincidencia.
• Algoritmo de Dijkstra para la ruta más corta: este paso de nuestro marco se utiliza para determinar la ruta mínima y más efectiva para el transporte de órganos. Supongamos que descubrimos que ‘n’ número de carreteras con congestión de tráfico mínima a los hospitales de destino es posible a través del análisis de datos y la arquitectura VANET antes mencionada. La tarea es encontrar la ruta más corta entre las mejores ‘n’ opciones posibles para llegar a la ubicación deseada con el mínimo retraso.
  Para lograr esto, se utiliza el algoritmo de Dijkstra.
  Primero construimos un gráfico dirigido con el hospital donante marcado como el vértice fuente. Luego, diseñamos el gráfico con cada semáforo y hospitales potenciales (con donación posible o no marcados claramente según el análisis en tiempo real) como Nodes individuales asignando cada borde con sus distancias (extraídos de los datos del GPS). Los hospitales se denotan por Nodes representados por N _i y P _i . Según el análisis de datos y la arquitectura de enrutamiento de VANET, encontramos los hospitales indicados por P _I como hospitales donantes potenciales. Finalmente, aplicamos el Algoritmo de Dijkstra para encontrar la ruta más corta desde los hospitales donantes potenciales hasta el hospital receptor (vértice de origen) y decidir la ruta más rápida hacia el hospital más cercano.
  A continuación se muestra una implementación de muestra de nuestra idea sugerida:
  después de aplicar el algoritmo a la siguiente muestra, encontramos que Hospital: P3 tiene la ruta más rápida hacia el Hospital receptor : S .
  (La ruta más rápida se ha indicado en color rojo)
  (Los pesos/distancias mencionados son solo para fines ilustrativos)
  
• Reducción del tiempo de las señales de tráfico en tiempo real: este paso de nuestro marco es una modificación sugerida del sistema de tráfico ya existente. Se basa en la implementación del paso anterior para obtener la ruta más corta entre todos los hospitales posibles. El objetivo principal es un intento de optimizar dinámicamente la señalización del tráfico a través del seguimiento vehicular en tiempo real a través de GPS. Tan pronto como finaliza la ruta seleccionada, el transporte se ejecuta de manera que el tráfico durante todo el proceso se mantiene verde.
  La idea sugerida es que, a medida que una ambulancia alcanza una distancia específica (por ejemplo, ‘D’) de una señal, pueden surgir dos de los siguientes casos:
  • Si el semáforo ya está en verde y la ambulancia está a una distancia-‘d’ (d<D), el semáforo se vuelve rojo; luego, el tiempo transcurrido para que el rojo vuelva a verde se reduce y la siguiente señal verde permanece durante más tiempo para garantizar un paso ininterrumpido.
  • Si la señal ya es roja, la siguiente señal verde permanece durante más tiempo.

  La arquitectura sugerida se puede incorporar en tiempo real reemplazando el presente sistema de tráfico controlado por IC basado en un temporizador predefinido con un sistema basado en un microcontrolador.
  El siguiente es un ejemplo para demostrar la idea en un pequeño conjunto de datos:
  Primer caso:

  • Las primeras diez columnas, D _i (i varía de 1 a 10, considerando 10 señales) muestran la distancia desde una señal particular ‘i’ de la ambulancia en cada caso. Las siguientes 10 columnas D _i muestran el estado de la señal (verde/rojo) y las duraciones de señal correspondientes para instantes específicos. La última columna muestra el tiempo en segundos.
  • Suponiendo que 1400 es el rango predefinido desde cada señal hasta la distancia de la ambulancia en un instante en cuestión.

  

  • El primer cuadro resaltado muestra que la distancia desde la primera señal es 1383 en el tiempo 6 segundos. La distancia ahora está claramente dentro del rango predefinido (1400), por lo que el estado de la primera señal se modifica en consecuencia. La señal antes de que la ambulancia llegara dentro del rango de 1400 era verde; esperamos a que la señal
    vuelva a ser roja dentro del período de tiempo antes de que cruce la señal.
  • Nuestro algoritmo sugerido ahora reduce la duración de la señal roja (de 30 segundos a 20 segundos) en consecuencia , de
    modo que haya un retraso mínimo para el tiempo de espera de la ambulancia en la señal bajo investigación que se muestra en el segundo cuadro resaltado.
  • El tercer cuadro resaltado muestra que después de que se reduce la duración de la señal roja, el tiempo transcurrido de la siguiente señal verde aumenta (en 100 segundos) para garantizar un paso ininterrumpido con un retraso de tiempo mínimo a través de la primera señal.

  Segundo Caso:

  • El primer cuadro resaltado muestra que la distancia desde la sexta señal es 1398 en el tiempo 126 segundos. La distancia ahora está claramente dentro del rango predefinido (1400), por lo que el estado de la primera señal se modifica en consecuencia. La señal antes de que la ambulancia llegara dentro del rango de 1400 era roja; el tiempo transcurrido de la siguiente señal verde se incrementará (en 100 segundos) de modo que la ambulancia pase la sexta señal sin problemas.
    

  Los resultados de la simulación analizados anteriormente coinciden con nuestro modelo propuesto que, a medida que la ambulancia atraviesa una señal en particular; el algoritmo garantiza que se mantenga verde y que no haya demoras de tiempo, además de no comprometerse con las molestias del tráfico en ese instante.

Conclusión: este tipo de técnica de optimización del tráfico se puede incorporar para abordar diversos problemas cotidianos, como extinción de incendios y situaciones urgentes similares que requieren maniobras inmediatas a través de carreteras concurridas de manera eficiente.

Miembros del equipo:

• pratik basu
• Sobhan Mondal

Nota: esta idea de proyecto se contribuye para ProGeek Cup 2.0: una competencia de proyectos de GeeksforGeeks.