ຄູ່ມືຜູ້ໃຊ້ iMed

ແນະນຳ

1.1. ຈຸດປະສົງ
ຈຸດປະສົງຂອງການນີ້ web ຄໍາຮ້ອງສະຫມັກແມ່ນເພື່ອເອົາຂໍ້ມູນດິບແລະອະນຸຍາດໃຫ້ການຈັດການມັນໃນລັກສະນະທີ່ໃຫ້ຜົນໄດ້ຮັບທີ່ເປັນປະໂຫຍດໃນການຕັດສິນໃຈ. ນີ້ສາມາດເປັນການຝຶກອົບຮົມຕົວແບບທີ່ມີຂໍ້ມູນດິບຫຼືຄາດຄະເນຜົນໄດ້ຮັບໂດຍໃຊ້ຕົວແບບແລະການວິເຄາະ.
1.2. ເມນູນໍາທາງ
ເມນູນໍາທາງຢູ່ເທິງສຸດຂອງຫນ້າຖືທຸກການເຊື່ອມຕໍ່ເພື່ອໄປຫາບ່ອນທີ່ທ່ານຕ້ອງການ. ຖ້າທ່ານເຄີຍຫຼົງທາງ, ທ່ານສາມາດຄລິກໃສ່ລູກສອນກັບຄືນເພື່ອໄປຫາຫນ້າທີ່ຄຸ້ນເຄີຍ, ກັບຄືນບ້ານ, ຫຼືຊອກຫາຫນ້າທີ່ເຈົ້າກໍາລັງຊອກຫາຢູ່ໃນເມນູນໍາທາງ.
1.3. ບັນຊີ
ຖ້າທ່ານບໍ່ມີບັນຊີຢູ່ແລ້ວ, ທ່ານຕ້ອງລົງທະບຽນເພື່ອໃຊ້ແອັບພລິເຄຊັນ. ເພື່ອເຮັດສິ່ງນີ້, ໃຫ້ຄລິກໃສ່ປຸ່ມບັນຊີຢູ່ເບື້ອງຂວາເທິງແລະກົດລົງທະບຽນ. ຈາກນັ້ນໃສ່ຊື່ຜູ້ໃຊ້, ລະຫັດຜ່ານ, ແລະອີເມລ໌ຂອງທ່ານເພື່ອດໍາເນີນການ.

ຖ້າທ່ານມີບັນຊີຢູ່ແລ້ວ, ໃຫ້ເຂົ້າສູ່ລະບົບດ້ວຍຊື່ຜູ້ໃຊ້ ແລະລະຫັດຜ່ານຂອງທ່ານ.

ຫນ້າທໍາອິດ

ໂດຍການຄລິກໃສ່ລາຍການທີ່ຢູ່ດ້ານຊ້າຍຂອງຫນ້າ, ຄໍາອະທິບາຍຂອງແຕ່ລະຄົນຈະປາກົດຢູ່ເຄິ່ງກາງຂອງຫນ້າເພື່ອຊ່ວຍໃຫ້ທ່ານເຂົ້າໃຈສິ່ງທີ່ແຕ່ລະຄົນເຮັດ.

iMedBot

ຄໍາຮ້ອງສະຫມັກ iMedBot ນໍາສະເຫນີການໂຕ້ຕອບທີ່ສົ່ງເສີມການໂຕ້ຕອບຜູ້ໃຊ້ໄດ້ງ່າຍກັບຕົວແທນ, ເຮັດໃຫ້ການຄາດເດົາສ່ວນບຸກຄົນແລະການຝຶກອົບຮົມແບບຈໍາລອງ. ມັນເຮັດຫນ້າທີ່ເປັນບາດກ້າວທໍາອິດໄປສູ່ການຫັນປ່ຽນຜົນໄດ້ຮັບຂອງການຄົ້ນຄວ້າການຮຽນຮູ້ເລິກເຂົ້າໄປໃນເຄື່ອງມືອອນໄລນ໌, ເຊິ່ງມີທ່າແຮງທີ່ຈະກະຕຸ້ນການຄົ້ນຄວ້າເພີ່ມເຕີມໃນໂດເມນນີ້. ຄູ່ມືຜູ້ໃຊ້ທີ່ກ່ຽວຂ້ອງສາມາດພົບໄດ້ທີ່ນີ້.

ການວິເຄາະຂໍ້ມູນ

4.1. ດຶງເອົາຊຸດຍ່ອຍ
ພາກນີ້ເຮັດໃຫ້ຜູ້ໃຊ້ແກ້ໄຂຊຸດຂໍ້ມູນຂອງເຂົາເຈົ້າ. ທ່ານສາມາດເລືອກທີ່ຈະອັບໂຫລດຊຸດຂໍ້ມູນໃຫມ່ຫຼືໃຊ້ຊຸດຂໍ້ມູນທີ່ມີຢູ່ແລ້ວຈາກເມນູເລື່ອນລົງ.

ເມື່ອຊຸດຂໍ້ມູນໄດ້ຖືກອັບໂຫລດແລ້ວ, ທ່ານສາມາດເລືອກສິ່ງທີ່ທ່ານຕ້ອງການທີ່ຈະປະຕິບັດໂດຍການຄລິກໃສ່ຫນຶ່ງໃນທາງເລືອກໃນເມນູດ້ານຊ້າຍ.
4.1.1. ດຶງເອົາຊຸດຍ່ອຍໂດຍອີງໃສ່ຕົວກອງ
ພາກນີ້ອະນຸຍາດໃຫ້ໄດ້ຮັບຊຸດຍ່ອຍນ້ອຍກວ່າຂອງຊຸດຂໍ້ມູນຕົ້ນສະບັບໂດຍອີງໃສ່ຕົວກອງທີ່ໃຫ້. ເລືອກຄ່າທີ່ທ່ານຕ້ອງການໃນຊຸດຍ່ອຍແລະຫຼັງຈາກນັ້ນເລືອກຖັນທີ່ທ່ານຕ້ອງການສະແດງຢູ່ໃນຊຸດຂໍ້ມູນສຸດທ້າຍ.

4.1.2. ສົ່ງຄືນຜົນໄດ້ຮັບທີ່ຈັດຮຽງ
ນີ້ສົ່ງຄືນຊຸດຂໍ້ມູນໃນຮູບແບບທີ່ຈັດຮຽງ. ເລືອກຖັນເປົ້າໝາຍ, ການຈັດຮຽງລຳດັບ, ຈຳນວນແຖວທີ່ຈະກັບຄືນມາ, ແລະຖັນໃດທີ່ຈະສະແດງຜົນສຸດທ້າຍ.

4.1.3. ຂະຫຍາຍຊຸດຂໍ້ມູນ
ນີ້ອະນຸຍາດໃຫ້ຜູ້ໃຊ້ສາມາດຂະຫຍາຍຖັນຄໍາທີ່ເກັບໄວ້ເປັນວັດຈະນານຸກົມເຂົ້າໄປໃນຕາຕະລາງຕົວຈິງທີ່ຜູ້ໃຊ້ສາມາດຈັດການໄດ້. ມັນໃຊ້ເວລາຊຸດຂໍ້ມູນທີ່ຖືກຊ້ອນກັນແລະຍ້າຍສິ່ງທີ່ຕ້ອງການໂດຍຜູ້ໃຊ້ເຂົ້າໄປໃນຊັ້ນເທິງສຸດ. ທໍາອິດ, ອັບໂຫລດຊຸດຂໍ້ມູນທີ່ມີຖັນທີ່ມີຊຸດຂໍ້ມູນທີ່ຊ້ອນກັນ. ຖ້າຖັນທີ່ຕ້ອງການຂະຫຍາຍຖືກກວດພົບໂດຍອັດຕະໂນມັດ, ເລືອກວ່າຈະຂະຫຍາຍຖັນໃດ ແລະຖັນໃດທີ່ຈະແຍກອອກຈາກຂໍ້ມູນທີ່ຕັ້ງໄວ້. ກົດສົ່ງແລະທ່ານສາມາດເຮັດໄດ້ view ຂໍ້ມູນຂອງທ່ານເປັນຖັນຂອງຕາຕະລາງແທນທີ່ຈະເປັນຂໍ້ມູນຊ້ອນກັນ.
4.2. ລວມ Files
ໂດຍການເລືອກ ແລະອັບໂຫຼດຊຸດຂໍ້ມູນຫຼາຍອັນໂດຍການຄລິກ ctrl (ຄໍາສັ່ງສໍາລັບ mac), ນີ້ຈະລວມພວກມັນເຂົ້າໄປໃນຊຸດຂໍ້ມູນໃຫຍ່ກວ່າອັນໜຶ່ງທີ່ໃຊ້ກັບອັນອື່ນ.

ພຽງແຕ່ເລືອກຊຸດຂໍ້ມູນທັງຫມົດແລະຕື່ມຂໍ້ມູນທີ່ຈໍາເປັນ. ນີ້ຈະເປັນການບັນທຶກຊຸດຂໍ້ມູນໃໝ່ໃສ່ແອັບພລິເຄຊັນ iMed ແລະຫຼັງຈາກນັ້ນໃຫ້ດາວໂຫລດໄດ້.
4.3. ຟັງຊັນຂອງດິນຕອນ
ພາກນີ້ເຮັດໃຫ້ຜູ້ໃຊ້ວາງແຜນຊຸດຂໍ້ມູນຂອງເຂົາເຈົ້າ. ເລືອກເອົາຫນຶ່ງໃນທາງເລືອກໃນເມນູດ້ານຊ້າຍມືແລະຫຼັງຈາກນັ້ນຕື່ມຂໍ້ມູນໃສ່ໃນຊ່ອງທີ່ຕ້ອງການເພື່ອໃຫ້ໄດ້ຮັບດິນຕອນຂອງທ່ານ. ຂ້າງລຸ່ມນີ້ແມ່ນປະເພດຂອງດິນຕອນທີ່ທ່ານສາມາດເຮັດຈາກຂໍ້ມູນຂອງທ່ານ:

4.4. ການວິເຄາະສະຖິຕິ
ພາກນີ້ເຮັດໃຫ້ພວກເຮົາດໍາເນີນການທົດສອບສະຖິຕິໃນຊຸດຂໍ້ມູນຂອງພວກເຮົາ. ເລືອກການທົດສອບເພື່ອດໍາເນີນການຈາກເມນູດ້ານຊ້າຍແລະຕື່ມຂໍ້ມູນໃສ່ໃນຊ່ອງຂໍ້ມູນເພື່ອດໍາເນີນການທົດສອບ. ຂ້າງລຸ່ມນີ້ແມ່ນປະເພດຂອງການທົດສອບທີ່ມີຢູ່:

ODPAC

5.1. ຮຽນຮູ້
ຫນ້ານີ້ປະກອບມີຄໍາອະທິບາຍສັ້ນໆຂອງແຕ່ລະປະເພດຂອງຊັບພະຍາກອນທີ່ມີຢູ່ໃນຫນ້ານີ້. ການຄລິກໃສ່ປຸ່ມຢູ່ເທິງສຸດຂອງແຕ່ລະພາກສ່ວນຈະເຊື່ອມຕໍ່ກັບຫນ້າອື່ນທີ່ອະນຸຍາດໃຫ້ຜູ້ໃຊ້ໃຊ້ຫຼືຮຽນຮູ້ເພີ່ມເຕີມກ່ຽວກັບຫົວຂໍ້.
5.1.1. Epistasis
ຫນ້ານີ້ໃຫ້ພວກເຮົາໃຊ້ MBS, algorithm ຄົ້ນຫາເພື່ອຮຽນຮູ້ຈາກຂໍ້ມູນ. ໂດຍສະເພາະ, ມັນອະນຸຍາດໃຫ້ພວກເຮົາສຶກສາ epistasis, ການພົວພັນລະຫວ່າງສອງຫຼືຫຼາຍ genes ທີ່ມີຜົນກະທົບ phenotype ໄດ້. ນີ້​ແມ່ນ​ເປັນ​ປະ​ໂຫຍດ​ກັບ pro​file ພະຍາດທາງພັນທຸກໍາ. ວິທີການແບບດັ້ງເດີມບໍ່ເຫມາະສົມກັບການຈັດການຂໍ້ມູນທີ່ມີມິຕິລະດັບສູງທີ່ພົບເຫັນຢູ່ໃນການສຶກສາສະມາຄົມທົ່ວ genome (GWAS). Multiple Beam Search (MBS) algorithm ອະນຸຍາດໃຫ້ກວດຫາພັນທຸກໍາທີ່ມີການໂຕ້ຕອບໃນອັດຕາໄວກວ່າ. ອັບ​ໂຫຼດ​ຂໍ້​ມູນ​ທີ່​ທ່ານ​ຕ້ອງ​ການ​ທີ່​ຈະ​ນໍາ​ໃຊ້​ແລະ​ຫຼັງ​ຈາກ​ນັ້ນ​ປ້ອນ​ຂໍ້​ມູນ​ທີ່​ຕ້ອງ​ການ​. ສໍາລັບຂໍ້ມູນເພີ່ມເຕີມ, ຊອກຫາເອກະສານສະບັບເຕັມທີ່ນີ້.

5.1.2. ປັດໃຈຄວາມສ່ຽງ
ໜ້ານີ້ໃຫ້ພວກເຮົາໃຊ້ແພັກເກັດ IGain ເພື່ອຮຽນຮູ້ການໂຕ້ຕອບລະຫວ່າງຂໍ້ມູນ. ມັນໂດຍສະເພາະຮຽນຮູ້ການໂຕ້ຕອບຈາກຂໍ້ມູນໃນມິຕິລະດັບສູງໂດຍໃຊ້ການຄົ້ນຫາແບບ heuristic. ວິທີການນີ້ສ້າງຂຶ້ນໃນວິທີການ Exhaustive_IGain ທີ່ພັດທະນາໃນເມື່ອກ່ອນເພື່ອຮຽນຮູ້ການໂຕ້ຕອບຈາກຂໍ້ມູນລະດັບຕ່ໍາ. ອັບໂຫຼດຂໍ້ມູນແລະຫຼັງຈາກນັ້ນໃສ່ຊ່ອງຂໍ້ມູນທີ່ຕ້ອງການ. ຂໍ້ມູນເພີ່ມເຕີມກ່ຽວກັບເກນ IS ແລະ iGain ສາມາດພົບໄດ້ທີ່ນີ້.

5.1.3. ຮູບແບບການຄາດເດົາ
ພາກນີ້ອະນຸຍາດໃຫ້ໃຊ້ຕົວແບບການຄາດເດົາທີ່ສ້າງຂຶ້ນກ່ອນແລ້ວຢູ່ເທິງສຸດຂອງແບບຈໍາລອງການຮຽນຮູ້ເຄື່ອງຈັກເພື່ອເລັ່ງການໃຊ້ງານຂອງມັນ. ນີ້ອະນຸຍາດໃຫ້ການນໍາໃຊ້ຂອງເຂົາເຈົ້າໂດຍບໍ່ມີການນໍາໃຊ້ລະຫັດແລະປະສົບການທີ່ຜ່ານມາເພື່ອຄາດຄະເນຮູບແບບການນໍາໃຊ້ຊຸດຂໍ້ມູນຂອງເຂົາເຈົ້າເອງ. ມີຮູບແບບການຄາດຄະເນຈໍານວນຫລາຍທີ່ມີຢູ່ກັບຜູ້ໃຊ້ລວມທັງ Logistic, Regression, Support Vector Machines (SVMs), Decision Trees, ແລະອື່ນໆອີກ. ບັນຊີລາຍຊື່ເຕັມຂອງວິທີການຄາດຄະເນແມ່ນພົບເຫັນຢູ່ເບື້ອງຂວາຂອງຫນ້າທີ່ນີ້.
5.2. ການຄາດເດົາ
ພາກສ່ວນນີ້ອະນຸຍາດໃຫ້ມີການຄາດເດົາຈາກຮູບແບບທີ່ແບ່ງປັນກ່ອນໜ້ານີ້. ທໍາອິດອັບໂຫລດຮູບແບບທີ່ແບ່ງປັນຖ້າບໍ່ໄດ້ເຮັດແລ້ວ. ຫຼັງ​ຈາກ​ນັ້ນ​, ເລືອກ​ເອົາ​ຮູບ​ແບບ​ທີ່​ຈະ​ນໍາ​ໃຊ້​ສໍາ​ລັບ​ການ​ຄາດ​ຄະ​ເນ​ໂດຍ​ການ​ຄລິກ​ໃສ່​ຊື່​ຕົວ​ແບບ​. ຫຼັງຈາກນັ້ນ, ອັບໂຫຼດຂໍ້ມູນສໍາລັບຮູບແບບການຄາດຄະເນທີ່ຈະນໍາໃຊ້. ອັນນີ້ສາມາດເຮັດໄດ້ດ້ວຍຕົນເອງໂດຍໃຊ້ແບບຟອມຢູ່ລຸ່ມສຸດຂອງໜ້າ ຫຼືໃຊ້ແມ່ແບບທີ່ມີໃຫ້ດາວໂຫຼດ. ຖ້າໃຊ້ແມ່ແບບ, ອັບໂຫຼດຊຸດຂໍ້ມູນ file ແລະຄລິກສົ່ງເພື່ອຮັບການຄາດຄະເນແບບຈໍາລອງ.
5.3. ສະຫນັບສະຫນູນການຕັດສິນໃຈ
ການສະຫນັບສະຫນູນການຕັດສິນໃຈສະຫນອງການຈັດປະເພດແລະສາມາດນໍາພາທາງເລືອກການປິ່ນປົວຈາກຂໍ້ມູນທີ່ສະຫນອງໃຫ້ແກ່ລະບົບ. ມັນໄດ້ຖືກຝຶກອົບຮົມຈາກຂໍ້ມູນເພື່ອແນະນໍາຂັ້ນຕອນການປິ່ນປົວທີ່ດີທີ່ສຸດໂດຍອີງໃສ່ລັກສະນະຂອງຄົນເຈັບ. ຂໍ້ມູນເພີ່ມເຕີມກ່ຽວກັບລະບົບສະຫນັບສະຫນູນການຕັດສິນໃຈທາງດ້ານຄລີນິກ (CDSS) ສາມາດພົບໄດ້ທີ່ນີ້.
ຄໍາແນະນໍາຂອງລະບົບໃຊ້ເວລາລັກສະນະຂອງຄົນເຈັບແລະແນະນໍາຂັ້ນຕອນການປິ່ນປົວແລະຄາດຄະເນຄວາມເປັນໄປໄດ້ຂອງ metastasis 5 ປີໃນອະນາຄົດ. ການແຊກແຊງຂອງຜູ້ໃຊ້ໃຊ້ເວລາທັງລັກສະນະຂອງຄົນເຈັບແລະຂັ້ນຕອນການປິ່ນປົວເພື່ອຄາດຄະເນຄວາມເປັນໄປໄດ້ໃນອະນາຄົດຂອງ 5 ປີ metastasis ໂດຍອີງໃສ່ການປິ່ນປົວໃນປະຈຸບັນແທນທີ່ຈະເປັນການປິ່ນປົວທີ່ດີທີ່ສຸດ.

MBIL

Markov Blanket and Interactive Risk Factor Learner (MBIL) ເປັນລະບົບທີ່ຮຽນຮູ້ປັດໄຈຄວາມສ່ຽງດຽວ ແລະການໂຕ້ຕອບທີ່ມີອິດທິພົນໂດຍກົງຕໍ່ຜົນໄດ້ຮັບຂອງຄົນເຈັບ. ຄລິກ “ໄປທີ່ MBIL” ເພື່ອຖືກໂອນໄປຫາ Python Package Index (PyPI) ສໍາລັບຊຸດ MBIL ທີ່ຕັ້ງຢູ່ທີ່ນີ້. ຂໍ້ມູນເພີ່ມເຕີມກ່ຽວກັບ MBIL ສາມາດພົບໄດ້ທີ່ BMC Bioinformatics.

ຊຸດຂໍ້ມູນ

ພາກສ່ວນນີ້ອະນຸຍາດໃຫ້ຜູ້ໃຊ້ສາມາດເຫັນແລະອັບໂຫລດຊຸດຂໍ້ມູນໃຫມ່ໃສ່ web ຄໍາຮ້ອງສະຫມັກ.
7.1. ເບິ່ງຊຸດຂໍ້ມູນທັງໝົດທີ່ມີຢູ່
ເພື່ອເບິ່ງຊຸດຂໍ້ມູນທັງໝົດທີ່ມີຢູ່, ພຽງແຕ່ຄລິກ "ສະແດງຊຸດຂໍ້ມູນທີ່ມີຢູ່."

7.2. ອັບໂຫຼດຊຸດຂໍ້ມູນ
ເພື່ອອັບໂຫລດຊຸດຂໍ້ມູນ, ໃຫ້ຄລິກໃສ່ "ແບ່ງປັນຊຸດຂໍ້ມູນຂອງເຈົ້າ" ແລະຫຼັງຈາກນັ້ນຕື່ມຂໍ້ມູນທີ່ຕ້ອງການຕາມທີ່ລະບຸໄວ້ໃນ webຫນ້າ. ທໍາອິດ, ອັບໂຫລດຊຸດຂໍ້ມູນແລະຕື່ມຂໍ້ມູນໃສ່ໃນຊ່ອງທີ່ຕ້ອງການ.

ຫຼັງຈາກນັ້ນ, ຕື່ມຂໍ້ມູນໃສ່ໃນຊ່ອງຂ້າງລຸ່ມນີ້ຫຼືອັບໂຫລດຂໍ້ຄວາມ file ດ້ວຍຂໍ້ມູນທີ່ຕື່ມໃສ່. ຕົວຢ່າງample ຂອງວິທີການຈັດລະບຽບຂໍ້ມູນເພື່ອໃຫ້ຄໍາຮ້ອງສະຫມັກສາມາດເຂົ້າໃຈມັນໄດ້ຂ້າງລຸ່ມນີ້.

ຕົວແບບ

ພາກນີ້ອະນຸຍາດໃຫ້ຜູ້ໃຊ້ສາມາດເຫັນຕົວແບບທີ່ມີໃຫ້ເຂົາເຈົ້າແລະແບ່ງປັນຕົວແບບ.
8.1. ເບິ່ງແບບຈໍາລອງທັງຫມົດທີ່ມີຢູ່
ເພື່ອເບິ່ງທຸກແບບທີ່ມີຢູ່, ໃຫ້ຄລິກໃສ່ "ສະແດງແບບຈໍາລອງທີ່ມີຢູ່."

8.2. ແບ່ງປັນຕົວແບບ
ເພື່ອແບ່ງປັນຕົວແບບ, ໃຫ້ຄລິກໃສ່ "ແບ່ງປັນຕົວແບບຂອງເຈົ້າ" ແລະຫຼັງຈາກນັ້ນອັບໂຫລດແບບຈໍາລອງ file ການຝຶກອົບຮົມໂດຍ tensor flow ຫຼື PyTorch.

8.2.1. ຊຸດຂໍ້ມູນທີ່ກ່ຽວຂ້ອງ
ຫຼັງຈາກນັ້ນ, ທ່ານຄວນອັບໂຫລດຊຸດຂໍ້ມູນທີ່ກ່ຽວຂ້ອງເຊິ່ງປະກອບມີສ່ວນຫົວ. ໝວດໝູ່/ປ້າຍກຳກັບສຳລັບຊຸດຂໍ້ມູນຄວນຢູ່ໃນຖັນສຸດທ້າຍ.

8.2.2. ຂໍ້ມູນການຄາດເດົາ ແລະຫ້ອງຮຽນ
ຖ້າຊຸດຂໍ້ມູນປະກອບມີຄຸນສົມບັດທັງໝົດ, ຮູບແບບຄຸນສົມບັດສາມາດຂ້າມໄດ້ຫຼັງຈາກອັບໂຫລດຊຸດຂໍ້ມູນແລ້ວ. ຢ່າງໃດກໍຕາມ, ຖ້າພວກເຂົາບໍ່ລວມທັງຫມົດ, ຂໍ້ມູນນີ້ຕ້ອງໄດ້ຮັບການສະຫນອງໃຫ້ຢູ່ໃນຄໍາອະທິບາຍ file ຫຼືຢູ່ໃນຮູບແບບຄຸນສົມບັດ. ເລືອກຕົວເລືອກຈາກເມນູເລື່ອນລົງທີ່ຊີ້ບອກວິທີທີ່ເຈົ້າຕັ້ງໃຈໃຫ້ຜູ້ຄາດຄະເນ ແລະຂໍ້ມູນຊັ້ນຮຽນ.

ຖ້າໃຊ້ຕົວເລືອກຄໍາອະທິບາຍ, ທ່ານສາມາດຕື່ມຂໍ້ມູນໃສ່ໃນຊ່ອງຂໍ້ມູນຫຼືອັບໂຫລດຂໍ້ຄວາມ file ດ້ວຍຂໍ້ມູນທີ່ຕື່ມໃສ່. ຕົວຢ່າງample ຂອງວິທີການຈັດລະບຽບຂໍ້ມູນຂ່າວສານແມ່ນໃຫ້ຂ້າງລຸ່ມນີ້.

ເອກະສານ / ຊັບພະຍາກອນ

ແອັບ iMed Web ຄໍາຮ້ອງສະຫມັກ [pdf] ຄູ່ມືຜູ້ໃຊ້ iMed, iMed Web ຄໍາ​ຮ້ອງ​ສະ​ຫມັກ​, Web ຄໍາຮ້ອງສະຫມັກ

ເອກະສານອ້າງອີງ

• ຄູ່ມືຜູ້ໃຊ້