Deep Learning-model, der registrerer trykskade

I dag, med den stigende brug af teknologi, ses det, at der er behov for større data for at løse komplekse problemer. For at imødekomme dette behov er der opstået Convolutional Neural Networks, som bruges på mange områder såsom objektgenkendelse, talegenkendelse og naturlig sprogbehandling, og som automatisk kan lære af symbolerne på data, der hører til billeder, videoer, lyd og tekster, i stedet for at lære med kodede regler, i modsætning til traditionelle maskinlæringsmetoder, baseret på kunstige neurale netværk. Convolutional Neural Networks er en af ​​Deep Learning-metoderne, som er en undergren af ​​maskinlæringsmetoder og har evnen til at lære af eksempler. Konvolutionelle neurale netværk er metoder, der også kan lære af rå billed- eller tekstdata, og hvis forudsigelsesnøjagtighed øges i forhold til størrelsen af ​​dataene. Det er bevist i litteraturen, at kunstig intelligens og deep learning-modeller er effektive i risikoanalysen af ​​trykskader. Der er dog ikke fundet nogen undersøgelse af klassificeringen af ​​trykskader. Raju, Su, Patrician et al. (2015), gav en mere nøjagtig og hurtigere forudsigelse af Braden-risikoskalaen med den dybe læringsmodel, de udviklede som et resultat af en fire-årig opfølgning på et militærhospital. Alderden, Pepper, Wilson et al. (2018) udviklede en deep learning-model, der afslører risikoanalysen af ​​trykskader hos intensivpatienter, og gav en mere præcis og meningsfuld risikoanalyse for trykskader med mere følsomme målinger til intensivpatienter, der anses for højrisiko i henhold til risikovurderingsværktøjer. Demircan, Yücedağ, Toz et al. (2016) udviklede en matematisk model, der analyserer risikofaktorerne i dannelsesprocessen af ​​trykskader, og sikrede, at trykskader blev opdaget på et tidligt tidspunkt. Brugen af ​​disse innovative applikationer, som er inkluderet og brugt i verdenslitteraturen, er begrænset i vores land. I et miljø, hvor teknologi udvikler sig og forbruges hurtigt, vil det at ikke forblive ligeglad med innovative initiativer og integrering af teknologi i sygeplejepraksis øge synligheden af ​​vores profession ved at uddanne innovative sygeplejersker. I lyset af denne information blev undersøgelsen udført for at udvikle en dyb læringsmodel i detektion og klassificering af trykskader og for at bestemme modellens effekt på sygeplejerskers viden og tilfredshedsniveau.

Formål Der er gennemført et randomiseret kontrolleret eksperimentelt studie for at udvikle en dyb læringsmodel til påvisning og klassificering af trykskader og for at bestemme modellens effekt på sygeplejerskers viden og tilfredshedsniveau.

Forskningens hypoteser; H1: Deep Learning Model giver påvisning af tryksår.

H2: Deep Learning Model giver klassificering af tryksår.

H3: Mobilapplikation udviklet med Deep Learning Model spiller en aktiv rolle i tryksårsbehandling og pleje.

Undersøgelsens variabler; Uafhængige variabler i undersøgelsen; deep learning model, Braden risikovurdering Afhængige variabler i undersøgelsen; tryksårs vidensniveau, tilfredshedsniveau med uddannelse Metodeforskning er en randomiseret kontrolleret eksperimentel undersøgelse. Universe and Sample of the Research bestod af 80 sygeplejersker, der arbejdede på intensiv-, internmedicin- og kirurgiklinikker på et stiftende universitetshospital mellem marts 2021 og juni 2022.

For at bestemme antallet af sygeplejersker, der udgør forskningsprøven, blev en lignende undersøgelse taget som eksempel i den relevante litteratur, og kraftanalysen G* Power 3.1-softwaren blev brugt. I denne undersøgelse blev stikprøvestørrelsen beregnet til 56 for at nå et effektniveau på 95 % ved en effektstørrelse på 0,5 og et fejlniveau på 5 %, med 28 deltagere i hver gruppe. I betragtning af testens høje effekt og tabene i undersøgelsen blev i alt 60 personer nået, 30 i hver gruppe. Sygeplejerskerne i prøvegruppen blev tilfældigt tildelt kontrolgruppen (n=30) og forsøgsgruppen (n=30) af forskeren ved hjælp af en simpel taltabel. Randomiseringstabellen blev oprettet ved at bruge webstedet http://stattrek.com/statistics/random-number-generator.aspx til randomisering. Som følge heraf bestod stikprøven af ​​undersøgelsen af ​​i alt 60 sygeplejersker, 30 deltagere i hver sygeplejerskegruppe, som blev informeret om formålet med undersøgelsen, og som fik lov til at deltage i undersøgelsen, og som opfyldte stikprøvekriterierne i undersøgelsen. studere. Prøvekriterierne var ; sygeplejersken var over 18 år, arbejdede som intensiv- eller kliniksygeplejerske og accepterede at deltage i undersøgelsen mundtligt og skriftligt.

Dataindsamlingsværktøjer Forskningsdata, "Structured Nurse Introduction Form", "Modified Pieper Pressure Sore Knowledge Test", "Braden Risk Assessment Scale" og "Nursing Satisfaction Scale" blev brugt.

Introduktionsformular til struktureret sygeplejerske:

litteraturoplysninger om emnet og omfatter information om sygeplejerskers introduktionskarakteristika.

Modificeret Pieper tryksår videnstest:

Som et resultat af forskningen blev den modificerede skala udviklet af Pieper og Mott i 1995, modificeret af Lawrence, og dens gyldighed og pålidelighed blev bestemt af Asiye Gül og hendes kolleger i 2017. Pieper Pressure Wound Knowledge Test blev brugt. Denne test består af 49 punkter. Skalaen er opdelt i tre underdimensioner. Den generelle vidensscore kan være op til 49 point, forebyggelsesvidensscoren kan være op til 33 point, iscenesættelsesvidensscoren kan være op til 9 point, og såridentifikationsscoren kan være op til 7 point. Der blev anmodet om ændret tilladelse fra Prof. Dr. Asiye Gül til Pieper Pressure Sore Knowledge Test. En pålidelighedsanalyse blev udført for at bestemme pålidelighedsniveauet for den skala, der blev brugt i undersøgelsen, og Chronbach alfa-koefficienten for forsøgsgruppen blev opnået som 0,838 og kontrolgruppens som 0,812.

Bradens risikovurderingsskala:

Braden og Bergstrom blev dirigeret af Oğuz i 1997 i Tyrkiet. En samlet score fra 6 til 23 opnås fra skalaen. Ifølge den samlede score betragtes 12 point og derunder som højrisiko, 13-14 point anses for risikable, og 15-16 point anses for lav risiko.

Sygeplejersketilfredshedsundersøgelse:

Likert-lignende spørgsmål udarbejdet af forskere i overensstemmelse med litteraturen for at bestemme tilfredshedsniveauet for sygeplejersker med trykskadetræning. Den laveste score er 0 og den højeste er 25. Reliabilitetsanalyse blev udført for at bestemme pålidelighedsniveauet for det spørgeskema, der blev brugt i undersøgelsen, og Chronbach alfa-koefficienten blev opnået som 0,95.

Den dybe læringsmodel, vi udviklede til påvisning og klassificering af trykskader. "Deep Learning-model til påvisning og klassificering af trykskader (BYT-CNN-model)", som vi udviklede, blev først trænet på 175 prøvepatientbilleder og viste en succesrate for klassificeringsforudsigelse. på cirka 97 %. Da BYT-CNN-modellen menes at fungere bedre med flere patientbilleder; det blev fortsat udviklet ved hjælp af 500 patient- og 500 ikke-patient-billeddata til at løse klassifikationsproblemerne med både at vurdere, om sygdommen er til stede eller ej, og sygdomsstadiet (figur 1). Denne model vil give risikoanalyse af trykskader og deres klassificering i henhold til "NPUAP Pressure Injury Classification System" i tilfælde, hvor de udvikler . En mobilapplikation, der inkluderer sygeplejeinterventioner anbefalet af NPUAP i henhold til det stadie, der er bestemt af den dybe læringsmodel, blev udviklet, og behandlingen og plejen af ​​trykskaden blev også udført (figur 2).

For at opdage og klassificere trykskader ved hjælp af BYT-CNN-modellen; et billede af trykskaden eller risikoområdet tages og forbindes til hovedcomputeren, hvor deep learning er placeret via Bluetooth eller Wi-Fi. Herefter meldes til sygeplejerskens telefon inden for "3 sekunder" om patienten har en trykskade og i givet fald hvilket stadie den er.

Den mobile applikation, der er udarbejdet i overensstemmelse med NPUAP 2016 trykskadebehandling og plejeanbefalinger, informerer sygeplejersken om, hvilken pleje der skal ydes til hvilket stadium.

Metoden, der blev fulgt ved indsamling af data

Før de begyndte at indsamle data, udviklede forskerne en "Deep Learning Model for Detection and Classification of Pressure Injuries (BYT-CNN model). Alle sygeplejersker, der deltog i undersøgelsen, fik en 4-timers teoretisk lektion om "Trykskader" i et klassemiljø på samme tid. En uge efter at alle sygeplejersker havde modtaget teoretisk uddannelse, blev de opdelt i eksperimentelle (Deep Learning Model) og kontrolgrupper (Traditional Method). Begge grupper fik en "Structured Nurse Introduction Form" og en "Pre-Test (modificeret "Pieper Pressure Sore Knowledge Test)" blev anvendt.

Anvendelse i kontrolgruppe: Efter den teoretiske lektion har sygeplejerskerne i kontrolgruppen bestemt og klassificeret trykskaderne hos deres patienter ved hjælp af "Braden Risk Assessment Scale", som er blevet accepteret som gyldig og pålidelig. Sygeplejerskerne i kontrolgruppen, som fastlagde trykskaderne ved hjælp af skalaen, fik undervisning i bestemmelse og klassificering af trykskader ved hjælp af skriftligt materiale, hvis indhold var udarbejdet af forskerne. Efter uddannelsen blev "Tilfredshed med Træningsmetodeundersøgelsen" lagt på sygeplejerskerne. En uge efter uddannelsen fik sygeplejerskerne "Post-Test (modificeret "Pieper Pressure Sore Knowledge Test)" anvendt. Efter afslutningen af ​​ansøgningen blev frivillige sygeplejersker fra kontrolgruppen udsat for trykskadedetektering og klassificering med deep learning-modellen og trænet med mobilapplikationen.

Anvendelse i Forsøgsgruppen: Efter det teoretiske forløb opdagede og klassificerede sygeplejerskerne i forsøgsgruppen trykskader hos deres patienter med "Deep Learning Model". I forsøgsgruppen blev en mobilapplikation udviklet af forskerne installeret på telefonerne til de sygeplejersker, der opdagede trykskader ved hjælp af deep learning-modellen, og der blev anvendt træning. Sygeplejerskerne blev således forsynet med patientens pleje og behandling i henhold til den udviklede mobilapplikation i henhold til trykskadestadiet, som blev opdaget af deep learning-modellen. Efter uddannelsen blev "Tilfredshedsundersøgelsen med træningsmetoden" lagt på sygeplejerskerne. 1 uge efter uddannelsen fik sygeplejerskerne "Post-Test (modificeret "Pieper Pressure Sore Knowledge Test)" blev anvendt Etiske og juridiske aspekter af forskning For at udføre forskningen blev de nødvendige interviews og korrespondance foretaget og institutionelle tilladelser og etisk udvalgs godkendelse blev opnået. Tilladelse fra etisk komité blev indhentet fra Istinye University Human Research Ethics Committee med beslutningsnummer 2104 dateret 27.01.2021. Institutionel tilladelse; For at udføre forskningen blev der indhentet en ansøgningstilladelse fra Istanbul Beykent University Hospital Chief Physician's Office den 08.02.2022 med dokumentnummer 14. Formularer til informeret samtykke blev indhentet fra de personer, der deltog i forskningen. Tre af de fem forskere, der gennemførte implementeringsfasen af ​​forskningsarbejdet i Institut for Datateknik. De to andre forskere arbejder i Institut for Sygepleje (to forskere er fakultetsmedlemmer i Computer Engineering, en forsker er fakultetsmedlem i Fundamentals of Nursing, en forsker er softwareingeniør, og en forsker er intensivsygeplejerske).

Analyse af data Dataene opnået i undersøgelsen blev opnået ved hjælp af SPSS (Statistical Package for Social Sciences) til Windows 25.0-programmet blev brugt til analyse. Beskrivende statistiske metoder blev brugt til dataevaluering som antal, procent, gennemsnit, standardafvigelse. Forskelle mellem andele af kategoriske variable i uafhængige grupper blev analyseret ved hjælp af Chi-Square og Fisher. Det blev analyseret med nøjagtige tests. T-test blev brugt til at sammenligne kvantitative kontinuerlige data mellem to uafhængige grupper. Afhængige gruppers t-test blev brugt til at sammenligne målinger inden for gruppe.