Model hlubokého učení detekující tlakové zranění

Dnes, s rostoucím využíváním technologií, je vidět, že k řešení složitých problémů jsou potřeba větší data. Za účelem uspokojení této potřeby se objevily konvoluční neuronové sítě, které se používají v mnoha oblastech, jako je rozpoznávání objektů, rozpoznávání řeči a zpracování přirozeného jazyka, a mohou se automaticky učit ze symbolů dat patřících k obrázkům, videím, audiu a texty, namísto učení s kódovanými pravidly, na rozdíl od tradičních metod strojového učení, založených na umělých neuronových sítích. Konvoluční neuronové sítě jsou jednou z metod hlubokého učení, což je pododvětví metod strojového učení a má schopnost učit se z příkladů. Konvoluční neuronové sítě jsou metody, které se mohou učit také z nezpracovaných obrazových nebo textových dat a jejichž přesnost předpovědi se zvyšuje podle velikosti dat. V literatuře bylo prokázáno, že umělá inteligence a modely hlubokého učení jsou účinné při analýze rizik tlakových poranění. Nebyla však nalezena žádná studie o klasifikaci tlakových poranění. Raju, Su, Patrician a kol. (2015) poskytli přesnější a rychlejší predikci skóre Bradenovy rizikové škály pomocí modelu hlubokého učení, který vyvinuli jako výsledek čtyřletého sledování ve vojenské nemocnici. Alderden, Pepper, Wilson a kol. (2018) vyvinuli model hlubokého učení, který odhaluje analýzu rizik tlakových poranění u pacientů na jednotce intenzivní péče, a poskytli přesnější a smysluplnější analýzu rizika tlakového poranění s citlivějšími měřeními pro pacienty na jednotce intenzivní péče, kteří jsou podle nástrojů hodnocení rizik považováni za vysoce rizikové. Demircan, Yücedağ, Toz a kol. (2016) vyvinuli matematický model, který analyzuje rizikové faktory v procesu vzniku tlakových poranění, a zajistili, že tlaková poranění byla detekována v rané fázi. Využití těchto inovativních aplikací, které jsou obsaženy a používány ve světové literatuře, je u nás omezené. V prostředí, kde se technologie rychle vyvíjí a spotřebovává, nezůstaneme lhostejní k inovativním iniciativám a integrace technologií do ošetřovatelských postupů zvýší viditelnost naší profese školením inovativních sester. Ve světle těchto informací byla studie provedena s cílem vytvořit model hlubokého učení v detekci a klasifikaci tlakových poranění a určit účinek modelu na úroveň znalostí a spokojenosti sester.

Cíl Byla provedena randomizovaná kontrolovaná experimentální studie s cílem vytvořit model hlubokého učení pro detekci a klasifikaci tlakových poranění a určit vliv modelu na úroveň znalostí a spokojenosti sester.

Hypotézy výzkumu; H1: Model hlubokého učení poskytuje detekci otlaků.

H2: Model hlubokého učení poskytuje klasifikaci dekubitů.

H3: Mobilní aplikace vyvinutá s modelem hlubokého učení hraje aktivní roli v léčbě a péči o dekubity.

Proměnné studie; Nezávislé proměnné studie; model hlubokého učení, hodnocení bradenova rizika Závislé proměnné studie; otlak úroveň znalostí, úroveň spokojenosti se vzděláním Metoda Výzkum je randomizovaná kontrolovaná experimentální studie. Vesmír a vzorek výzkumu tvořilo od března 2021 do června 2022 80 sester pracujících na klinice intenzivní péče, interní a chirurgické kliniky základní fakultní nemocnice.

Aby bylo možné určit počet sester tvořících výzkumný vzorek, byla podobná studie použita jako příklad v relevantní literatuře a byl použit software pro analýzu síly G* Power 3.1. V této studii, aby bylo dosaženo úrovně výkonu 95 % při velikosti účinku 0,5 a úrovni chyb 5 %, byla velikost vzorku vypočtena jako 56, přičemž v každé skupině bylo 28 účastníků. Vzhledem k vysoké síle testu a ztrátám ve studii bylo osloveno celkem 60 lidí, 30 v každé skupině. Sestry ve výběrové skupině byly výzkumníkem náhodně rozděleny do kontrolní (n=30) a experimentální skupiny (n=30) pomocí jednoduché číselné tabulky. Randomizační tabulka byla vytvořena pomocí webové stránky http://stattrek.com/statistics/random-number-generator.aspx pro randomizaci . Výsledkem bylo, že vzorek studie tvořilo celkem 60 sester, 30 účastnic v každé skupině sester, které byly informovány o účelu studie a které se mohly studie zúčastnit a které splnily výběrová kritéria studie. Výběrová kritéria byla ; sestra byla starší 18 let, pracovala jako sestra na jednotce intenzivní péče nebo kliniky a přijala účast ve studii ústně i písemně.

Nástroje sběru dat Byly použity výzkumná data, "Structured Nurse Introduction Form", "Modified Pieper Pressure Sore Knowledge Test", "Braden Risk Assessment Scale" a "Nursing Satisfaction Scale".

Úvodní formulář strukturované sestry:

literární informace k tématu a obsahuje informace o úvodních charakteristikách sester.

Modifikovaný test znalostí Pieper o dekubitech:

Jako výsledek výzkumu byla modifikovaná stupnice vyvinuta Pieperem a Mottem v roce 1995, upravena Lawrencem a její platnost a spolehlivost byla stanovena Asiye Gül a jejími kolegy v roce 2017. Byl použit Pieperův test znalostí o tlakové ráně. Tento test se skládá ze 49 položek. Stupnice je rozdělena do tří dílčích dimenzí. Celkové skóre znalostí může být až 49 bodů, skóre znalostí prevence může být až 33 bodů, skóre znalostí inscenace může být až 9 bodů a skóre identifikace ran může být až 7 bodů. Od Prof. Dr. Asiye Güla bylo požadováno upravené povolení pro test znalostí Pieper Pressure Sore Knowledge. Byla provedena analýza spolehlivosti pro stanovení úrovně spolehlivosti škály použité ve studii a Chronbachův alfa koeficient experimentální skupiny byl získán 0,838 a kontrolní skupiny 0,812.

Bradenova stupnice hodnocení rizika:

Bradena a Bergstroma dirigoval Oğuz v roce 1997 v Turecku. Ze stupnice se získá celkové skóre v rozmezí 6 až 23. Podle celkového skóre je 12 bodů a méně považováno za vysoce rizikové, 13–14 bodů za rizikové a 15–16 bodů za nízké riziko.

Průzkum spokojenosti sester:

Otázky Likertova typu připravené výzkumníky v souladu s literaturou ke zjištění míry spokojenosti sester s tréninkem tlakových poranění. Nejnižší skóre je 0 a nejvyšší 25. Pro stanovení úrovně spolehlivosti dotazníku použitého ve studii byla provedena analýza spolehlivosti a byl získán Chronbachův alfa koeficient 0,95.

Model hlubokého učení, který jsme vyvinuli pro detekci a klasifikaci tlakových poranění „Model hlubokého učení pro detekci a klasifikaci tlakových poranění (model BYT-CNN)“, který jsme vyvinuli, byl nejprve trénován na 175 vzorových snímcích pacientů a ukázal míru úspěšnosti předpovědi klasifikace přibližně 97 %. Protože se předpokládalo, že model BYT-CNN funguje lépe s větším počtem snímků pacientů; pokračovalo se ve vývoji s použitím 500 obrazových dat pacientů a 500 nepacientských obrazových dat, aby se vyřešily klasifikační problémy odhadu, zda je onemocnění přítomno či nikoli, a stadia onemocnění (obrázek 1). Tento model poskytne analýzu rizik tlakových poranění a jejich klasifikaci podle "NPUAP Pressure Injury Classification System" v případech, kdy se vyvinou. Byla vyvinuta mobilní aplikace, která zahrnuje ošetřovatelské intervence doporučené NPUAP podle stadia určeného modelem hlubokého učení a také byla provedena léčba a péče o tlakové poranění (obr. 2).

Za účelem detekce a klasifikace tlakových poranění pomocí modelu BYT-CNN; pořídí se snímek tlakového poranění nebo rizikové oblasti a připojí se k hlavnímu počítači, kde se nachází hluboké učení přes Bluetooth nebo Wi-Fi. Poté, zda má pacient tlakové poranění, a pokud ano, v jakém je stadiu, je do „3 sekund“ hlášeno na telefon sestry.

Mobilní aplikace, připravená v souladu s doporučeními NPUAP 2016 pro léčbu tlakových poranění a péči, informuje sestru o tom, jakou péči v jaké fázi poskytnout.

Metoda použitá při sběru dat

Před zahájením sběru dat výzkumníci vyvinuli „Model hlubokého učení pro detekci a klasifikaci tlakových zranění (model BYT-CNN). Všem sestrám účastnícím se studie byla ve stejnou dobu poskytnuta 4hodinová teoretická lekce na téma „Poranění z tlaku“ v prostředí třídy. Týden poté, co všechny sestry absolvovaly teoretickou přípravu, byly rozděleny do experimentální (Deep Learning Model) a kontrolní skupiny (tradiční metoda). Obě skupiny dostaly „Formulář pro představování strukturované sestry“ a byl aplikován „Předtest (modifikovaný „Pieperův test znalostí o tlakových bolestech)“.

Aplikace v kontrolní skupině: Po teoretické lekci sestry v kontrolní skupině určily a klasifikovaly tlaková poranění u svých pacientů pomocí " Braden Risk Assessment Scale", která byla přijata jako platná a spolehlivá. Sestrám v kontrolní skupině, které určovaly tlaková poranění pomocí škály, bylo poskytnuto školení o určování a klasifikaci tlakových poranění pomocí písemného materiálu, jehož obsah zpracovali výzkumníci. Po školení byl u sester aplikován „Průzkum spokojenosti s metodou školení“. Týden po školení se sestrám podrobil "Post-Test (modifikovaný "Pieper Pressure Sore Knowledge Test)". Po dokončení aplikace byly dobrovolné sestry z kontrolní skupiny podrobeny detekci a klasifikaci tlakových poranění pomocí modelu hlubokého učení a proškoleny s mobilní aplikací.

Aplikace v experimentální skupině: Po teoretickém kurzu sestry v experimentální skupině detekovaly a klasifikovaly tlaková poranění u svých pacientů pomocí „Modelu hlubokého učení“. V experimentální skupině byla do telefonů sester, které detekovaly tlaková poranění pomocí modelu hlubokého učení, nainstalována mobilní aplikace vyvinutá výzkumníky a byl aplikován trénink. Sestrám tak byla poskytnuta péče a ošetření pacienta dle vyvinuté mobilní aplikace podle stadia tlakového poranění detekovaného modelem hlubokého učení. Po školení byl u sester aplikován „Průzkum spokojenosti s metodou školení“. 1 týden po školení sestry absolvovaly "Post-Test (upravený "Pieper Pressure Sore Knowledge Test)" Etické a právní aspekty výzkumu Aby bylo možné provést výzkum, byly provedeny nezbytné rozhovory a korespondence a institucionální povolení a byl získán souhlas etické komise. Povolení etické komise bylo získáno od Etické komise pro lidský výzkum Istinye University s číslem rozhodnutí 2104 ze dne 27.01.2021. Institucionální povolení; Za účelem provedení výzkumu bylo dne 08.02.2022 získáno povolení k žádosti od hlavního lékaře Istanbul Beykent University Hospital s dokumentem číslo 14. Od jednotlivců účastnících se výzkumu byly získány formuláře informovaného souhlasu. Tři z pěti řešitelů, kteří dokončili realizační fázi výzkumu, pracují na katedře výpočetní techniky. Další dva výzkumní pracovníci pracují na katedře ošetřovatelství (dva výzkumní pracovníci jsou členy fakulty v oboru Počítačové inženýrství, jeden výzkumný pracovník je členem fakulty v oboru Základy ošetřovatelství, jeden výzkumník je softwarový inženýr a jeden výzkumný pracovník je sestra na jednotce intenzivní péče).

Analýza dat Data získaná ve studii byla získána pomocí programu SPSS (Statistical Package for Social Sciences) pro Windows 25.0. Pro vyhodnocení dat jako počet, procento, průměr, směrodatná odchylka byly použity deskriptivní statistické metody. Rozdíly mezi podíly kategoriálních proměnných v nezávislých skupinách byly analyzovány pomocí Chi-Square a Fisher. Bylo analyzováno exaktními testy. T-test byl použit k porovnání kvantitativních spojitých dat mezi dvěma nezávislými skupinami. K porovnání měření v rámci skupiny byl použit t-test závislých skupin.