检测压力损伤的深度学习模型

如今，随着技术的日益普及，人们发现需要更大的数据来解决复杂的问题。 为了满足这一需求，卷积神经网络应运而生，被应用于物体识别、语音识别、自然语言处理等诸多领域，可以自动从图像、视频、音频等数据的符号中进行学习。与基于人工神经网络的传统机器学习方法不同，它不是使用编码规则进行学习。 卷积神经网络是深度学习方法之一，是机器学习方法的一个子分支，具有从实例中学习的能力。 卷积神经网络是还可以从原始图像或文本数据中学习的方法，其预测精度根据数据的大小而增加。 文献已经证明，人工智能和深度学习模型在压力性损伤的风险分析中是有效的。 然而，目前尚未发现关于压力性损伤分类的研究。 拉朱、苏、帕特里西安等人。 (2015)，通过他们在一家军队医院进行四年随访后开发的深度学习模型，提供了更准确、更快速的 Braden 风险量表评分预测。 奥尔德登、佩珀、威尔逊等人。 (2018)开发了一种深度学习模型，揭示了重症监护患者压力性损伤的风险分析，并为根据风险评估工具被视为高风险的重症监护患者提供了更准确、更有意义的压力性损伤风险分析和更灵敏的测量。 Demircan、Yücedağ、Toz 等人。 (2016)建立了数学模型，分析压力性损伤形成过程中的危险因素，确保压力性损伤的早期发现。 世界文献中包含和使用的这些创新应用程序的使用在我国受到限制。 在技​​术快速发展和消耗的环境中，不要对创新举措漠不关心，并将技术融入护理实践，将通过培训创新护士来提高我们专业的知名度。 根据这些信息，本研究旨在开发一种用于压力性损伤检测和分类的深度学习模型，并确定该模型对护士知识和满意度的影响。

目的进行随机对照实验研究，开发用于压力性损伤检测和分类的深度学习模型，并确定该模型对护士知识和满意度的影响。

研究假设； H1：深度学习模型提供压疮检测。

H2：深度学习模型提供压疮分类。

H3：深度学习模型开发的移动应用在压疮治疗和护理中发挥积极作用。

研究变量；研究的自变量；深度学习模型，braden风险评估研究的因变量；压疮知识水平、教育满意度 方法研究是一项随机对照实验研究。 研究对象和样本由 2021 年 3 月至 2022 年 6 月期间在一所基础大学医院的重症监护室、内科和外科诊所工作的 80 名护士组成。

为了确定构成研究样本的护士人数，以相关文献中类似的研究为例，采用G* Power 3.1软件进行功效分析。 在本研究中，为了在效应大小为 0.5、误差水平为 5% 时达到 95% 的功效水平，样本量计算为 56 个，每组 28 名参与者。 考虑到测试的高功效和研究中的损失，总共涉及60人，每组30人。 研究者利用简单的数字表将样本组的护士随机分配到对照组（n=30）和实验组（n=30）。 随机化表是通过使用网站 http://stattrek.com/statistics/random-number-generator.aspx 进行随机化创建的。 因此，研究样本共包括 60 名护士，每个护士组 30 名参与者，他们被告知研究目的并被允许参加研究，并且符合研究的样本标准。学习。 样本标准是；该护士年龄超过 18 岁，担任重症监护或诊所护士，并以口头和书面形式同意参与该研究。

数据收集工具研究数据采用《结构化护士介绍表》、《改良Pieper压疮知识测试》、《Braden风险评估量表》和《护理满意度量表》。

结构化护士介绍表：

有关该主题的文献信息，包括有关护士介绍性特征的信息。

改良派珀压疮知识测试：

研究结果是，修正量表由 Pieper 和 Mott 于 1995 年制定，并经 Lawrence 修改，其有效性和信度由 Asiye Gül 及其同事于 2017 年确定。 使用皮珀压伤知识测试。 本次测试共有49个项目。 该量表分为三个子维度。 一般知识得分最高可达49分，预防知识得分最高可达33分，分期知识得分最高可达9分，伤口识别得分最高可达7分。 Pieper 压疮知识测试已向 Asiye Gül 教授博士请求修改许可。 通过信度分析确定研究中所用量表的信度水平，得到实验组的 Chronbach α 系数为 0.838，对照组的 Chronbach α 系数为 0.812。

布雷登风险评估量表：

《布雷登与伯格斯特罗姆》由奥古兹于 1997 年在土耳其指挥。 从量表中获得 6 到 23 之间的总分。 根据总分，12分及以下为高风险，13-14分为有风险，15-16分为低风险。

护士满意度调查：

研究人员根据文献准备了李克特式问题，以确定护士对压力损伤训练的满意度。 最低分是0分，最高分是25分。 进行信度分析以确定研究中使用的问卷的信度水平，得出 Chronbach α 系数为 0.95。

我们开发的压力损伤检测和分类深度学习模型 我们开发的“压力损伤检测和分类深度学习模型（BYT-CNN 模型）”首先在 175 个样本患者图像上进行训练，并显示了分类预测成功率约97%。 由于 BYT-CNN 模型被认为在患者图像越多时表现越好；使用 500 个患者和 500 个非患者图像数据继续开发它，以解决估计疾病是否存在以及疾病阶段的分类问题（图 1）。 该模型将根据“NPUAP 压力性损伤分类系统”提供压力性损伤的风险分析及其分类。 根据深度学习模型确定的阶段，开发了包含NPUAP推荐的护理干预措施的移动应用程序，并进行了压力性损伤的治疗和护理（图2）。

为了使用 BYT-CNN 模型检测和分类压力损伤；拍摄压力损伤或危险区域的照片并通过蓝牙或 Wi-Fi 连接到深度学习所在的主计算机。 然后，患者是否有压力性损伤，如果有，处于什么阶段，会在“3秒”内报告到护士的手机上。

该移动应用程序根据 NPUAP 2016 年压力性损伤治疗和护理建议编写，可告知护士在哪个阶段提供哪种护理。

收集数据所遵循的方法

在开始收集数据之前，研究人员开发了“压力损伤检测和分类的深度学习模型”（BYT-CNN 模型）。 所有参与研究的护士同时在课堂环境中接受了 4 小时的“压力损伤”理论课程。 所有护士接受理论培训一周后，分为实验组（深度学习模型）和对照组（传统方法）。 两组均获得“结构化护士介绍表”并进行“预测试（改良的“Pieper 压疮知识测试）”。

对照组的应用：理论课结束后，对照组护士采用“Braden风险评估量表”对患者的压力性损伤进行判定和分类，该量表已被认为有效且可靠。 对照组的护士使用量表确定压力性损伤，并接受了使用研究人员准备的书面材料进行压力性损伤的确定和分类的培训。 培训结束后，对护士进行了“培训方法满意度调查”。 培训一周后，对护士进行“后测（改良版“Pieper压疮知识测试”）”。 应用程序完成后，对照组志愿者护士利用深度学习模型进行压力损伤检测和分类，并通过移动应用程序进行培训。

实验组应用：理论课程结束后，实验组护士利用“深度学习模型”对患者的压力损伤进行检测和分类。 在实验组中，研究人员开发的移动应用程序被安装在使用深度学习模型检测压力损伤的护士的手机上，并进行训练。 由此，护士根据深度学习模型检测到的压力损伤阶段，根据开发的移动应用程序为患者提供护理和治疗。 培训结束后，对护士进行了“培训方式满意度调查”。培训后 1 周，对护士进行“后测试（改良版“Pieper 压疮知识测试”）。 研究的伦理和法律方面 为了进行研究，进行了必要的访谈和通信并获得了机构许可并获得伦理委员会的批准。 伦理委员会许可已获得伊斯廷耶大学人类研究伦理委员会的许可，决定号为 2104，日期为 2021 年 1 月 27 日。 机构许可；为了进行这项研究，我们于 2022 年 2 月 8 日从伊斯坦布尔贝肯特大学医院主任医师办公室获得了申请许可证，文件编号为 14。参与研究的个人也获得了知情同意书。 计算机工程系完成实施阶段研究工作的五名研究人员中的三名。 另外两名研究人员在护理系工作（两名研究人员是计算机工程系的教员，一名研究人员是护理基础的教员，一名研究人员是软件工程师，一名研究人员是重症监护护士）。

数据分析研究中获得的数据是使用SPSS（社会科学统计软件包）for Windows 25.0程序进行分析的。 描述性统计方法用于数据评估，如数量、百分比、平均值、标准差。 独立组中分类变量比例之间的差异采用卡方和Fisher 进行分析，并采用精确检验进行分析。 T检验用于比较两个独立组之间的定量连续数据。 相关组 t 检验用于比较组内测量值。