Modello di deep learning che rileva le lesioni da pressione

Oggi, con il crescente utilizzo della tecnologia, si vede che sono necessari dati più grandi per risolvere problemi complessi. Per soddisfare questa esigenza sono emerse le reti neurali convoluzionali, che vengono utilizzate in molti settori come il riconoscimento di oggetti, il riconoscimento vocale e l'elaborazione del linguaggio naturale, e possono apprendere automaticamente dai simboli dei dati appartenenti a immagini, video, audio e altri contenuti. testi, invece di apprendere con regole codificate, a differenza dei tradizionali metodi di machine learning, basati su Reti Neurali Artificiali. Le reti neurali convoluzionali sono uno dei metodi di deep learning, che è un ramo secondario dei metodi di apprendimento automatico e ha la capacità di apprendere dagli esempi. Le reti neurali convoluzionali sono metodi che possono apprendere anche da immagini grezze o dati di testo e la cui precisione di previsione aumenta in base alla dimensione dei dati. È stato dimostrato in letteratura che l’intelligenza artificiale e i modelli di deep learning sono efficaci nell’analisi del rischio delle lesioni da pressione. Tuttavia, non è stato trovato alcuno studio sulla classificazione delle lesioni da pressione. Raju, Su, Patrizio et al. (2015), hanno fornito una previsione più accurata e rapida dei punteggi della scala di rischio di Braden con il modello di deep learning sviluppato come risultato di un follow-up di quattro anni in un ospedale militare. Alderden, Pepper, Wilson et al. (2018) hanno sviluppato un modello di deep learning che rivela l’analisi del rischio delle lesioni da pressione nei pazienti in terapia intensiva e hanno fornito un’analisi del rischio delle lesioni da pressione più accurata e significativa con misurazioni più sensibili per i pazienti in terapia intensiva considerati ad alto rischio secondo gli strumenti di valutazione del rischio. Demircan, Yücedağ, Toz et al. (2016) hanno sviluppato un modello matematico che analizza i fattori di rischio nel processo di formazione delle lesioni da pressione e garantisce che le lesioni da pressione vengano rilevate in una fase iniziale. L'utilizzo di queste applicazioni innovative, presenti ed utilizzate nella letteratura mondiale, è limitato nel nostro Paese. In un ambiente in cui la tecnologia si sta sviluppando e consumando rapidamente, non rimanere indifferenti alle iniziative innovative e integrare la tecnologia nelle pratiche infermieristiche aumenterà la visibilità della nostra professione formando infermieri innovativi. Alla luce di queste informazioni, lo studio è stato condotto per sviluppare un modello di deep learning nel rilevamento e classificazione delle lesioni da pressione e per determinare l'effetto del modello sui livelli di conoscenza e soddisfazione degli infermieri.

Scopo È stato condotto uno studio sperimentale controllato randomizzato per sviluppare un modello di deep learning per il rilevamento e la classificazione delle lesioni da pressione e per determinare l'effetto del modello sui livelli di conoscenza e soddisfazione degli infermieri.

Ipotesi della Ricerca; H1: Il modello di deep learning fornisce il rilevamento delle piaghe da decubito.

H2: Il modello di deep learning fornisce la classificazione delle piaghe da decubito.

H3: L'applicazione mobile sviluppata con il modello di deep learning svolge un ruolo attivo nel trattamento e nella cura delle lesioni da decubito.

Variabili dello studio; Variabili indipendenti dello studio; modello di deep learning, valutazione del rischio Braden Variabili dipendenti dello studio; livello di conoscenza del dolore da decubito, livello di soddisfazione per l'istruzione Il metodo di ricerca è uno studio sperimentale controllato randomizzato. L'Universo e il campione della ricerca erano costituiti da 80 infermieri che hanno lavorato nelle cliniche di terapia intensiva, medicina interna e chirurgia di un ospedale universitario di fondazione tra marzo 2021 e giugno 2022.

Per determinare il numero di infermieri costituenti il ​​campione di ricerca, è stato preso come esempio uno studio simile nella letteratura di riferimento ed è stato utilizzato il software di analisi della potenza G* Power 3.1. In questo studio, per raggiungere un livello di potenza del 95% con una dimensione dell'effetto di 0,5 e un livello di errore del 5%, la dimensione del campione è stata calcolata come 56, con 28 partecipanti in ciascun gruppo. Considerando l'elevata potenza del test e le perdite nello studio, sono state raggiunte un totale di 60 persone, 30 per ciascun gruppo. Gli infermieri del gruppo campione sono stati assegnati in modo casuale al gruppo di controllo (n=30) e al gruppo sperimentale (n=30) dal ricercatore utilizzando una semplice tabella numerica. La tabella di randomizzazione è stata creata utilizzando il sito web http://stattrek.com/statistics/random-number-generator.aspx per la randomizzazione. Di conseguenza, il campione dello studio era composto da un totale di 60 infermieri, 30 partecipanti in ciascun gruppo di infermieri, che sono stati informati sullo scopo dello studio e a cui è stato permesso di partecipare allo studio e che soddisfacevano i criteri del campione dello studio. studio. I criteri del campione erano ; l'infermiera aveva più di 18 anni, lavorava come infermiera di terapia intensiva o di clinica e ha accettato di partecipare allo studio verbalmente e per iscritto.

Strumenti di raccolta dati Sono stati utilizzati i dati della ricerca, il "Modulo di introduzione strutturato dell'infermiere", il "Test di conoscenza del dolore da pressione di Pieper modificato", la "Scala di valutazione del rischio di Braden" e la "Scala di soddisfazione infermieristica".

Modulo di presentazione per infermiere strutturato:

informazioni bibliografiche sull'argomento e include informazioni sulle caratteristiche introduttive degli infermieri.

Test di conoscenza del dolore da pressione Pieper modificato:

Come risultato della ricerca, la scala modificata è stata sviluppata da Pieper e Mott nel 1995, modificata da Lawrence, e la sua validità e affidabilità sono state determinate da Asiye Gül e dai suoi colleghi nel 2017. È stato utilizzato il test di conoscenza delle ferite da pressione Pieper. Questo test è composto da 49 item. La scala è divisa in tre sottodimensioni. Il punteggio di conoscenza generale può arrivare fino a 49 punti, il punteggio di conoscenza della prevenzione può arrivare fino a 33 punti, il punteggio di conoscenza della stadiazione può arrivare fino a 9 punti e il punteggio di identificazione della ferita può arrivare fino a 7 punti. È stata richiesta un'autorizzazione modificata al Prof. Dr. Asiye Gül per il test di conoscenza del dolore da pressione Pieper. È stata eseguita un'analisi di affidabilità per determinare il livello di affidabilità della scala utilizzata nello studio e il coefficiente alfa di Chronbach del gruppo sperimentale è stato ottenuto pari a 0,838 e quello del gruppo di controllo pari a 0,812.

Scala di valutazione del rischio di Braden:

Braden e Bergstrom è stato diretto da Oğuz nel 1997 in Turchia. Dalla scala si ottiene un punteggio totale compreso tra 6 e 23. Secondo il punteggio totale, 12 punti e meno sono considerati ad alto rischio, 13-14 punti sono considerati rischiosi e 15-16 punti sono considerati a basso rischio.

Sondaggio sulla soddisfazione degli infermieri:

Domande di tipo Likert preparate dai ricercatori in linea con la letteratura per determinare i livelli di soddisfazione degli infermieri con la formazione sulle lesioni da pressione. Il punteggio più basso è 0 e il più alto è 25. È stata eseguita un'analisi di affidabilità per determinare il livello di affidabilità del questionario utilizzato nello studio e il coefficiente alfa di Chronbach è stato ottenuto pari a 0,95.

Il modello di deep learning che abbiamo sviluppato per il rilevamento e la classificazione delle lesioni da pressione Il "modello di deep learning per il rilevamento e la classificazione delle lesioni da pressione (modello BYT-CNN)" che abbiamo sviluppato è stato inizialmente addestrato su 175 immagini campione di pazienti e ha mostrato un tasso di successo della previsione della classificazione di circa il 97%. Poiché si pensava che il modello BYT-CNN funzionasse meglio con più immagini dei pazienti; si è continuato a svilupparlo utilizzando dati di immagini di 500 pazienti e 500 non pazienti per risolvere i problemi di classificazione sia della stima della presenza o meno della malattia sia dello stadio della malattia (Figura 1). Questo modello fornirà l'analisi del rischio delle lesioni da pressione e la loro classificazione secondo il "Sistema di classificazione delle lesioni da pressione NPUAP" nei casi in cui si sviluppano. È stata sviluppata un'applicazione mobile che include gli interventi infermieristici raccomandati da NPUAP in base alla fase determinata dal modello di deep learning ed è stato effettuato anche il trattamento e la cura delle lesioni da pressione (Figura 2).

Al fine di rilevare e classificare le lesioni da pressione utilizzando il modello BYT-CNN; viene scattata una foto della lesione da pressione o dell'area a rischio e collegata al computer principale dove si trova il deep learning tramite Bluetooth o Wi-Fi. Quindi, se il paziente ha una lesione da pressione e, in caso affermativo, a che stadio si trova, viene segnalato al telefono dell'infermiera entro "3 secondi".

L'applicazione mobile, preparata in linea con le raccomandazioni per il trattamento e la cura delle lesioni da pressione NPUAP 2016, informa l'infermiere su quale assistenza fornire per quale fase.

Il metodo seguito nella raccolta dei dati

Prima di iniziare a raccogliere dati, i ricercatori hanno sviluppato un “modello di apprendimento profondo per il rilevamento e la classificazione delle lesioni da pressione (modello BYT-CNN). A tutti gli infermieri partecipanti allo studio è stata impartita contemporaneamente una lezione teorica di 4 ore sulle "Lesioni da pressione" in un ambiente di classe. Una settimana dopo aver ricevuto la formazione teorica, tutti gli infermieri sono stati divisi in gruppi sperimentali (modello di apprendimento profondo) e gruppi di controllo (metodo tradizionale). Ad entrambi i gruppi è stato fornito un "Modulo di introduzione strutturato per infermiere" ed è stato applicato un "Pre-test ("Pieper Pressure Sore Knowledge Test modificato)".

Applicazione nel gruppo di controllo: Dopo la lezione teorica, gli infermieri del gruppo di controllo hanno determinato e classificato le lesioni da pressione nei loro pazienti utilizzando la "Scala di valutazione del rischio Braden", che è stata accettata come valida e affidabile. Gli infermieri del gruppo di controllo, che hanno determinato le lesioni da pressione utilizzando la scala, hanno ricevuto una formazione sulla determinazione e classificazione delle lesioni da pressione utilizzando materiale scritto, il cui contenuto è stato preparato dai ricercatori. Dopo la formazione, agli infermieri è stata applicata la “Sondaggio sulla soddisfazione del metodo formativo”. Una settimana dopo la formazione, agli infermieri è stato applicato il "Post-Test ("Pieper Pressure Sore Knowledge Test" modificato)". Dopo il completamento dell'applicazione, gli infermieri volontari del gruppo di controllo sono stati sottoposti al rilevamento e alla classificazione delle lesioni da pressione con il modello di deep learning e formati con l'applicazione mobile.

Applicazione nel gruppo sperimentale: dopo il corso teorico, gli infermieri del gruppo sperimentale hanno rilevato e classificato le lesioni da pressione nei loro pazienti con il "modello di apprendimento profondo". Nel gruppo sperimentale, un'applicazione mobile sviluppata dai ricercatori è stata installata sui telefoni degli infermieri che hanno rilevato lesioni da pressione utilizzando il modello di deep learning ed è stata applicata la formazione. Pertanto, agli infermieri sono state fornite le cure e il trattamento del paziente secondo l'applicazione mobile sviluppata in base allo stadio della lesione da pressione rilevata dal modello di deep learning. Dopo la formazione, agli infermieri è stata applicata la “Sondaggio sulla soddisfazione del metodo formativo”. 1 settimana dopo la formazione, agli infermieri è stato somministrato il "Post-Test ("Pieper Pressure Sore Knowledge Test" modificato). Aspetti etici e legali della ricerca Per condurre la ricerca, sono state effettuate le interviste e la corrispondenza necessarie e sono state effettuate le autorizzazioni istituzionali e sono state ottenute l'approvazione del comitato etico. L'autorizzazione del comitato etico è stata ottenuta dal comitato etico per la ricerca umana dell'Università di Istinye con decisione numero 2104 del 27.01.2021. Autorizzazione istituzionale; Per condurre la ricerca, l'08.02.2022 è stato ottenuto un permesso di richiesta dall'ufficio del primario dell'ospedale universitario di Istanbul Beykent con il documento numero 14. I moduli di consenso informato sono stati ottenuti dalle persone partecipanti alla ricerca. Tre dei cinque ricercatori che hanno completato la fase di implementazione della ricerca lavorano presso il Dipartimento di Ingegneria Informatica. Gli altri due ricercatori lavorano nel Dipartimento di Infermieristica (due ricercatori sono docenti di Ingegneria Informatica, un ricercatore è membro della facoltà di Fondamenti di Infermieristica, un ricercatore è un ingegnere del software e un ricercatore è un infermiere di terapia intensiva).

Analisi dei dati I dati ottenuti nello studio sono stati ottenuti utilizzando il programma SPSS (Statistical Package for Social Sciences) per Windows 25.0 utilizzato per l'analisi. Per la valutazione dei dati sono stati utilizzati metodi statistici descrittivi come numero, percentuale, media, deviazione standard. Le differenze tra le proporzioni delle variabili categoriali in gruppi indipendenti sono state analizzate utilizzando Chi-Square e Fisher. È stato analizzato con test esatti. Il test T è stato utilizzato per confrontare dati quantitativi continui tra due gruppi indipendenti. Il t-test dei gruppi dipendenti è stato utilizzato per confrontare le misurazioni all'interno del gruppo.