Nyomássérülést észlelő mélytanulási modell

Napjainkban, a technológia növekvő használatában, látható, hogy nagyobb adatokra van szükség az összetett problémák megoldásához. Ennek az igénynek a kielégítésére jelentek meg a konvolúciós neurális hálózatok, amelyeket számos területen használnak, például tárgyfelismerésben, beszédfelismerésben és természetes nyelvi feldolgozásban, és automatikusan tanulhatnak a képekhez, videókhoz, hangokhoz, ill. szövegek, ahelyett, hogy kódolt szabályokkal tanulnának, ellentétben a hagyományos, mesterséges neurális hálózatokon alapuló gépi tanulási módszerekkel. A konvolúciós neurális hálózatok a Deep Learning módszerek egyike, amely a gépi tanulási módszerek egyik alága, és képes a példákból tanulni. A konvolúciós neurális hálózatok olyan módszerek, amelyek nyers képi vagy szöveges adatokból is tanulhatnak, és amelyek előrejelzési pontossága az adatok méretétől függően nő. A szakirodalomban bebizonyosodott, hogy a mesterséges intelligencia és a mély tanulási modellek hatékonyak a nyomássérülések kockázatelemzésében. Azonban nem találtak tanulmányt a nyomássérülések osztályozásáról. Raju, Su, Patrician et al. (2015) pontosabban és gyorsabban jelezték előre a Braden kockázati skála pontszámait azzal a mély tanulási modellel, amelyet egy katonai kórházban végzett négyéves nyomon követés eredményeként fejlesztettek ki. Alderden, Pepper, Wilson és mtsai. (2018) egy mély tanulási modellt dolgozott ki, amely feltárja az intenzív osztályos betegek nyomássérüléseinek kockázatelemzését, valamint pontosabb és értelmesebb nyomássérülések kockázatelemzését érzékenyebb mérésekkel a kockázatértékelési eszközök szerint magas kockázatúnak számító intenzív terápiás betegek számára. Demircan, Yücedağ, Toz et al. (2016) matematikai modellt dolgoztak ki, amely elemzi a nyomássérülések kialakulásának folyamatában a kockázati tényezőket, és biztosítja a nyomássérülések korai felismerését. Ezeknek az innovatív alkalmazásoknak a használata, amelyek megtalálhatók és használtak a világirodalomban, hazánkban korlátozottak. Egy olyan környezetben, ahol a technológia rohamosan fejlődik és fogyasztják, nem maradunk közömbösek az innovatív kezdeményezések iránt, és a technológia integrálása az ápolási gyakorlatokba innovatív ápolók képzésével növeli szakmánk láthatóságát. Ezen információk tükrében a vizsgálat egy mély tanulási modell kidolgozása céljából készült a nyomássérülések felderítésére és osztályozására, valamint a modell hatásának meghatározására az ápolók tudására és elégedettségi szintjére.

Célkitűzés Véletlenszerű, kontrollált kísérleti vizsgálatot végeztünk a nyomássérülések detektálására és osztályozására alkalmas mélytanulási modell kidolgozására, valamint a modellnek az ápolók tudására és elégedettségi szintjére gyakorolt ​​hatásának meghatározására.

A kutatás hipotézisei; H1: Deep Learning Model A nyomásfekélyek kimutatását teszi lehetővé.

H2: Mélytanulási modell a nyomásfekélyek osztályozását biztosítja.

H3: A Deep Learning Modell segítségével kifejlesztett mobilalkalmazás aktív szerepet játszik a nyomásérzékenység kezelésében és ellátásában.

A tanulmány változói; A vizsgálat független változói; mély tanulási modell, braden kockázatértékelés A vizsgálat függő változói; nyomásfájdalom tudásszint, oktatással való elégedettségi szint Módszer A kutatás egy randomizált, kontrollált kísérleti vizsgálat. Az Universe és a Kutatási Minta 80 nővérből állt, akik egy alapítványi egyetemi kórház intenzív terápiás, belgyógyászati ​​és sebészeti klinikáján dolgoztak 2021 márciusa és 2022 júniusa között.

A kutatási mintát alkotó ápolónők számának meghatározásához a szakirodalomban egy hasonló vizsgálatot vettünk példának, és a teljesítményelemző G* Power 3.1 szoftvert használtam. Ebben a tanulmányban a 95%-os teljesítményszint elérése érdekében 0,5-ös hatásméret és 5%-os hibaszint mellett a mintaméretet 56-ra számolták, minden csoportban 28 résztvevővel. Figyelembe véve a teszt nagy teljesítményét és a vizsgálat veszteségeit, összesen 60 főt értek el, csoportonként 30-at. A mintacsoportba tartozó ápolónőket a kutató egy egyszerű számtábla segítségével véletlenszerűen beosztotta a kontroll (n=30) és a kísérleti csoportokba (n=30). A véletlenszerűsítési táblázatot a http://stattrek.com/statistics/random-number-generator.aspx webhely segítségével hozták létre véletlenszerűsítéshez. Ennek eredményeként a vizsgálat mintája összesen 60 nővérből állt, ápolónkénti csoportonként 30 résztvevőből, akik tájékoztatást kaptak a vizsgálat céljáról, és akik részt vehettek a vizsgálatban, és megfeleltek a mintavételi kritériumoknak. tanulmány. A minta kritériumai a következők voltak: ; az ápolónő elmúlt 18 éves, intenzív osztályos vagy klinikai ápolóként dolgozott, szóban és írásban vállalta a vizsgálatban való részvételt.

Adatgyűjtési eszközök A kutatási adatokat, a "Strukturált ápolónői bevezető űrlapot", "Módosított Pieper nyomásfájdalom teszt", "Bradeni kockázatértékelési skála" és "Nursing Satisfaction Scale" használtuk.

Strukturált nővér bemutatkozási űrlap:

szakirodalmi információkat a témával kapcsolatban, és információkat tartalmaz az ápolók bevezető jellemzőiről.

Módosított Pieper nyomásérzékenységi teszt:

A kutatás eredményeként a Modified Scale-t Pieper és Mott 1995-ben fejlesztette ki, Lawrence módosította, érvényességét és megbízhatóságát pedig Asiye Gül és munkatársai határozták meg 2017-ben. Pieper nyomású sebismereti tesztet alkalmaztunk. Ez a teszt 49 tételből áll. A skála három aldimenzióra oszlik. Az általános ismeretek pontszáma legfeljebb 49, a prevenciós ismeretek pontszáma 33, a színpadi tudás pontszáma 9, a seb azonosítási pontszáma pedig 7 pont lehet. Módosított engedélyt kértek Prof. Dr. Asiye Gültől a Pieper nyomásfájdalom tudástesztjéhez. Megbízhatósági elemzést végeztünk a vizsgálatban használt skála megbízhatósági szintjének meghatározására, és a kísérleti csoport Chronbach alfa koefficiense 0,838, a kontrollcsoporté 0,812.

Braden kockázatértékelési skála:

A Bradent és Bergstromot Oğuz vezényelte 1997-ben Törökországban. A skálából 6-tól 23-ig terjedő összpontszámot kapunk. Az összpontszám szerint a 12 és az alatti pont magas kockázatnak számít, a 13-14 pont kockázatosnak, a 15-16 pont pedig alacsony kockázatnak minősül.

Nővér elégedettségi felmérés:

Likert típusú kérdéseket készítettek kutatók a szakirodalomnak megfelelően, hogy meghatározzák a nyomássérüléses képzéssel végzett ápolók elégedettségi szintjét. A legalacsonyabb pontszám 0, a legmagasabb pedig 25. Megbízhatósági elemzést végeztünk a vizsgálatban használt kérdőív megbízhatósági szintjének meghatározására, és a Chronbach alfa együtthatót 0,95-nek kaptuk.

Az általunk kifejlesztett mély tanulási modell a nyomássérülések kimutatására és osztályozására Az általunk kifejlesztett "Mély tanulási modell a nyomássérülések kimutatására és osztályozására (BYT-CNN modell)" először 175 minta betegképen tanult, és az osztályozás előrejelzésének sikerességi arányát mutatta. körülbelül 97%. Mivel a BYT-CNN modellről azt gondolták, hogy jobban teljesít türelmesebb képekkel; a fejlesztést 500 beteg és 500 nem beteg képadatának felhasználásával folytattuk, hogy megoldja a betegség fennállásának vagy hiányának, valamint a betegség stádiumának becslésére vonatkozó osztályozási problémákat (1. ábra). Ez a modell biztosítja a nyomássérülések kockázatelemzését és azok besorolását az "NPUAP nyomássérülések osztályozási rendszere" szerint, ha kialakulnak. Kidolgozásra került az NPUAP által javasolt ápolási beavatkozásokat is tartalmazó mobilalkalmazás a mélytanulási modell által meghatározott stádiumnak megfelelően, valamint a nyomássérülés kezelése és ellátása is megtörtént (2. ábra).

A nyomássérülések kimutatása és osztályozása a BYT-CNN modell segítségével; egy kép készül a nyomássérülésről vagy a veszélyeztetett területről, és csatlakozik a fő számítógéphez, ahol a mélytanulás Bluetooth vagy Wi-Fi kapcsolaton keresztül történik. Ezután „3 másodpercen belül” bejelentik a nővér telefonján, hogy van-e nyomássérülése a betegnek, és ha igen, milyen stádiumban van.

Az NPUAP 2016 nyomássérülések kezelési és gondozási ajánlásainak megfelelően elkészített mobilalkalmazás tájékoztatja a védőnőt arról, hogy melyik szakaszban milyen ellátást kell biztosítani.

Az adatgyűjtés során követett módszer

Az adatgyűjtés megkezdése előtt a kutatók kidolgoztak egy „Mély tanulási modellt a nyomássérülések kimutatására és osztályozására (BYT-CNN modell). A vizsgálatban részt vevő összes ápolónő egy 4 órás elméleti leckét tartott a "Nyomássérülésekről" tantermi környezetben. Egy héttel azután, hogy az összes nővér elméleti képzésben részesült, kísérleti (Deep Learning Model) és kontroll (hagyományos módszer) csoportokra osztották őket. Mindkét csoport kapott egy "Strukturált ápolónői bevezető űrlapot", és egy "Előtesztet (módosított "Pieper Pressure Sore Knowledge Test)" alkalmaztak.

Alkalmazás a kontrollcsoportban: Az elméleti óra után a kontrollcsoport ápolói az érvényesnek és megbízhatónak elfogadott „Braden Risk Assessment Scale” segítségével határozták meg és osztályozták pácienseik nyomássérüléseit. A nyomássérüléseket skála segítségével megállapító kontrollcsoport ápolói a nyomássérülések meghatározására és osztályozására vonatkozó oktatást kaptak írásos anyag felhasználásával, melynek tartalmát a kutatók készítették el. A képzést követően a „Képzésmódszerrel való elégedettség felmérés” alkalmazásra került a nővéreknél. Egy héttel a képzés után az ápolónők megkapták az „Utótesztet (módosított „Pieper Pressure Sore Knowledge Test)” alkalmazták. Az alkalmazás befejezése után a kontrollcsoport önkéntes ápolóit nyomássérülések észlelésének és osztályozásának vetették alá a mélytanulási modellel, és a mobilalkalmazással képezték ki.

Alkalmazás a kísérleti csoportban: Az elméleti tanfolyam után a kísérleti csoport ápolói a „Mély tanulási modellel” észlelték és osztályozták pácienseik nyomássérüléseit. A kísérleti csoportban a mélytanulási modell segítségével nyomássérüléseket észlelő ápolónők telefonjára a kutatók által fejlesztett mobilalkalmazást telepítették és tréninget alkalmaztak. Így az ápolók a mélytanulási modell által detektált nyomássérülési stádiumnak megfelelően a kifejlesztett mobilalkalmazás szerint biztosították a beteg ellátását és kezelését. A képzés után az „Elégedettségi felmérés a képzési módszerrel” alkalmazásra került az ápolóknál. 1 héttel a képzés után az ápolónők megkapták az „Utótesztet ( Módosított „Pieper Pressure Sore Knowledge Test)” A kutatás etikai és jogi vonatkozásai A kutatás lebonyolításához a szükséges interjúk, levelezések, intézményi engedélyek megtörténtek. és megkapták az etikai bizottság jóváhagyását. Az Etikai Bizottság engedélye az Istinye Egyetem Humánkutatási Etikai Bizottságától 2104-es számú 2021.01.27-i határozattal történt. Intézményi engedély; A kutatás lebonyolításához 2022.02.08-án pályázati engedélyt szereztünk be az Istanbul Beykent Egyetemi Kórház Főorvosi Hivatalától a 14-es számú dokumentummal. A Számítástechnika Tanszéken a kutatás megvalósítási szakaszát befejező öt kutató közül három. A másik két kutató az Ápolási Tanszéken dolgozik (két kutató a Számítástechnika szakon, egy kutató az Ápolási Alapok tanszéken, egy kutató szoftvermérnök és egy intenzív ápolónő).

Az adatok elemzése A vizsgálat során kapott adatokat az SPSS (Statistical Package for Social Sciences) for Windows 25.0 programmal nyertük az elemzéshez. Az adatok értékelésére leíró statisztikai módszereket alkalmaztunk, mint szám, százalék, átlag, szórás. A független csoportokban a kategorikus változók aránya közötti különbségeket Chi-Square és Fisher segítségével elemeztük. Elemeztük egzakt tesztekkel. Két független csoport kvantitatív folyamatos adatainak összehasonlítására T-tesztet használtunk. A függő csoportok t-próbáját a csoporton belüli mérések összehasonlítására használtuk.