This thesis presents a critical examination of the positive impact of Machine Learning (ML) and the Internet of Medical Things (IoMT) for advancing the Clinical Decision Support System (CDSS) in the context of COVID-19 and early sepsis detection.

It emphasizes the transition towards patient-centric healthcare systems, which necessitate personalized and participatory care—a transition that could be facilitated by these emerging fields. The thesis accentuates how IoMT could serve as a robust platform for data aggregation, analysis, and transmission, which could empower healthcare providers to deliver more effective care. The COVID-19 pandemic has particularly stressed the importance of such patient-centric systems for remote patient monitoring and disease management.

The integration of ML-driven CDSSs with IoMT is viewed as an extremely important step in healthcare systems that could offer real-time decision-making support and enhance patient health outcomes. The thesis investigates ML's capability to analyze complex medical datasets, identify patterns and correlations, and adapt to changing conditions, thereby enhancing its predictive capabilities. It specifically focuses on the development of IoMT-based CDSSs for COVID-19 and early sepsis detection, using advanced ML methods and medical data.

Key issues addressed cover data annotation scarcity, data sparsity, and data heterogeneity, along with the aspects of security, privacy, and accessibility. The thesis also intends to enhance the interpretability of ML prediction model-based CDSSs. Ethical considerations are prioritized to ensure adherence to the highest standards.

The thesis demonstrates the potential and efficacy of combining ML with IoMT to enhance CDSSs by emphasizing the importance of model interpretability, system compatibility, and the integration of multimodal medical data for an effective CDSS.

Overall, this thesis makes a significant contribution to the fields of ML and IoMT in healthcare, featuring their combined potential to enhance CDSSs, particularly in the areas of COVID-19 and early sepsis detection.

The thesis hopes to enhance understanding among medical stakeholders and acknowledges the need for continuous development in this sector.

Denna avhandling presenterar en kritisk granskning av den positiva effekten av maskininlärning (ML) och Internet of Medical Things (IoMT) för att främja det kliniska beslutsstödsystemet (CDSS) kopplat till covid-19 och tidig upptäckt av sepsis.

Avhandlingen betonar övergången mot patientcentrerade vårdsystem som kräver personlig och deltagande vård – en övergång som skulle kunna underlättas av dessa framväxande områden. Studien visar hur IoMT kan fungera som en robust plattform för dataaggregering, analys och överföring, vilket kan ge vårdgivare möjlighet att erbjuda mer effektiv vård. Covid-19-pandemin har särskilt betonat vikten av sådana patientcentrerade system för fjärrövervakning av patienter och sjukdomshantering.

Integreringen av ML-drivna CDSS med IoMT ses som ett extremt viktigt steg i vårdsystemen som kan erbjuda stöd för beslutsfattande i realtid och förbättra patienternas hälsoutfall. Avhandlingen undersöker maskininlärningens förmåga att analysera komplexa medicinska dataset, identifiera mönster och korrelationer, samt göra anpassningar till föränderliga förhållanden, vilket därmed förbättrar dess prediktiva förmågor. Den fokuserar specifikt på utvecklingen av IoMT-baserade CDSS för covid-19 och tidig upptäckt av sepsis, med användning av avancerade ML-metoder och medicinska data.

Nyckelfrågor som adresseras täcker bristen på dataannotering, dataspridning och dataheterogenitet, tillsammans med aspekter av säkerhet, integritet och tillgänglighet. Avhandlingen avser också att förbättra tolkbarheten av ML-prediktionsmodellbaserade CDSS. Etiska överväganden prioriteras för att säkerställa efterlevnad av de högsta standarderna.

Avhandlingen demonstrerar potentialen och effektiviteten i att kombinera ML med IoMT för att förbättra CDSS genom att betona vikten av modelltolkbarhet, systemkompatibilitet och integrering av multimodala medicinska data för ett effektivt CDSS.

Sammantaget bidrar denna avhandling till områdena ML och IoMT inom hälsovården, med deras kombinerade potential att förbättra CDSS, särskilt inom områdena covid-19 och tidig upptäckt av sepsis.

Förhoppningen är att avhandlingen ska förbättra förståelsen bland medicinska intressenter och understryka behovet av kontinuerlig utveckling inom denna sektor.