Topologías en el Internet de las Cosas Médicas (IoMT): una revisión bibliográfica exhaustiva

Core Concepts

Este estudio realiza una revisión exhaustiva de la literatura científica y mapea las tendencias de investigación sobre el paradigma del Internet de las Cosas Médicas (IoMT) en el ámbito de la salud, centrándose específicamente en las topologías de red utilizadas.

Abstract

Este estudio presenta una revisión de la literatura científica sobre el Internet de las Cosas Médicas (IoMT) y analiza las tendencias de investigación en este campo.
Se analizaron un total de 570 artículos de las bases de datos ACM, Web of Science y Scopus, utilizando las palabras clave "IoT", "IoMT" y "Topología de Malla". Los artículos se clasificaron en tres grupos generales según el problema, el artefacto y la evaluación del artefacto.
Los resultados muestran que la topología de estrella es la más utilizada en las aplicaciones de IoMT, con 41 de los 70 artículos analizados. Esta topología se basa en la centralización del cómputo, el almacenamiento y el control. Por otro lado, las topologías de malla y peer-to-peer también se utilizan, con 15 y 10 artículos respectivamente. La topología híbrida, que combina características de las topologías de estrella y anillo, se encuentra en 4 de los artículos.
Las principales aplicaciones de IoMT cubren áreas como cáncer, salud dental, enfermedades respiratorias, renales, cardiovasculares, virus, glucosa, implantes médicos, monitorización de laboratorio, presión arterial, salud mental y signos vitales, entre otras. Las tecnologías de comunicación más utilizadas incluyen WiFi, Zigbee, 3G/4G/5G y LoRaWAN.
Este estudio amplía la literatura existente sobre IoMT y puede servir como base para futuras investigaciones en este campo, especialmente en lo que respecta a las topologías de red utilizadas y sus implicaciones en el rendimiento, la flexibilidad, la seguridad y la eficiencia energética de los sistemas IoMT.

Stats

"Es necesario investigar mucho más en el dominio de las comunicaciones de IoMT y de las redes de malla, ya que la ecuación (Internet de las cosas médicas Y malla) solo obtuvo 8 resultados, en comparación con 276 para (Internet de las cosas Y malla) y 286 para (Internet de las cosas Y medicina)."
"Las ventajas identificadas en la topología de malla son la capacidad de transmitir mensajes de un nodo a otro por diferentes caminos, la ausencia de interrupciones en las comunicaciones y el hecho de que cada servidor tiene sus propias comunicaciones con todos los demás servidores."

Quotes

"Las LPWAN, son redes de largo alcance, alta cobertura y bajo consumo de energía. Esto se consigue realizando pequeñas transmisiones de datos con poco ancho de banda, ahorrando energía para una mayor penetración."
"El principal interés de esta investigación consiste mejorar las redes y garantizar que se cumplan los objetivos de rendimiento (disponibilidad de conexión, cobertura global y, en ocasiones, en tiempo real), flexibilidad, seguridad, simplicidad y economía (bajo consumo de batería para los sensores)."

Key Insights Distilled From

Topologies in the Internet of Medical Things (IoMT), literature review

by Wilson Chang... at arxiv.org 04-05-2024

https://arxiv.org/pdf/2404.02908.pdf

Deeper Inquiries

¿Cómo pueden las topologías de red híbridas o de malla mejorar el rendimiento, la flexibilidad y la eficiencia energética de los sistemas IoMT en comparación con la topología de estrella predominante

Die Verwendung von hybriden oder Mesh-Netzwerk-Topologien kann das Leistungs-, Flexibilitäts- und Energieeffizienzpotenzial von IoMT-Systemen im Vergleich zur vorherrschenden Stern-Topologie erheblich verbessern.

Leistung: In einer Mesh-Topologie können Daten über verschiedene Pfade von einem Knoten zum anderen geleitet werden, was die Ausfallsicherheit und die Effizienz der Datenübertragung verbessert. Im Vergleich dazu kann die Stern-Topologie anfälliger für Ausfälle sein, da ein zentraler Knoten das gesamte Netzwerk steuert.

Flexibilität: Hybride Topologien ermöglichen eine Kombination verschiedener Netzwerkstrukturen, was es einfacher macht, auf sich ändernde Anforderungen und Umgebungen zu reagieren. Dies bietet mehr Flexibilität bei der Skalierung und Anpassung des Netzwerks.

Energieeffizienz: In einer Mesh-Topologie können Daten effizienter über mehrere Wege übertragen werden, was zu einer gleichmäßigeren Lastverteilung und potenziell geringerem Energieverbrauch führt. Dies ist besonders wichtig für IoMT-Geräte, die oft batteriebetrieben sind.

¿Qué desafíos técnicos y de implementación deben abordarse para facilitar una mayor adopción de las topologías de red alternativas en aplicaciones de IoMT

Um eine breitere Akzeptanz alternativer Netzwerktopologien in IoMT-Anwendungen zu erleichtern, müssen technische und Implementierungsherausforderungen angegangen werden:

Interoperabilität: Es ist wichtig, sicherzustellen, dass verschiedene Geräte und Protokolle in den alternativen Topologien nahtlos zusammenarbeiten können, um eine reibungslose Kommunikation zu gewährleisten.

Sicherheit: Mit komplexeren Netzwerkstrukturen können Sicherheitsrisiken zunehmen. Es ist entscheidend, robuste Sicherheitsmaßnahmen zu implementieren, um Daten vor Bedrohungen zu schützen.

Skalierbarkeit: Die Netzwerke müssen skalierbar sein, um mit dem Wachstum von IoMT-Geräten und Datenmengen Schritt zu halten. Eine effiziente Verwaltung und Skalierung der Netzwerke ist entscheidend.

Kosten: Die Implementierung alternativer Topologien kann mit höheren Kosten verbunden sein. Es ist wichtig, die Kosten-Nutzen-Analyse zu berücksichtigen und Lösungen zu finden, die sowohl effektiv als auch kosteneffizient sind.

¿Cómo pueden las técnicas de inteligencia artificial y aprendizaje automático ayudar a optimizar la selección y configuración de las topologías de red en función de los requisitos específicos de las aplicaciones de IoMT

Techniken der künstlichen Intelligenz (KI) und des maschinellen Lernens können dazu beitragen, die Auswahl und Konfiguration von Netzwerktopologien für IoMT-Anwendungen zu optimieren:

Vorhersage von Netzwerkbedarf: KI-Algorithmen können Daten analysieren und Muster erkennen, um den zukünftigen Netzwerkbedarf vorherzusagen. Dies kann bei der Auswahl der optimalen Topologie helfen.

Automatisierte Konfiguration: Durch maschinelles Lernen können Netzwerke automatisch konfiguriert und optimiert werden, um den Anforderungen der IoMT-Anwendungen gerecht zu werden. Dies spart Zeit und Ressourcen.

Echtzeit-Anpassung: KI kann dabei helfen, Netzwerke in Echtzeit anzupassen, um auf sich ändernde Bedingungen oder Anforderungen zu reagieren. Dies ermöglicht eine dynamische Optimierung der Netzwerktopologie.