Deep Learning-model voor het detecteren van decubitus

Tegenwoordig wordt, met het toenemende gebruik van technologie, gezien dat grotere gegevens nodig zijn om complexe problemen op te lossen. Om aan deze behoefte te voldoen zijn convolutionele neurale netwerken ontstaan, die op veel gebieden worden gebruikt, zoals objectherkenning, spraakherkenning en natuurlijke taalverwerking, en die automatisch kunnen leren van de symbolen van gegevens die bij afbeeldingen, video's, audio en andere informatie horen. teksten, in plaats van te leren met gecodeerde regels, in tegenstelling tot traditionele machinale leermethoden, gebaseerd op kunstmatige neurale netwerken. Convolutionele neurale netwerken zijn een van de Deep Learning-methoden, een subtak van machine learning-methoden en die het vermogen hebben om van voorbeelden te leren. Convolutionele neurale netwerken zijn methoden die ook kunnen leren van onbewerkte beeld- of tekstgegevens en waarvan de voorspellingsnauwkeurigheid toeneemt afhankelijk van de omvang van de gegevens. In de literatuur is bewezen dat kunstmatige intelligentie en deep learning-modellen effectief zijn bij de risicoanalyse van decubitus. Er is echter geen onderzoek gevonden naar de classificatie van decubitus. Raju, Su, Patrician et al. (2015), zorgden voor een nauwkeurigere en snellere voorspelling van Braden-risicoschaalscores met het deep learning-model dat ze ontwikkelden als resultaat van een vier jaar durende follow-up in een militair hospitaal. Alderden, Pepper, Wilson et al. (2018) hebben een diepgaand leermodel ontwikkeld dat de risicoanalyse van decubitus bij intensive care-patiënten onthult, en een nauwkeurigere en zinvollere risicoanalyse van decubitus biedt met gevoeliger metingen voor intensive care-patiënten die volgens risicobeoordelingsinstrumenten als een hoog risico worden beschouwd. Demircan, Yücedağ, Toz et al. (2016) ontwikkelden een wiskundig model dat de risicofactoren in het ontstaansproces van decubitus analyseert en ervoor zorgt dat decubitus in een vroeg stadium wordt ontdekt. Het gebruik van deze innovatieve toepassingen, die in de wereldliteratuur zijn opgenomen en gebruikt, is in ons land beperkt. In een omgeving waarin technologie zich snel ontwikkelt en wordt geconsumeerd, zal het niet onverschillig blijven tegenover innovatieve initiatieven en het integreren van technologie in verpleegpraktijken de zichtbaarheid van ons beroep vergroten door innovatieve verpleegkundigen op te leiden. In het licht van deze informatie werd het onderzoek uitgevoerd om een ​​diepgaand leermodel te ontwikkelen voor de detectie en classificatie van decubitus en om het effect van het model op het kennis- en tevredenheidsniveau van verpleegkundigen te bepalen.

Doel Er is een gerandomiseerde, gecontroleerde experimentele studie uitgevoerd om een ​​diepgaand leermodel te ontwikkelen voor de detectie en classificatie van decubitus en om het effect van het model op het kennis- en tevredenheidsniveau van verpleegkundigen te bepalen.

Hypotheses van het onderzoek; H1: Deep Learning-model biedt detectie van decubitus.

H2: Deep Learning-model biedt classificatie van decubitus.

H3: Mobiele applicatie ontwikkeld met een Deep Learning-model speelt een actieve rol bij de behandeling en verzorging van decubitus.

Variabelen van de studie; Onafhankelijke variabelen van het onderzoek; deep learning-model, braden-risicobeoordeling Afhankelijke variabelen van het onderzoek; kennisniveau decubitus, niveau tevredenheid met onderwijs Methode Onderzoek is een gerandomiseerde, gecontroleerde experimentele studie. Universe en Sample of the Research bestonden uit 80 verpleegkundigen die tussen maart 2021 en juni 2022 werkten op de intensive care-, interne geneeskunde- en chirurgische klinieken van een universitair ziekenhuis.

Om het aantal verpleegkundigen te bepalen waaruit de onderzoekspopulatie bestond, werd een soortgelijk onderzoek in de relevante literatuur als voorbeeld genomen en werd gebruik gemaakt van de poweranalyse G* Power 3.1-software. Om een ​​vermogensniveau van 95% te bereiken bij een effectgrootte van 0,5 en een foutenniveau van 5%, werd in dit onderzoek de steekproefomvang berekend op 56, met 28 deelnemers in elke groep. Gezien de hoge power van de test en de verliezen in het onderzoek werden in totaal 60 mensen bereikt, 30 in elke groep. De verpleegkundigen in de steekproefgroep werden door de onderzoeker willekeurig toegewezen aan de controlegroep (n=30) en de experimentele groep (n=30) met behulp van een eenvoudige getallentabel. De randomisatietabel is gemaakt met behulp van de website http://stattrek.com/statistics/random-number-generator.aspx voor randomisatie. Als gevolg hiervan bestond de steekproef van het onderzoek uit in totaal 60 verpleegkundigen, 30 deelnemers in elke verpleeggroep, die waren geïnformeerd over het doel van het onderzoek en die mochten deelnemen aan het onderzoek en die voldeden aan de steekproefcriteria van de studie. studie. De steekproefcriteria waren; de verpleegkundige was ouder dan 18 jaar, werkte als verpleegkundige op de intensive care of in een kliniek en accepteerde mondeling en schriftelijk deelname aan het onderzoek.

Hulpmiddelen voor gegevensverzameling Onderzoeksgegevens, "Structured Nurse Introduction Form", "Modified Pieper Pressure Sore Knowledge Test", "Braden Risk Assessment Scale" en "Nursing Satisfaction Scale" werden gebruikt.

Gestructureerd introductieformulier voor verpleegkundigen:

literatuurinformatie over het onderwerp en bevat informatie over de inleidende kenmerken van verpleegkundigen.

Gemodificeerde Pieper-drukpijnlijke kennistest:

Als resultaat van het onderzoek werd de gemodificeerde schaal in 1995 ontwikkeld door Pieper en Mott, aangepast door Lawrence, en de validiteit en betrouwbaarheid ervan werden in 2017 bepaald door Asiye Gül en haar collega's. Er werd gebruik gemaakt van de Pieper Pressure Wound Knowledge Test. Deze test bestaat uit 49 items. De schaal is verdeeld in drie subdimensies. De algemene kennisscore kan maximaal 49 punten zijn, de preventiekennisscore kan maximaal 33 punten zijn, de stadiëringskennisscore kan maximaal 9 punten zijn en de wondidentificatiescore kan maximaal 7 punten zijn. Voor de Pieper Decubitus Kennistest is aangepaste toestemming gevraagd aan Prof. Dr. Asiye Gül. Er werd een betrouwbaarheidsanalyse uitgevoerd om het betrouwbaarheidsniveau van de in het onderzoek gebruikte schaal te bepalen en de Chronbach alfa-coëfficiënt van de experimentele groep werd verkregen op 0,838 en die van de controlegroep op 0,812.

Braden risicobeoordelingsschaal:

Braden en Bergstrom werden in 1997 in Turkije gedirigeerd door Oğuz. Op basis van de schaal wordt een totaalscore van 6 tot 23 verkregen. Volgens de totaalscore worden 12 punten en lager als een hoog risico beschouwd, 13-14 punten als riskant en 15-16 punten als een laag risico.

Tevredenheidsonderzoek onder verpleegkundigen:

Likert-achtige vragen opgesteld door onderzoekers in overeenstemming met de literatuur om de tevredenheid van verpleegkundigen over decubitustraining te bepalen. De laagste score is 0 en de hoogste is 25. Er werd een betrouwbaarheidsanalyse uitgevoerd om het betrouwbaarheidsniveau van de in het onderzoek gebruikte vragenlijst te bepalen en de Chronbach-alfacoëfficiënt werd verkregen op 0,95.

Het Deep Learning-model dat we hebben ontwikkeld voor de detectie en classificatie van decubitus. Het door ons ontwikkelde ‘Deep Learning-model voor de detectie en classificatie van decubitus (BYT-CNN-model)’ werd voor het eerst getraind op 175 voorbeeldbeelden van patiënten en toonde een succespercentage voor classificatievoorspellingen van ongeveer 97%. Omdat men dacht dat het BYT-CNN-model beter presteerde met meer patiëntbeelden; Het werd verder ontwikkeld met behulp van beeldgegevens van 500 patiënten en 500 niet-patiënten om de classificatieproblemen op te lossen bij zowel het inschatten of de ziekte al dan niet aanwezig is als het stadium van de ziekte (Figuur 1). Dit model biedt een risicoanalyse van decubitus en de classificatie ervan volgens het "NPUAP Pressure Injury Classification System" in gevallen waarin deze zich ontwikkelen. Er werd een mobiele applicatie ontwikkeld die door NPUAP aanbevolen verpleegkundige interventies bevat volgens het stadium bepaald door het deep learning-model en de behandeling en verzorging van de decubitus werd ook uitgevoerd (Figuur 2).

Om decubitus op te sporen en te classificeren met behulp van het BYT-CNN-model; er wordt een foto gemaakt van de decubitus of het risicogebied en via Bluetooth of Wi-Fi verbonden met de hoofdcomputer waarop deep learning zich bevindt. Vervolgens wordt binnen "3 seconden" op de telefoon van de verpleegkundige gemeld of de patiënt een decubitus heeft en, zo ja, in welke fase deze zich bevindt.

De mobiele applicatie, opgesteld in overeenstemming met de NPUAP 2016-aanbevelingen voor behandeling en verzorging van decubitus, informeert de verpleegkundige over welke zorg hij in welke fase moet verlenen.

De gevolgde methode bij het verzamelen van gegevens

Voordat ze begonnen met het verzamelen van gegevens, ontwikkelden de onderzoekers een ‘Deep Learning Model for Detection and Classification of Pressure Injuries (BYT-CNN model). Alle verpleegkundigen die aan het onderzoek deelnamen, kregen tegelijkertijd een theoretische les van vier uur over 'Drukletsel' in een klaslokaal. Een week nadat alle verpleegkundigen een theoretische opleiding hadden gekregen, werden ze verdeeld in experimentele (Deep Learning Model) en controlegroepen (Traditionele Methode). Beide groepen kregen een ‘Gestructureerd Introductieformulier voor Verpleegkundigen’ en er werd een ‘Pre-Test (Gemodificeerde ‘Pieper Decubitus Kennis Test)’ toegepast.

Toepassing in controlegroep: Na de theoretische les bepaalden en classificeerden de verpleegkundigen in de controlegroep de decubitus bij hun patiënten met behulp van de "Braden Risk Assessment Scale", die als valide en betrouwbaar werd aanvaard. De verpleegkundigen uit de controlegroep, die de decubitus bepaalden met behulp van de schaal, kregen een training in het vaststellen en classificeren van decubitus aan de hand van schriftelijk materiaal, waarvan de inhoud door de onderzoekers was voorbereid. Na de training is bij de verpleegkundigen het ‘Tevredenheid met de Trainingsmethode Onderzoek’ toegepast. Een week na de training kregen de verpleegkundigen de "Post-Test (Modified "Pieper Pressure Sore Knowledge Test)" toegediend. Na voltooiing van de applicatie werden vrijwillige verpleegkundigen uit de controlegroep onderworpen aan detectie en classificatie van decubitus met het deep learning-model en getraind met de mobiele applicatie.

Toepassing in de experimentele groep: Na de theoretische cursus hebben de verpleegkundigen in de experimentele groep decubitus bij hun patiënten gedetecteerd en geclassificeerd met het "Deep Learning Model". In de experimentele groep werd een door de onderzoekers ontwikkelde mobiele applicatie geïnstalleerd op de telefoons van de verpleegkundigen die decubitus ontdekten met behulp van het deep learning-model en werd training toegepast. Zo kregen de verpleegkundigen de zorg en behandeling van de patiënt volgens de ontwikkelde mobiele applicatie, afhankelijk van het stadium van decubitus dat werd gedetecteerd door het deep learning-model. Na de training werd onder de verpleegkundigen het ‘Tevredenheidsonderzoek over de trainingsmethode’ toegepast. 1 week na de training kregen de verpleegkundigen de "Post-Test (gemodificeerde "Pieper Pressure Sore Knowledge Test)" toegepast. Ethische en juridische aspecten van onderzoek Om het onderzoek uit te voeren, werden de nodige interviews en correspondentie gevoerd en werden institutionele toestemmingen verleend en de goedkeuring van de ethische commissie werd verkregen. Toestemming van de ethische commissie werd verkregen van de Ethische Commissie voor Menselijk Onderzoek van de Istinye Universiteit met besluitnummer 2104 gedateerd 27.01.2021. institutionele toestemming; Om het onderzoek uit te voeren, werd op 08.02.2022 een aanvraagvergunning verkregen van het hoofdartsenkantoor van het Istanbul Beykent Universitair Ziekenhuis met documentnummer 14. Er werden formulieren voor geïnformeerde toestemming verkregen van de personen die aan het onderzoek deelnamen. Drie van de vijf onderzoekers die de implementatiefase van het onderzoek hebben afgerond, werken bij de afdeling Computer Engineering. De andere twee onderzoekers werken bij de afdeling Verpleegkunde (twee onderzoekers zijn faculteitsleden in Computer Engineering, één onderzoeker is faculteitslid in de Fundamentals of Nursing, één onderzoeker is een software-ingenieur en één onderzoeker is een intensive care-verpleegkundige).

Analyse van gegevens De gegevens die in het onderzoek zijn verkregen, zijn verkregen met behulp van SPSS (Statistical Package for Social Sciences) voor het Windows 25.0-programma en zijn gebruikt voor analyse. Voor de gegevensevaluatie werden beschrijvende statistische methoden gebruikt als aantal, percentage, gemiddelde en standaarddeviatie. Verschillen tussen de verhoudingen van categorische variabelen in onafhankelijke groepen werden geanalyseerd met behulp van Chi-Square en Fisher. Het werd geanalyseerd met exacte tests. De T-test werd gebruikt om kwantitatieve continue gegevens tussen twee onafhankelijke groepen te vergelijken. De t-test van afhankelijke groepen werd gebruikt om metingen binnen de groep te vergelijken.