Deep-Learning-Modell zur Erkennung von Dekubitus

Mit dem zunehmenden Einsatz von Technologie zeigt sich heute, dass zur Lösung komplexer Probleme größere Datenmengen erforderlich sind. Um diesen Bedarf zu decken, sind Convolutional Neural Networks entstanden, die in vielen Bereichen wie Objekterkennung, Spracherkennung und Verarbeitung natürlicher Sprache eingesetzt werden und automatisch aus den Symbolen von Daten lernen können, die zu Bildern, Videos, Audio usw. gehören Texte, anstatt im Gegensatz zu herkömmlichen maschinellen Lernmethoden, die auf künstlichen neuronalen Netzen basieren, mit codierten Regeln zu lernen. Convolutional Neural Networks gehören zu den Deep-Learning-Methoden, die einen Unterzweig maschineller Lernmethoden darstellen und die Fähigkeit besitzen, aus Beispielen zu lernen. Bei Convolutional Neural Networks handelt es sich um Methoden, die auch aus rohen Bild- oder Textdaten lernen können und deren Vorhersagegenauigkeit mit der Größe der Daten steigt. In der Literatur wurde nachgewiesen, dass künstliche Intelligenz und Deep-Learning-Modelle bei der Risikoanalyse von Druckverletzungen wirksam sind. Allerdings wurde keine Studie zur Klassifizierung von Dekubitusverletzungen gefunden. Raju, Su, Patrician et al. (2015) lieferten mit dem Deep-Learning-Modell, das sie als Ergebnis einer vierjährigen Nachuntersuchung in einem Militärkrankenhaus entwickelt hatten, eine genauere und schnellere Vorhersage der Braden-Risikoskalenwerte. Alderden, Pepper, Wilson et al. (2018) entwickelten ein Deep-Learning-Modell, das die Risikoanalyse von Druckverletzungen bei Intensivpatienten aufzeigt und eine genauere und aussagekräftigere Risikoanalyse für Druckverletzungen mit empfindlicheren Messungen für Intensivpatienten lieferte, die laut Risikobewertungstools als Hochrisikopatienten gelten. Demircan, Yücedağ, Toz et al. (2016) entwickelten ein mathematisches Modell, das die Risikofaktoren im Entstehungsprozess von Druckverletzungen analysiert und dafür sorgte, dass Druckverletzungen frühzeitig erkannt wurden. Die Nutzung dieser innovativen Anwendungen, die in der Weltliteratur enthalten sind und verwendet werden, ist in unserem Land begrenzt. In einem Umfeld, in dem sich Technologie rasant weiterentwickelt und verbraucht, wird es die Sichtbarkeit unseres Berufs durch die Ausbildung innovativer Pflegekräfte erhöhen, wenn wir innovativen Initiativen gegenüber nicht gleichgültig bleiben und Technologie in die Pflegepraxis integrieren. Vor dem Hintergrund dieser Informationen wurde die Studie durchgeführt, um ein Deep-Learning-Modell zur Erkennung und Klassifizierung von Dekubitus zu entwickeln und die Wirkung des Modells auf das Wissen und die Zufriedenheit von Pflegekräften zu bestimmen.

Ziel Eine randomisierte kontrollierte experimentelle Studie wurde durchgeführt, um ein Deep-Learning-Modell zur Erkennung und Klassifizierung von Dekubitus zu entwickeln und die Wirkung des Modells auf das Wissen und die Zufriedenheit von Pflegekräften zu bestimmen.

Hypothesen der Forschung; H1: Deep-Learning-Modell ermöglicht die Erkennung von Druckstellen.

H2: Deep-Learning-Modell ermöglicht die Klassifizierung von Druckgeschwüren.

H3: Mit dem Deep-Learning-Modell entwickelte mobile Anwendung spielt eine aktive Rolle bei der Behandlung und Pflege von Dekubitus.

Variablen der Studie; Unabhängige Variablen der Studie; Deep-Learning-Modell, Braden-Risikobewertung Abhängige Variablen der Studie; Dekubitus-Wissensstand, Zufriedenheitsgrad mit der Ausbildung Method Research ist eine randomisierte kontrollierte experimentelle Studie. Das Universum und die Stichprobe der Forschung bestanden aus 80 Pflegekräften, die zwischen März 2021 und Juni 2022 in den Kliniken Intensivpflege, Innere Medizin und Chirurgie eines Stiftungsuniversitätskrankenhauses arbeiteten.

Um die Anzahl der Pflegekräfte zu bestimmen, aus denen die Forschungsstichprobe besteht, wurde eine ähnliche Studie in der einschlägigen Literatur als Beispiel genommen und die Power-Analyse-Software G* Power 3.1 verwendet. In dieser Studie wurde die Stichprobengröße mit 56 berechnet, mit 28 Teilnehmern in jeder Gruppe, um ein Leistungsniveau von 95 % bei einer Effektgröße von 0,5 und einem Fehlerniveau von 5 % zu erreichen. Unter Berücksichtigung der hohen Aussagekraft des Tests und der Verluste in der Studie wurden insgesamt 60 Personen erreicht, 30 in jeder Gruppe. Die Krankenschwestern in der Stichprobengruppe wurden vom Forscher anhand einer einfachen Zahlentabelle zufällig der Kontrollgruppe (n=30) und der Versuchsgruppe (n=30) zugeordnet. Die Randomisierungstabelle wurde mithilfe der Website http://stattrek.com/statistics/random-number-generator.aspx für die Randomisierung erstellt. Infolgedessen bestand die Stichprobe der Studie aus insgesamt 60 Pflegekräften, 30 Teilnehmern in jeder Pflegegruppe, die über den Zweck der Studie informiert waren und an der Studie teilnehmen durften und die die Stichprobenkriterien der Studie erfüllten Studie. Die Stichprobenkriterien waren; Die Krankenschwester war über 18 Jahre alt, arbeitete als Intensiv- oder Klinikkrankenschwester und erklärte sich mündlich und schriftlich zur Teilnahme an der Studie bereit.

Datenerfassungstools Forschungsdaten, „Structured Nurse Introduction Form“, „Modified Pieper Dekubitus-Wissenstest“, „Braden Risk Assessment Scale“ und „Nursing Satisfaction Scale“ wurden verwendet.

Strukturiertes Einführungsformular für Krankenschwestern:

Literaturinformationen zum Thema und Informationen zu den Einstiegsmerkmalen von Pflegekräften.

Modifizierter Pieper-Dekubitus-Wissenstest:

Als Ergebnis der Forschung wurde 1995 von Pieper und Mott die modifizierte Skala entwickelt, von Lawrence modifiziert, und ihre Gültigkeit und Zuverlässigkeit wurde 2017 von Asiye Gül und ihren Kollegen bestimmt. Es wurde der Pieper-Druckwunden-Wissenstest verwendet. Dieser Test besteht aus 49 Items. Die Skala ist in drei Unterdimensionen unterteilt. Der Allgemeinwissenswert kann bis zu 49 Punkte betragen, der Präventionswissenswert kann bis zu 33 Punkte betragen, der Staging-Wissenswert kann bis zu 9 Punkte betragen und der Wunderkennungswert kann bis zu 7 Punkte betragen. Für den Pieper-Dekubitus-Wissenstest wurde eine geänderte Genehmigung von Prof. Dr. Asiye Gül eingeholt. Um das Zuverlässigkeitsniveau der in der Studie verwendeten Skala zu bestimmen, wurde eine Zuverlässigkeitsanalyse durchgeführt. Der Chronbach-Alpha-Koeffizient der Versuchsgruppe betrug 0,838 und der der Kontrollgruppe 0,812.

Braden-Risikobewertungsskala:

Braden und Bergstrom wurde 1997 von Oğuz in der Türkei dirigiert. Auf der Skala ergibt sich eine Gesamtpunktzahl zwischen 6 und 23. Gemäß der Gesamtpunktzahl gelten 12 Punkte und weniger als hohes Risiko, 13–14 Punkte gelten als riskant und 15–16 Punkte gelten als geringes Risiko.

Umfrage zur Zufriedenheit von Krankenschwestern:

Von Forschern im Einklang mit der Literatur erstellte Likert-Fragen, um den Zufriedenheitsgrad von Pflegekräften mit Dekubitustraining zu ermitteln. Der niedrigste Wert liegt bei 0 und der höchste bei 25. Um den Zuverlässigkeitsgrad des in der Studie verwendeten Fragebogens zu bestimmen, wurde eine Zuverlässigkeitsanalyse durchgeführt. Der Chronbach-Alpha-Koeffizient wurde mit 0,95 ermittelt.

Das von uns entwickelte Deep-Learning-Modell zur Erkennung und Klassifizierung von Druckverletzungen Das von uns entwickelte „Deep-Learning-Modell zur Erkennung und Klassifizierung von Druckverletzungen (BYT-CNN-Modell)“ wurde zunächst anhand von 175 Beispielpatientenbildern trainiert und zeigte eine Erfolgsquote bei der Klassifizierungsvorhersage von ca. 97 %. Da angenommen wurde, dass das BYT-CNN-Modell bei mehr Patientenbildern eine bessere Leistung erbringt; Es wurde unter Verwendung von 500 Patienten- und 500 Nicht-Patienten-Bilddaten weiterentwickelt, um die Klassifizierungsprobleme sowohl bei der Schätzung, ob die Krankheit vorliegt oder nicht, als auch beim Stadium der Krankheit zu lösen (Abbildung 1). Dieses Modell ermöglicht eine Risikoanalyse von Druckverletzungen und deren Klassifizierung gemäß dem „NPUAP Pressure Injury Classification System“ in den Fällen, in denen sie auftreten. Es wurde eine mobile Anwendung entwickelt, die von NPUAP empfohlene Pflegeinterventionen entsprechend dem durch das Deep-Learning-Modell bestimmten Stadium umfasst, und es wurde auch die Behandlung und Pflege der Dekubitusverletzung durchgeführt (Abbildung 2).

Um Druckverletzungen mithilfe des BYT-CNN-Modells zu erkennen und zu klassifizieren; Es wird ein Bild der Dekubitusverletzung oder des gefährdeten Bereichs aufgenommen und über Bluetooth oder WLAN mit dem Hauptcomputer verbunden, auf dem sich Deep Learning befindet. Anschließend wird innerhalb von „3 Sekunden“ an das Telefon der Pflegekraft gemeldet, ob der Patient eine Dekubitusverletzung hat und wenn ja, in welchem ​​Stadium sie sich befindet.

Die mobile Anwendung, die gemäß den NPUAP 2016-Empfehlungen zur Behandlung und Pflege von Druckverletzungen erstellt wurde, informiert die Pflegekraft darüber, welche Pflege in welchem ​​Stadium durchgeführt werden muss.

Die Methode zur Datenerhebung

Bevor mit der Datenerhebung begonnen wurde, entwickelten die Forscher ein „Deep-Learning-Modell zur Erkennung und Klassifizierung von Dekubitusverletzungen“ (BYT-CNN-Modell). Alle an der Studie teilnehmenden Krankenschwestern erhielten gleichzeitig eine 4-stündige theoretische Lektion zum Thema „Druckverletzungen“ im Klassenzimmer. Eine Woche nachdem alle Pflegekräfte die theoretische Ausbildung erhalten hatten, wurden sie in Versuchsgruppen (Deep-Learning-Modell) und Kontrollgruppen (traditionelle Methode) eingeteilt. Beide Gruppen erhielten ein „strukturiertes Einführungsformular für Krankenschwestern“ und es wurde ein „Vortest (modifizierter „Pieper-Dekubitus-Wissenstest“)“ durchgeführt.

Anwendung in der Kontrollgruppe: Nach der theoretischen Lektion ermittelten und klassifizierten die Pflegekräfte der Kontrollgruppe die Druckverletzungen ihrer Patienten anhand der als valide und zuverlässig anerkannten „Braden Risk Assessment Scale“. Die Pflegekräfte der Kontrollgruppe, die die Druckverletzungen anhand der Skala ermittelten, erhielten eine Schulung zur Bestimmung und Klassifizierung von Druckverletzungen anhand von schriftlichen Materialien, deren Inhalt von den Forschern aufbereitet wurde. Nach der Schulung wurde die „Umfrage zur Zufriedenheit mit der Schulungsmethode“ bei den Pflegekräften durchgeführt. Eine Woche nach der Schulung wurde bei den Pflegekräften der „Post-Test (modifizierter „Pieper-Dekubitus-Wissenstest“)“ angewendet. Nach Abschluss der Anwendung wurden freiwillige Krankenschwestern aus der Kontrollgruppe der Dekubituserkennung und -klassifizierung mit dem Deep-Learning-Modell unterzogen und mit der mobilen Anwendung geschult.

Anwendung in der Experimentalgruppe: Nach dem theoretischen Kurs erkannten und klassifizierten die Pflegekräfte der Experimentalgruppe Druckverletzungen bei ihren Patienten mit dem „Deep Learning Model“. In der Versuchsgruppe wurde eine von den Forschern entwickelte mobile Anwendung auf den Telefonen der Krankenschwestern installiert, die Druckverletzungen mithilfe des Deep-Learning-Modells erkannten, und es wurde ein Training angewendet. Somit wurde den Pflegekräften die Pflege und Behandlung des Patienten entsprechend der entwickelten mobilen Anwendung entsprechend dem vom Deep-Learning-Modell erkannten Dekubitusstadium bereitgestellt. Nach der Schulung wurde die „Zufriedenheitsbefragung mit der Trainingsmethode“ bei den Pflegekräften angewendet. Eine Woche nach der Schulung erhielten die Krankenschwestern den „Post-Test“ (modifizierter „Pieper-Dekubitus-Wissenstest“). Ethische und rechtliche Aspekte der Forschung Zur Durchführung der Forschung wurden die notwendigen Interviews und Korrespondenz durchgeführt und institutionelle Genehmigungen eingeholt und die Zustimmung der Ethikkommission wurde eingeholt. Die Genehmigung der Ethikkommission wurde von der Ethikkommission für Humanforschung der Universität Istinye mit der Entscheidungsnummer 2104 vom 27.01.2021 eingeholt. Institutionelle Erlaubnis; Zur Durchführung der Forschung wurde am 08.02.2022 eine Antragsgenehmigung von der Chefarztpraxis des Universitätskrankenhauses Istanbul Beykent mit der Dokumentnummer 14 eingeholt. Von den an der Forschung teilnehmenden Personen wurden Einverständniserklärungen eingeholt. Drei der fünf Forscher, die die Umsetzungsphase der Forschungsarbeit im Fachbereich Technische Informatik abgeschlossen haben. Die anderen beiden Forscher arbeiten in der Abteilung für Krankenpflege (zwei Forscher sind Fakultätsmitglieder für Computertechnik, ein Forscher ist Fakultätsmitglied für Grundlagen der Krankenpflege, ein Forscher ist Softwareentwickler und ein Forscher ist Intensivpfleger).

Analyse der Daten: Die in der Studie erhaltenen Daten wurden mit dem Programm SPSS (Statistical Package for Social Sciences) für Windows 25.0 ermittelt und zur Analyse verwendet. Für die Datenauswertung als Zahl, Prozentsatz, Mittelwert und Standardabweichung wurden deskriptive statistische Methoden verwendet. Unterschiede zwischen den Anteilen kategorialer Variablen in unabhängigen Gruppen wurden mithilfe von Chi-Quadrat und Fisher analysiert. Die Analyse erfolgte mit exakten Tests. Der T-Test wurde verwendet, um quantitative kontinuierliche Daten zwischen zwei unabhängigen Gruppen zu vergleichen. Der T-Test abhängiger Gruppen wurde verwendet, um Messungen innerhalb der Gruppe zu vergleichen.