Modèle d'apprentissage profond détectant les lésions de pression

Aujourd’hui, avec l’utilisation croissante de la technologie, il apparaît que des données plus volumineuses sont nécessaires pour résoudre des problèmes complexes. Afin de répondre à ce besoin, des réseaux de neurones convolutifs sont apparus, utilisés dans de nombreux domaines tels que la reconnaissance d'objets, la reconnaissance vocale et le traitement du langage naturel, et peuvent apprendre automatiquement à partir des symboles de données appartenant aux images, vidéos, audio et des textes, au lieu d'apprendre avec des règles codées, contrairement aux méthodes traditionnelles d'apprentissage automatique, basées sur les réseaux de neurones artificiels. Les réseaux de neurones convolutifs sont l'une des méthodes d'apprentissage profond, qui est une sous-branche des méthodes d'apprentissage automatique et a la capacité d'apprendre à partir d'exemples. Les réseaux de neurones convolutifs sont des méthodes qui peuvent également apprendre à partir de données brutes d'images ou de textes et dont la précision de prédiction augmente en fonction de la taille des données. Il a été prouvé dans la littérature que l’intelligence artificielle et les modèles d’apprentissage profond sont efficaces dans l’analyse des risques d’escarres. Cependant, aucune étude n'a été trouvée sur la classification des escarres. Raju, Su, Patrician et al. (2015), ont fourni une prédiction plus précise et plus rapide des scores de l'échelle de risque de Braden grâce au modèle d'apprentissage profond qu'ils ont développé à la suite d'un suivi de quatre ans dans un hôpital militaire. Alderden, Pepper, Wilson et coll. (2018) ont développé un modèle d'apprentissage profond qui révèle l'analyse des risques d'escarres chez les patients en soins intensifs et ont fourni une analyse plus précise et significative du risque d'escarres avec des mesures plus sensibles pour les patients en soins intensifs qui sont considérés comme à haut risque selon les outils d'évaluation des risques. Demircan, Yücedağ, Toz et al. (2016) ont développé un modèle mathématique qui analyse les facteurs de risque dans le processus de formation des escarres et ont veillé à ce que les escarres soient détectées à un stade précoce. L'utilisation de ces applications innovantes, incluses et utilisées dans la littérature mondiale, est limitée dans notre pays. Dans un environnement où la technologie se développe et est consommée rapidement, ne pas rester indifférent aux initiatives innovantes et intégrer la technologie dans les pratiques infirmières augmentera la visibilité de notre profession en formant des infirmières innovantes. À la lumière de ces informations, l’étude a été menée pour développer un modèle d’apprentissage profond dans la détection et la classification des escarres et pour déterminer l’effet du modèle sur les niveaux de connaissances et de satisfaction des infirmières.

Objectif Une étude expérimentale contrôlée randomisée a été menée pour développer un modèle d'apprentissage profond pour la détection et la classification des escarres et pour déterminer l'effet du modèle sur les niveaux de connaissances et de satisfaction des infirmières.

Hypothèses de la recherche ; H1 : le modèle d'apprentissage profond permet la détection des escarres.

H2 : le modèle d'apprentissage profond fournit une classification des escarres.

H3 : une application mobile développée avec un modèle d'apprentissage profond joue un rôle actif dans le traitement et les soins des escarres.

Variables de l'étude ; Variables indépendantes de l'étude ; modèle d'apprentissage profond, évaluation des risques Braden Variables dépendantes de l'étude ; niveau de connaissance des escarres, niveau de satisfaction à l'égard de l'éducation Méthode La recherche est une étude expérimentale contrôlée randomisée. L'univers et l'échantillon de la recherche étaient constitués de 80 infirmières travaillant dans les cliniques de soins intensifs, de médecine interne et de chirurgie d'un hôpital universitaire de base entre mars 2021 et juin 2022.

Afin de déterminer le nombre d'infirmières constituant l'échantillon de recherche, une étude similaire a été prise comme exemple dans la littérature pertinente et le logiciel d'analyse de puissance G* Power 3.1 a été utilisé. Dans cette étude, afin d'atteindre un niveau de puissance de 95 % avec une taille d'effet de 0,5 et un niveau d'erreur de 5 %, la taille de l'échantillon a été calculée à 56, avec 28 participants dans chaque groupe. Compte tenu de la puissance élevée du test et des pertes dans l'étude, un total de 60 personnes ont été atteintes, 30 dans chaque groupe. Les infirmières du groupe échantillon ont été assignées au hasard aux groupes témoin (n = 30) et expérimental (n = 30) par le chercheur à l’aide d’une simple table numérique. La table de randomisation a été créée en utilisant le site Web http://stattrek.com/statistics/random-number-generator.aspx pour la randomisation. En conséquence, l'échantillon de l'étude était composé d'un total de 60 infirmières, 30 participants dans chaque groupe d'infirmières, qui ont été informées de l'objectif de l'étude et qui ont été autorisées à participer à l'étude et qui répondaient aux critères d'échantillonnage de l'étude. étude. Les critères de l'échantillon étaient : l'infirmière avait plus de 18 ans, travaillait comme infirmière en soins intensifs ou en clinique et acceptait de participer à l'étude verbalement et par écrit.

Outils de collecte de données Les données de recherche, le « Formulaire d'introduction structuré pour les infirmières », le « Test modifié de connaissances sur les escarres de Pieper », l'« Échelle d'évaluation des risques de Braden » et l'« Échelle de satisfaction infirmière » ont été utilisés.

Formulaire d'introduction structuré pour l'infirmière :

des informations documentaires sur le sujet et comprend des informations sur les caractéristiques introductives des infirmières.

Test de connaissances modifié sur les escarres de Pieper :

À la suite de la recherche, l'échelle modifiée a été développée par Pieper et Mott en 1995, modifiée par Lawrence, et sa validité et sa fiabilité ont été déterminées par Asiye Gül et ses collègues en 2017. Le test de connaissance des plaies de pression de Pieper a été utilisé. Ce test comprend 49 items. L'échelle est divisée en trois sous-dimensions. Le score de connaissances générales peut aller jusqu'à 49 points, le score de connaissances en prévention peut aller jusqu'à 33 points, le score de connaissances en stadification peut aller jusqu'à 9 points et le score d'identification des plaies peut aller jusqu'à 7 points. Une autorisation modifiée a été demandée au professeur Asiye Gül pour le test de connaissances sur les escarres de Pieper. Une analyse de fiabilité a été réalisée pour déterminer le niveau de fiabilité de l'échelle utilisée dans l'étude et le coefficient alpha de Chronbach du groupe expérimental a été obtenu à 0,838 et celui du groupe témoin à 0,812.

Échelle d’évaluation des risques Braden :

Braden et Bergstrom a été réalisé par Oğuz en 1997 en Turquie. Un score total allant de 6 à 23 est obtenu à partir de l'échelle. Selon le score total, 12 points et moins sont considérés comme à risque élevé, 13 à 14 points sont considérés comme à risque et 15 à 16 points sont considérés comme à faible risque.

Sondage sur la satisfaction des infirmières :

Questions de type Likert préparées par des chercheurs conformément à la littérature pour déterminer les niveaux de satisfaction des infirmières à l'égard de la formation sur les escarres. Le score le plus bas est 0 et le plus élevé est 25. Une analyse de fiabilité a été réalisée pour déterminer le niveau de fiabilité du questionnaire utilisé dans l'étude et le coefficient alpha de Chronbach a été obtenu à 0,95.

Le modèle d'apprentissage profond que nous avons développé pour la détection et la classification des lésions de pression Le « modèle d'apprentissage profond pour la détection et la classification des lésions de pression (modèle BYT-CNN) » que nous avons développé a d'abord été formé sur 175 échantillons d'images de patients et a montré un taux de réussite de prédiction de classification d'environ 97 %. Puisque l’on pensait que le modèle BYT-CNN fonctionnait mieux avec davantage d’images de patients ; son développement s'est poursuivi en utilisant 500 données d'images de patients et 500 non-patients pour résoudre les problèmes de classification liés à la fois à l'estimation de la présence ou non de la maladie et au stade de la maladie (Figure 1). Ce modèle fournira une analyse des risques d'escarres et leur classification selon le « NPUAP Pressure Injury Classification System » dans les cas où elles se développent. Une application mobile comprenant les interventions infirmières recommandées par NPUAP selon le stade déterminé par le modèle d'apprentissage profond a été développée et le traitement et les soins des escarres ont également été réalisés (Figure 2).

Afin de détecter et de classer les escarres à l'aide du modèle BYT-CNN ; une photo de la plaie de pression ou de la zone à risque est prise et connectée à l'ordinateur principal où se trouve l'apprentissage profond via Bluetooth ou Wi-Fi. Ensuite, si le patient présente une escarre et, si oui, à quel stade il en est, est signalé sur le téléphone de l'infirmière dans un délai de « 3 secondes ».

L'application mobile, préparée conformément aux recommandations de traitement et de soins des escarres du NPUAP 2016, informe l'infirmière sur les soins à prodiguer à chaque étape.

La méthode suivie pour collecter les données

Avant de commencer à collecter des données, les chercheurs ont développé un « modèle d'apprentissage profond pour la détection et la classification des lésions de pression (modèle BYT-CNN). Toutes les infirmières participant à l'étude ont reçu simultanément une leçon théorique de 4 heures sur les « blessures par pression » dans une salle de classe. Une semaine après que toutes les infirmières ont reçu une formation théorique, elles ont été divisées en groupes expérimentaux (modèle d’apprentissage profond) et témoins (méthode traditionnelle). Les deux groupes ont reçu un « Formulaire d'introduction structuré pour l'infirmière » et un « Pré-test (« Test de connaissances sur les escarres de Pieper) modifié » a été appliqué.

Application dans le groupe témoin : Après la leçon théorique, les infirmières du groupe témoin ont déterminé et classé les escarres chez leurs patients à l'aide de « l'échelle d'évaluation des risques Braden », qui a été acceptée comme valide et fiable. Les infirmières du groupe témoin, qui ont déterminé les escarres à l'aide de l'échelle, ont reçu une formation sur la détermination et la classification des escarres à l'aide de documents écrits dont le contenu a été préparé par les chercheurs. Après la formation, l'enquête « Satisfaction à l'égard de la méthode de formation » a été appliquée aux infirmières. Une semaine après la formation, les infirmières ont subi le "Post-Test (Modifié" Pieper Pressure Sore Knowledge Test) » qui a été appliqué. Une fois l'application terminée, les infirmières bénévoles du groupe témoin ont été soumises à la détection et à la classification des escarres avec le modèle d'apprentissage profond et formées avec l'application mobile.

Application dans le groupe expérimental : Après le cours théorique, les infirmières du groupe expérimental ont détecté et classé les escarres chez leurs patients avec le « Deep Learning Model ». Dans le groupe expérimental, une application mobile développée par les chercheurs a été installée sur les téléphones des infirmières qui ont détecté des escarres à l'aide du modèle d'apprentissage profond et une formation a été appliquée. Ainsi, les infirmières ont reçu les soins et le traitement du patient selon l'application mobile développée en fonction du stade de l'escarre détecté par le modèle d'apprentissage profond. Après la formation, l'« Enquête de satisfaction vis-à-vis de la méthode de formation » a été appliquée aux infirmières. 1 semaine après la formation, les infirmières ont reçu le "Post-Test ("Pieper Pressure Sore Knowledge Test)" modifié. Aspects éthiques et juridiques de la recherche Afin de mener la recherche, les entretiens et la correspondance nécessaires ont été effectués et les autorisations institutionnelles ont été effectuées. et l'approbation du comité d'éthique a été obtenue. L'autorisation du comité d'éthique a été obtenue auprès du comité d'éthique de la recherche humaine de l'université d'Istinye avec la décision numéro 2104 du 27.01.2021. Autorisation institutionnelle ; Afin de mener la recherche, un permis de demande a été obtenu auprès du bureau du médecin-chef de l'hôpital universitaire Beykent d'Istanbul le 08.02.2022 avec le numéro de document 14. Des formulaires de consentement éclairé ont été obtenus des personnes participant à la recherche. Trois des cinq chercheurs qui ont complété la phase de mise en œuvre des travaux de recherche au Département de génie informatique. Les deux autres chercheurs travaillent au Département de sciences infirmières (deux chercheurs sont membres du corps professoral en génie informatique, un chercheur est membre du corps professoral en principes fondamentaux des soins infirmiers, un chercheur est ingénieur logiciel et un chercheur est infirmière en soins intensifs).

Analyse des données Les données obtenues dans l'étude ont été obtenues à l'aide du programme SPSS (Statistical Package for Social Sciences) pour Windows 25.0 qui a été utilisé pour l'analyse. Des méthodes statistiques descriptives ont été utilisées pour l'évaluation des données sous forme de nombre, pourcentage, moyenne et écart type. Les différences entre les proportions de variables catégorielles dans les groupes indépendants ont été analysées à l'aide du chi carré et de Fisher. Elles ont été analysées avec des tests exacts. Le test T a été utilisé pour comparer des données quantitatives continues entre deux groupes indépendants. Le test t des groupes dépendants a été utilisé pour comparer les mesures au sein du groupe.