Syväoppimismalli, joka havaitsee painevamman

Nykyään teknologian lisääntyvän käytön myötä nähdään, että monimutkaisten ongelmien ratkaisemiseen tarvitaan suurempia tietoja. Vastatakseen tähän tarpeeseen on syntynyt konvoluutiohermoverkkoja, joita käytetään monilla aloilla, kuten objektintunnistuksessa, puheentunnistuksessa ja luonnollisen kielen käsittelyssä ja jotka voivat automaattisesti oppia kuviin, videoihin, ääniin ja ääniin kuuluvien tietojen symboleista. tekstit, sen sijaan, että oppisivat koodatuilla säännöillä, toisin kuin perinteiset koneoppimismenetelmät, jotka perustuvat keinotekoisiin hermoverkkoihin. Konvoluutiohermoverkot ovat yksi Deep Learning -menetelmistä, joka on koneoppimismenetelmien alahaara ja jolla on kyky oppia esimerkeistä. Konvoluutiohermoverkot ovat menetelmiä, jotka voivat oppia myös raakakuva- tai tekstidatasta ja joiden ennustetarkkuus kasvaa datan koon mukaan. Kirjallisuudessa on todistettu, että tekoäly ja syväoppimismallit ovat tehokkaita painevammojen riskianalyysissä. Painevammojen luokittelusta ei kuitenkaan ole löydetty tutkimusta. Raju, Su, Patrician et ai. (2015), tarjosivat tarkemman ja nopeamman ennusteen Bradenin riskiasteikon pisteistä syväoppimismallilla, jonka he kehittivät neljän vuoden seurannan tuloksena sotisairaalassa. Alderden, Pepper, Wilson et ai. (2018) kehitti syväoppimismallin, joka paljastaa painevammojen riskianalyysin tehohoitopotilailla, ja tarjosi tarkemman ja merkityksellisemmän painevammojen riskianalyysin herkemmillä mittauksilla tehohoitopotilaille, jotka riskinarviointityökalujen mukaan katsotaan suureksi riskiksi. Demircan, Yücedağ, Toz et ai. (2016) kehitti matemaattisen mallin, joka analysoi painevammojen muodostumisprosessin riskitekijöitä ja varmisti, että painevammat havaittiin varhaisessa vaiheessa. Näiden innovatiivisten sovellusten käyttö, jotka sisältyvät ja käytetään maailmankirjallisuudessa, on maassamme rajoitettua. Ympäristössä, jossa teknologia kehittyy ja kulutetaan nopeasti, innovatiivisille aloitteille jättäminen välinpitämättömäksi ja teknologian integroiminen hoitotyön käytäntöihin lisää ammattimme näkyvyyttä kouluttamalla innovatiivisia sairaanhoitajia. Näiden tietojen valossa tutkimuksessa kehitettiin syväoppimismalli painevammojen havaitsemiseen ja luokitteluun sekä selvitettiin mallin vaikutus sairaanhoitajien tieto- ja tyytyväisyyteen.

Tavoite Satunnaistetulla kontrolloidulla kokeellisella tutkimuksella kehitettiin syväoppimismalli painevammojen havaitsemiseen ja luokitteluun sekä selvitettiin mallin vaikutus sairaanhoitajien tietoon ja tyytyväisyyteen.

Tutkimuksen hypoteesit; H1: Deep Learning -malli mahdollistaa painehaavojen havaitsemisen.

H2: Deep Learning Model tarjoaa painehaavojen luokituksen.

H3: Deep Learning -mallilla kehitetty mobiilisovellus toimii aktiivisesti painekipujen hoidossa ja hoidossa.

Tutkimuksen muuttujat; Tutkimuksen riippumattomat muuttujat; syväoppimismalli, braden-riskin arviointi Tutkimuksen riippuvat muuttujat; paine kipeä tietotaso, tyytyväisyys koulutukseen Menetelmä Tutkimus on satunnaistettu kontrolloitu kokeellinen tutkimus. Universe ja Sample of the Research koostuivat 80 sairaanhoitajasta, jotka työskentelivät säätiön yliopistollisen sairaalan teho-, sisätauti- ja kirurgian klinikoilla maaliskuun 2021 ja kesäkuun 2022 välisenä aikana.

Tutkimusotokseen kuuluvien sairaanhoitajien lukumäärän määrittämiseksi otettiin vastaavanlainen tutkimus esimerkkinä asiaankuuluvasta kirjallisuudesta ja käytettiin tehoanalyysiohjelmistoa G* Power 3.1. Tässä tutkimuksessa, jotta saavutettaisiin 95 % tehotaso 0,5 efektin koolla ja 5 % virhetasolla, otoskooksi laskettiin 56, ja kussakin ryhmässä oli 28 osallistujaa. Ottaen huomioon testin suuren tehon ja tutkimuksessa saadut tappiot, tavoitettiin yhteensä 60 henkilöä, 30 kussakin ryhmässä. Tutkija jakoi näyteryhmän sairaanhoitajat satunnaisesti kontrolli- (n=30) ja koeryhmiin (n=30) yksinkertaisen numerotaulukon avulla. Satunnaistustaulukko luotiin käyttämällä satunnaistamiseen verkkosivustoa http://stattrek.com/statistics/random-number-generator.aspx. Tämän tuloksena tutkimuksen otokseen kuului yhteensä 60 sairaanhoitajaa, kussakin sairaanhoitajaryhmässä 30 osallistujaa, joille tiedotettiin tutkimuksen tarkoituksesta ja jotka saivat osallistua tutkimukseen ja jotka täyttivät tutkimuksen otoskriteerit. opiskella. Otoskriteerit olivat ; sairaanhoitaja oli yli 18-vuotias, työskenteli teho- tai klinikkahoitajana ja suostui osallistumaan tutkimukseen suullisesti ja kirjallisesti.

Tiedonkeruutyökalut Käytettiin tutkimustietoja, "Strukturoitua sairaanhoitajan esittelylomaketta", "Modified Pieper Pressure Sore Knowledge Test", "Braden Risk Assessment Scale" ja "Nursing Satisfaction Scale".

Strukturoitu sairaanhoitajan esittelylomake:

kirjallisuustietoa aiheesta ja sisältää tietoa sairaanhoitajien johdatusominaisuuksista.

Modifioitu Pieperin painehakutesti:

Tutkimuksen tuloksena Pieper ja Mott kehittivät Modified Scalen vuonna 1995, Lawrence modifioi ja Asiye Gül ja hänen kollegansa määrittelivät sen validiteetin ja luotettavuuden vuonna 2017. Käytettiin Pieper Pressure Wound Knowledge Testiä. Tämä testi koostuu 49 kohteesta. Vaaka on jaettu kolmeen alamittaan. Yleistiedon pistemäärä voi olla enintään 49 pistettä, ehkäisyn osaamispistemäärä enintään 33 pistettä, lavastustiedon pistemäärä enintään 9 pistettä ja haavan tunnistamispistemäärä enintään 7 pistettä. Professori tohtori Asiye Güliltä pyydettiin muutettu lupa Pieperin painekipun tietotestiin. Tutkimuksessa käytetyn asteikon luotettavuustason määrittämiseksi suoritettiin luotettavuusanalyysi ja koeryhmän Chronbach-alfa-kerroin saatiin 0,838 ja kontrolliryhmän 0,812.

Bradenin riskinarviointiasteikko:

Braden and Bergstrom johti Oğuz vuonna 1997 Turkissa. Asteikosta saadaan kokonaispistemäärä 6–23. Kokonaispistemäärän mukaan korkeintaan 12 pistettä on korkea riski, 13-14 pistettä riskialttiina ja 15-16 pistettä matala riski.

Sairaanhoitajatyytyväisyyskysely:

Likert-tyyppiset kysymykset, jotka tutkijat ovat laatineet kirjallisuuden mukaisesti, selvittääkseen sairaanhoitajien tyytyväisyyttä painevammakoulutukseen. Pienin pistemäärä on 0 ja korkein 25. Tutkimuksessa käytetyn kyselylomakkeen luotettavuustason määrittämiseksi suoritettiin luotettavuusanalyysi ja Chronbach-alfa-kertoimeksi saatiin 0,95.

Painevammojen havaitsemiseen ja luokitteluun kehittämä syväoppimismalli Kehittämämme "painevammojen havaitsemisen ja luokittelun syväoppimismalli (BYT-CNN-malli)" koulutettiin ensin 175 näytepotilaskuvaan, ja se osoitti luokituksen ennusteen onnistumisprosentin noin 97 %. Koska BYT-CNN-mallin uskottiin toimivan paremmin potilaan kuvilla; sen kehittämistä jatkettiin käyttämällä 500 potilas- ja 500 ei-potilaan kuvadataa sekä sairauden esiintymisen arvioinnin että taudin vaiheen luokitteluongelmien ratkaisemiseksi (kuva 1). Tämä malli tarjoaa riskianalyysin painevammoista ja niiden luokittelusta "NPUAP-painevammojen luokittelujärjestelmän" mukaisesti tapauksissa, joissa niitä kehittyy. Kehitettiin mobiilisovellus, joka sisältää NPUAP:n suosittelemia hoitotyön interventioita syväoppimismallin määrittämän vaiheen mukaisesti ja toteutettiin myös painevamman hoito ja hoito (kuva 2).

Painevammojen havaitsemiseksi ja luokittelemiseksi käyttämällä BYT-CNN-mallia; painevammasta tai vaara-alueesta otetaan kuva ja yhdistetään päätietokoneeseen, jossa syväoppiminen sijaitsee Bluetoothin tai Wi-Fi:n kautta. Sitten, onko potilaalla painevamma, ja jos on, missä vaiheessa se on, ilmoitetaan hoitajan puhelimeen "3 sekunnin kuluessa".

NPUAP 2016 painevammojen hoito- ja hoitosuositusten mukaisesti laadittu mobiilisovellus kertoo sairaanhoitajalle, mitä hoitoa mihinkin vaiheeseen tulee antaa.

Tietojen keräämisessä noudatettu menetelmä

Ennen tietojen keräämisen aloittamista tutkijat kehittivät "Deep Learning Model for Detection and Classification of Pressure Injuries (BYT-CNN-malli). Kaikille tutkimukseen osallistuneille sairaanhoitajille annettiin samaan aikaan 4 tunnin teoreettinen oppitunti "Painevammat" luokkahuoneessa. Viikko sen jälkeen, kun kaikki sairaanhoitajat olivat saaneet teoreettista koulutusta, heidät jaettiin kokeellisiin (Deep Learning Model) ja kontrolliryhmiin (perinteinen menetelmä). Molemmille ryhmille annettiin "strukturoitu sairaanhoitajan esittelylomake" ja "esitesti (muokattu "Pieper Pressure Sore Knowledge Test)" käytettiin.

Sovellus kontrolliryhmässä: Teoreettisen oppitunnin jälkeen kontrolliryhmän hoitajat määrittelivät ja luokittelivat potilaiden painevammat käyttämällä "Braden Risk Assessment Scalea", joka on hyväksytty päteväksi ja luotettavaksi. Vertailuryhmän sairaanhoitajat, jotka määrittelivät painevammat asteikolla, saivat koulutusta painevammojen määrittämisestä ja luokittelusta kirjallisen materiaalin avulla, jonka sisällön tutkijat ovat laatineet. Koulutuksen jälkeen sairaanhoitajille sovellettiin "Tyytyväisyys koulutusmenetelmään -tutkimusta". Viikko koulutuksen jälkeen sairaanhoitajille annettiin "Post-Test (Muutettu "Pieper Pressure Sore Knowledge Test)" sovellettiin. Hakemuksen valmistumisen jälkeen kontrolliryhmän vapaaehtoisille sairaanhoitajille tehtiin painevammojen havaitseminen ja luokittelu syväoppimismallilla ja koulutettiin mobiilisovelluksella.

Sovellus koeryhmässä: Teoreettisen kurssin jälkeen koeryhmän hoitajat havaitsivat ja luokittelivat potilaistaan ​​painevammat "Deep Learning Model" -mallilla. Koeryhmässä painevammoja havaitsevien hoitajien puhelimiin asennettiin tutkijoiden kehittämä mobiilisovellus syväoppimismallilla ja sovellettiin koulutusta. Näin ollen sairaanhoitajille tarjottiin potilaan hoitoa ja hoitoa kehitetyn mobiilisovelluksen mukaisesti syväoppimismallin havaitseman painevauriovaiheen mukaan. Koulutuksen jälkeen sairaanhoitajille sovellettiin "Tyytyväisyystutkimus koulutusmenetelmällä". 1 viikko koulutuksen jälkeen sairaanhoitajille annettiin "Jälkitesti (Muutettu "Pieper Pressure Sore Knowledge Test)" Tutkimuksen eettiset ja juridiset näkökohdat Tutkimuksen suorittamiseksi tehtiin tarvittavat haastattelut ja kirjeenvaihto sekä laitosluvat. ja eettisen komitean hyväksyntä saatiin. Eettisen toimikunnan lupa saatiin Istinye University Human Research Ethics Committeelta päätöksellä 2104 27.01.2021. Laitosten lupa; Tutkimuksen suorittamista varten haettiin hakemuslupa Istanbulin Beykentin yliopistollisen sairaalan ylilääkärin toimistolta 08.02.2022 asiakirjalla numero 14. Tutkimukseen osallistuneilta henkilöiltä hankittiin tietoiset suostumuslomakkeet. Kolme viidestä tutkijasta, jotka suorittivat tutkimustyön toteutusvaiheen tietokonetekniikan laitoksella. Kaksi muuta tutkijaa työskentelee hoitotyön laitoksella (kaksi tutkijaa on tietotekniikan tiedekunnan jäseniä, yksi tutkija on hoitotyön perusteiden tiedekunnan jäsen, yksi tutkija on ohjelmistosuunnittelija ja yksi tutkija tehohoidossa).

Tietojen analysointi Tutkimuksessa saadut tiedot saatiin käyttämällä SPSS (Statistical Package for Social Sciences) for Windows 25.0 -ohjelmaa. Aineiston arvioinnissa käytettiin kuvaavia tilastollisia menetelmiä lukuina, prosentteina, keskiarvona, keskihajonnana. Kategoristen muuttujien osuuksien väliset erot riippumattomissa ryhmissä analysoitiin Chi-Square- ja Fisherin avulla. Se analysoitiin tarkoilla testeillä. T-testiä käytettiin vertaamaan kvantitatiivisia jatkuvia tietoja kahden itsenäisen ryhmän välillä. Riippuvien ryhmien t-testiä käytettiin vertailemaan ryhmän sisäisiä mittauksia.