褥瘡を検出する深層学習モデル

今日、テクノロジーの利用が増えるにつれ、複雑な問題を解決するにはより大きなデータが必要になることがわかっています。 このニーズを満たすために、畳み込みニューラル ネットワークが登場しました。これは、オブジェクト認識、音声認識、自然言語処理などの多くの分野で使用され、画像、ビデオ、オーディオ、およびデータに属するデータのシンボルから自動的に学習できます。従来の機械学習方法とは異なり、コード化されたルールで学習するのではなく、人工ニューラル ネットワークに基づいたテキストを学習します。 畳み込みニューラル ネットワークは、深層学習手法の 1 つであり、機械学習手法の下位分野であり、例から学習する機能があります。 畳み込みニューラル ネットワークは、生の画像やテキスト データから学習することもでき、データのサイズに応じて予測精度が向上する手法です。 人工知能と深層学習モデルが褥瘡のリスク分析に有効であることは文献で証明されています。 しかし、褥瘡の分類に関する研究は見つかっていません。 ラジュ、スー、パトリシアン 他(2015) は、軍病院での 4 年間の追跡調査の結果として開発した深層学習モデルを使用して、ブレーデン リスク スケール スコアのより正確かつ迅速な予測を提供しました。 アルダーデン、ペッパー、ウィルソンら(2018) は、集中治療患者における褥瘡のリスク分析を明らかにする深層学習モデルを開発し、リスク評価ツールに従って高リスクとみなされる集中治療患者に対して、より高感度の測定による、より正確で有意義な褥瘡リスク分析を提供しました。 デミルカン、ユセダー、トズら。 (2016) は、褥瘡の形成過程における危険因子を分析する数学的モデルを開発し、褥瘡の早期発見を確実にしました。 世界の文献に含まれ使用されているこれらの革新的なアプリケーションの使用は、我が国では限定されています。 テクノロジーが急速に発展し消費されている環境においては、革新的な取り組みに無関心でなく、テクノロジーを看護実践に統合することで、革新的な看護師を育成することで私たちの職業の認知度を高めることができます。 この情報を踏まえて、褥瘡の検出と分類における深層学習モデルを開発し、看護師の知識と満足度に対するモデルの効果を判断するために研究が実施されました。

目的 褥瘡の検出と分類のための深層学習モデルを開発し、看護師の知識と満足度に対するモデルの効果を判定するために、ランダム化比較実験研究が実施されました。

研究の仮説; H1: 深層学習モデルによる褥瘡の検出。

H2: 深層学習モデルは褥瘡の分類を提供します。

H3: 深層学習モデルで開発されたモバイル アプリケーションは、褥瘡の治療とケアに積極的な役割を果たします。

研究の変数;研究の独立変数。深層学習モデル、ブレーデンリスク評価 研究の従属変数。褥瘡の知識レベル、教育に対する満足度 方法研究は、ランダム化比較実験研究です。 研究の対象者とサンプルは、2021年3月から2022年6月まで財団法人大学病院の集中治療室、内科、外科クリニックで働いていた80人の看護師で構成されていた。

研究サンプルを構成する看護師の数を決定するために、関連文献の同様の研究を例として取り上げ、検出力分析 G* Power 3.1 ソフトウェアを使用しました。 この研究では、効果量 0.5、誤差レベル 5% で検出力レベル 95% に到達するために、サンプル サイズは 56、各グループの参加者は 28 人として計算されました。 テストの高い検出力と研究での損失を考慮すると、各グループ 30 人ずつ、合計 60 人に達しました。 研究者は、単純な番号表を使用して、サンプルグループの看護師を対照グループ (n=30) と実験グループ (n=30) にランダムに割り当てました。 ランダム化テーブルは、ランダム化のための Web サイト http://stattrek.com/statistics/random-number-generator.aspx を使用して作成されました。 その結果、研究のサンプルは、各看護師グループの参加者 30 人の合計 60 人の看護師で構成され、彼らは研究の目的について知らされ、研究への参加が許可され、基準のサンプル基準を満たしていました。勉強。 サンプルの基準は次のとおりです。看護師は18歳以上で、集中治療室または診療所の看護師として働いており、口頭と書面で研究への参加を承諾した。

データ収集ツール 研究データである「構造化された看護師紹介フォーム」、「修正パイパー褥瘡知識テスト」、「ブレーデンリスク評価尺度」、「看護満足度尺度」を使用しました。

構造化された看護師紹介フォーム:

この主題に関する文献情報には、看護師の初歩的な特徴に関する情報が含まれています。

修正されたピーパー褥瘡知識テスト:

研究の結果、修正スケールは 1995 年に Pieper と Mott によって開発され、Lawrence によって修正され、2017 年に Asiye Gül とその同僚によってその有効性と信頼性が決定されました。 Pieper Pressure Wound Knowledge Test が使用されました。 このテストは49項目から構成されています。 スケールは 3 つのサブディメンションに分かれています。 一般知識スコアは最大 49 点、予防知識スコアは最大 33 点、病期分類知識スコアは最大 9 点、創傷識別スコアは最大 7 点となります。 Pieper 褥瘡知識テストのために、Asiye Gül 教授から変更許可が要求されました。 研究で使用されたスケールの信頼性レベルを決定するために信頼性分析が実行され、実験グループのクロンバック アルファ係数は 0.838、対照グループのクロンバック アルファ係数は 0.812 として得られました。

ブレーデンのリスク評価スケール:

ブレーデンとバーグストロムは、1997 年にトルコでオグズによって指揮されました。 スケールから 6 から 23 までの合計スコアが得られます。 合計スコアに従って、12 点以下が高リスク、13 ～ 14 点が危険、15 ～ 16 点が低リスクと見なされます。

看護師満足度調査:

褥瘡訓練に対する看護師の満足度を判断するために、研究者が文献に基づいて作成したリッカート型の質問。 最低スコアは 0、最高スコアは 25 です。 研究で使用されたアンケートの信頼性レベルを決定するために信頼性分析が実行され、クロンバック アルファ係数は 0.95 として得られました。

褥瘡の検出と分類のために開発したディープラーニングモデル 当社が開発した「褥瘡の検出と分類のためのディープラーニングモデル（BYT-CNNモデル）」は、最初に175枚のサンプル患者画像でトレーニングされ、分類予測の成功率を示しました約97%。 BYT-CNN モデルは、患者の画像が多いほどパフォーマンスが向上すると考えられていたため、病気の有無と病気の段階の両方を推定するという分類の問題を解決するために、500 人の患者と 500 人の非患者の画像データを使用して開発が続けられました (図 1)。 このモデルは、褥瘡が発症した場合の褥瘡のリスク分析と「NPUAP 褥瘡分類システム」に基づく分類を提供します。 深層学習モデルで判定された段階に応じてNPUAPが推奨する看護介入を組み込んだモバイルアプリを開発し、褥瘡の治療・ケアも実施した（図2）。

BYT-CNN モデルを使用して褥瘡を検出および分類するため。褥瘡または危険な領域の写真が撮影され、Bluetooth または Wi-Fi 経由で深層学習が配置されているメイン コンピュータに接続されます。 その後、患者に褥瘡があるかどうか、褥瘡がある場合はどの段階にあるかが「3 秒」以内にナースフォンに通知されます。

NPUAP 2016 の褥瘡の治療とケアに関する推奨事項に沿って作成されたモバイル アプリケーションは、どの段階でどのケアを提供すべきかを看護師に知らせます。

データ収集の方法

データの収集を開始する前に、研究者らは「褥瘡の検出と分類のための深層学習モデル (BYT-CNN モデル)」を開発しました。 研究に参加した看護師全員は、教室環境で同時に「圧迫損傷」に関する4時間の理論授業を受けた。 すべての看護師が理論的なトレーニングを受けてから 1 週間後、実験 (深層学習モデル) グループと対照 (従来の方法) グループに分けられました。 両グループには「構造化された看護師紹介フォーム」が与えられ、「事前テスト（「ピーパー褥瘡知識テスト」を修正したもの）」が適用されました。

対照群への適用: 理論的なレッスンの後、対照群の看護師は、有効で信頼できると認められている「ブレーデンリスク評価スケール」を使用して患者の褥瘡を判定し、分類しました。 スケールを使用して褥瘡を判定した対照群の看護師は、研究者が作成した内容の文書を使用して褥瘡の判定と分類に関する研修を受けました。 研修終了後、看護師を対象に「研修方法の満足度調査」を実施しました。 研修の 1 週間後、看護師には「事後テスト（修正版「ピーパー褥瘡知識テスト」）」が適用されました。 アプリケーションの完了後、対照グループのボランティア看護師は深層学習モデルによる褥瘡の検出と分類を受け、モバイル アプリケーションでトレーニングを受けました。

実験グループでの応用: 理論コースの後、実験グループの看護師は、「深層学習モデル」を使用して患者の褥瘡を検出し、分類しました。 実験グループでは、研究者が開発したモバイルアプリケーションを看護師の携帯電話にインストールし、深層学習モデルを用いて褥瘡を検出し、トレーニングを適用した。 このようにして、看護師は、深層学習モデルによって検出された褥瘡段階に応じて、開発されたモバイルアプリケーションに従って患者のケアと治療を提供されました。 研修終了後、看護師を対象に「研修方法に対する満足度調査」を実施しました。研修の1週間後、看護師は「事後テスト（修正版「ピーパー褥瘡知識テスト」）」を実施 研究の倫理的および法的側面 研究を実施するために必要な面接と対応が行われ、施設の許可が得られた倫理委員会の承認を得ています。 倫理委員会の許可は、2021 年 1 月 27 日付けの決定番号 2104 でイスティニエ大学人間研究倫理委員会から取得されました。 施設の許可;研究を実施するために、2022年2月8日にイスタンブール・ベイケント大学病院主治医室から文書番号14の申請許可を取得した。研究に参加する個人からインフォームド・コンセント用紙を取得した。 研究の実施段階を完了した研究者 5 人のうち 3 人はコンピュータ工学部での作業に従事しました。 他の 2 人の研究者は看護学科に勤務しています (2 人はコンピュータ工学の教員、1 人は看護基礎の教員、1 人はソフトウェアエンジニア、1 人は集中治療看護師)。

データの分析 研究で得られたデータは、SPSS (社会科学統計パッケージ) for Windows 25.0 プログラムを使用して取得され、分析に使用されました。 データ評価には、数値、パーセンテージ、平均、標準偏差などの記述統計手法が使用されました。 独立グループ内のカテゴリ変数の割合間の差異は、カイ二乗法とフィッシャーを使用して分析されました。正確検定で分析されました。 T 検定を使用して、2 つの独立したグループ間の定量的連続データを比較しました。 依存グループの t 検定を使用して、グループ内の測定値を比較しました。