Informationsbasiertes Qualitätskontrollsystem für Notfall-lebenserhaltende medizinische Geräte mit einem SSA-optimierten SVM

Zusammenfassung

Das Protokoll erklärt die Entwicklung des Pflege-Qualitätskontrollindexsystems für medizinische Notfall-Lebenserhaltungsgeräte, das Vektormaschinenmodelle zur Nachbeobachtung kombiniert.

Zusammenfassung

Derzeit fehlt medizinischen Einrichtungen ein umfassendes und zuverlässiges Qualitätskontrollindikatorsystem, das Informationsplattformen nutzt, um das Pflegepersonal bei der Verwaltung von Instrumenten und Geräten zu unterstützen. Um dieses Problem anzugehen, wurde ein Qualitätskontrollindex für Pflegekräfte entwickelt, das auf Managementanforderungen, Pflegeoperationen und Qualitätsstandards für medizinische Notfallgeräte basiert. Dieses Indexsystem verwendet ein verbessertes Support-Vector-Machine-(SVM)-Modell, um eine informationsbasierte Überwachung der Geräte zu erleichtern und soll Leitlinien zur Verbesserung des unvollkommenen Managements und der nicht-standardisierten Nutzung von Instrumenten und Geräten bieten. Die Ergebnisse zeigen, dass unter informationsbasierter Überwachung des Qualitätskontrollsystems die durchschnittliche Ausführungsrate von medizinischen Scans in jeder Abteilung 80 % übersteigen kann. Die zeitnahe Wartungsrate der Geräte kann in den meisten Abteilungen 90 % übersteigen, mit nur wenigen Ausnahmen. Dieses Qualitätskontrollsystem für medizinische Notfallgeräte, das für Forschungszwecke entwickelt wurde, kann die Wartung von Geräten in verschiedenen Abteilungen effektiv überwachen und ein standardisiertes Management sowie die Nutzung von Instrumenten und Geräten erreichen und fördern.

Einleitung

Notfall-lebenserhaltende medizinische Geräte wie Beatmungsgeräte, Anästhesiegeräte, Defibrillatoren usw. spielen in medizinischen Notfällen eine entscheidende Rolle, um die^{Vitalwerte der} Patienten aufrechtzuerhalten oder wiederherzustellen. Mit der rasanten Entwicklung der Medizintechnik sind diese Geräte entscheidend geworden, um kritisch kranke Patienten zu retten und die Vitalwerte aufrechtzuerhalten. Diese Geräte müssen stets ihre vollständige Funktionalität und Benutzbarkeit gewährleisten, da jede Fehlfunktion im Gerät, wenn das Leben des Patienten in Gefahr ist, eine rechtzeitige Rettung behindern^{kann 2,3}. Ein robustes Qualitätskontrollsystem für medizinische Geräte ist entscheidend, um deren normalen Betrieb sicherzustellen. Durch die Einrichtung und Aufrechterhaltung eines effektiven Qualitätskontrollsystems kann die Ausfallrate medizinischer Geräte reduziert, die Qualität der Gerätenutzung garantiert, die Zuverlässigkeit und Lebensdauer der medizinischen Geräte gesteigert und die Wartungskosten um ^4,5 gesenkt werden. Jüngste Erkenntnisse betonen zudem, dass strukturierte Wartungs- und Qualitätskontrollprogramme – unterstützt durch Informationssysteme – die Rückverfolgbarkeit von Wartungsaktivitäten verbessern, vermeidbare Ausfallzeiten reduzieren und klinische technische Entscheidungen für das Management von Krankenhausausrüstung stärken ^6,7. Darüber hinaus zeigen zunehmende Forschungen zu datengetriebenen und künstlichen Intelligenzansätzen, dass prädiktive Modelle präventive Wartungsplanung und frühzeitige Fehlerrisiko-Erkennung für Krankenhausgeräte unterstützen können, wodurch die Zuverlässigkeit und Einsatzbereitschaft verbessert^{werden 8,9,10}.

Die traditionelle Support Vector Machine (SVM) wird häufig in der Mustererkennung und im maschinellen Lernen eingesetzt; seine Leistung ist jedoch durch die Auswahl relevanter Parameter und Kernelfunktionen¹¹ begrenzt. Dementsprechend wurde die metaheuristische Optimierung zunehmend mit maschinellem Lernen integriert, um Modellparameter zu optimieren und die Generalisierung zu verbessern, insbesondere unter nichtlinearen und hochdimensionalen Bedingungen, die für operative Gesundheitsdaten relevant sind¹². Aufgrund der Komplexität von medizinischen Notfall-Lebenserhaltungsgeräten und den besonderen Besonderheiten ihrer Einsatzumgebung mangelt es derzeit an systematischer Forschung zur Qualitätskontrolle. Darüber hinaus weisen frühere Studien auf anhaltende Heterogenität in Krankenhausverwaltungspraktiken und Qualitätsüberwachungsabläufen hin, was Standardisierung und zeitnahe Korrekturmaßnahmen in den Abteilungen^{einschränken kann 13}. Bestehende Studien haben jedoch im Allgemeinen prädiktive Wartungsmodelle oder Qualitätsmanagementsysteme isoliert untersucht, ohne formell strukturierte Krankenhausqualitätsindikatoren, unscharfe Gewichtungsmechanismen und metaheuristisch optimierte Klassifikationsmodelle in eine einheitliche Governance-Architektur zu integrieren. Obwohl SVM und der Sparrow Search Algorithm (SSA) in industriellen Vorhersageaufgaben eingesetzt wurden, ist ihre systematische Einbettung in Krankenhausqualitätskontrollabläufe für medizinische Notfall-Lebenserhaltungsgeräte weiterhin unzureichend erforscht. Diese Studie zeichnet sich daher dadurch aus, dass sie computergestützte Optimierung, strukturierte Indikatorbewertung und institutionelle Qualitätssteuerung in einem einzigen operativen Rahmen vereint. Eine solche methodische Trennung begrenzt die praktische Interpretierbarkeit und institutionelle Skalierbarkeit. Basierend auf den oben genannten Überlegungen versucht die vorliegende Studie, folgende Forschungsfragen zu beantworten: (i) Kann ein ISSA-optimiertes SVM-Modell die prädiktive Leistung für die Qualitätskontrollklassifizierung von Notfall-lebenserhaltenden medizinischen Geräten im Vergleich zu nicht optimierten Ansätzen verbessern? (ii) Kann die Integration strukturierter Indikatorgewichtung, Fuzzy-Bewertung und metaheuristischer Optimierung die operative Effektivität und Standardisierung von Qualitätskontrollsystemen für Krankenhausausrüstung verbessern?

Dementsprechend ist die zentrale Forschungshypothese dieser Studie, dass die Einbettung eines ISSA-optimierten SVM-Modells in eine PDCA-basierte Qualitätskontrollarchitektur die prädiktive Genauigkeit, Robustheit und operative Interpretierbarkeit im Vergleich zu herkömmlichen Qualitätsüberwachungsmethoden deutlich verbessert.

Zu diesem Zweck werden relevante Algorithmen untersucht, um das Qualitätskontrollsystem von medizinischen Notfallgeräten zur Lebenserhaltung zu optimieren. Ein verbessertes SVM-Modell, das auf dem Sparrow Search Algorithm (SSA) basiert, wird vorgeschlagen, um die Fähigkeiten von SVM weiter zu verbessern. Die Optimierung relevanter SVM-Parameter verbessert die Verallgemeinerungsfähigkeit des Modells, macht es robuster bei der Verarbeitung nichtlinearer und hochdimensionaler Daten und verbessert seine praktische Leistung in Qualitätskontrollsystemen.

Die spezifischen Ziele dieser Studie sind daher: (i) der Aufbau eines hierarchischen Qualitätskontrollindikatorsystems für medizinische Notfall-Lebenserhaltungsgeräte; (ii) um ein SVM-Klassifikationsmodell mit dem Sparrow Search Algorithmus zu entwickeln und zu optimieren; und (iii) das optimierte Vorhersagemodell in ein PDCA-gesteuertes Qualitätskontrollsystem für Krankenhäuser einzubetten, um dessen operative Machbarkeit und Leistung zu bewerten.

Die wichtigste Innovation dieser Studie liegt in der Einführung des SSA, um die Schlüsselparameter des SVM-Modells zu optimieren und so die Datenverarbeitungsfähigkeit und die Verallgemeinerungsleistung des Modells zu verbessern. Dieses Modell wurde dann auf informationsbasierte Überwachung der Qualitätskontrolle von Notfall-lebenserhaltenden medizinischen Geräten angewandt. Aus praktischer Implementierungssicht kann das vorgeschlagene Framework mit routinemäßig verfügbaren Krankenhausinformationsquellen (z. B. Gerätewartungsprotokolle, Inspektions-/Nutzungsaufzeichnungen sowie Betriebsdaten mit Barcode- und Personal Digital Assistant (PDA)-bezogenen Daten implementiert werden, wodurch die Machbarkeit unterstützt wird, ohne zusätzliche spezialisierte Sensorinfrastruktur erforderlich zu sein. Dementsprechend trägt diese Studie dazu bei, ein methodisch integriertes Framework vorzuschlagen und empirisch zu validieren, das strukturierte Indikatorgewichtung, Fuzzy-Bewertung und ISSA-optimierte SVM-Modellierung innerhalb einer PDCA-basierten Qualitätskontrollarchitektur für Krankenhäuser kombiniert.

Protokoll

Das Studienprotokoll wurde dem Ethikausschuss des Liyang Volkskrankenhauses, Provinz Jiangsu, China, zur ethischen Überprüfung vorgelegt (Projektgenehmigung Nr. JDYY2023158, Protokollversion 1.0, datiert auf 09. Februar 2023). Die Studie nutzte deidentifizierte Krankenhausausrüstungsmanagement- und Wartungsunterlagen, die vom computergestützten Wartungsmanagementsystem (CMMS) des Krankenhauses gewonnen wurden. Der Datensatz enthielt keine klinischen Patientendaten, persönliche Identifikatoren oder biologische Proben. Da die Forschung Daten zur institutionellen Geräteverwaltung ohne menschliche Teilnehmer beinhaltete, war gemäß den Richtlinien der institutionellen Forschungsleitung und den Anforderungen der Good Clinical Practice (GCP) keine informierte Zustimmung erforderlich. Alle Datensätze, die Modellentwicklung, Optimierung, Validierung und Reproduzierbarkeit unterstützen – einschließlich Indikatordefinitionen, SSA-Optimierungsprotokolle, Parameterkonfigurationen und Vorhersageausgaben – sind in Supplementary File 1 bereitgestellt.

Bau eines Qualitätskontrollsystems für medizinische Notfall-Lebenserhaltungsgeräte
Die Entwicklung eines Qualitätskontrollsystems für Notfall-lebenserhaltende medizinische Geräte erfordert die Beteiligung mehrerer Parteien. Die Integrität und Wirksamkeit des Qualitätskontrollsystems werden wiederholt durch Kommunikation und Verhandlung zwischen mehreren Abteilungen und Personal demonstriert, und ein umfassendes, wissenschaftliches Qualitätskontrollsystem wird erstellt ^14,15. Die Studie übernahm die weit verbreitete Deming-Ring-Methode im Qualitätsmanagement und anderen Managementbereichen, um Indikatoren auszuwählen und verwandte Systeme für die Qualitätskontrolle zu erstellen. Dieser Ansatz erreicht kontinuierliche Verbesserung und Lernen durch vier Phasen zyklischer Wiederholung. Das Qualitätskontrollsystem für medizinische Notfallgeräte basierend auf der Deming-Ring-Theorie ist in Abbildung 1 dargestellt.

Um die Replizierbarkeit des Qualitätskontrollrahmens sicherzustellen, wurde der PDCA-Zyklus durch ein strukturiertes Implementierungsverfahren operationalisiert. Während der Planungsphase wurde der Umfang der Ausrüstung definiert, um Notfall-lebenserhaltende medizinische Geräte wie Beatmungsgeräte, Anästhesiegeräte und Defibrillatoren in den teilnehmenden Abteilungen einzuschließen. Ein digitales Geräteinventar wurde mit dem computergestützten Wartungsmanagementsystem (CMMS)¹⁶ des Krankenhauses eingerichtet, und jedem Gerät wurde eine eindeutige Identifikationsnummer zugewiesen, um Rückverfolgbarkeit sicherzustellen. Wesentliche Attribute, darunter Gerätetyp, Hersteller oder Modell, Standort der Abteilung, Erwerbsdatum, Risikoklassifikation, Inspektionsintervall und vollständige Wartungshistorie, wurden im CMMS erfasst (siehe Supplementary File 1 für eine detaillierte Datensatzstruktur auf Geräteebene). Für jeden Bewertungsindikator wurden operative Definitionen formuliert. Zum Beispiel wurde die Instandhaltungszeitlichkeit als Fertigstellung innerhalb einer vordefinierten Anzahl von Tagen ab dem geplanten Wartungsdatum definiert, und die Einhaltung der Inspektionen wurde als die Anzahl der abgeschlossenen Inspektionen geteilt durch die erforderlichen Inspektionen multipliziert mit 100 % berechnet. Die Aufgaben wurden ausdrücklich dem klinischen Ingenieurpersonal, den Geräteanwendern und den Abteilungsleitern zugewiesen, und routinemäßige Berichtsintervalle wurden monatlich und vierteljährlich festgelegt.

Implementierungsphase:
Während der Implementierungsphase wurden strukturierte Aufzeichnungen aus dem CMMS extrahiert, darunter vorbeugende Wartungsaufträge, Inspektionsprotokolle, Berichte zur Korrekturwartung und Aufzeichnungen über Ausfallzeiten der Geräte. Diese Daten wurden mit von Barcodes oder Handheld-Geräten generierten Betriebsprotokollen unter Verwendung von Geräterkennungen und Zeitstempelabgleich integriert, um die Datenkonsistenz sicherzustellen. Präventive Wartungs- und Inspektionsmaßnahmen wurden gemäß institutionellen Standardarbeitsverfahren (SOPs) durchgeführt, und alle Abschlusszeiten, Befunde, Korrekturmaßnahmen und Verifikationsergebnisse wurden im CMMS dokumentiert.

Inspektionsphase:
In der Inspektionsphase wurden Datenvalidierungs- und Qualitätssicherungsverfahren durchgeführt, um Genauigkeit und Zuverlässigkeit sicherzustellen. Duplikate Datensätze wurden entfernt, fehlende Werte bewertet und Gerätekennungen zwischen den Abteilungsdatensätzen abgeglichen. Datensätze ohne wesentliche Identifikatoren oder Zeitstempelinformationen wurden von der nachfolgenden Analyse ausgeschlossen. Indikatorwerte wurden sowohl auf Abteilungs- als auch auf Ausrüstungskategorieebene berechnet, und es wurden zusammenfassende Qualitätskontrollberichte erstellt. Die Bewertungsschwellenwerte waren wie folgt definiert: ≥ 90 % der Compliance als ausgezeichnet, 80–89 % als akzeptabel, 70–79 % als "verbesserungsbedürftig" und <70 % als schlecht. Diese Schwellenwerte wurden abteilungsübergreifend einheitlich angewendet, um eine standardisierte Leistungsbewertung sicherzustellen. Eine zufällige Teilmenge von Datensätzen wurde mit den ursprünglichen Systemprotokollen abgeglichen, um die Datenintegrität zu bestätigen.

Aktionsphase:
In der Aktionsphase wurden Leistungsergebnisse überprüft, um Defizite und Verbesserungsmöglichkeiten zu identifizieren. Für Indikatoren, die eine suboptimale Leistung zeigen, wurden Ursachen wie Workflow-Verzögerungen, unzureichende Personalmangel, Unterbrechungen in der Lieferkette oder Dokumentationslücken systematisch analysiert. Es wurden Korrekturmaßnahmen entwickelt, darunter Anpassungen der Wartungsintervalle, Eskalationsschwellenwerte oder Überwachungsmechanismen. Diese Modifikationen wurden im anschließenden PDCA-Zyklus umgesetzt, um kontinuierliche Qualitätsverbesserungen^{zu unterstützen 17}.

Planungsphase:
In der Planungsphase wurden Untersuchungen durchgeführt, um die Ziele nach der Nutzung des Qualitätskontrollsystems der Ausrüstung zu klären; Gleichzeitig wurde der Arbeitsplan für die nächste Phase erstellt. In der Ausführungsphase wurde Forschung zum Aufbau eines Organisationsmanagementsystems, eines Prozessmanagementsystems für den Geräteverbrauch und eines Qualitätskontrollsystems zur Gerätesicherung durchgeführt, basierend auf dem Qualitätskontrollsystem der vorherigen Phase für medizinische Notfallgeräte, und relevante Bewertungsindikatoren wurden ermittelt¹⁸. Die Forschung während der Inspektionsphase bewertete und bewertete die Qualitätskontrollniveaus medizinischer Einrichtungen anhand der relevanten Bewertungsindikatoren der vorherigen Phase. In der Bearbeitungsphase wurden die Bewertungsergebnisse der vorherigen Phase zusammengefasst, Probleme im Qualitätskontrollsystem analysiert und Verbesserungen vorgenommen, um die im nächsten Zyklus identifizierten Probleme zu beheben. Basierend auf den oben genannten Methoden wurde ein Prozessmodell zur Qualitätskontrolle von medizinischen Notfalllebenserhaltungsgeräten erstellt, wie in Abbildung 2 dargestellt.

In diesem Modell (Abbildung 2) wurden der Gerätetyp und das Qualitätskontrollniveau entsprechend den Anforderungen der relevanten medizinischen Einrichtungen bestimmt. Anschließend wurde ein Bewertungssystem eingerichtet, um das Qualitätskontrollniveau für die Ausrüstung zu bewerten. Basierend auf den Bewertungsergebnissen wurde das Qualitätskontrollsystem der Ausrüstung optimiert und verbessert. In diesem Prozess wurden relevante Systeme wissenschaftlich aufgebaut, um den Einsatz medizinischer Geräte zu standardisieren und kontinuierlich sicherzustellen, dass die Geräte in einem effektiven Zustand blieben. Medizinische Einrichtungen sollten regelmäßig Qualitätskontrollberichte erstellen, Datenanalysen durchführen und die Leistung relevanter Inhalte bewerten, um das Qualitätskontrollsystem weiter zu optimieren. Im oben genannten Zyklus kann das Qualitätskontrollsystem für medizinische Notfall-Lebenserhaltungsgeräte schrittweise verbessert werden. Als Reaktion auf das hohe Risiko, die hohen regulatorischen Anforderungen, die Multifunktionalität und die Komplexität von medizinischen Notfall-Lebenserhaltungsgeräten unterteilte diese Studie das Qualitätskontrollsystem von medizinischen Notfall-Lebenserhaltungsgeräten in drei Teile: Organisationsmanagementsystem, Gerätenutzungssystem und Qualitätskontrollsystem zur Gerätesicherung¹⁹. Ein Gremium von 12 Experten für klinische Technik und Krankenhausausrüstungsmanagement beteiligte sich am Gewichtungsprozess (siehe Supplementary File 1 für Expertengewichtungsmatrix und Fuzzy-Bewertungsinputs). Jeder Experte bewertete die drei Teilsysteme unabhängig mit einer 5-Punkte-Likert-Skala (1 = sehr geringe Bedeutung, 5 = sehr hohe Bedeutung). Die gesammelten Werte wurden aggregiert und in dreieckige, vage Zahlen umgewandelt, um später eine Gewichtungsanalyse zu erhalten. Die Gewichtungswerte jedes Teilsystems wurden dann mittels Gleichung (1) berechnet.

(1)

Hier stellt das gewichtete durchschnittliche Gewicht jedes Teilsystems dar, M ist die Anzahl der Experten und i der Koeffizient jedes Teilsystems. Nach Erhalt der oben genannten Berechnungsergebnisse wurden sie in präzise Werte umgewandelt, um die Gewichtungswerte jedes Subsystems zu ermitteln. Die Umwandlung wird in Gleichung (2) erwähnt.

(2)

Hier ist W_i der Gewichtungswert jedes Teilsystems, l der niedrigste Wert des Indikators, m der wahrscheinlichste Wert des Indikators und u den höchsten Wert des Indikators. In der praktischen Berechnung wurden dreieckige Fuzzy-Zahlen als (l, m, u) dargestellt, entsprechend den niedrigsten, wahrscheinlichsten bzw. höchsten Expertenwerten. Die Defuzzifizierung erfolgte mit der Schwerpunktmethode, definiert als (l + m + u) / 3, um Fuzzy-Gewichte in scharfe Werte für die spätere quantitative Analyse umzuwandeln. Das dreistufige Bewertungssystem für Qualitätskontrollindikatoren für Geräte, das durch Forschung entwickelt wurde, ist in Abbildung 3 dargestellt (detaillierte Indikatordefinitionen, Bewertungskriterien und Fuzzy-Mitgliedschaftsfunktionen sind in Supplementary File 1 dargestellt).

Die Zugehörigkeitsfunktionen jedes Indikators werden in Gleichung (3) genannt.

(3)

Hier stellt μ(x) die Mitgliedschaftsfunktion jedes Indikatorwerts dar, und x den Wert jedes Indikators. Die Mitgliedschaftswerte wurden programmatisch für jeden Indikatorwert berechnet und verwendet, um den Grad der Zugehörigkeit zu vordefinierten Qualitätskategorien vor der endgültigen Bewertung zu bestimmen.

Verbessertes Support-Vector-Maschinenmodell basierend auf dem Sparrow-Suchalgorithmus
SVM-Modell und Rechenumgebung
SVM ist ein Algorithmus, der häufig im maschinellen Lernen eingesetzt wird, hauptsächlich für Kategorisierung und Vorhersageanalyse. Alle rechnergestützten Experimente wurden mit Python 3.9 innerhalb der Anaconda-Umgebung durchgeführt. Der Support Vector Machine (SVM)-Klassifikator wurde mit der scikit-learn-Bibliothek (Version 1.2.2) implementiert. Numerische Berechnungen und Datenmanipulationen wurden mit NumPy (Version 1.23) und Pandas (Version 1.5) durchgeführt. Die Experimente wurden auf einer Arbeitsstation mit einem Intel-i7-Prozessor und 16 GB RAM durchgeführt. SPSS 25.0 wurde für statistische Vergleiche und deskriptive Analysen von Modellausgaben verwendet. Das SVM-Modell wurde angewandt, um historische Qualitätskontrolldaten von medizinischen Notfall-Lebenserhaltungsgeräten zu analysieren, die Qualität von medizinischen Notfallgeräten genau vorherzusagen und die Qualität^{solcher Geräte zu} kontrollieren.

Motivation für SSA-basierte Optimierung
Obwohl einfachere Klassifikationsmethoden wie logistische Regression, Entscheidungsbäume und nicht optimierte SVM-Modelle häufig in prädiktiven Wartungsstudien angewendet werden, zeigte die vorläufige vergleichende Analyse in dieser Studie eine verminderte Generalisierungsstabilität unter nichtlinearen und hochdimensionalen Indikatorbedingungen. Qualitätsindikatoren für medizinische Notfallversorgung zeigen Multikollinearität, nichtlineare Wechselwirkungen und heterogene Verteilungen über Abteilungen hinweg. Daher wurde ein metaheuristisch-optimiertes SVM-Framework eingeführt, um die Robustheit der Hyperparameter-Abstimmung zu erhöhen und die Stabilität der Klassifikationsgrenzen im Vergleich zu herkömmlichen Gittersuch- oder Standardparameter-Ansätzen zu verbessern.

Hard-margin und soft-margin SVM-Formulierung
SVM wird angewendet, um eine Hyperebene zu entdecken, die die Lücke zwischen verschiedenen Datenkategorien maximiert. Für linear separable Daten sucht SVM nach einer optimalen Hyperebene, die die Marge zwischen zwei Klassen maximiert. Für linear separable Daten ist das Ziel von SVM, die Modellkomplexität zu minimieren und gleichzeitig sicherzustellen, dass alle Trainingsproben korrekt klassifiziert werden können, wie in Gleichung (5)²¹ gezeigt.

Min (1/2) ||w||²

subject an: y_i (w^T x_i + b) ≥ 1, für i = 1, 2, ..., n (5)

In Gleichung (5) ist w der Normalvektor der Hyperebene, b der Bias-Term, y_i ist das Klassenlabel von i der Stichprobe und x_i ist der Merkmalsvektor von i der Stichprobe. In praktischen Situationen sind Daten oft nicht linear trennbar. Durch die Einführung von Slack-Variablen erlaubt Soft-Margin-SVM einigen Proben, Intervallregeln zu verletzen; das Optimierungsproblem der Soft-Margin-SVM ist in Gleichung (6)²² dargestellt.

(6)

In Gleichung (6) ist C der Strafparameter und die Slack-Variable.

Kernelfunktion und Entscheidungsfunktion
SVM verwendet Kernelfunktionen, um nichtlineare, separable Daten auf einen hochdimensionalen Raum abzubilden. Gängige Kernelfunktionen sind linearer Kernel, Polynom-Kernel und Gaußscher radialer Basis-Kernel. Unter diesen verfügen Gaußsche radiale Basiskerne über starke nichtlineare Abbildungsfähigkeiten und sind für komplexe nichtlineare Probleme geeignet. Sie können auch die Breite der Entscheidungsgrenze durch Parameteranpassung steuern, wie in Gleichung (7)²³ gezeigt.

(7)

In Gleichung (7) ist γ der Entscheidungsgrenzenanpassungsparameter. Multi-Kernel-SVM kann die Klassifikationsleistung verbessern, indem es verschiedene Kernelfunktionen kombiniert. Die Lösung von SVM-Optimierungsproblemen basiert hauptsächlich auf der Lagrange-Multiplikatormethode und der dualen Problemlösung; Die endgültige Entscheidungsfunktion der Klassifikation wird in Gleichung (8) dargestellt.

(8)

In Gleichung (8) ist α_i der Lagrange-Multiplikator. SVM umfasst verschiedene Parameter in praktischen Anwendungen, und wenn die Parametereinstellungen nicht angemessen sind, kann dies zu einer Verringerung der Klassifikations- und Vorhersageleistung von SVM führen.

SSA-basierte Hyperparameteroptimierung
Zur Verbesserung der SVM-Leistung wurde das SSA zur Hyperparameteroptimierung eingesetzt. In dieser Studie wurde SSA anderen häufig verwendeten metaheuristischen Optimierungsmethoden (z. B. Genetic Algorithm (GA) und Particle Swarm Optimization (PSO)) vorgezogen, da sie weniger Kontrollparameter benötigt, eine wettbewerbsfähige Konvergenzgeschwindigkeit zeigt und eine starke globale Suchfunktion bietet, was für nichtlineare und hochdimensionale Qualitätskontrolldatensätze vorteilhaft ist. Darüber hinaus verbessert SSAs Entdecker–Follower–Alert-Mechanismus das Gleichgewicht zwischen Exploration und Ausbeutung, was die Wahrscheinlichkeit erhöht, lokale Optima während der Hyperparameter-Abstimmung zu entkommen, verglichen mit Methoden, die unter komplexen Fitnesslandschaften möglicherweise vorzeitig konvergieren. Im Vergleich zu GA und PSO bietet SSA eine stärkere Erkundungsfähigkeit in frühen Iterationen und eine verbesserte Konvergenzstabilität in späteren Stadien, was vorteilhaft ist, um SVM-Hyperparameter in heterogenen Krankenhausgeräte-Datensätzen mit nichtlinearen Beziehungen und Multikollinearität zu optimieren.

Konkret wurde SSA verwendet, um die wichtigsten SVM-Hyperparameter zu optimieren, einschließlich des Strafparameters (C) und kernelbezogener Parameter (z. B. γ für den Radialbasisfunktions-(RBF)-Kernel). In dieser Studie war die SSA mit einer Populationsgröße von 30 Individuen und einer maximalen Iterationszahl von 100 konfiguriert. Der Anteil von Entdeckern, Followern und aufmerksamen Personen wurde auf etwa 20 %, 60 % bzw. 20 % festgelegt. Die Konvergenztoleranzschwelle wurde definiert als 1 × 10⁻⁶. Die Suchbereiche für SVM-Hyperparameter wurden auf einer logarithmischen Skala definiert, wobei der Strafparameter (C) und der Kernelparameter (γ) innerhalb [10⁻³, 10³] begrenzt sind. Jeder Spatz-Individuum kodierte einen Kandidatenlösungsvektor [C, γ], und eine Bernoulli-chaotische Abbildung wurde verwendet, um die Population innerhalb vordefinierter Grenzen zu initialisieren, um die Vielfalt zu erhöhen und die Wahrscheinlichkeit einer vorzeitigen Konvergenz zu verringern. Wenn eine Multi-Kernel-Strategie eingeführt wurde, wurden die Kernel-Gewichtskoeffizienten ebenfalls als Entscheidungsvariablen behandelt. Die SSA-Fitnessfunktion wurde als Klassifikationsfehler (oder äquivalent 1 − Genauigkeit) im Validierungssatz definiert und zielt damit direkt auf eine verbesserte Generalisierungsleistung ab (Optimierungsprozess, Iterationsprotokolle und Parameterkonfiguration werden in Supplementary File 1 bereitgestellt). Parametersuchbereiche (Schranken) wurden vordefiniert, um machbare und stabile Lösungen sicherzustellen (z. B. C ∈ [10⁻³, 10³], γ ∈ [10⁻³, 10³]) (detaillierter Suchraum ist in Supplementary File 1 zusammengefasst), und der endgültige Parametersatz wurde als globale beste Lösung ausgewählt, die von SSA nach dem Stoppkriterium (maximale Iterationen oder Konvergenztoleranz) zurückgegeben wurde. Um die Reproduzierbarkeit sicherzustellen, wurden zwischenliegende Optimierungskontrollpunkte definiert. Konvergenz galt als erreicht, wenn die Änderung des Validierungsfitnesswerts zwischen aufeinanderfolgenden Iterationen weniger als 1 × 10⁻⁶ für fünf aufeinanderfolgende Iterationen betrug oder wenn die maximale Iterationszahl (100) erreicht war. Die Validierungsgenauigkeit ≥ 80 % wurde während der Optimierung als akzeptabel angesehen. Der globale Best-Fitness-Wert und der entsprechende Parametervektor [C, γ] wurden bei jeder Iteration erfasst, um die Rückverfolgbarkeit des Optimierungsprozesses sicherzustellen.

SSA-Algorithmus und Positionsaktualisierungsmechanismus
SSA ist ein populationsbasierter intelligenter Optimierungsalgorithmus, der das Verhalten von Spatzen bei ihrer Nahrungssuche simuliert und drei Rollen umfasst: Entdecker, Begleiter und Wachsamkeit. Während der Durchführung von SSA ist es wichtig, eine Spatzenpopulation zu etablieren, deren Position und Geschwindigkeit zu initialisieren und den Fitnesswert jedes Spatzes in der Population zu berechnen. Während dieses Prozesses muss der Entdecker seinen Standort ständig aktualisieren, wie in Gleichung (9)²⁴ erwähnt.

(9)

In Gleichung (9) ist die Position von i dem Spatz in der Anfangspopulation an der t der Iteration, β ist die Schrittweite, φ der Abschwächungsfaktor, T_max ist die maximale Anzahl der Iterationen und N(0,1) ist eine Standardnormalverteilungs-Zufallszahl. Auch die Position des Nachfolgers änderte sich mit der Position des Entdeckers; Die Formel zur Aktualisierung der Begleiterposition ist in Gleichung (10) dargestellt.

(10)

In Gleichung (10) ist der beste Ort des aktuellen Entdeckers und λ der Lernfaktor. Auch der Standort der Warnung änderte sich entsprechend; Die Formel zur Aktualisierung seines Standorts ist in Gleichung (11) dargestellt.

(11)

In Gleichung (11) ist die Position eines anderen zufällig ausgewählten Spatzes und δ ist die Schrittlänge des Alarms. Während dieses Prozesses kann die Iteration gestoppt werden, wenn die maximale Anzahl an Iterationen erreicht ist oder die Bedingungen erfüllt sind. Die SSA verwendet eine zufällige Generierungsmethode bei der Festlegung und Initialisierung der Population. Bei der Erzeugung von Spatzen-Individuen kann diese Methode jedoch dazu führen, dass die Mehrheit der Individuen im selben Gebiet erzeugt wird, was zu einer extrem ungleichmäßigen Populationsverteilung führt. Dieser Suchprozess kann unter lokale Optima fallen. Als Antwort auf dieses Problem schlägt die Studie vor, Bernoulli-Kartierung und einen Reverse-Learning-Mechanismus als Initialisierungsgenerierungsmechanismus für Spatzenpopulationen zu übernehmen. Die Bernoulli-Abbildung ist eine mathematische chaotische Abbildung, definiert als ein diskret-zeitliches dynamisches System auf dem Intervall [0,1], und ihre Iterationsregel ist in Gleichung (12) dargestellt.

a_n+1 = { a_n / (1 − a_n), wenn 0 ≤ a_n < 1/2

(a_n − 1) / a_n, wenn 1/2 ≤ a_n ≤ 1 } (12)

In Gleichung (12) ist n die Anzahl der chaotischen Iterationen und a_n der Bernoulli-Abbildungswert. Nachdem der SSA in die spätere Phase übergeht, nimmt die Populationsvielfalt rapide ab, wodurch der Algorithmus in lokale Optima fällt. Daher schlägt die Studie vor, einen gemischten Störungsmechanismus einzuführen, um den Algorithmus dazu zu bringen, diese Einschränkung zu beheben. Der für die Forschung entwickelte Mischstörungsmechanismus basiert auf zwei Techniken: dem Glühwürmchen-Algorithmus und der Gaußschen Mutation, wie in Abbildung 4 gezeigt.

Nach jeder Iteration der SSA wird der gemischte Störungsmechanismus angewendet, um die Stagnation der Spatzenpopulation zu erkennen, wie in Abbildung 4 gezeigt. Tritt eine Stagnation auf, stört der Glühwürmchen-Algorithmus die Spatzenpopulation. Die Störung von Glühwürmchen in der Spatzenpopulation erfordert die Schätzung der Anziehung von Glühwürmchen zu Spatzen, wie in Gleichung (13) gezeigt.

(13)

In Gleichung (13) ist β₀ die Anfangsattraktivität des Individuums, θ der Lichtintensitätsabsorptionskoeffizient und r der Abstand zwischen zwei Individuen. Die Position der Glühwürmchen wird je nach individueller Attraktivität aktualisiert, wie in Gleichung (14) gezeigt.

(14)

In Gleichung (14) ist die Position des i Glühwürmchens in der t-Iteration, b_best ist die aktuelle optimale Position des Glühwürmchens, ε der zufällige Schrittgrößenparameter und e der Zufallsvektor, der aus der Normalverteilung extrahiert wird. Wenn die Spatzenpopulation nicht stagniert, wird eine Gaußsche Mutation am aktuell optimalen Spatzindividuum durchgeführt, wie in Gleichung (15) gezeigt.

(15)

In Gleichung (15) ist σ die Standardabweichung. Nach der Behandlung der Spatzenpopulation wird die Annahme der neuen Position nach dem Prinzip der Gier bestimmt. Ist der Fitnesswert des neuen Standorts besser als der aktuelle, wird der neue Standort akzeptiert; ansonsten bleibt die ursprüngliche Position erhalten.

Wie in Abbildung 5 dargestellt, umfasst der Funktionsprozess des Improved Sparrow Search Algorithmus (ISSA) hauptsächlich die Initialisierung der Spatzenpopulation, die Berechnung der Fitnesswerte einzelner Spatzen, das Aufteilen von Entdeckern, Begleitern und Warnungen basierend auf Fitnesswerten sowie die iterative Aktualisierung der Positionen dieser drei Spatlingskategorien durch eine verbesserte Positionsaktualisierungsformel. Ein gemischter Störungsmechanismus basierend auf dem Firefly-Algorithmus und der Gaußschen Mutation wurde eingeführt, um die globale Suchfähigkeit des Algorithmus zu erweitern. Gleichzeitig wurde eine elitäre Reverse-Learning-Methode eingesetzt, um die Konvergenzgeschwindigkeit und Präzision des Algorithmus weiter zu verbessern. Schließlich wurde der oben genannte Prozess wiederholt, bis das Stoppkriterium erfüllt war und die beste Lösung gefunden wurde.

Datenverarbeitung und Modelltraining
Der Datensatz wurde mittels stratifizierter Stichprobe in 70 % Trainingsdaten, 15 % Validierungsdaten und 15 % unabhängige Testdaten aufgeteilt, um das Klassengleichgewicht zu wahren (Kreuzvalidierung und Datenaufteilungsstruktur sind in Supplementary File 1 detailliert beschrieben). Die Feature-Skalierung erfolgte mit Min-Max-Normalisierung, die ausschließlich auf dem Trainingsdatensatz eingebaut wurde, und die erlernten Skalierungsparameter wurden auf Validierungs- und Testdatensätze angewendet, um Datenlecks zu verhindern. Die Kernel Principal Component Analysis (KPCA)²⁵ wurde auf den Trainingsdatensatz zur Dimensionsreduktion angewendet, wobei ein RBF-Kernel mit γ = 0,1 und der Anzahl der erhaltenen Komponenten so eingestellt ist, dass 95 % kumulative Varianz erhalten bleiben. Die KPCA-Transformationsmatrix wurde ausschließlich auf den Trainingsdatensatz angepasst und anschließend unverändert auf die Validierungs- und Testsätze angewendet, um Datenlecks zu verhindern. Kontinuierliche Variablen wurden mittels Min–Max-Skalierung normalisiert, definiert als (x − xmin) / (xmax − xmin), wobei xmin und xmax ausschließlich aus dem Trainingsdatensatz berechnet wurden. SSA optimierte die SVM-Hyperparameter, indem die auf dem Validierungsdatensatz berechnete Klassifikationsfehlerrate (1 − Genauigkeit) minimiert wurde. Nach der Identifizierung der optimalen Parameterkombination wurde das endgültige SVM-Modell mit den kombinierten Trainings- und Validierungsdatensätzen neu trainiert und auf dem unabhängigen Testdatensatz ausgewertet.

Das ISSA-verbesserte SVM-Modell beginnt mit der Datenvorverarbeitung und der Auswahl von Funktionen für die Qualitätskontrollprüfung von medizinischen Notfall-Lebenserhaltungsgeräten. Um die methodische Transparenz und Reproduzierbarkeit zu erhöhen, wurde der Datenvorverarbeitungs- und Modelltrainings-Workflow wie folgt strukturiert. Geräteebene wurden Datensätze aus dem CMMS exportiert, einschließlich Wartungsprotokolle, Inspektionsergebnisse und Status der Arbeitsaufträge (siehe Supplementary File 1 für Datensätze zu Rohgeräten und Wartungsereignissen). Diese Datensätze wurden mit Barcode- oder Handheld-Geräte-Scan-Protokollen unter Verwendung von Gerätekennungen und Zeitstempelinformationen zusammengeführt, um eine genaue Verbindung sicherzustellen.

Datenreinigungsverfahren wurden vor der Modellierung durchgeführt. Doppelte Einträge wurden entfernt, und Aufzeichnungen ohne wichtige Kennungen oder Zeitstempel wurden ausgeschlossen. Für numerische Variablen mit begrenzter Fehlfunktion wurde die Medianimputation angewendet, während Variablen mit übermäßig fehlenden Werten aus der Analyse ausgeschlossen wurden. Kategoriale Variablen wie Abteilungs- und Gerätetyp wurden mit One-Hot-Codierung codiert, und kontinuierliche Variablen wurden mittels Min–Max-Skalierung normalisiert, um die Kompatibilität mit dem SVM-Algorithmus sicherzustellen.

Die Hyperparameteroptimierung wurde mit SSA oder ISSA durchgeführt, um den optimalen Strafparameter (C) und den Kernparameter der radialen Basisfunktion (γ) zu identifizieren. Die Fitnessfunktion wurde als Klassifikationsfehlerrate im Validierungsdatensatz definiert. Nach der Identifizierung des optimalen Parametersatzes wurde das endgültige SVM-Modell anhand der kombinierten Trainings- und Validierungsdaten neu trainiert und anschließend auf dem unabhängigen Testdatensatz ausgewertet. Zur methodischen Begründung wurde das optimierte ISSA-SVM-Modell quantitativ mit Basismodellen verglichen, darunter (i) Standard-SVM mit Standardparametern, (ii) grid-search-optimiertes SVM und (iii) logistisch-regressiver Klassifikator. Die vergleichende Bewertung wurde mit identischen Trainings-, Validierungs-Test-Splits durchgeführt, um Fairness sicherzustellen. Leistungsverbesserungen wurden anhand von Unterschieden in Genauigkeit, Präzision, Rückruf und F1-Wert bewertet.

Der vorgeschlagene Rahmen wurde für die Implementierung in sekundären und tertiären Krankenhäusern konzipiert, die mit digitalen Gerätemanagementsystemen ausgestattet sind und nur strukturierte Wartungs- und Inspektionsunterlagen ohne zusätzliche Sensorinfrastruktur benötigten.

In dieser Studie wurde der Datensatz aus routinemäßigen Qualitätsinspektions- und Wartungsprotokollen von Krankenhäusern abgeleitet, die sich auf medizinische Notfallgeräte beziehen. Als Modelleingaben wurden nur strukturierte numerische und kategorische Indikatoren verwendet, die mit Gerätestatus, Inspektionskonformität, Barcode-/PDA-Scanleistung und Wartungszeitpunkt verbunden sind. Datenvorverarbeitungsverfahren umfassten die Normalisierung kontinuierlicher Variablen und die Codierung kategorialer Variablen, um die Kompatibilität mit dem maschinellen Lern-Framework sicherzustellen. Das vorgeschlagene System ist für die Implementierung in sekundären und tertiären Krankenhäusern mit etablierten digitalen Gerätemanagementplattformen konzipiert und benötigt keine zusätzliche Hardware über die bestehenden Krankenhausinformationssysteme hinaus.

Modellbewertung und Validierung
Die Modellleistung wurde quantitativ mittels Analyse von Genauigkeit, Präzision, Rückruf, F1-Wert und Verwirrungsmatrix bewertet. Zusätzlich wurden die Empfänger-Betriebscharakteristik (ROC)-Kurven und die Fläche unter der Kurve (AUC) berechnet, um die Klassifikationsdiskriminierungsfähigkeit zu bewerten. Zur Bewertung der statistischen Robustheit wurde eine fünffache Kreuzvalidierung am Trainingsdatensatz durchgeführt und die durchschnittliche ± Standardabweichung der Leistungskennzahlen berichtet (detaillierte Leistungskennzahlen über die Falten hinweg sind in Supplementary File 1 bereitgestellt). Leistungsunterschiede zwischen ISSA-SVM und Baseline-Modellen wurden mit gepaarten t-Tests getestet, wobei der Signifikanzwert auf p < 0,05 gesetzt wurde. Alle Bewertungskennzahlen wurden mit dem unabhängigen Testdatensatz berechnet, um eine unverzerrte Leistungsschätzung sicherzustellen. Die Auswahl des ISSA-SVM-Rahmens wurde daher methodologisch durch die Notwendigkeit motiviert, nichtlineare Indikatorbeziehungen zu behandeln, vorzeitige Konvergenz während der Hyperparameteroptimierung zu verhindern und die Generalisierungsstabilität unter heterogenen Krankenhausausrüstungsdatensätzen zu verbessern. Das Protokoll wurde nach der abschließenden Modellbewertung des unabhängigen Testdatensatzes und der Erstellung des strukturierten Qualitätskontroll-Leistungsberichts als vollständig angesehen.

Ergebnisse

Qualitätsinspektionsergebnisse der Informationsgruppe für das erste Quartal
Die praktischen Auswirkungen des Qualitätskontrollsystems für medizinische Notfalllebenserhaltungsgeräte, die in der Forschung etabliert wurden, wurden bestätigt, und die tatsächliche Anwendung des Qualitätskontrollsystems wurde im Versuchsbereich des Liyang Volkskrankenhauses bestätigt. Im ersten Quartal wurden 28 Pflegeeinheiten auf Qualität bewertet, wobei das Inspektionsthema die Zusammenf...

Diskussion

Support Vector Machine Modelle wurden in der prädiktiven Bewertung und Anomalieerkennung in Industrie- und Gesundheitskontexten weit verbreitet eingesetzt. Im Kontext des Managements von Gesundheitstechnologien wird maschinelles Lernen auch zunehmend für die Zuverlässigkeitsvorhersage medizinischer Geräte und die Unterstützung von Wartungsentscheidungen eingesetzt, einschließlich hochkritischer Notfallgeräte wie Defibrillatoren und Beatmungsgeräte, um die Gerätebereitschaft zu verbessern...

Materialien

Liste der in diesem Artikel verwendeten Materialien

Name	Unternehmen	Katalognummer	Kommentare
Anästhesiegeräte	SZEMENTMD Medical Technology Co.	A5 Anästhesie-Arbeitsstation (B0DS4BFXZ7)	Geräte, die zur Verabreichung und Überwachung der Anästhesie während Notfalloperationen verwendet werden
Computational Workstation	Intel Corporation	Intel Core i7-10700 CPU, 16 GB RAM	Hardwareplattform, die zum Training und zur Bewertung von Machine-Learning-Modellen verwendet wird
Defibrillatoren	Hersteller von generischen Medizinprodukten	LIFEPAK 15 Monitor/Defibrillator (B0DZTRH229)	Notfallgeräte zur Herzbeatmung, die bei lebensbedrohlichen Arrhythmien eingesetzt werden
Deming-Ring-(PDCA)-Methode	Nicht anwendbar	PDCA-Qualitätsmanagementzyklus	Rahmenwerk für kontinuierliche Qualitätsverbesserung für das Management von Krankenhausausrüstung
Kernel-Modul zur Hauptkomponentenanalyse	scikit-learn Entwickler	RBF-Kernel-Implementierung	Verwendet zur Dimensionsreduktion vor der SVM-Klassifikation
Medizinisches Wartungsüberwachungssystem (CMMS)	DAWEI Gesundheitsinformationstechnologie	Krankenhausausrüstungsmanagementsystem v3.2 (B0D4YDKLPJ)	Verwendet zur Erfassung von Gerätewartungsprotokollen, Inspektionsaufzeichnungen und Betriebsüberwachungsdaten
Numerische Rechenbibliothek NumPy	NumPy-Entwickler	Version 1.23	Numerische Array-Operationen und wissenschaftliche Berechnung
Pandas-Datenverarbeitungsbibliothek	Pandas-Entwicklungsteam	Version 1.5	Datenvorverarbeitung, Datensatzintegration und strukturiertes Datenmanagement
Python-Programmierumgebung	Python Software Foundation	Python 3.9	Kernprogrammierumgebung für die Entwicklung von maschinellen Lernmodellen
scikit-learn maschinelle Lernbibliothek	scikit-learn Entwickler	Version 1.2.2	Implementierung des Support Vector Machine (SVM)-Klassifikators
Sparrow Search Algorithm Optimierungsmodul	Benutzerdefinierte Python-Implementierung	ISSA-SVM Optimierungsrahmen v1.0	Metaheuristischer Algorithmus zur Optimierung von SVM-Hyperparametern
SPSS-Statistikanalyse-Software	IBM Corporation	SPSS Statistik Version 25.0	Verwendet für statistische Analysen und beschreibende Bewertung von Modellausgaben
Beatmungsgeräte	XNPINDA Medical Equipment Co., Ltd.	Intensivstation Beatmungsgerät Serie V860 (B0DR8X724D)	Notfall-lebenserhaltende medizinische Geräte zur assistierten Beatmung bei kritisch kranken Patienten