압력 부상을 감지하는 딥 러닝 모델

오늘날 기술의 사용이 증가함에 따라 복잡한 문제를 해결하려면 더 큰 데이터가 필요하다는 사실이 드러났습니다. 이러한 요구를 충족시키기 위해 객체 인식, 음성 인식, 자연어 처리 등 다양한 분야에서 사용되며 이미지, 비디오, 오디오, 오디오 등에 속하는 데이터의 기호로부터 자동으로 학습할 수 있는 컨볼루셔널 신경망(Convolutional Neural Networks)이 등장했습니다. 인공 신경망을 기반으로 하는 기존 기계 학습 방법과 달리 코딩된 규칙으로 학습하는 대신 텍스트를 사용합니다. 컨볼루셔널 신경망(Convolutional Neural Network)은 딥러닝(Deep Learning) 방법 중 하나로, 머신러닝 방법의 하위 분야이며 예제를 통해 학습할 수 있는 기능을 갖추고 있습니다. 컨볼루션 신경망은 원시 이미지나 텍스트 데이터에서도 학습할 수 있으며 데이터 크기에 따라 예측 정확도가 높아지는 방법입니다. 인공지능과 딥러닝 모델이 욕창 위험 분석에 효과적이라는 것이 문헌을 통해 입증되었습니다. 그러나 욕창의 분류에 관한 연구는 발견되지 않았다. Raju, Su, Patricianet al. (2015)는 군 병원에서 4년간의 추적 결과 개발한 딥러닝 모델을 통해 Braden 위험 척도 점수를 보다 정확하고 빠르게 예측했습니다. Alderden, Pepper, Wilson 외. (2018)은 집중 치료 환자의 욕창 위험 분석을 나타내는 딥 러닝 모델을 개발했으며, 위험 평가 도구에 따라 고위험으로 간주되는 집중 치료 환자에 대해 보다 민감한 측정을 통해 보다 정확하고 의미 있는 욕창 위험 분석을 제공했습니다. Demircan, Yücedağ, Toz 등. (2016)은 욕창 형성 과정에서 위험 요인을 분석하는 수학적 모델을 개발하여 욕창이 조기에 발견되도록 했습니다. 세계 문헌에 포함되어 사용되는 이러한 혁신적인 응용 프로그램의 사용은 우리나라에서는 제한되어 있습니다. 기술이 빠르게 발전하고 소비되는 환경에서 혁신적인 계획에 무관심하지 않고 기술을 간호 실습에 통합하면 혁신적인 간호사를 양성함으로써 우리 직업의 가시성을 높일 수 있습니다. 이러한 정보를 바탕으로 욕창 감지 및 분류에 대한 딥러닝 모델을 개발하고 모델이 간호사의 지식 및 만족도 수준에 미치는 영향을 확인하기 위해 연구를 수행했습니다.

목표 욕창의 감지 및 분류를 위한 딥러닝 모델을 개발하고 모델이 간호사의 지식 및 만족도 수준에 미치는 영향을 확인하기 위해 무작위 대조 실험 연구를 수행했습니다.

연구의 가설; H1: 딥 러닝 모델은 욕창 감지를 제공합니다.

H2: 딥 러닝 모델은 욕창 분류를 제공합니다.

H3: 딥러닝 모델로 개발된 모바일 애플리케이션은 욕창 치료 및 치료에 적극적인 역할을 합니다.

연구 변수; 연구의 독립변수 딥 러닝 모델, braden 위험 평가 연구의 종속 변수; 욕창 지식 수준, 교육 만족도 수준 방법 연구는 무작위 대조 실험 연구입니다. 연구의 세계와 표본은 2021년 3월부터 2022년 6월까지 재단 대학병원의 중환자실, 내과, 수술 클리닉에서 근무한 간호사 80명으로 구성되었습니다.

연구표본을 구성하는 간호사의 수를 결정하기 위해 관련 문헌에서 유사한 연구를 예로 들어 전력분석 소프트웨어인 G*Power 3.1을 사용하였다. 본 연구에서는 효과크기 0.5, 오류수준 5%에서 검정력수준 95%에 도달하기 위해 표본크기는 각 군당 28명씩 56명으로 계산하였다. 테스트의 높은 검정력과 연구의 손실을 고려하여 각 그룹당 30명씩 총 60명에 도달했습니다. 표본집단의 간호사들은 간단한 숫자표를 이용하여 연구자에 의해 무작위로 대조군(n=30)과 실험집단(n=30)으로 배정되었다. 무작위화 테이블은 무작위화를 위한 웹사이트 http://stattrek.com/statistics/random-number-generator.aspx를 사용하여 생성되었습니다. 그 결과, 연구의 표본은 간호사군별로 30명씩 총 60명의 간호사로 구성되었으며, 이들은 연구의 목적에 대해 설명을 듣고 연구에 참여하도록 허용되었으며 표본기준을 충족하였다. 공부하다. 샘플 기준은 다음과 같습니다. 간호사는 18세 이상이었고 집중 치료 또는 클리닉 간호사로 일했으며 구두 및 서면으로 연구에 참여하는 것을 수락했습니다.

데이터 수집 도구 연구 데이터인 "구조화된 간호사 소개 양식", "수정된 파이퍼 압력 통증 지식 테스트", "Braden 위험 평가 척도" 및 "간호 만족도 척도"를 사용했습니다.

구조화된 간호사 소개 양식:

주제에 관한 문헌 정보와 간호사의 입문 특성에 대한 정보를 포함합니다.

수정된 파이퍼 압박통 지식 테스트:

연구 결과, Modified Scale은 1995년 Pieper와 Mott에 의해 개발되었고, Lawrence에 의해 수정되었으며, 2017년 Asiye Gül과 동료들에 의해 타당성과 신뢰성이 확인되었다. 파이퍼 압력 상처 지식 테스트가 사용되었습니다. 본 테스트는 49개 항목으로 구성되어 있습니다. 척도는 세 가지 하위 차원으로 나뉩니다. 일반 지식 점수는 최대 49점, 예방 지식 점수는 최대 33점, 병기 지식 점수는 최대 9점, 상처 식별 점수는 최대 7점까지 가능하다. 파이퍼 압박 통증 지식 테스트에 대해 Dr. Asiye Gül 교수에게 수정된 허가가 요청되었습니다. 연구에 사용된 척도의 신뢰도 수준을 알아보기 위해 신뢰도 분석을 실시한 결과, 크로바흐 알파계수는 실험군의 경우 0.838, 대조군의 경우 0.812로 나타났다.

Braden 위험 평가 척도:

Braden과 Bergstrom은 1997년 터키에서 Oğuz에 의해 지휘되었습니다. 6에서 23까지의 총점은 척도에서 얻어집니다. 총점에 따라 12점 이하는 고위험, 13~14점은 위험, 15~16점은 저위험으로 분류된다.

간호사 만족도 조사:

욕창훈련에 대한 간호사의 만족도를 알아보기 위해 연구자들이 문헌에 맞춰 작성한 리커트형 질문. 가장 낮은 점수는 0이고 가장 높은 점수는 25입니다. 연구에 사용된 설문지의 신뢰도 수준을 알아보기 위해 신뢰도 분석을 실시하였고, Chronbach 알파계수는 0.95로 얻어졌다.

욕창 감지 및 분류를 위해 우리가 개발한 딥러닝 모델 우리가 개발한 "욕창 감지 및 분류를 위한 딥러닝 모델(BYT-CNN 모델)"은 175개의 샘플 환자 이미지에 대해 먼저 훈련되었으며 분류 예측 성공률을 보여주었습니다. 약 97%이다. BYT-CNN 모델은 더 많은 환자 이미지에서 더 나은 성능을 발휘한다고 생각되었기 때문에; 질병 유무와 질병의 단계를 추정하는 분류 문제를 해결하기 위해 환자 500명과 비환자 500명의 영상 데이터를 사용하여 지속적으로 개발되었습니다(그림 1). 이 모델은 욕창이 발생하는 경우 "NPUAP 욕창 분류 시스템"에 따른 욕창 및 분류에 대한 위험 분석을 제공합니다. 딥러닝 모델이 결정한 단계에 따라 NPUAP에서 권장하는 간호 중재가 포함된 모바일 애플리케이션을 개발하고 욕창의 치료 및 관리도 수행했습니다(그림 2).

BYT-CNN 모델을 사용하여 욕창을 감지하고 분류하기 위해; 욕창이나 위험 부위의 사진을 촬영하고 블루투스나 Wi-Fi를 통해 딥러닝이 위치한 메인 컴퓨터에 연결합니다. 그러면 환자에게 욕창이 있는지, 그렇다면 어느 단계인지가 '3초' 이내에 간호사의 휴대폰으로 통보된다.

NPUAP 2016 욕창 치료 및 관리 권장 사항에 맞춰 준비된 모바일 애플리케이션은 간호사에게 어떤 단계에 어떤 치료를 제공해야 하는지 알려줍니다.

데이터 수집에 따른 방법

데이터 수집을 시작하기 전에 연구원들은 "압박 부상 감지 및 분류를 위한 딥 러닝 모델(BYT-CNN 모델)"을 개발했습니다. 연구에 참여한 모든 간호사들은 동시에 교실 환경에서 "압박 부상"에 대한 4시간의 이론 수업을 받았습니다. 모든 간호사들이 이론 교육을 받은 지 1주일 후, 실험군(Deep Learning Model)과 대조군(Traditional Method) 그룹으로 나뉘었습니다. 두 그룹 모두 "구조화된 간호사 소개 양식"을 받았으며 "사전 테스트(수정된 "파이퍼 압박 통증 지식 테스트)"를 적용했습니다.

대조군의 적용: 이론적 수업 후, 대조군의 간호사들은 타당하고 신뢰할 수 있는 것으로 인정된 "Braden 위험 평가 척도"를 사용하여 환자의 욕창을 결정하고 분류했습니다. 척도를 이용하여 욕창을 판별한 대조군의 간호사들에게 연구자가 작성한 내용의 서면 자료를 사용하여 욕창의 판별 및 분류에 대한 교육을 실시하였다. 교육 후 간호사를 대상으로 '교육방법 만족도 조사'를 실시하였다. 훈련 1주일 후 간호사들에게 "사후 테스트(수정된 "파이퍼 압박 통증 지식 테스트)"가 적용되었습니다. 신청 완료 후, 대조군의 자원봉사 간호사들은 딥러닝 모델을 통해 욕창 감지 및 분류를 실시하고 모바일 애플리케이션을 통해 훈련을 받았습니다.

실험그룹에서의 적용: 이론 과정을 마친 후, 실험그룹의 간호사들은 "딥러닝 모델"을 사용하여 환자의 욕창을 감지하고 분류했습니다. 실험군에서는 딥러닝 모델을 이용해 욕창을 감지한 간호사들의 휴대폰에 연구진이 개발한 모바일 애플리케이션을 설치하고 훈련을 적용했다. 이에 간호사들은 딥러닝 모델을 통해 검출된 욕창 단계에 따라 개발된 모바일 애플리케이션에 따라 환자 관리 및 치료를 제공받았다. 교육 후 간호사를 대상으로 '교육방법 만족도 조사'를 실시하였다. 교육 1주일 후 간호사들에게 "사후 테스트(Modified "Pieper Pressure Sore Knowledge Test)"가 적용되었습니다. 연구의 윤리적, 법적 측면 연구를 수행하기 위해 필요한 인터뷰와 서신이 이루어졌으며 기관의 허가를 받았습니다. 윤리위원회 승인을 받았습니다. 윤리 위원회 허가는 2021년 1월 27일자 결정 번호 2104로 이스틴예 대학 인간 연구 윤리 위원회로부터 획득되었습니다. 기관 허가; 연구를 수행하기 위해 2022년 2월 8일에 이스탄불 베이켄트 대학 병원 수석 의사 사무실에서 문서 번호 14로 신청 허가를 받았습니다. 연구에 참여하는 개인으로부터 사전 동의서를 얻었습니다. 컴퓨터공학과에서 연구업무의 구현단계를 마친 연구자 5명 중 3명. 나머지 2명의 연구원은 간호학과에서 일하고 있습니다. (2명의 연구원은 컴퓨터 공학 교수진, 한 명의 연구원은 기초 간호학 교수, 한 명의 연구원은 소프트웨어 엔지니어, 한 명의 연구원은 중환자실 간호사입니다.)

자료분석 본 연구에서 얻은 자료는 Windows 25.0용 SPSS(Statistical Package for Social Sciences) 프로그램을 이용하여 분석에 사용하였다. 데이터 평가를 위해 기술적인 통계 방법을 숫자, 백분율, 평균, 표준 편차로 사용했습니다. 독립군 내 범주형 변수의 비율 차이는 Chi-Square와 Fisher를 이용하여 정확검정을 통해 분석하였다. 두 개의 독립적인 그룹 간의 정량적 연속 데이터를 비교하기 위해 T-테스트가 사용되었습니다. 그룹 내 측정값을 비교하기 위해 종속 그룹 t-테스트가 사용되었습니다.