Sistema de control de calidad basado en información para equipos médicos de soporte vital de emergencia utilizando un SVM optimizado para la SSA

Resumen

El protocolo explica la creación del sistema de índice de control de calidad de enfermería para equipos médicos de soporte vital de emergencia, combinando modelos de máquinas vectoriales para el seguimiento.

Resumen

Actualmente, las instituciones médicas carecen de un sistema de indicadores de control de calidad completo y fiable que aproveche las plataformas de información para ayudar al personal de enfermería a gestionar instrumentos y equipos. Para abordar este problema, se diseñó un sistema de índice de control de calidad de enfermería basado en los requisitos de gestión, los procedimientos operativos de enfermería y los estándares de calidad para equipos médicos de soporte vital de emergencia. Este sistema de índices utiliza un modelo mejorado de máquina de vectores de soporte (SVM) para facilitar la monitorización basada en información de los equipos, con el objetivo de proporcionar orientación para mejorar la gestión imperfecta y el uso no estándar de instrumentos y equipos. Los resultados muestran que, bajo la monitorización basada en información del sistema de control de calidad, la tasa media de ejecución de órdenes médicas de escaneo en cada departamento puede superar el 80%. La tasa de mantenimiento puntual de los equipos en la mayoría de los departamentos puede superar el 90%, con solo unas pocas excepciones. Este sistema de control de calidad para equipos médicos de soporte vital de emergencia, diseñado para fines de investigación, puede supervisar eficazmente el mantenimiento de equipos en varios departamentos y lograr y promover la gestión y uso estandarizados de instrumentos y equipos.

Introducción

El equipo médico de soporte vital de emergencia, como ventiladores, anestesiadores, desfibriladores, etc., desempeña un papel fundamental en situaciones médicas de emergencia para mantener o restaurar los signos vitales de^{los pacientes 1}. Con el rápido desarrollo de la tecnología médica, estos dispositivos se han vuelto cruciales para rescatar a pacientes gravemente enfermos y mantener los signos vitales. Estos dispositivos deben garantizar siempre su funcionalidad y usabilidad completas, ya que cualquier fallo en el equipo cuando la vida del paciente está en peligro puede dificultar un rescate^{oportuno 2,3}. Un sistema robusto de control de calidad para el equipo médico es crucial para garantizar su funcionamiento normal. Estableciendo y manteniendo un sistema eficaz de control de calidad, se puede reducir la tasa de fallos de los equipos médicos, garantizar la calidad de uso del equipo, mejorar la fiabilidad y vida útil del equipo médico, y reducir los costes de mantenimiento ^4,5. La evidencia reciente subraya además que los programas estructurados de mantenimiento y control de calidad—apoyados por sistemas de información—mejoran la trazabilidad de las actividades de mantenimiento, reducen los tiempos de inactividad evitables y fortalecen la toma de decisiones de ingeniería clínica para la gestión de equipos^{hospitalarios 6,7}. Además, la creciente investigación sobre enfoques basados en datos e inteligencia artificial indica que los modelos predictivos pueden apoyar la programación preventiva del mantenimiento y la identificación temprana del riesgo de fallo en dispositivos hospitalarios, mejorando así la fiabilidad y la preparación^{operativa 8,9,10}.

La máquina tradicional de vectores de soporte (SVM) se aplica ampliamente en el reconocimiento de patrones y el aprendizaje automático; sin embargo, su rendimiento está limitado por la selección de parámetros relevantes y funciones del núcleo¹¹. En consecuencia, la optimización metaheurística se ha integrado cada vez más con el aprendizaje automático para ajustar parámetros del modelo y mejorar la generalización, especialmente bajo condiciones no lineales y de alta dimensión relevantes para los datos operativos^{sanitarios 12}. Debido a la complejidad del equipo médico de soporte vital de emergencia y a las particularidades de su entorno de uso, actualmente falta investigación sistemática sobre su control de calidad. Además, estudios previos señalan una heterogeneidad persistente en las prácticas de mantenimiento hospitalario y en los flujos de trabajo de monitorización de la calidad, lo que puede limitar la estandarización y las acciones correctivas oportunas en los^{departamentos 13}. Sin embargo, los estudios existentes han examinado generalmente el modelado predictivo de mantenimiento o los sistemas de gestión de calidad de forma aislada, sin integrar formalmente indicadores estructurados de calidad hospitalaria, mecanismos de ponderación difusos y modelos de clasificación optimizados para metaheurísticas dentro de una arquitectura de gobernanza unificada. Aunque SVM y el Algoritmo de Búsqueda Sparrow (SSA) se han aplicado en tareas de predicción industrial, su integración sistemática en los flujos de trabajo de control de calidad hospitalarios para equipos médicos de soporte vital de emergencia sigue siendo insuficientemente explorada. Por tanto, este estudio se distingue por combinar la optimización computacional, la evaluación estructurada de indicadores y la gobernanza institucional de la calidad dentro de un único marco operativo. Esta separación metodológica limita la interpretabilidad práctica y la escalabilidad institucional. Basándose en las consideraciones anteriores, el presente estudio busca abordar las siguientes preguntas de investigación: (i) ¿Puede un modelo SVM optimizado para la ISSA mejorar el rendimiento predictivo para la clasificación de control de calidad de equipos médicos de soporte vital de emergencia en comparación con enfoques no optimizados? (ii) ¿Puede la integración de ponderación estructurada de indicadores, evaluación difusa y optimización metaheurística mejorar la efectividad operativa y la estandarización de los sistemas de control de calidad de equipos hospitalarios?

Por tanto, la hipótesis central de este estudio es que integrar un modelo SVM optimizado para ISSA dentro de una arquitectura de control de calidad basada en PDCA mejorará significativamente la precisión predictiva, la robustez y la interpretabilidad operativa en comparación con los métodos convencionales de monitorización de calidad.

Para ello, se estudian algoritmos relevantes para optimizar el sistema de control de calidad de los equipos médicos de soporte vital de emergencia. Se propone un modelo SVM mejorado basado en el Algoritmo de Búsqueda de Gorriones (SSA) para potenciar aún más la capacidad de SVM. La optimización de los parámetros relevantes de SVM mejora la capacidad de generalización del modelo, haciéndolo más robusto en el manejo de datos no lineales y de alta dimensión, y mejorando su rendimiento práctico en sistemas de control de calidad.

Los objetivos específicos de este estudio son, por tanto: (i) construir un sistema jerárquico de indicadores de control de calidad para equipos médicos de soporte vital de emergencia; (ii) desarrollar y optimizar un modelo de clasificación SVM utilizando el Algoritmo de Búsqueda de Gorriones; y (iii) integrar el modelo predictivo optimizado dentro de un sistema de control de calidad hospitalario impulsado por PDCA para evaluar su viabilidad operativa y su desempeño.

La principal innovación de este estudio radica en introducir el SSA para optimizar los parámetros clave del modelo SVM, mejorando así la capacidad de procesamiento de datos y el rendimiento de generalización del modelo. Este modelo se aplicó luego a la monitorización basada en información del control de calidad de equipos médicos de soporte vital de emergencia. Desde una perspectiva práctica de implementación, el marco propuesto puede implementarse utilizando fuentes de información hospitalaria disponibles de forma rutinaria (por ejemplo, registros de mantenimiento de equipos, registros de inspección/uso, y datos operativos relacionados con códigos de barras y Asistentes Digitales Personales (PDA)), apoyando así la viabilidad sin requerir infraestructura de detección especializada adicional. En consecuencia, este estudio contribuye proponiendo y validando empíricamente un marco metodológicamente integrado que combina ponderación estructurada de indicadores, evaluación difusa y modelado SVM optimizado para ISSA dentro de una arquitectura de control de calidad hospitalaria basada en PDCA.

Protocolo

El protocolo del estudio fue sometido para revisión ética al Comité de Ética del Hospital Popular de Liyang, provincia de Jiangsu, China (Aprobación del Proyecto Nº JDYY2023158, protocolo versión 1.0, fechada el 09 de febrero de 2023). El estudio utilizó registros de gestión y mantenimiento de equipos hospitalarios desidentificados obtenidos del sistema informatizado de gestión de mantenimiento (CMMS) del hospital. El conjunto de datos no contenía datos clínicos a nivel de paciente, identificadores personales ni muestras biológicas. Dado que la investigación implicaba datos de gestión de equipos institucionales sin participantes humanos, no se requería consentimiento informado conforme a las directrices de gobernanza institucional de la investigación ni a los requisitos de Buenas Prácticas Clínicas (GCP). Todos los conjuntos de datos que apoyan el desarrollo, optimización, validación y reproducibilidad de modelos —incluyendo definiciones de indicadores, registros de optimización SSA, configuraciones de parámetros y salidas de predicción— se proporcionan en el Archivo Suplementario 1.

Construcción de un sistema de control de calidad para equipos médicos de soporte vital de emergencia
El desarrollo de un sistema de control de calidad para equipos médicos de soporte vital de emergencia requiere la participación de múltiples partes. La integridad y eficacia del sistema de control de calidad se demuestran repetidamente mediante la comunicación y negociación entre múltiples departamentos y personal, y se construye un sistema integral y científico de control ^{de calidad 14,15}. El estudio adoptó el método de Deming Ring, ampliamente utilizado, en la gestión de la calidad y otros campos de gestión para seleccionar indicadores y construir sistemas relacionados para el control de calidad. Este enfoque logra una mejora continua y aprendizaje a través de cuatro etapas de repetición cíclica. El sistema de control de calidad para equipos médicos de soporte vital de emergencia basado en la teoría del anillo de Deming se presenta en la Figura 1.

Para garantizar la replicabilidad del marco de control de calidad, el ciclo PDCA se operacionalizó mediante un procedimiento de implementación estructurado. Durante la fase de planificación, el alcance del equipo se definió para incluir equipos médicos de soporte vital de emergencia, como ventiladores, máquinas de anestesia y desfibriladores en los departamentos participantes. Se estableció un inventario digital de equipos utilizando el sistema informatizado de gestión de mantenimiento (CMMS⁾¹⁶ del hospital, y a cada dispositivo se le asignó un número de identificación único para garantizar la trazabilidad. Atributos esenciales, incluyendo tipo de equipo, fabricante o modelo, ubicación departamental, fecha de adquisición, clasificación de riesgos, intervalo de inspección e historial completo de mantenimiento, se registraron dentro del CMMS (véase el Archivo Suplementario 1 para la estructura detallada del conjunto de datos a nivel de equipo). Se formularon definiciones operativas para cada indicador de evaluación. Por ejemplo, la puntualidad del mantenimiento se definió como la finalización dentro de un número predefinido de días desde la fecha programada de mantenimiento, y el cumplimiento de la inspección se calculó como el número de inspecciones completadas dividido por las inspecciones requeridas multiplicado por el 100%. Las responsabilidades se asignaron explícitamente al personal de ingeniería clínica, usuarios de equipos y supervisores departamentales, y los intervalos rutinarios de informes se definieron mensualmente y trimestralmente.

Fase de implementación:
Durante la fase de implementación, se extrajeron registros estructurados del CMMS, incluyendo órdenes de trabajo de mantenimiento preventivo, registros de inspección, informes correctivos de mantenimiento y registros de tiempos de inactividad de equipos. Estos datos se integraron con registros operativos generados por códigos de barras o dispositivos portátiles usando identificadores de equipos y coincidencia de marcas de tiempo para garantizar la coherencia de los datos. Las actividades de mantenimiento preventivo e inspección se llevaron a cabo conforme a los procedimientos operativos estándar institucionales (SOPs), y todos los tiempos de finalización, hallazgos, acciones correctivas y resultados de verificación se documentaron en el CMMS.

Fase de inspección:
En la fase de inspección se llevaron a cabo procedimientos de validación de datos y aseguramiento de calidad para garantizar la precisión y la fiabilidad. Se eliminaron registros duplicados, se evaluaron los valores faltantes y se conciliaron los identificadores de equipos entre conjuntos de datos departamentales. Los registros que carecían de identificadores esenciales o de información de marca de tiempo fueron excluidos del análisis posterior. Se calcularon los valores de los indicadores tanto a nivel departamental como de categoría de equipo, y se generaron informes resumidos de control de calidad. Los umbrales de evaluación se predefinieron de la siguiente manera: ≥ 90% de cumplimiento se clasificó como excelente, 80–89% como aceptable, 70–79% como "necesita mejora" y <70% como pobre. Estos umbrales se aplicaron de forma uniforme en todos los departamentos para garantizar una calificación estandarizada del rendimiento. Un subconjunto aleatorio de registros se verificó cruzadamente con los registros originales del sistema para confirmar la integridad de los datos.

Fase de acción:
En la fase de acción, se revisaron los resultados de rendimiento para identificar deficiencias y oportunidades de mejora. Para los indicadores que demostraban un rendimiento subóptimo, se analizaron sistemáticamente las causas raíz como retrasos en el flujo de trabajo, falta de personal, interrupciones en la cadena de suministro o lagunas en la documentación. Se formularon medidas correctivas, incluyendo ajustes en los intervalos de mantenimiento, umbrales de escalada o mecanismos de supervisión. Estas modificaciones se implementaron en el ciclo PDCA posterior para apoyar la mejora continua^{de la calidad 17}.

Fase de planificación:
En la fase de planificación, se realizó una investigación para aclarar los objetivos a alcanzar tras el uso del sistema de control de calidad del equipo; Simultáneamente, se organizó el plan de trabajo para la siguiente fase. En la fase de ejecución, se realizó investigación sobre la construcción de un sistema de gestión organizativa, un sistema de gestión de procesos de uso de equipos y un sistema de control de calidad de garantía de equipos, basado en el sistema de control de calidad de la fase anterior para equipos médicos de soporte vital de emergencia, y se determinaron indicadores de evaluación^{relevantes 18}. La investigación durante la fase de inspección evaluó y calificó los niveles de control de calidad de las instituciones médicas utilizando los indicadores de evaluación relevantes de la etapa anterior. En la fase de procesamiento, se resumieron los resultados de la evaluación anterior, se analizaron los problemas en el sistema de control de calidad y se realizaron mejoras para abordar los problemas identificados en el siguiente ciclo. A partir de los métodos anteriores, se construyó un modelo de proceso para el control de calidad de equipos médicos de soporte vital de emergencia, como se representa en la Figura 2.

En este modelo (Figura 2), el tipo de equipo y el nivel de control de calidad se determinaron según los requisitos de las instituciones médicas pertinentes. Después, se estableció un sistema de evaluación para evaluar el nivel de control de calidad del equipo y así evaluar su nivel de control de calidad. A partir de los resultados de la evaluación, se optimizó y mejoró el sistema de control de calidad del equipo. En este proceso, se establecieron científicamente los sistemas relevantes para estandarizar el uso del equipo médico y garantizar continuamente que el equipo permaneciera en un estado eficaz. Las instituciones médicas deben redactar regularmente informes de control de calidad, realizar análisis de datos y evaluar el rendimiento del contenido relevante para optimizar aún más el sistema de control de calidad. A través del ciclo mencionado, el sistema de control de calidad para el equipo médico de soporte vital de emergencia puede mejorarse gradualmente. En respuesta al alto riesgo, los altos requisitos regulatorios, la multifuncionalidad y la complejidad del equipo médico de soporte vital de emergencia, este estudio categorizó el sistema de control de calidad del equipo médico de soporte vital de emergencia en tres partes, incluyendo el sistema de gestión organizacional, el sistema de uso del equipo y el sistema de control de calidad de garantía^{del equipo 19}. Un panel de 12 expertos en ingeniería clínica y gestión de equipos hospitalarios participó en el proceso de ponderación (véase el Archivo Suplementario 1 para matrices de ponderación expertas y entradas de evaluación difusa). Cada experto puntuaba de forma independiente los tres subsistemas usando una escala de Likert de 5 puntos (1 = muy baja importancia, 5 = muy alta importancia). Las puntuaciones recogidas se agregaron y convirtieron en números difusos triangulares para un análisis posterior de ponderación. Las puntuaciones de peso de cada subsistema se calculaban entonces usando la ecuación (1).

(1)

Aquí, representa la puntuación media ponderada en peso de cada subsistema, M es el número de expertos e i es el coeficiente de cada subsistema. Tras obtener los resultados del cálculo anterior, se convirtieron en valores precisos para obtener las puntuaciones de peso de cada subsistema. La conversión se menciona en la ecuación (2).

(2)

Aquí, W_i es la puntuación de peso de cada subsistema, l es la puntuación más baja del indicador, m es la puntuación más probable del indicador y u representa la puntuación más alta del indicador. En la computación práctica, los números difusos triangulares se representaban como (l, m, u), correspondientes a las puntuaciones expertas más bajas, más probables y más altas, respectivamente. La desfuzzificación se realizó utilizando el método del centroide definido como (l + m + u) / 3 para convertir los pesos difusos en valores nítidos para análisis cuantitativo posteriores. El sistema de evaluación de tres niveles para indicadores de control de calidad de equipos establecido mediante investigación se presenta en la Figura 3 (definiciones detalladas de indicadores, criterios de evaluación y funciones de membresía difusas se proporcionan en el Archivo Suplementario 1).

Las funciones de pertenencia de cada indicador se mencionan en la ecuación (3).

(3)

Aquí, μ(x) representa la función de pertenencia de cada puntuación de indicador, y x representa la puntuación de cada indicador. Los valores de pertenencia se calcularon programáticamente para cada puntuación indicadora y se utilizaron para determinar el grado de pertenencia a categorías de calidad predefinidas antes de la puntuación final.

Modelo mejorado de máquina de vectores de soporte basado en el algoritmo de búsqueda Sparrow
Modelo SVM y entorno computacional
SVM es un algoritmo comúnmente aplicado en aprendizaje automático, principalmente para categorización y análisis de predicción. Todos los experimentos computacionales se realizaron usando Python 3.9 dentro del entorno Anaconda. El clasificador Support Vector Machine (SVM) se implementó usando la biblioteca scikit-learn (versión 1.2.2). El cálculo numérico y la manipulación de datos se realizaron usando NumPy (versión 1.23) y Pandas (versión 1.5). Los experimentos se realizaron en una estación de trabajo equipada con un procesador Intel i7 y 16 GB de RAM. SPSS 25.0 se utilizó para la comparación estadística y el análisis descriptivo de los resultados de los modelos. El modelo SVM se aplicó para analizar datos históricos de control de calidad de equipos médicos de soporte vital de emergencia, predecir con precisión la calidad del equipo médico de soporte vital de emergencia y lograr el control sobre la calidad de dicho^{equipo 20}.

Motivación para la optimización basada en SSA
Aunque métodos de clasificación más simples, como la regresión logística, los árboles de decisión y los modelos SVM no optimizados, se aplican comúnmente en estudios de mantenimiento predictivo, el análisis comparativo preliminar en este estudio demostró una estabilidad de generalización reducida bajo condiciones no lineales y de indicadores de alta dimensión. Los indicadores de calidad del equipo médico de soporte vital de emergencia muestran multicolinealidad, interacciones no lineales y distribuciones heterogéneas entre departamentos. Por ello, se adoptó un marco SVM optimizado para metaheurísticas para mejorar la robustez en el ajuste de hiperparámetros y la estabilidad de los límites de clasificación en comparación con los enfoques convencionales de búsqueda en cuadrícula o parámetros por defecto.

Formulación de SVM de márgenes duros y márgenes blandos
La SVM se aplica para descubrir un hiperplano que maximiza la brecha entre diferentes categorías de datos. Para datos linealmente separables, SVM busca un hiperplano óptimo que maximice el margen entre dos clases. Para datos linealmente separables, el objetivo de SVM es minimizar la complejidad del modelo asegurando que todas las muestras de entrenamiento puedan clasificarse correctamente, como se muestra en la ecuación (5)²¹.

min (1/2) ||w||²

sujeto a: y_i (w^T x_i + b) ≥ 1, para i = 1, 2, ..., n (5)

En la ecuación (5), w es el vector normal hiperplano, b es el término de sesgo, y_i es la etiqueta de clase de la i la muestra, y x_i es el vector de características de la i la muestra. En situaciones prácticas, los datos suelen ser no linealmente separables. Al introducir variables de holgura, la SVM de margen suave permite que algunas muestras violen las reglas de intervalo; el problema de optimización de la SVM de márgenes blandos se muestra en la ecuación (6)²².

(6)

En la ecuación (6), C es el parámetro de penalización y es la variable holgura.

Función núcleo y función de decisión
SVM emplea funciones núcleo para mapear datos separables no lineales a un espacio de alta dimensión. Las funciones comunes del núcleo incluyen núcleo lineal, núcleo polinómico y núcleo de base radial gaussiana. Entre estos, los núcleos de base radial gaussiana tienen fuertes capacidades de mapeo no lineal y son adecuados para problemas no lineales complejos. También pueden controlar el ancho de la frontera de decisión ajustando parámetros, como se muestra en la ecuación (7)²³.

(7)

En la ecuación (7), γ es el parámetro de ajuste de frontera de decisión. Las SVM multikernel pueden mejorar el rendimiento de clasificación combinando diferentes funciones del núcleo. La solución de problemas de optimización SVM se basa principalmente en el método del multiplicador de Lagrange y la resolución dual de problemas; La función final de decisión de clasificación se presenta en la ecuación (8).

(8)

En la ecuación (8), α_i es el multiplicador de Lagrange. La SVM implica varios parámetros en aplicaciones prácticas y, si la configuración de parámetros no es razonable, esto puede llevar a una disminución en el rendimiento de clasificación y predicción de la SVM.

Optimización de hiperparámetros basada en SSA
Para mejorar el rendimiento de la SVM, se empleó la SSA para la optimización de hiperparámetros. En este estudio, la SSA fue seleccionada frente a otros métodos de optimización metaheurística comúnmente utilizados (por ejemplo, Algoritmo Genético (GA) y Optimización en Enjambre de Partículas (PSO)) porque requiere menos parámetros de control, demuestra una velocidad de convergencia competitiva y proporciona una fuerte capacidad de búsqueda global, beneficiosa para conjuntos de datos de control de calidad no lineales y de alta dimensión. Además, el mecanismo descubridor-seguidor-alerta de SSA mejora el equilibrio entre exploración y explotación, lo que incrementa la probabilidad de escapar de óptimos locales durante el ajuste de hiperparámetros en comparación con métodos que pueden converger prematuramente bajo escenarios complejos de aptitud. En comparación con GA y PSO, SSA proporciona una mayor capacidad de exploración durante las primeras iteraciones y mejora la estabilidad de convergencia en etapas posteriores, lo cual es beneficioso para optimizar los hiperparámetros de SVM en conjuntos de datos heterogéneos de equipos hospitalarios que contienen relaciones no lineales y multicolinealidad.

Específicamente, SSA se utilizó para optimizar los hiperparámetros clave de SVM, incluyendo el parámetro de penalización (C) y los parámetros relacionados con el núcleo (por ejemplo, γ para el núcleo de la función base radial (RBF). En este estudio, la SSA se configuró con un tamaño poblacional de 30 individuos y un número máximo de iteraciones de 100. La proporción de descubridores, seguidores y personas alertas se estableció en aproximadamente el 20%, 60% y 20%, respectivamente. El umbral de tolerancia de convergencia se definió como 1 × 10⁻⁶. Los rangos de búsqueda para los hiperparámetros SVM se definieron en una escala logarítmica, con el parámetro de penalización (C) y el parámetro del núcleo (γ) limitados dentro de [10⁻³, 10³]. Cada individuo gorrión codificaba un vector de solución candidato [C, γ], y se utilizaba una aplicación caótica de Bernoulli para inicializar la población dentro de límites predefinidos y así aumentar la diversidad y reducir la probabilidad de convergencia prematura. Cuando se adoptó una estrategia multinúcleo, los coeficientes de peso del núcleo también se trataron como variables de decisión. La función de aptitud SSA se definía como el error de clasificación (o equivalentemente, 1 − precisión) en el conjunto de validación, apuntando así directamente a un rendimiento mejorado en generalización (proceso de optimización, registros de iteraciones y configuración de parámetros se proporcionan en el Archivo Suplementario 1). Los rangos de búsqueda de parámetros (límites) se predefinieron para asegurar soluciones factibles y estables (por ejemplo, C ∈ [10⁻³, 10³], γ ∈ [10⁻³, 10³]) (el espacio de búsqueda detallado se resume en el Archivo Suplementario 1), y el conjunto final de parámetros se seleccionó como la mejor solución global devuelto por SSA bajo el criterio de parada (iteraciones máximas o tolerancia a la convergencia). Para garantizar la reproducibilidad, se definieron puntos de control intermedios de optimización. La convergencia se consideraba alcanzada cuando el cambio en el valor de validación entre iteraciones sucesivas era inferior a 1 × 10⁻⁶ durante cinco iteraciones consecutivas o cuando se alcanzaba el número máximo de iteraciones (100). Se consideró aceptable una precisión de validación ≥ 80% durante la optimización. El valor global de mejor aptitud y el vector de parámetros correspondiente [C, γ] se registraban en cada iteración para garantizar la trazabilidad del proceso de optimización.

Algoritmo SSA y mecanismo de actualización de posición
SSA es un algoritmo inteligente de optimización basado en poblaciones que simula el comportamiento de los gorriones en su búsqueda de alimento e incluye tres roles: descubridor, seguidor y alerta. Durante la ejecución de la SSA, es importante establecer una población de gorriones, inicializar su posición y velocidad, y calcular la puntuación de aptitud de cada gorrión en la población. Durante este proceso, el descubridor debe actualizar constantemente su ubicación, como se menciona en la ecuación (9)²⁴.

(9)

En la ecuación (9), es la posición de i , el gorrión en la población inicial en t la iteración, β es el tamaño del paso, φ es el factor de atenuación, T_max es el número máximo de iteraciones, y N(0,1) es un número aleatorio estándar de distribución normal. La posición del seguidor también cambiaba con la posición del descubridor; La fórmula para actualizar la posición del seguidor se muestra en la ecuación (10).

(10)

En la ecuación (10), es la mejor ubicación del descubridor actual y λ es el factor de aprendizaje. La ubicación de la alerta también cambió en consecuencia; La fórmula para actualizar su ubicación se muestra en la ecuación (11).

(11)

En la ecuación (11), es la posición de otro gorrión seleccionado al azar y δ es el tamaño del paso de actualización de la alerta. Durante este proceso, la iteración puede detenerse si se alcanza el número máximo de iteraciones o se cumplen las condiciones. La SSA emplea un método de generación aleatoria al establecer e inicializar la población. Sin embargo, al generar individuos de gorriones, este método puede dar lugar a que la mayoría de los individuos se generen en la misma zona, lo que lleva a una distribución poblacional extremadamente desigual. Este proceso de búsqueda puede caer en óptimos locales. En respuesta a este problema, el estudio propone adoptar el mapeo de Bernoulli y un mecanismo de aprendizaje inverso como mecanismo de generación de inicialización para las poblaciones de gorriones. La aplicación de Bernoulli es una aplicación matemática caótica, definida como un sistema dinámico en tiempo discreto sobre el intervalo [0,1], y su regla de iteración se muestra en la ecuación (12).

a_n+1 = { a_n / (1 − a_n), si 0 ≤_{a n} < 1/2

(_{a n} − 1) /_{a n}, si 1/2 ≤_{a n} ≤ 1 } (12)

En la ecuación (12), n es el número de iteraciones caóticas y _n es el valor de la aplicación de Bernoulli. Tras avanzar el SSA a la etapa final, la diversidad poblacional disminuye rápidamente, lo que lleva a que el algoritmo se ajuste a óptimos locales. Por ello, el estudio propone introducir un mecanismo de perturbación mixta para incitar al algoritmo a abordar esta limitación. El mecanismo de perturbación mixta diseñado para la investigación se basa en dos técnicas: el algoritmo de luciérnaga y la mutación gaussiana, como se muestra en la Figura 4.

Tras cada iteración del SSA, se aplica el mecanismo de perturbación mixta para detectar la estancación de la población de gorriones, como se muestra en la Figura 4. Si se produce estancamiento, el algoritmo de luciérnagas perturba la población de gorriones. La perturbación de luciérnagas en la población de gorriones requiere estimar la atracción de luciérnagas hacia los gorriones, como se muestra en la ecuación (13).

(13)

En la ecuación (13), β₀ es la atractividad inicial del individuo, θ es el coeficiente de absorción de intensidad lumínica y r es la distancia entre dos individuos. La posición de las luciérnagas se actualiza en función de su atractivo individual, como se muestra en la ecuación (14).

(14)

En la ecuación (14), es la ubicación de la luciérnaga i en la iteración t , b_best es la posición óptima actual de la luciérnaga, ε es el parámetro de tamaño aleatorio del paso, y e es el vector aleatorio extraído de la distribución normal. Si la población de gorriones no se estanca, se realiza mutación gaussiana en el individuo óptimo actual del gorrión, como se muestra en la ecuación (15).

(15)

En la ecuación (15), σ es la desviación estándar. Tras el trato a la población de gorriones, la aceptación del nuevo cargo se determina según el principio de la codicia. Si el valor de aptitud de la nueva ubicación es mejor que el actual, se acepta la nueva ubicación; de lo contrario, se mantiene la posición original.

Como se muestra en la Figura 5, el proceso operativo del Algoritmo de Búsqueda Mejorada de Gorriones (ISSA) incluye principalmente la inicialización de la población de gorriones, el cálculo de los valores de aptitud de los gorriones individuales, la división de descubridores, seguidores y alertas según los valores de aptitud, y la actualización iterativa de las posiciones de estas tres categorías de gorriones mediante una fórmula mejorada de actualización de posición. Se introdujo un mecanismo de perturbación mixta basado en el algoritmo de luciérnagas y la mutación gaussiana para aumentar la capacidad de búsqueda global del algoritmo. Mientras tanto, se utilizó un método de aprendizaje inverso de élite para mejorar aún más la velocidad de convergencia y la precisión del algoritmo. Finalmente, el proceso anterior se repitió hasta que se cumplió el criterio de parada y se produjo la mejor solución.

Procesamiento de datos y entrenamiento de modelos
El conjunto de datos se particionó mediante muestreo estratificado en un 70% de datos de entrenamiento, 15% de datos de validación y 15% de datos de pruebas independientes para preservar el equilibrio de clases (la validación cruzada y la estructura de división de datos se detallan en el Archivo Suplementario 1). El escalado de características se realizó utilizando la normalización min–max ajustada exclusivamente al conjunto de datos de entrenamiento, y los parámetros de escalado aprendidos se aplicaron a conjuntos de datos de validación y prueba para evitar fugas de datos. El análisis de componentes principales del núcleo (KPCA)²⁵ se aplicó al conjunto de datos de entrenamiento para la reducción de dimensionalidad utilizando un núcleo RBF con γ = 0,1 y el número de componentes retenidos configurado para preservar una varianza acumulada del 95%. La matriz de transformación KPCA se ajustaba exclusivamente al conjunto de datos de entrenamiento y posteriormente se aplicaba sin cambios a los conjuntos de validación y prueba para evitar fugas de datos. Las variables continuas se normalizaron usando la escala min–max definida como (x − xmin) / (xmax − xmin), donde xmin y xmax se calcularon solo a partir del conjunto de datos de entrenamiento. SSA optimizó los hiperparámetros SVM minimizando la tasa de error de clasificación (1 − precisión) calculada en el conjunto de datos de validación. Tras identificar la combinación óptima de parámetros, el modelo final de SVM fue reentrenado utilizando los conjuntos de datos combinados de entrenamiento y validación y evaluado en el conjunto de datos de prueba independiente.

El modelo SVM mejorado por la ISSA comienza con el preprocesamiento de datos y la selección de características para la prueba de control de calidad de equipos médicos de soporte vital de emergencia. Para mejorar la transparencia y reproducibilidad metodológica, el flujo de trabajo de preprocesamiento de datos y entrenamiento de modelos se estructuró de la siguiente manera. Los registros a nivel de equipo se exportaban desde el CMMS, incluyendo registros de mantenimiento, resultados de inspección y estado de órdenes de trabajo (véase el Archivo Suplementario 1 para conjuntos de datos de equipos y eventos de mantenimiento en bruto). Estos registros se combinaron con registros de escaneo de códigos de barras o dispositivos portátiles usando identificadores de equipos e información de marca temporal para asegurar una conexión precisa.

Los procedimientos de limpieza de datos se realizaron antes del modelado. Se eliminaron entradas duplicadas y se excluyeron los registros que carecían de identificadores esenciales o marcas de tiempo. Para variables numéricas con falta limitada, se aplicó la imputación mediana, mientras que las variables con valores excesivos faltantes se excluyeron del análisis. Las variables categóricas como el tipo de departamento y equipo se codificaban usando codificación one-hot, y las variables continuas se normalizaban mediante escalado min–max para asegurar la compatibilidad con el algoritmo SVM.

La optimización de hiperparámetros se realizó utilizando SSA o ISSA para identificar el parámetro de penalización óptimo (C) y el parámetro del núcleo (γ) de la función base radial. La función de aptitud se definió como la tasa de error de clasificación en el conjunto de datos de validación. Tras identificar el conjunto óptimo de parámetros, el modelo final de SVM fue reentrenado utilizando los datos combinados de entrenamiento y validación y posteriormente evaluado en el conjunto de datos de prueba independiente. Para justificación metodológica, el modelo optimizado ISSA-SVM se comparó cuantitativamente con modelos de línea base, incluyendo (i) SVM estándar con parámetros por defecto, (ii) SVM optimizado para búsqueda en cuadrícula y (iii) clasificador de regresión logística. La evaluación comparativa se realizó utilizando la misma división de entrenamiento, validación y pruebas para garantizar la equidad. Las mejoras en el rendimiento se evaluaron en función de diferencias en precisión, precisión, recuerdo y puntuación F1.

El marco propuesto fue diseñado para su implementación en hospitales secundarios y terciarios equipados con sistemas digitales de gestión de equipos y solo requería registros estructurados de mantenimiento e inspección sin infraestructura adicional de detección.

En este estudio, el conjunto de datos se derivó de los registros rutinarios de inspección de calidad hospitalaria y gestión de mantenimiento relacionados con equipos médicos de soporte vital de emergencia. Solo se utilizaron indicadores numéricos y categóricos estructurados asociados al estado del equipo, cumplimiento de inspecciones, rendimiento en el escaneo de códigos de barras/PDA y puntualidad del mantenimiento como entradas de modelo. Los procedimientos de preprocesamiento de datos incluyeron la normalización de variables continuas y la codificación de variables categóricas para asegurar la compatibilidad con el marco de aprendizaje automático. El sistema propuesto está diseñado para su implementación en hospitales secundarios y terciarios con plataformas consolidadas de gestión de equipos digitales y no requiere hardware adicional más allá de los sistemas de información hospitalarios existentes.

Evaluación y validación del modelo
El rendimiento del modelo se evaluó cuantitativamente mediante análisis de precisión, precisión, recuerdo, puntuación F1 y matriz de confusión. Además, se calcularon las curvas de característica de funcionamiento del receptor (ROC) y los valores de área bajo la curva (AUC) para evaluar la capacidad de discriminación de clasificación. Para evaluar la robustez estadística, se realizó una validación cruzada de cinco veces en el conjunto de datos de entrenamiento, y se informaron de la media ± desviación estándar de las métricas de rendimiento (las métricas detalladas de rendimiento entre pliegues se proporcionan en el Archivo Suplementario 1). Se analizaron las diferencias de rendimiento entre ISSA-SVM y los modelos de referencia usando pruebas t emparejadas, con un nivel de significancia fijado en p < 0,05. Todas las métricas de evaluación se calcularon utilizando el conjunto de datos de pruebas independiente para asegurar una estimación del rendimiento sesgada. La selección del marco ISSA-SVM estuvo por tanto motivada metodológicamente por la necesidad de manejar relaciones no lineales entre indicadores, prevenir convergencias prematuras durante la optimización de hiperparámetros y mejorar la estabilidad de generalización bajo conjuntos de datos heterogéneos de equipos hospitalarios. El protocolo se consideró completo tras la evaluación final del modelo en el conjunto de datos de pruebas independiente y la generación del informe estructurado de control de calidad sobre el rendimiento.

Resultados

Resultados de la inspección de calidad del grupo especial de información del primer trimestre
Se confirmó el impacto práctico en la utilización del sistema de control de calidad para el equipo médico de soporte vital de emergencia establecido en la investigación, y se verificó el efecto real de aplicación del sistema de control de calidad en el área experimental del Hospital Popular de Liyang. En el primer trimestre, se evaluaron 28 unidades de enfermería en cuanto a ...

Discusión

Los modelos de Máquina de Vectores de Soporte se han aplicado ampliamente en la evaluación predictiva y la detección de anomalías en contextos industriales y sanitarios. En el contexto de la gestión tecnológica sanitaria, el aprendizaje automático también se ha aplicado cada vez más a la predicción de fiabilidad de dispositivos médicos y al apoyo a la toma de decisiones de mantenimiento, incluyendo equipos de emergencia de alta criticidad como desfibriladores y ventiladores, para mejorar...

Materiales

Lista de materiales utilizados en este artículo

Nombre	Empresa	Número de catálogo	Comentarios
Máquinas de anestesia	SZEMENTMD Medical Technology Co.	Estación de trabajo de anestesia A5 (B0DS4BFXZ7)	Equipos utilizados para administrar y monitorizar anestesia durante procedimientos quirúrgicos de emergencia
Estación de trabajo computacional	Intel Corporation	CPU Intel Core i7-10700, 16 GB de RAM	Plataforma de hardware utilizada para entrenar y evaluar modelos de aprendizaje automático
Desfibriladores	Fabricante genérico de dispositivos médicos	Monitor/Desfibrilador LIFEPAK 15 (B0DZTRH229)	Equipos de reanimación cardíaca de emergencia utilizados en arritmias potencialmente mortales
Método del Anillo de Deming (PDCA)	No aplicable	Ciclo de Gestión de la Calidad de la PDCA	Marco de mejora continua de la calidad para la gestión de equipos hospitalarios
Módulo de Análisis de Componentes Principales del Núcleo	scikit-learn Desarrolladores	Implementación del núcleo RBF	Utilizado para la reducción de dimensionalidad antes de la clasificación SVM
Sistema de monitorización de mantenimiento médico (CMMS)	DAWEI Tecnología de la Información en Salud	Sistema de Gestión de Equipos Hospitalarios v3.2 (B0D4YDKLPJ)	Se utiliza para recopilar registros de mantenimiento de equipos, registros de inspección y datos de monitorización operativa
Biblioteca numérica de computación NumPy	Desarrolladores NumPy	Versión 1.23	Operaciones de matriz numérica y computación científica
Biblioteca de procesamiento de datos Pandas	Equipo de Desarrollo Pandas	Versión 1.5	Preprocesamiento de datos, integración de conjuntos de datos y gestión estructurada de datos
Entorno de programación en Python	Fundación de Software Python	Python 3.9	Entorno de programación central utilizado para el desarrollo de modelos de aprendizaje automático
Biblioteca de aprendizaje automático SciKit-Learn	scikit-learn Desarrolladores	Versión 1.2.2	Implementación del clasificador de Máquina de Vectores de Soporte (SVM)
Módulo de optimización del Algoritmo de Búsqueda de Sparrow	Implementación personalizada de Python	Marco de Optimización ISSA-SVM v1.0	Algoritmo metaheurístico utilizado para optimizar los hiperparámetros SVM
Software de análisis estadístico SPSS	IBM Corporation	SPSS Estadísticas Versión 25.0	Utilizado para análisis estadístico y evaluación descriptiva de resultados de modelos
Ventiladores	XNPINDA Medical Equipment Co., Ltd.	Serie de Ventiladores de UCI V860 (B0DR8X724D)	Equipos médicos de soporte vital de emergencia utilizados para la ventilación asistida en pacientes en estado crítico