Модель глубокого обучения, обнаруживающая пролежни

Сегодня, с ростом использования технологий, становится очевидным, что для решения сложных проблем необходимы более крупные данные. Чтобы удовлетворить эту потребность, появились сверточные нейронные сети, которые используются во многих областях, таких как распознавание объектов, распознавание речи и обработка естественного языка, и могут автоматически учиться на символах данных, принадлежащих изображениям, видео, аудио и т. д. тексты, а не обучение по закодированным правилам, в отличие от традиционных методов машинного обучения, основанных на искусственных нейронных сетях. Сверточные нейронные сети — это один из методов глубокого обучения, который является подветвью методов машинного обучения и имеет возможность учиться на примерах. Сверточные нейронные сети — это методы, которые также могут учиться на необработанных изображениях или текстовых данных и точность прогнозирования которых увеличивается в зависимости от размера данных. В литературе доказано, что модели искусственного интеллекта и глубокого обучения эффективны при анализе риска пролежней. Однако исследований по классификации пролежней не обнаружено. Раджу, Су, Патриций и др. (2015) обеспечили более точный и быстрый прогноз показателей шкалы риска Брейдена с помощью модели глубокого обучения, которую они разработали в результате четырехлетнего наблюдения в военном госпитале. Олдерден, Пеппер, Уилсон и др. (2018) разработали модель глубокого обучения, которая раскрывает анализ риска пролежней у пациентов интенсивной терапии, а также предоставили более точный и значимый анализ риска пролежней с более чувствительными измерениями для пациентов интенсивной терапии, которые согласно инструментам оценки риска относятся к группе высокого риска. Демирджан, Юседаг, Тоз и др. (2016) разработали математическую модель, анализирующую факторы риска в процессе формирования пролежней, и обеспечили выявление пролежней на ранней стадии. Использование этих инновационных приложений, которые включены и используются в мировой литературе, в нашей стране ограничено. В условиях, когда технологии быстро развиваются и потребляются, не оставаться равнодушными к инновационным инициативам и интегрировать технологии в сестринскую практику повысит известность нашей профессии за счет подготовки инновационных медсестер. В свете этой информации было проведено исследование с целью разработки модели глубокого обучения для выявления и классификации пролежней, а также для определения влияния модели на уровень знаний и удовлетворенности медсестер.

Цель. Рандомизированное контролируемое экспериментальное исследование было проведено с целью разработки модели глубокого обучения для обнаружения и классификации пролежней, а также для определения влияния модели на уровень знаний и удовлетворенности медсестер.

Гипотезы исследования; H1: Модель глубокого обучения обеспечивает обнаружение пролежней.

H2: Модель глубокого обучения обеспечивает классификацию пролежней.

H3: Мобильное приложение, разработанное с использованием модели глубокого обучения, играет активную роль в лечении и уходе за пролежнями.

Переменные исследования; Независимые переменные исследования; модель глубокого обучения, оценка риска Брейдена. Зависимые переменные исследования; уровень знаний пролежней, уровень удовлетворенности образованием. Метод. Исследование представляет собой рандомизированное контролируемое экспериментальное исследование. Вселенная и выборка исследования включали 80 медсестер, работавших в клиниках интенсивной терапии, терапии и хирургии базовой университетской больницы в период с марта 2021 года по июнь 2022 года.

Для определения количества медсестер, составляющих выборку исследования, в качестве примера было взято аналогичное исследование из соответствующей литературы и использовано программное обеспечение для анализа мощности G* Power 3.1. В этом исследовании, чтобы достичь уровня мощности 95% при размере эффекта 0,5 и уровне ошибки 5%, размер выборки был рассчитан как 56, по 28 участников в каждой группе. Учитывая большую мощность теста и потери в исследовании, всего было охвачено 60 человек, по 30 в каждой группе. Медсестры из выборочной группы были случайным образом распределены исследователем на контрольную (n=30) и экспериментальную группы (n=30) с использованием простой числовой таблицы. Таблица рандомизации была создана с использованием веб-сайта http://stattrek.com/statistics/random-number-generator.aspx для рандомизации. В результате выборка исследования состояла в общей сложности из 60 медсестер, по 30 участников в каждой группе медсестер, которые были проинформированы о цели исследования, которым было разрешено участвовать в исследовании и которые соответствовали критериям выборки. изучать. Критериями выборки были; медсестра была старше 18 лет, работала медсестрой в отделении интенсивной терапии или в клинике и согласилась участвовать в исследовании устно и письменно.

Инструменты сбора данных. Использовались данные исследований: «Структурированная форма представления медсестры», «Модифицированный тест Пайпера на знание пролежней», «Шкала оценки риска Брейдена» и «Шкала удовлетворенности медсестринским делом».

Структурированная форма представления медсестры:

Литературная информация по теме и включает сведения о вводных характеристиках медицинских сестер.

Модифицированный тест Пайпера на знание пролежней:

В результате исследования Модифицированная шкала была разработана Пипером и Моттом в 1995 году, модифицирована Лоуренсом, а ее достоверность и надежность были определены Асие Гюль и ее коллегами в 2017 году. Был использован тест Пайпера на знание давящих ран. Этот тест состоит из 49 пунктов. Шкала разделена на три подизмерения. Оценка общих знаний может достигать 49 баллов, оценка профилактических знаний — до 33 баллов, оценка стадийных знаний — до 9 баллов, оценка идентификации ран — до 7 баллов. Для проведения теста Пипера на знание пролежней у профессора доктора Асие Гюль было запрошено измененное разрешение. Анализ надежности был проведен для определения уровня надежности шкалы, использованной в исследовании, и коэффициент альфа Хронбаха экспериментальной группы составил 0,838, а коэффициент альфа контрольной группы - 0,812.

Шкала оценки риска Брейдена:

Брейдена и Бергстрома проводил Огуз в 1997 году в Турции. По шкале получается общая оценка от 6 до 23. По сумме баллов 12 баллов и ниже считаются высоким риском, 13-14 баллов - рискованным, 15-16 баллов - низким риском.

Опрос удовлетворенности медсестер:

Вопросы типа Лайкерта, подготовленные исследователями в соответствии с литературой, для определения уровня удовлетворенности медсестер обучением пролежней. Самый низкий балл – 0, самый высокий – 25. Анализ надежности был проведен для определения уровня надежности анкеты, использованной в исследовании, и коэффициент альфа Хронбаха составил 0,95.

Модель глубокого обучения, которую мы разработали для обнаружения и классификации пролежней. Разработанная нами «Модель глубокого обучения для обнаружения и классификации пролежней (модель BYT-CNN)» сначала была обучена на 175 образцах изображений пациентов и показала уровень успешности прогнозирования классификации. примерно 97%. Поскольку считалось, что модель BYT-CNN лучше работает с большим количеством изображений пациентов; его продолжали развивать с использованием данных изображений 500 пациентов и 500 пациентов, не являющихся пациентами, для решения проблем классификации, связанных как с оценкой наличия или отсутствия заболевания, так и с стадией заболевания (рис. 1). Эта модель обеспечит анализ риска пролежней и их классификацию в соответствии с «Системой классификации пролежней NPUAP» в случаях их развития. Было разработано мобильное приложение, включающее сестринские вмешательства, рекомендованные NPUAP, в соответствии со стадией, определенной моделью глубокого обучения, а также проводилось лечение и уход за пролежней (рис. 2).

Для выявления и классификации пролежней с использованием модели BYT-CNN; делается снимок пролежня или зоны риска и подключается к главному компьютеру, где находится система глубокого обучения, через Bluetooth или Wi-Fi. Затем на телефон медсестры в течение «3 секунд» сообщается, есть ли у пациента пролежневая травма и если да, то на какой стадии.

Мобильное приложение, подготовленное в соответствии с рекомендациями НПУАП 2016 по лечению и уходу за пролежнями, информирует медсестру о том, какую помощь на каком этапе оказать.

Метод, использованный при сборе данных

Прежде чем приступить к сбору данных, исследователи разработали «Модель глубокого обучения для обнаружения и классификации пролежней (модель BYT-CNN). Все медсестры, участвовавшие в исследовании, одновременно прошли 4-часовой теоретический урок по теме «Травмы от давления» в классе. Через неделю после того, как все медсестры прошли теоретическое обучение, их разделили на экспериментальную (модель глубокого обучения) и контрольную (традиционный метод) группы. Обеим группам была предоставлена ​​«Структурированная вводная форма для медсестры» и был применен «Предварительный тест (модифицированный «Тест Пайпера на знание пролежней)».

Применение в контрольной группе: После теоретического урока медсестры контрольной группы определили и классифицировали пролежни у своих пациентов, используя «Шкалу оценки риска Брейдена», которая была признана действительной и надежной. Медсестры контрольной группы, определявшие пролежни с помощью шкалы, прошли обучение по определению и классификации пролежней с использованием письменных материалов, содержание которых было подготовлено исследователями. После обучения медсестрам был проведен опрос «Удовлетворенность методом обучения». Через неделю после обучения медсестры прошли «пост-тест (модифицированный тест Пайпера на знание пролежней)». После завершения подачи заявки медсестры-добровольцы из контрольной группы были подвергнуты выявлению и классификации пролежней с помощью модели глубокого обучения и обучены работе с мобильным приложением.

Применение в экспериментальной группе: После теоретического курса медсестры экспериментальной группы обнаружили и классифицировали пролежни у своих пациентов с помощью «Модели глубокого обучения». В экспериментальной группе разработанное исследователями мобильное приложение было установлено на телефоны медсестер, обнаруживших пролежни с помощью модели глубокого обучения, и было применено обучение. Таким образом, медсестрам был обеспечен уход и лечение пациента согласно разработанному мобильному приложению в соответствии со стадией пролежней, выявленной моделью глубокого обучения. После обучения медсестрам был проведен «Опрос удовлетворенности методом обучения». Через 1 неделю после обучения медсестры прошли «Пост-тест (модифицированный «Тест Пайпера на знание пролежней»)». Этические и правовые аспекты исследования. Для проведения исследования были проведены необходимые собеседования и переписка, а также получены разрешения от учреждения. и одобрение комитета по этике было получено. Разрешение комитета по этике получено от Комитета по этике человеческих исследований Университета Истинье решением № 2104 от 27.01.2021. Институциональное разрешение; Для проведения исследования было получено разрешение на заявку в кабинете главного врача Стамбульской университетской больницы Бейкент 08.02.2022 с документом № 14. От лиц, участвовавших в исследовании, были получены формы информированного согласия. Трое из пяти исследователей, завершивших этап реализации научно-исследовательской работы, работают на кафедре вычислительной техники. Два других исследователя работают на кафедре сестринского дела (два исследователя являются преподавателями компьютерной инженерии, один исследователь — преподавателем основ сестринского дела, один исследователь — инженером-программистом и один исследователь — медсестрой интенсивной терапии).

Анализ данных. Данные, полученные в ходе исследования, были получены с использованием программы SPSS (Statistical Package for Social Sciences) для Windows 25.0. Для оценки данных использовались описательные статистические методы как число, процент, среднее значение, стандартное отклонение. Различия между долями категориальных переменных в независимых группах анализировались с использованием методов Хи-квадрат и Фишера. Анализ проводился с помощью точных критериев. Т-тест использовался для сравнения количественных непрерывных данных между двумя независимыми группами. Для сравнения измерений внутри группы использовался t-критерий зависимых групп.