نظام مراقبة جودة قائم على المعلومات لمعدات دعم الحياة الطارئة الطبية باستخدام جهاز SVM محسن لنظام SSA

ملخص

يشرح البروتوكول إنشاء نظام مؤشر جودة التمريض لمعدات دعم الحياة الطارئة، حيث يجمع بين نماذج آلات التتبع للمتابعة.

الملخص

حاليا، تفتقر المؤسسات الطبية إلى نظام مؤشر جودة شامل وموثوق يستخدم منصات المعلومات لمساعدة طاقم التمريض في إدارة الأجهزة والمعدات. لمعالجة هذه المشكلة، تم تصميم نظام مؤشر مراقبة جودة التمريض بناء على متطلبات الإدارة، وإجراءات عمليات التمريض، ومعايير الجودة لمعدات دعم الحياة الطبية الطارئة. يستخدم هذا النظام المؤشر نموذج آلة دعم متجهة محسن (SVM) لتسهيل المراقبة القائمة على المعلومات للمعدات، بهدف تقديم إرشادات لتحسين الإدارة غير المثالية والاستخدام غير القياسي للأجهزة والمعدات. تظهر النتائج أنه تحت المراقبة القائمة على المعلومات لنظام مراقبة الجودة، يمكن أن يتجاوز متوسط معدل تنفيذ الأوامر الطبية التي يتم مسح كل قسم 80٪. معدل الصيانة في الوقت المناسب للمعدات في معظم الأقسام يمكن أن يتجاوز 90٪، مع بعض الاستثناءات القليلة فقط. يمكن لهذا النظام لمراقبة الجودة لمعدات دعم الحياة الطارئة الطبي، المصمم لأغراض البحث، مراقبة صيانة المعدات في مختلف الأقسام بفعالية، وتحقيق وتعزيز الإدارة والاستخدام الموحد للأجهزة والمعدات.

المقدمة

تلعب معدات دعم الحياة الطبية الطارئة، مثل أجهزة التنفس الصناعي، وأجهزة التخدير، وأجهزة إزالة الرجفان، وغيرها، دورا حيويا في الحالات الطبية الطارئة للحفاظ^{على العلامات الحيوية} للمرضى أو استعادتها 1. مع التطور السريع للتكنولوجيا الطبية، أصبحت هذه الأجهزة ضرورية في إنقاذ المرضى المرضى الحرجين والحفاظ على العلامات الحيوية. يجب على هذه الأجهزة دائما ضمان كامل وظائفها وسهولة استخدامها، حيث أن أي عطل في المعدات عندما تكون حياة المريض في خطر قد يعيق عملية الإنقاذ في الوقت المناسب^2،3. يعد نظام مراقبة جودة قوي للمعدات الطبية أمرا بالغ الأهمية لضمان تشغيلها الطبيعي. من خلال إنشاء وصيانة نظام مراقبة جودة فعال، يمكن تقليل معدل تعطل المعدات الطبية، وضمان جودة استخدام المعدات، وتحسين موثوقية وعمر الخدمة للمعدات الطبية، وتقليل تكاليف الصيانة ^4,5. تؤكد الأدلة الحديثة أيضا أن برامج الصيانة المنظمة ومراقبة الجودة — المدعومة بأنظمة المعلومات — تحسن قابلية تتبع أنشطة الصيانة، وتقلل من فترات التوقف التي يمكن تجنبها، وتقوي اتخاذ قرارات الهندسة السريرية لإدارة معدات المستشفيات ^6,7. علاوة على ذلك، تشير الأبحاث المتزايدة حول مناهج البيانات والذكاء الاصطناعي إلى أن النماذج التنبؤية يمكن أن تدعم جدولة الصيانة الوقائية وتحديد مخاطر الفشل المبكر لأجهزة المستشفيات، مما يحسن الموثوقية والجاهزية التشغيلية ^8,9,10.

تستخدم آلة الدعم التقليدية (SVM) على نطاق واسع في التعرف على الأنماط وتعلم الآلة؛ ومع ذلك، فإن أداؤها محدود باختيار المعاملات ذات الصلة ودوال النواة¹¹. وبناء عليه، تم دمج التحسين الميتاهيورستكي بشكل متزايد مع التعلم الآلي لضبط معلمات النموذج وتحسين التعميم، خاصة في الظروف غير الخطية وعالية الأبعاد ذات الصلة ببيانات التشغيل في الرعاية الصحية¹². نظرا لتعقيد معدات دعم الحياة الطبية الطارئة وخصوصيات بيئة استخدامها، هناك حاليا نقص في الأبحاث المنهجية حول مراقبة الجودة. بالإضافة إلى ذلك، تشير الدراسات السابقة إلى استمرار التباين في ممارسات صيانة المستشفيات وسير عمل مراقبة الجودة، مما قد يحد من التوحيد القياسي واتخاذ الإجراءات التصحيحية في الوقت المناسب عبر الأقسام¹³. ومع ذلك، فقد فحصت الدراسات القائمة بشكل عام نمذجة الصيانة التنبؤية أو أنظمة إدارة الجودة بشكل منفصل، دون دمج رسمي لمؤشرات جودة المستشفيات المنظمة، وآليات الوزن الضبابية، ونماذج التصنيف المحسنة بالميتهوريستيك ضمن بنية حوكمة موحدة. على الرغم من تطبيق SVM وخوارزمية البحث عن سبارو (SSA) في مهام التنبؤ الصناعية، إلا أن دمجهما المنهجي في سير عمل مراقبة جودة المستشفيات لمعدات دعم الحياة الطارئة الطبية لا يزال غير مستكشف بشكل كاف. لذلك، تميز هذه الدراسة نفسها من خلال دمج التحسين الحاسوبي، وتقييم المؤشرات المنظمة، وحوكمة جودة المؤسسات ضمن إطار تشغيلي واحد. هذا الفصل المنهجي يحد من قابلية التفسير العملي وقابلية التوسع المؤسسية. استنادا إلى الاعتبارات السابقة، تسعى الدراسة الحالية إلى معالجة الأسئلة البحثية التالية: (1) هل يمكن لنموذج SVM المحسن من قبل ISSA تحسين الأداء التنبؤي لتصنيف جودة معدات دعم الحياة الطارئة مقارنة بالطرق غير المحسنة؟ (2) هل يمكن أن يعزز دمج وزن المؤشرات المنظم، والتقييم الضبابي، والتحسين الميتاهيورسكي فعالية التشغيل وتوحيد أنظمة مراقبة جودة معدات المستشفيات؟

وبناء عليه، فإن الفرضية البحثية المركزية في هذه الدراسة هي أن تضمين نموذج SVM المحسن من قبل ISSA ضمن بنية مراقبة جودة تعتمد على PDCA سيحسن بشكل كبير من الدقة التنبؤية، والمتانة، وقابلية التفسير التشغيلي مقارنة بطرق مراقبة الجودة التقليدية.

ولهذا الغرض، تدرس خوارزميات ذات صلة لتحسين نظام مراقبة الجودة لمعدات دعم الحياة الطبية الطارئة. يقترح نموذج SVM محسن قائم على خوارزمية البحث في سبارو (SSA) لتعزيز قدرات SVM بشكل أكبر. تحسين المعلمات ذات الصلة في SVM يعزز قدرة النموذج على التعميم، مما يجعله أكثر متانة في التعامل مع البيانات غير الخطية وعالية الأبعاد، ويحسن أدائه العملي في أنظمة مراقبة الجودة.

لذا، الأهداف المحددة لهذه الدراسة هي: (1) بناء نظام مؤشر مراقبة جودة هرمي لمعدات دعم الحياة الطبية الطارئة؛ (2) تطوير وتحسين نموذج تصنيف SVM باستخدام خوارزمية البحث في سبارو؛ و(3) تضمين النموذج التنبؤي الأمثل داخل نظام مراقبة جودة المستشفى المدفوع ب PDCA لتقييم جدوى التشغيل وأدائه.

تكمن الابتكار الأساسي في هذه الدراسة في إدخال SSA لتحسين المعلمات الرئيسية لنموذج SVM، مما يحسن قدرة النموذج على معالجة البيانات وأداء التعميم. ثم تم تطبيق هذا النموذج على المراقبة القائمة على المعلومات لمراقبة جودة معدات دعم الحياة الطبية الطارئة. من منظور التنفيذ العملي، يمكن نشر الإطار المقترح باستخدام مصادر معلومات المستشفيات المتاحة بشكل روتيني (مثل سجلات صيانة المعدات، سجلات الفحص/الاستخدام، وبيانات التشغيل المتعلقة بالباركود والمساعد الرقمي الشخصي (PDA)، مما يدعم الجدوى دون الحاجة إلى بنية تحتية متخصصة إضافية للاستشعار. وبناء عليه، تساهم هذه الدراسة من خلال اقتراح والتحقق تجريبيا من إطار عمل متكامل منهجية يجمع بين وزن المؤشرات المنظم، والتقييم الضبابي، ونمذجة SVM المحسنة ل ISSA ضمن بنية مراقبة جودة مستشفيات تعتمد على PDCA.

البروتوكول

تم تقديم بروتوكول الدراسة للمراجعة الأخلاقية إلى لجنة الأخلاقيات في مستشفى شعب لييانغ، مقاطعة جيانغسو، الصين (رقم الموافقة على المشروع: JDYY2023158، البروتوكول الإصدار 1.0، بتاريخ 09 فبراير 2023). استخدمت الدراسة سجلات إدارة وصيانة معدات المستشفى غير المحددة التي تم الحصول عليها من نظام إدارة الصيانة المحوسب (CMMS) الخاص بالمستشفى. لم تحتوي مجموعة البيانات على بيانات سريرية على مستوى المريض، أو معرفات شخصية، أو عينات بيولوجية. نظرا لأن البحث شمل بيانات إدارة المعدات المؤسسية دون مشاركين بشريين، لم يكن مطلوبا الموافقة المستنيرة وفقا لإرشادات حوكمة البحث المؤسسي ومتطلبات الممارسات السريرية الجيدة (GCP). جميع مجموعات البيانات التي تدعم تطوير النموذج، والتحسين، والتحقق، وقابلية التكرار—بما في ذلك تعريفات المؤشرات، وسجلات تحسين SSA، وتكوينات المعلمات، ومخرجات التنبؤ—متوفرة في الملف التكميلي 1.

بناء نظام مراقبة جودة لمعدات دعم الحياة الطبية الطارئة
يتطلب تطوير نظام مراقبة جودة لمعدات دعم الحياة الطبية الطارئة مشاركة عدة أطراف. يتم إثبات نزاهة وفعالية نظام مراقبة الجودة مرارا من خلال التواصل والتفاوض بين عدة أقسام وموظفين، ويتم بناء نظام مراقبة جودة علمي شامل ^14,15. اعتمدت الدراسة طريقة خاتم ديمينغ المستخدمة على نطاق واسع في إدارة الجودة ومجالات الإدارة الأخرى لاختيار المؤشرات وبناء الأنظمة ذات الصلة لمراقبة الجودة. يحقق هذا النهج تحسنا مستمرا وتعلما من خلال أربع مراحل من التكرار الدوري. نظام مراقبة الجودة لمعدات دعم الحياة الطارئة المبني على نظرية حلقة ديمينغ معروض في الشكل 1.

لضمان تكرار إطار مراقبة الجودة، تم تفعيل دورة PDCA من خلال إجراء تنفيذ منظم. خلال مرحلة التخطيط، تم تحديد نطاق المعدات ليشمل معدات دعم الحياة الطبية الطارئة مثل أجهزة التنفس الصناعي، وأجهزة التخدير، وأجهزة إزالة الرجفان عبر الأقسام المشاركة. تم إنشاء جرد رقمي للمعدات باستخدام نظام إدارة الصيانة المحوسب (CMMS)¹⁶ في المستشفى، وتم تخصيص رقم تعريف فريد لكل جهاز لضمان إمكانية التتبع. تم تسجيل السمات الأساسية، بما في ذلك نوع المعدات، الشركة المصنعة أو الطراز، موقع القسم، تاريخ الاستحواذ، تصنيف المخاطر، فترة الفحص، وتاريخ الصيانة الكامل، ضمن CMMS (انظر الملف التكميلي 1 لبنية بيانات على مستوى المعدات التفصيلية). تم صياغة تعريفات تشغيلية لكل مؤشر تقييم. على سبيل المثال، تم تعريف توقيت الصيانة بأنه الانتهاء خلال عدد محدد من الأيام المحددة من تاريخ الصيانة المجدول، وتم حساب الامتثال للفحص كمقسوم على عدد الفحوصات المطلوبة مضروبا في 100٪. تم تعيين المسؤوليات بشكل صريح لموظفي الهندسة السريرية، ومستخدمي المعدات، والمشرفين في الأقسام، وتم تحديد فترات تقارير روتينية شهريا وربع سنويا.

مرحلة التنفيذ:
خلال مرحلة التنفيذ، تم استخراج سجلات منظمة من CMMS، بما في ذلك أوامر أعمال الصيانة الوقائية، وسجلات التفتيش، وتقارير الصيانة التصحيحية، وسجلات توقف المعدات. تم دمج هذه البيانات مع سجلات التشغيل المولدة بواسطة الباركود أو الأجهزة المحمولة باستخدام معرفات المعدات ومطابقة الطوابع الزمنية لضمان اتساق البيانات. تم تنفيذ أنشطة الصيانة والتفتيش الوقائية وفقا لإجراءات التشغيل القياسية المؤسسية (SOPs)، وتم توثيق جميع أوقات الإنجاز، والنتائج، والإجراءات التصحيحية، ونتائج التحقق في CMMS.

مرحلة الفحص:
في مرحلة الفحص، تم إجراء إجراءات التحقق من البيانات وضمان الجودة لضمان الدقة والموثوقية. تمت إزالة السجلات المكررة، وتقييم القيم المفقودة، وتم التوفيق بين معرفات المعدات عبر مجموعات بيانات القسم. تم استبعاد السجلات التي تفتقر إلى معرفات أساسية أو معلومات الطوابع الزمنية من التحليل اللاحق. تم حساب قيم المؤشرات على مستوى الأقسام وفئة المعدات، وتم توليد تقارير ملخصة لمراقبة الجودة. تم تحديد عتبات التقييم مسبقا كما يلي: تم تصنيف 90٪ من الامتثال ≥ كممتاز، 80–89٪ على أنه مقبول، 70–79٪ ك "يحتاج إلى تحسين"، و<70٪ كضعيف. تم تطبيق هذه العتبات بشكل موحد عبر الأقسام لضمان تقييم الأداء الموحد. تم التحقق من مجموعة عشوائية من السجلات مع سجلات النظام الأصلية لتأكيد سلامة البيانات.

مرحلة العمل:
في مرحلة العمل، تمت مراجعة نتائج الأداء لتحديد النواقص وفرص التحسين. بالنسبة للمؤشرات التي تظهر أداء غير مثالي، تم تحليل الأسباب الجذرية مثل تأخيرات سير العمل، نقص الموظفين، انقطاعات سلسلة التوريد، أو فجوات التوثيق بشكل منهجي. تم وضع تدابير تصحيحية، بما في ذلك تعديلات على فترات الصيانة، أو عتبات التصعيد، أو آليات الإشراف. تم تنفيذ هذه التعديلات في دورة PDCA التالية لدعم تحسين الجودة المستمر¹⁷.

مرحلة التخطيط:
في مرحلة التخطيط، أجريت أبحاث لتوضيح الأهداف التي يجب تحقيقها بعد استخدام نظام مراقبة جودة المعدات؛ وفي الوقت نفسه، تم تنظيم خطة العمل للمرحلة التالية. في مرحلة التنفيذ، أجريت أبحاث حول بناء نظام إدارة تنظيمي، ونظام إدارة عمليات استخدام المعدات، ونظام مراقبة جودة ضمان المعدات، استنادا إلى نظام مراقبة الجودة للمرحلة السابقة لمعدات دعم الحياة الطبية الطارئة، وتم تحديد مؤشرات تقييم ذات صلة¹⁸. قامت الأبحاث خلال مرحلة التفتيش بتقييم وتقييم مستويات مراقبة الجودة في المؤسسات الطبية باستخدام مؤشرات التقييم ذات الصلة من المرحلة السابقة. في مرحلة المعالجة، تم تلخيص نتائج التقييم من المرحلة السابقة، وتحليل المشكلات في نظام مراقبة الجودة، وإجراء تحسينات لمعالجة المشكلات التي تم تحديدها في الدورة التالية. استنادا إلى الطرق السابقة، تم بناء نموذج عملية للتحكم في جودة معدات دعم الحياة الطارئة الطبية، كما هو موضح في الشكل 2.

في هذا النموذج (الشكل 2)، تم تحديد نوع المعدات ومستوى مراقبة الجودة وفقا لمتطلبات المؤسسات الطبية المعنية. بعد ذلك، تم إنشاء نظام تقييم لتقييم مستوى مراقبة الجودة للمعدات لتقييم مستوى مراقبة الجودة. استنادا إلى نتائج التقييم، تم تحسين وتحسين نظام مراقبة جودة المعدات. وفي هذه العملية، تم إنشاء أنظمة ذات صلة علميا لتوحيد استخدام المعدات الطبية وضمان بقاء المعدات في حالة فعالة باستمرار. يجب على المؤسسات الطبية كتابة تقارير مراقبة الجودة بانتظام، وإجراء تحليل البيانات، وتقييم أداء المحتوى ذي الصلة لتحسين نظام مراقبة الجودة بشكل أكبر. من خلال الدورة المذكورة أعلاه، يمكن تحسين نظام مراقبة الجودة لمعدات دعم الحياة الطبية الطارئة تدريجيا. استجابة للمخاطر العالية، والمتطلبات التنظيمية العالية، وتعدد وظائفها، وتعقيد معدات دعم الحياة الطارئة الطبي، صنفت هذه الدراسة نظام مراقبة الجودة لمعدات دعم الحياة الطارئة الطبية إلى ثلاثة أجزاء، تشمل نظام إدارة المنظمة، ونظام استخدام المعدات، ونظام ضمان جودة^{المعدات 19}. شارك فريق مكون من 12 خبيرا في الهندسة السريرية وإدارة معدات المستشفيات في عملية الوزن (انظر الملف التكميلي 1 للحصول على مصفوفة الوزن الخبيرة ومدخلات التقييم الضبابية). قام كل خبير بتقييم الأنظمة الفرعية الثلاثة بشكل مستقل باستخدام مقياس ليكيرت من 5 نقاط (1 = منخفضة الأهمية جدا، 5 = عالية جدا). تم جمع الدرجات المجمعة وتحويلها إلى أرقام مثلثة ضبابية لتحليل الوزن لاحقا. ثم تم حساب درجات الوزن لكل نظام فرعي باستخدام المعادلة (1).

(1)

هنا، يمثل متوسط الوزن المرجح لكل نظام فرعي، M هو عدد الخبراء، و i هو معامل كل نظام فرعي. بعد الحصول على نتائج الحساب أعلاه، تم تحويلها إلى قيم دقيقة للحصول على درجات الوزن لكل نظام فرعي. التحويل مذكور في المعادلة (2).

(2)

هنا، W_i هو وزن كل نظام فرعي، l هو أدنى درجة للمؤشر، m هو الدرجة الأكثر احتمالا للمؤشر، وu يمثل أعلى درجة للمؤشر. في الحوسبة العملية، تم تمثيل الأعداد الضبابية المثلثية ك (l, m, u)، والتي تتوافق مع أدنى والأكثر احتمالا وأعلى درجات الخبراء على التوالي. تم إجراء إزالة الضبابية باستخدام طريقة المركزية المعرفة ب (l + m + u) / 3 لتحويل الأوزان الضبابية إلى قيم واضحة للتحليل الكمي اللاحق. نظام التقييم المكون من ثلاثة مستويات لمؤشرات مراقبة جودة المعدات الذي تم إنشاؤه من خلال البحث معروض في الشكل 3 (تم توفير تعريفات مفصلة للمؤشرات ومعايير التقييم ووظائف العضوية الغامضة في الملف التكميلي 1).

تذكر دوال العضوية لكل مؤشر في المعادلة (3).

(3)

هنا، تمثل μ(x) دالة العضوية في كل درجة مؤشر، وتمثل x درجة كل مؤشر. تم حساب قيم العضوية برنامجيا لكل درجة مؤشر واستخدمت لتحديد درجة الانتماء إلى فئات الجودة المحددة مسبقا قبل التقييم النهائي.

نموذج آلة الدعم المتجهة المطور المحسن بناء على خوارزمية البحث سبارو
نموذج SVM والبيئة الحاسوبية
SVM هو خوارزمية تستخدم عادة في تعلم الآلة، وغالبا ما تستخدم في التصنيف وتحليل التنبؤ. تم إجراء جميع التجارب الحاسوبية باستخدام بايثون 3.9 ضمن بيئة أناكوندا. تم تنفيذ مصنف آلة متجه الدعم (SVM) باستخدام مكتبة scikit-learn (الإصدار 1.2.2). تم إجراء الحوسبة العددية ومعالجة البيانات باستخدام NumPy (الإصدار 1.23) وPandas (الإصدار 1.5). تم تنفيذ التجارب على محطة عمل مزودة بمعالج Intel i7 وذاكرة RAM بسعة 16 جيجابايت. تم استخدام SPSS 25.0 للمقارنة الإحصائية والتحليل الوصفي لمخرجات النماذج. تم تطبيق نموذج SVM لتحليل بيانات مراقبة الجودة التاريخية لمعدات دعم الحياة الطبية الطارئة، والتنبؤ بدقة بجودة معدات دعم الحياة الطارئة، وتحقيق التحكم في جودة هذه المعدات²⁰.

الدافع للتحسين القائم على SSA
على الرغم من أن طرق التصنيف الأبسط، مثل الانحدار اللوجستي، وأشجار القرار، ونماذج SVM غير المحسنة، تستخدم عادة في دراسات الصيانة التنبؤية، إلا أن التحليل المقارن الأولي في هذه الدراسة أظهر انخفاض استقرار التعميم تحت ظروف المؤشرات غير الخطية وعالية الأبعاد. تظهر مؤشرات جودة معدات دعم الحياة الطارئة تعدد التعاون، وتفاعلات غير خطية، وتوزيعات غير متجانسة بين الأقسام. لذلك، تم اعتماد إطار عمل SVM محسن بالميتهوريستيك لتعزيز متانة ضبط المعاملات الفائقة وتحسين استقرار حدود التصنيف مقارنة بطرق البحث الشبكي التقليدية أو المعلمات الافتراضية.

تركيبة SVM ذات الهامش الصلب والهامش الناعم
يتم تطبيق SVM لاكتشاف مستوى فائق يعظم الفجوة بين فئات البيانات المختلفة. بالنسبة للبيانات القابلة للفصل خطيا، يبحث SVM عن مستوى فائق مثالي يعظم الهامش بين فئتين. بالنسبة للبيانات القابلة للفصل خطيا، هدف SVM هو تقليل تعقيد النموذج مع ضمان تصنيف جميع عينات التدريب بشكل صحيح، كما هو موضح في المعادلة (5)²¹.

الحد الأدنى (1/2) ||و||²

مع الشروط إلى: y_i (w^T x_i + b) ≥ 1، ل i = 1، 2، ...، n (5)

في المعادلة (5)، w هو المتجه العمودي فائق المستوى، b هو مصطلح التحيز، y_i هو تسمية الفئة لل i العينة، وx_i هو متجه الميزة ل i العينة. في الحالات العملية، غالبا ما تكون البيانات غير قابلة للفصل خطيا. من خلال إدخال متغيرات الترخي، يسمح SVM ذو الهامش الناعم لبعض العينات بانتهاك قواعد الفواصل؛ تظهر مشكلة تحسين النموذج الافتراضي ذو الهامش الناعم في المعادلة (6)²².

(6)

في المعادلة (6)، C هو معامل العقوبة وهو متغير الترخي.

دالة النواة ودالة القرار
يستخدم SVM دوال النواة لتعيين بيانات غير خطية قابلة للفصل إلى فضاء عالي الأبعاد. تشمل الدوال الشائعة للنواة النواة الخطية، والنواة متعددة الحدود، ونواة الأساس الشعاعي الغاوسية. من بين هذه الحالات، تمتلك نوى الأساس الشعاعي الغاوسي قدرات رسم غير خطية قوية وهي مناسبة للمشاكل غير الخطية المعقدة. يمكنها أيضا التحكم في عرض حدود القرار عن طريق تعديل المعلمات، كما هو موضح في المعادلة (7)²³.

(7)

في المعادلة (7)، γ هو معامل تعديل حدود القرار. يمكن لجهاز SVM متعدد النواة تحسين أداء التصنيف من خلال دمج دوال نواة مختلفة. يعتمد حل مشاكل تحسين SVM بشكل أساسي على طريقة مضاعف لاغرانج وحل المشكلات المزدوجة؛ يتم عرض دالة قرار التصنيف النهائية في المعادلة (8).

(8)

في المعادلة (8)، α_i هو مضاعف لاغرانج. يتضمن SVM معايير مختلفة في التطبيقات العملية، وإذا لم تكن إعدادات المعلمات معقولة، فقد يؤدي ذلك إلى انخفاض أداء التصنيف والتنبؤ ل SVM.

تحسين المعاملات الفائقة المعتمد على SSA
لتحسين أداء SVM، تم استخدام SSA لتحسين المعاملات الفائقة. في هذه الدراسة، تم اختيار SSA على طرق تحسين ميتاهيريستيك شائعة الاستخدام (مثل خوارزمية الوراثة (GA) وتحسين سرب الجسيمات (PSO)) لأنها تتطلب معايير تحكم أقل، وتظهر سرعة تقارب تنافسية، وتوفر قدرة بحث عالمية قوية، وهي مفيدة لمجموعات بيانات التحكم في الجودة غير الخطية وعالية الأبعاد. بالإضافة إلى ذلك، تعزز آلية المكتشف-المتابع-تنبيه SSA توازن الاستكشاف والاستغلال، مما يحسن احتمال الهروب من الأمثل المحلي أثناء ضبط المعلمات الفائقة مقارنة بالطرق التي قد تتقارب مبكرا في مناظر اللياقة المعقدة. مقارنة ب GA وPSO، يوفر SSA قدرة استكشاف أقوى خلال التكرارات المبكرة وتحسين استقرار التقارب في المراحل اللاحقة، وهو ما يفيد لتحسين المعاملات الفائقة SVM في مجموعات بيانات معدات المستشفيات غير المتجانسة التي تحتوي على علاقات غير خطية وتعدد التعاون.

على وجه التحديد، تم استخدام SSA لتحسين المعاملات الفائقة الرئيسية ل SVM، بما في ذلك معامل العقوبة (C) والمعلمات المرتبطة بالنواة (مثل γ لنواة دالة الأساس الشعاعي (RBF). في هذه الدراسة، تم تكوين SSA بحجم سكاني يبلغ 30 فردا وعدد تكراري أقصى يبلغ 100. تم ضبط نسب المكتشفين والمتابعين والأفراد المنتبهين إلى حوالي 20٪، 60٪، و20٪ على التوالي. تم تعريف عتبة تحمل التقارب بأنها 1 × 10⁻⁶. تم تحديد نطاقات البحث عن معاملات SVM الفائقة على مقياس لوغاريتمي، مع حدود معامل العقوبة (C) ومعامل النواة (γ) ضمن [10⁻³, 10³]. كان كل عصفور يرمز إلى متجه حل مرشح [C, γ]، وتم استخدام رسم خرائط بيرنولي الفوضوية لتهيئة السكان ضمن حدود محددة مسبقا لتعزيز التنوع وتقليل احتمال التقارب المبكر. عند اعتماد استراتيجية متعددة النواة، تم التعامل مع معاملات وزن النواة أيضا كمتغيرات قرار. تم تعريف دالة ملاءمة SSA بأنها خطأ التصنيف (أو ما يعادلها، 1 − الدقة) على مجموعة التحقق، مما يستهدف مباشرة تحسين أداء التعميم (عملية التحسين، سجلات التكرار، وتكوين المعلمات مقدمة في الملف التكميلي 1). تم تحديد نطاقات البحث (حدود) للمعلمات مسبقا لضمان حلول قابلة للتنفيذ ومستقرة (مثلا، C ∈ [10⁻³، 10³]، γ ∈ [10⁻³، 10³]) (تم تلخيص مساحة البحث التفصيلية في الملف الإضافي 1)، وتم اختيار مجموعة المعلمات النهائية كأفضل حل عالمي يعيدها SSA بموجب معيار التوقف (أقصى تكرارات أو تحمل التقارب). لضمان قابلية التكرار، تم تحديد نقاط تحقق تحسين وسيطة. تم اعتبار التقارب محققا عندما يكون التغير في قيمة ملاءمة التحقق بين التكرارات المتتالية أقل من 1 × 10⁻⁶ لخمس تكرارات متتالية أو عندما تم الوصول إلى أقصى عدد تكرار (100). تم اعتبار دقة التحقق ≥ 80٪ مقبولة أثناء التحسين. تم تسجيل قيمة الملاءمة العالمية ومتجه المعلمات المقابلة [C, γ] في كل تكرار لضمان تتبع عملية التحسين.

خوارزمية SSA وآلية تحديث الموقع
SSA هي خوارزمية تحسين ذكي قائم على السكان تحاكي سلوك العصافير أثناء بحثها عن الطعام وتشمل ثلاثة أدوار: المكتشف، المتابع، والتنبيه. أثناء تنفيذ SSA، من المهم تحديد مجموعة العصافير، وتهيئة موقعها وسرعتها، وحساب درجة اللياقة لكل عصفور في المجموعة. خلال هذه العملية، يحتاج المكتشف إلى تحديث موقعه باستمرار، كما هو مذكور في المعادلة (9)²⁴.

(9)

في المعادلة (9)، هو موقع i العصفور في المجموعة الابتدائية عند t هو التكرار، β هو حجم الخطوة، φ هو عامل التوهين، T_max هو الحد الأقصى لعدد التكرارات، وN(0,1) هو عدد عشوائي معياري للتوزيع الطبيعي. كما تغير موقع التابع مع موقع المكتشف؛ يتم عرض صيغة تحديث موقع المتابع في المعادلة (10).

(10)

في المعادلة (10)، هو أفضل موقع للمكتشف الحالي و λ هو عامل التعلم. كما تغير موقع الإنذار وفقا لذلك؛ صيغة تحديث موقعها موضحة في المعادلة (11).

(11)

في المعادلة (11)، هو موقع عصفور آخر تم اختياره عشوائيا و δ هو حجم خطوة تحديث التنبيه. خلال هذه العملية، يمكن إيقاف التكرار إذا تم تحقيق الحد الأقصى من التكرارات أو تم استيفاء الشروط. يستخدم SSA طريقة توليد عشوائية عند تأسيس وتهيئة السكان. ومع ذلك، عند توليد أفراد العصفور، قد تؤدي هذه الطريقة إلى توليد غالبية الأفراد في نفس المنطقة، مما يؤدي إلى توزيع سكان غير متساو للغاية. قد تقع هذه العملية في البحث ضمن المستوى الأمثل المحلي. استجابة لهذه المشكلة، تقترح الدراسة اعتماد رسم خرائط برنولي وآلية تعلم عكسي كآلية تهيئة لتوليد مجموعات العصافير. خريطة برنولي هي خريطة فوضوية رياضية، تعرف كنظام ديناميكي زمني متقطع على الفترة [0,1]، وقاعدة التكرار الخاصة بها موضحة في المعادلة (12).

a_n+1 = { a_n / (1 −_{a n})، إذا كان 0 ≤_{a n} < 1/2

(a_n − 1) / a_n، إذا كان 1/2 ≤ a_n ≤ 1 } (12)

في المعادلة (12)، n هو عدد التكرارات الفوضوية و _{a n} هو قيمة تحويل برنولي. بعد تقدم SSA إلى المرحلة اللاحقة، ينخفض التنوع السكاني بسرعة، مما يؤدي إلى سقوط الخوارزمية في المستوى الأمثل المحلي. لذلك، تقترح الدراسة إدخال آلية اضطراب مختلطة لتحفيز الخوارزمية على معالجة هذا القيد. آلية الاضطراب المختلط المصممة للبحث تعتمد على تقنيتين: خوارزمية اليراعة والطفرة الغاوسية، كما هو موضح في الشكل 4.

بعد كل تكرار من SSA، يتم تطبيق آلية الاضطراب المختلط للكشف عن ركود مجموعة العصافير، كما هو موضح في الشكل 4. إذا حدث الركود، فإن خوارزمية اليراعة تزعج مجموعة العصافير. اضطراب اليراعات في تجمع العصافير يتطلب تقدير انجذاب اليراعات إلى العصافير، كما هو موضح في المعادلة (13).

(13)

في المعادلة (13)، β₀ هو جاذبية الفرد الابتدائية، θ هو معامل امتصاص شدة الضوء، وr هو المسافة بين فردين. يتم تحديث موقع اليراعات بناء على جاذبية الفرد، كما هو موضح في المعادلة (14).

(14)

في المعادلة (14)، هو موقع اليراعة i في تكرار t ، وb_أفضل هو الموقع الأمثل الحالي لليراعة، ε هو معامل حجم الخطوة العشوائي، وe هو المتجه العشوائي المستخرج من التوزيع الطبيعي. إذا لم تتوقف مجموعة العصفور، يتم إجراء طفرة غاوسية على الفرد الأمثل الحالي للعصفور، كما هو موضح في المعادلة (15).

(15)

في المعادلة (15)، σ هو الانحراف المعياري. بعد معاملة مجموعة العصافير، يتم تحديد قبول الموقف الجديد وفقا لمبدأ الجشع. إذا كانت قيمة الملاءمة للموقع الجديد أفضل من الموقع الحالي، يتم قبول الموقع الجديد؛ وإلا، يتم الحفاظ على الموقع الأصلي.

كما هو موضح في الشكل 5، تشمل عملية تشغيل خوارزمية البحث المحسنة عن العصافير (ISSA) بشكل أساسي تهيئة مجموعة العصافير، وحساب قيم اللياقة الفردية، وتقسيم المكتشفين والمتابعين والتنبيهات بناء على قيم اللياقة، وتحديث مواقع هذه الفئات الثلاث من العصافير بشكل تكراري من خلال صيغة تحديث المواقع المحسنة. تم إدخال آلية اضطراب مختلطة تعتمد على خوارزمية اليراعة وطفرة غاوسية لتعزيز قدرة البحث العالمية للخوارزمية. وفي الوقت نفسه، تم استخدام طريقة تعلم عكسي نخبوية لتحسين سرعة التقارب ودقة الخوارزمية بشكل أكبر. وأخيرا، تم تكرار العملية السابقة حتى تم تحقيق معيار التوقف وإنتاج أفضل حل.

معالجة البيانات وتدريب النماذج
تم تقسيم مجموعة البيانات باستخدام أخذ عينات طبقية إلى 70٪ من بيانات التدريب، و15٪ بيانات التحقق، و15٪ بيانات اختبار مستقلة للحفاظ على توازن الفئة (يتم تفصيل التحقق المتقاطع وبنية تقسيم البيانات في الملف التكميلي 1). تم إجراء تحجيم الميزات باستخدام الحد الأدنى إلى الحد الأقصى لتطبيع الوضع حصريا على مجموعة بيانات التدريب، وطبقت معلمات التوسع المتعلمة على مجموعات البيانات للتحقق والاختبار لمنع تسرب البيانات. تم تطبيق تحليل المكونات الرئيسية للنواة (KPCA)²⁵ على مجموعة بيانات التدريب لتقليل الأبعاد باستخدام نواة RBF ب γ = 0.1 وعدد المكونات المحتفظ بها للحفاظ على تباين تراكم بنسبة 95٪. تم تركيب مصفوفة تحويل KPCA حصريا على مجموعة بيانات التدريب وطبقت لاحقا دون تغيير على مجموعات التحقق والاختبار لمنع تسرب البيانات. تم تطبيع المتغيرات المستمرة باستخدام مقياس الحد الأدنى–الأقصى المعرف ك (x − xmin) / (xmax − xmin)، حيث تم حساب xmin و xmax من مجموعة بيانات التدريب فقط. قامت SSA بتحسين معايير SVM الفائقة من خلال تقليل معدل خطأ التصنيف (1 − دقة) المحسوبة على مجموعة بيانات التحقق. بعد تحديد التركيبة المثلى للمعلمات، تم إعادة تدريب نموذج SVM النهائي باستخدام مجموعات بيانات التدريب والتحقق المجمعة وتقييمه على مجموعة بيانات الاختبار المستقلة.

يبدأ نموذج SVM المحسن من ISSA بمعالجة البيانات مسبقة واختيار الميزات لاختبار جودة معدات دعم الحياة الطارئة. لتعزيز الشفافية المنهجية وقابلية التكرار، تم هيكلة سير عمل المعالجة المسبقة للبيانات وتدريب النماذج كما يلي. تم تصدير سجلات على مستوى المعدات من CMMS، بما في ذلك سجلات الصيانة، ونتائج الفحص، وحالة أوامر العمل (انظر الملف التكميلي 1 لبيانات المعدات الخام ومجموعات بيانات أحداث الصيانة). تم دمج هذه السجلات مع سجلات الباركود أو أجهزة المسح المحمولة باستخدام معرفات المعدات ومعلومات الطوابع الزمنية لضمان الربط الدقيق.

تم إجراء إجراءات تنظيف البيانات قبل النمذجة. تمت إزالة الإدخالات المكررة، وتم استبعاد السجلات التي تفتقد المعرفات الأساسية أو الطوابع الزمنية. بالنسبة للمتغيرات العددية ذات النقص المحدود، تم تطبيق الترجمة الوسيطة، بينما تم استبعاد المتغيرات ذات القيم المفقودة المفرطة من التحليل. تم ترميز المتغيرات التصنيفية مثل نوع القسم والمعدات باستخدام ترميز أحادي الساخنة، وتم تطبيع المتغيرات المستمرة باستخدام الحد الأدنى إلى الحد الأقصى لضمان التوافق مع خوارزمية SVM.

تم إجراء تحسين المعاملات الفائقة باستخدام SSA أو ISSA لتحديد معامل العقوبة الأمثل (C) ومعامل نواة دالة الأساس الشعاعي (γ). تم تعريف دالة الملاءمة بأنها معدل خطأ التصنيف في مجموعة بيانات التحقق. بعد تحديد مجموعة المعلمات المثلى، تم إعادة تدريب نموذج SVM النهائي باستخدام بيانات التدريب والتحقق المجمعة وتم تقييمه لاحقا على مجموعة بيانات الاختبار المستقلة. لتبرير منهجي، تمت مقارنة نموذج ISSA-SVM المحسن كميا مع نماذج القاعدة الأساسية، بما في ذلك (1) SVM القياسية ذات المعلمات الافتراضية، (2) SVM المحسنة للبحث الشبكي، و(3) مصنف الانحدار اللوجستي. تم إجراء التقييم المقارن باستخدام تقسيمات تدريب وتحقق واختبار متطابقة لضمان العدالة. تم تقييم تحسينات الأداء بناء على اختلافات في الدقة والدقة والاستدعاء ودرجة F1.

تم تصميم الإطار المقترح للتنفيذ في المستشفيات الثانوية والثالثية المجهزة بأنظمة إدارة المعدات الرقمية، وكان يتطلب فقط سجلات صيانة وفحص منظمة دون بنية تحتية إضافية للاستشعار.

في هذه الدراسة، تم استخراج مجموعة البيانات من سجلات فحص جودة المستشفى وإدارة الصيانة الروتينية المتعلقة بمعدات دعم الحياة الطبية الطارئة. تم استخدام مؤشرات رقمية وتصنيفية منظمة مرتبطة بحالة المعدات، والامتثال للفحص، وأداء مسح الباركود/PDA، وتوقيت الصيانة كمدخلات نموذجية. شملت إجراءات معالجة البيانات تمديد المتغيرات المستمرة وترميز المتغيرات التصنيفية لضمان التوافق مع إطار عمل التعلم الآلي. النظام المقترح مصمم للتنفيذ في المستشفيات الثانوية والثالثية التي تحتوي على منصات إدارة معدات رقمية معتمدة ولا يتطلب أجهزة إضافية تتجاوز أنظمة معلومات المستشفيات الحالية.

تقييم النموذج والتحقق من صحته
تم تقييم أداء النموذج كميا باستخدام الدقة والدقة والاسترجاع وتقييم F1 وتحليل مصفوفة الارتباك. بالإضافة إلى ذلك، تم حساب منحنيات خصائص تشغيل المستقبل (ROC) وقيم المساحة تحت المنحنى (AUC) لتقييم قدرة التمييز على التصنيف. لتقييم المتانة الإحصائية، تم إجراء التحقق المتقاطع بخمسة أضعاف على مجموعة بيانات التدريب، وتم الإبلاغ عن متوسط الانحراف المعياري ± مقاييس الأداء (تم توفير مقاييس الأداء التفصيلية عبر الطيات في الملف التكميلي 1). تم اختبار الفروق في الأداء بين نماذج ISSA-SVM والنماذج الأساسية باستخدام اختبارات t مزدوجة، مع تحديد مستوى الدلالة عند p < 0.05. تم حساب جميع مقاييس التقييم باستخدام مجموعة بيانات الاختبار المستقلة لضمان تقدير أداء غير متحيز. لذلك، كان اختيار إطار عمل ISSA-SVM مدفوعا منهجية بالحاجة إلى التعامل مع علاقات المؤشرات غير الخطية، ومنع التقارب المبكر أثناء تحسين المعلمات الفائقة، وتعزيز استقرار التعميم تحت مجموعات بيانات معدات المستشفيات غير المتجانسة. اعتبر البروتوكول مكتملا بعد التقييم النهائي للنموذج على مجموعة بيانات الاختبار المستقلة وإنشاء تقرير أداء مراقبة الجودة المنظم.

النتائج

نتائج فحص الجودة لمجموعة المعلومات الخاصة بالربع الأول
تم تأكيد التأثير العملي لنظام مراقبة الجودة لمعدات دعم الحياة الطبية الطارئة التي تم تأسيسها في البحث، وتم التحقق من تأثير التطبيق الفعلي لنظام مراقبة الجودة في المنطقة التجريبية بمستشفى شعب لييانغ. في الربع الأول، تم تقييم 28 وحدة تمريض من حيث الجودة، وكان موضوع التفتيش هو ملخص الإشراف المتخصص على جودة التمريض لمعلومات التمريض. شمل الفحص مسحا لحالة المسح في المساعد الرقمي الشخصي (PDA) وفحص حالة صيانة معدات دعم ال...

المناقشة

تم تطبيق نماذج آلة المتجهات الداعمة على نطاق واسع في التقييم التنبؤي واكتشاف الشذوذات عبر السياقات الصناعية والرعاية الصحية. في سياق إدارة تكنولوجيا الرعاية الصحية، تم تطبيق التعلم الآلي بشكل متزايد أيضا على توقع موثوقية الأجهزة الطبية ودعم قرارات الصيانة، بما في ذلك معدات الطوارئ عالية الحرجة مثل أجهزة إزالة الرجفان وأجهزة التنفس الصناعي، لتحسين جاهزية المعدات وتقليل فترات التوقف غير المخططة^26,27. كما تمت مراجعة مصنفات SVM بشكل ...

المواد

قائمة المواد المستخدمة في هذه المقالة

الاسم	الشركة	رقم فهرسي	التعليقات
أجهزة التخدير	شركة SZEMENTMD Medical Technology	محطة عمل A5 للتخدير (B0DS4BFXZ7)	المعدات المستخدمة لإعطاء ومراقبة التخدير أثناء الإجراءات الجراحية الطارئة
محطة عمل حاسوبية	شركة إنتل	معالج Intel Core i7-10700، ذاكرة 16 جيجابايت	منصة الأجهزة المستخدمة لتدريب وتقييم نماذج التعلم الآلي
أجهزة إزالة الرجفان	مصنع الأجهزة الطبية العامة	جهاز المراقبة/جهاز إزالة الرجفان LIFEPAK 15 (B0DZTRH229)	معدات إنعاش القلب الطارئة المستخدمة في اضطرابات نظم القلب المهددة للحياة
طريقة خاتم ديمينغ (PDCA)	غير قابل للتطبيق	دورة إدارة الجودة في PDCA	إطار تحسين الجودة المستمر لإدارة معدات المستشفيات
وحدة تحليل المكونات الرئيسية للنواة	مطورو scikit-learn	تنفيذ نواة RBF	يستخدم لتقليل الأبعاد قبل تصنيف SVM
نظام مراقبة الصيانة الطبية (CMMS)	داوي لتقنية المعلومات الصحية	نظام إدارة معدات المستشفيات v3.2 (B0D4YDKLPJ)	يستخدم لجمع سجلات صيانة المعدات، وسجلات الفحص، وبيانات المراقبة التشغيلية
مكتبة الحوسبة الرقمية NumPy	مطورو نومبي	الإصدار 1.23	عمليات المصفوفة العددية والحوسبة العلمية
مكتبة معالجة بيانات بانداس	فريق تطوير الباندا	الإصدار 1.5	معالجة البيانات المسبقة، تكامل مجموعات البيانات، وإدارة البيانات المنظمة
بيئة البرمجة بايثون	مؤسسة بايثون للبرمجيات	بايثون 3.9	بيئة البرمجة الأساسية المستخدمة في تطوير نماذج التعلم الآلي
مكتبة التعلم الآلي SCIKIT-Learn	مطورو scikit-learn	الإصدار 1.2.2	تنفيذ مصنف آلة متجه الدعم (SVM)
وحدة تحسين خوارزمية البحث في سبارو	تنفيذ بايثون المخصص	إطار عمل تحسين ISSA-SVM v1.0	خوارزمية ميتاهوريستية تستخدم لتحسين المعاملات الفائقة ل SVM
برنامج التحليل الإحصائي SPSS	شركة آي بي إم	إحصائيات SPSS الإصدار 25.0	يستخدم للتحليل الإحصائي والتقييم الوصفي لمخرجات النماذج
أجهزة التنفس الصناعي	XNPINDA Medical Equipment Co., Ltd.	سلسلة أجهزة التنفس الصناعي لوحدة العناية المركزة V860 (B0DR8X724D)	معدات دعم الحياة الطارئة الطبية المستخدمة للتهوية المساعدة في المرضى في حالة حرجة