Système de contrôle qualité basé sur l’information pour les équipements médicaux de survie d’urgence utilisant une SVM optimisée pour la SSA

Résumé

Le protocole explique la création du système d’indice de contrôle qualité infirmier pour les équipements médicaux de maintien en vie d’urgence, combinant des modèles de machines vectorielles pour le suivi.

Résumé

Actuellement, les établissements médicaux ne disposent pas d’un système d’indicateurs de contrôle qualité complet et fiable qui exploite les plateformes d’information pour aider le personnel infirmier à gérer les instruments et les équipements. Pour répondre à ce problème, un système d’indice de contrôle qualité infirmier a été conçu basé sur les exigences de gestion, les procédures d’exploitation infirmière et les normes de qualité pour les équipements médicaux de survie d’urgence. Ce système d’index utilise un modèle amélioré de machine à vecteurs de support (SVM) pour faciliter la surveillance basée sur l’information des équipements, visant à fournir des conseils pour améliorer la gestion des imperfections et l’utilisation non standard des instruments et équipements. Les résultats montrent que, sous surveillance basée sur l’information du système de contrôle qualité, le taux moyen d’exécution des ordonnances médicales dans chaque département peut dépasser 80 %. Le taux de maintenance rapide des équipements dans la plupart des départements peut dépasser 90 %, à quelques exceptions près. Ce système de contrôle qualité pour les équipements médicaux de survie d’urgence, conçu à des fins de recherche, peut surveiller efficacement l’entretien des équipements dans divers départements, et atteindre et promouvoir une gestion et une utilisation standardisées des instruments et équipements.

Introduction

Les équipements médicaux de survie d’urgence, tels que les ventilateurs, les appareils d’anesthésie, les défibrillateurs, etc., jouent un rôle crucial dans les situations médicales d’urgence pour maintenir ou restaurer les signes vitaux^{des patients 1}. Avec le développement rapide de la technologie médicale, ces dispositifs sont devenus cruciaux pour sauver les patients gravement malades et maintenir les signes vitaux. Ces dispositifs doivent toujours garantir leur fonctionnalité et leur utilisabilité complètes, car tout dysfonctionnement de l’équipement lorsque la vie du patient est en danger peut entraver un sauvetage rapide ^2,3. Un système robuste de contrôle qualité pour les équipements médicaux est crucial pour garantir son fonctionnement normal. En établissant et en maintenant un système de contrôle qualité efficace, le taux de défaillance des équipements médicaux peut être réduit, la qualité d’utilisation des équipements peut être garantie, la fiabilité et la durée de service des équipements médicaux peuvent être améliorées, et les coûts de maintenance peuvent être^{réduits 4,5}. Les preuves récentes soulignent également que les programmes structurés de maintenance et de contrôle qualité — soutenus par des systèmes d’information — améliorent la traçabilité des activités de maintenance, réduisent les temps d’arrêt évitables et renforcent la prise de décision en ingénierie clinique pour la gestion des équipements^{hospitaliers 6,7}. De plus, l’augmentation des recherches sur les approches basées sur les données et l’intelligence artificielle indique que les modèles prédictifs peuvent soutenir la planification préventive de la maintenance et l’identification précoce des risques de défaillance des appareils hospitaliers, améliorant ainsi la fiabilité et la préparation^{opérationnelle 8,9,10}.

La machine à vecteurs de support traditionnelle (SVM) est largement utilisée en reconnaissance de formes et apprentissage automatique ; cependant, ses performances sont limitées par la sélection des paramètres pertinents et des fonctions du^{noyau 11}. En conséquence, l’optimisation métaheuristique a été de plus en plus intégrée à l’apprentissage automatique pour ajuster les paramètres du modèle et améliorer la généralisation, notamment dans des conditions non linéaires et de haute dimension pertinentes pour les données opérationnelles^{de santé 12}. En raison de la complexité des équipements médicaux de survie d’urgence et des particularités de son environnement d’utilisation, il manque actuellement de recherches systématiques sur son contrôle qualité. De plus, des études antérieures notent une hétérogénéité persistante dans les pratiques d’entretien hospitalier et les flux de travail de suivi de la qualité, ce qui peut limiter la standardisation et les actions correctives en temps voulu dans les^{départements 13}. Cependant, les études existantes ont généralement examiné la modélisation prédictive de la maintenance ou les systèmes de gestion de la qualité isolément, sans intégrer formellement les indicateurs structurés de qualité hospitalière, les mécanismes de pondération floue et les modèles de classification optimisés pour la métaheuristique, au sein d’une architecture de gouvernance unifiée. Bien que la SVM et l’Algorithme de recherche Sparrow (SSA) aient été appliqués dans les tâches de prédiction industrielle, leur intégration systématique dans les flux de travail de contrôle qualité hospitalier pour les équipements médicaux de survie d’urgence reste insuffisamment explorée. Cette étude se distingue donc en combinant optimisation computationnelle, évaluation structurée des indicateurs et gouvernance de la qualité institutionnelle au sein d’un cadre opérationnel unique. Cette séparation méthodologique limite l’interprétabilité pratique et la scalabilité institutionnelle. Sur la base des considérations ci-dessus, la présente étude cherche à répondre aux questions de recherche suivantes : (i) Un modèle SVM optimisé pour l’ISSA peut-il améliorer la performance prédictive pour la classification du contrôle qualité des équipements médicaux de survie d’urgence par rapport aux approches non optimisées ? (ii) L’intégration de pondération structurée des indicateurs, d’évaluation floue et d’optimisation métaheuristique, peut-elle améliorer l’efficacité opérationnelle et la standardisation des systèmes de contrôle qualité des équipements hospitaliers ?

En conséquence, l’hypothèse centrale de cette étude est que l’intégration d’un modèle SVM optimisé pour l’ISSA dans une architecture de contrôle qualité basée sur PDCA améliorera significativement la précision prédicative, la robustesse et l’interprétabilité opérationnelle par rapport aux méthodes conventionnelles de surveillance de la qualité.

À cette fin, des algorithmes pertinents sont étudiés afin d’optimiser le système de contrôle qualité des équipements médicaux de survie d’urgence. Un modèle SVM amélioré, basé sur l’Algorithme de recherche Sparrow (SSA), est proposé pour renforcer encore les capacités de la SVM. L’optimisation des paramètres pertinents de la SVM améliore la capacité de généralisation du modèle, le rendant plus robuste dans le traitement des données non linéaires et de haute dimension, et améliorant ses performances pratiques dans les systèmes de contrôle qualité.

Les objectifs spécifiques de cette étude sont donc : (i) construire un système hiérarchique d’indicateurs de contrôle qualité pour les équipements médicaux de survie d’urgence ; (ii) développer et optimiser un modèle de classification SVM utilisant l’algorithme de recherche Sparrow ; et (iii) intégrer le modèle prédictif optimisé dans un système de contrôle qualité hospitalier piloté par la PDCA afin d’évaluer sa faisabilité opérationnelle et ses performances.

L’innovation principale de cette étude réside dans l’introduction du SSA pour optimiser les paramètres clés du modèle SVM, améliorant ainsi la capacité de traitement des données et la performance de généralisation du modèle. Ce modèle a ensuite été appliqué à la surveillance basée sur l’information du contrôle qualité des équipements médicaux de survie d’urgence. D’un point de vue pratique de la mise en œuvre, le cadre proposé peut être déployé à partir de sources d’information hospitalières disponibles de manière courante (par exemple, journaux d’entretien des équipements, registres d’inspection/utilisation, et données opérationnelles liées aux codes-barres et aux Assistants numériques personnels (PDA)), assurant ainsi la faisabilité sans nécessiter d’infrastructures de détection spécialisées supplémentaires. En conséquence, cette étude contribue en proposant et validant empiriquement un cadre méthodologiquement intégré qui combine pondération structurée des indicateurs, évaluation floue et modélisation SVM optimisée pour l’ISSA au sein d’une architecture de contrôle qualité hospitalière basée sur la PDCA.

Protocole

Le protocole d’étude a été soumis pour examen éthique au Comité d’éthique de l’hôpital populaire de Liyang, province du Jiangsu, Chine (Approbation du projet n° JDYY2023158, version du protocole 1.0, datée du 9 février 2023). L’étude a utilisé des dossiers de gestion et d’entretien des équipements hospitaliers non identifiés, obtenus à partir du système informatisé de gestion de la maintenance (CMMS) de l’hôpital. Le jeu de données ne contenait aucune donnée clinique au niveau du patient, aucun identifiant personnel ni échantillons biologiques. Comme la recherche impliquait des données de gestion d’équipements institutionnels sans participants humains, le consentement éclairé n’était pas requis conformément aux directives institutionnelles de gouvernance de la recherche et aux exigences de bonnes pratiques cliniques (GCP). Tous les ensembles de données soutenant le développement, l’optimisation, la validation et la reproductibilité des modèles — y compris les définitions des indicateurs, les journaux d’optimisation SSA, les configurations de paramètres et les sorties de prédiction — sont fournis dans le Fichier Supplémentaire 1.

Construction d’un système de contrôle qualité pour les équipements médicaux de survie d’urgence
Le développement d’un système de contrôle qualité pour les équipements médicaux de survie d’urgence nécessite la participation de plusieurs parties. L’intégrité et l’efficacité du système de contrôle qualité sont maintes fois démontrées par la communication et la négociation entre plusieurs départements et personnels, et un système scientifique complet de contrôle qualité est construit ^14,15. L’étude a adopté la méthode Deming Ring, largement utilisée, en gestion de la qualité et dans d’autres domaines de gestion afin de sélectionner des indicateurs et de construire des systèmes associés au contrôle qualité. Cette approche permet une amélioration et un apprentissage continus à travers quatre étapes de répétition cyclique. Le système de contrôle qualité des équipements médicaux de survie d’urgence basé sur la théorie de l’anneau de Deming est présenté à la Figure 1.

Pour garantir la reproductibilité du cadre de contrôle qualité, le cycle PDCA a été opérationnel à travers une procédure d’implémentation structurée. Au cours de la phase de planification, le périmètre des équipements a été défini pour inclure des équipements médicaux de survie d’urgence tels que les ventilateurs, les appareils d’anesthésie et les défibrillateurs dans les départements participants. Un inventaire numérique des équipements a été établi à l’aide du système informatisé de gestion de la maintenance (CMMS⁾¹⁶ de l’hôpital, et chaque appareil s’est vu attribuer un numéro d’identification unique afin d’assurer la traçabilité. Des attributs essentiels, y compris le type d’équipement, le fabricant ou le modèle, l’emplacement du département, la date d’acquisition, la classification des risques, l’intervalle d’inspection et l’historique complet de la maintenance, étaient enregistrés dans le CMMS (voir Fichier Supplémentaire 1 pour la structure détaillée des ensembles de données au niveau des équipements). Des définitions opérationnelles ont été formulées pour chaque indicateur d’évaluation. Par exemple, la rapidité de la maintenance était définie comme l’achèvement dans un nombre de jours prédéfini à partir de la date de maintenance prévue, et la conformité aux inspections était calculée comme le nombre d’inspections achevées divisé par les inspections requises multiplié par 100 %. Les responsabilités étaient explicitement attribuées au personnel d’ingénierie clinique, aux utilisateurs d’équipements et aux superviseurs départementaux, et des intervalles de rapport routiniers étaient définis mensuellement et trimestriellement.

Phase de mise en œuvre :
Pendant la phase de mise en œuvre, des dossiers structurés ont été extraits du CMMS, y compris les ordres de travail de maintenance préventive, les journaux d’inspection, les rapports de maintenance corrective et les registres des temps d’arrêt des équipements. Ces données étaient intégrées à des journaux opérationnels générés par des codes-barres ou des appareils portables à l’aide d’identifiants d’équipement et de correspondance d’horodatage pour garantir la cohérence des données. Les activités de maintenance préventive et d’inspection ont été menées conformément aux procédures opérationnelles standard institutionnelles (SOP), et tous les délais d’achèvement, constatations, actions correctives et résultats de vérification ont été documentés dans le CMMS.

Phase d’inspection :
Lors de la phase d’inspection, des procédures de validation des données et d’assurance qualité ont été menées afin d’assurer la précision et la fiabilité. Les enregistrements en double ont été supprimés, les valeurs manquantes évaluées, et les identifiants d’équipement ont été rapprochés entre les ensembles de données départementales. Les enregistrements dépourvus d’identifiants essentiels ou d’informations horodatages ont été exclus de l’analyse ultérieure. Les valeurs des indicateurs ont été calculées au niveau départemental et de catégorie d’équipement, et des rapports sommaires de contrôle qualité ont été générés. Les seuils d’évaluation étaient prédéfinis comme suit : ≥ 90 % de conformité était classée comme excellente, 80–89 % comme acceptable, 70–79 % comme « à améliorer » et <70 % comme faible. Ces seuils ont été appliqués de manière uniforme dans tous les départements afin d’assurer une évaluation standardisée des performances. Un sous-ensemble aléatoire d’enregistrements a été vérifié avec les journaux système originaux pour confirmer l’intégrité des données.

Phase d’action :
Lors de la phase d’action, les résultats de performance ont été examinés afin d’identifier les lacunes et les opportunités d’amélioration. Pour les indicateurs démontrant des performances sous-optimales, les causes profondes telles que des retards de flux de travail, un manque de personnel, des interruptions de la chaîne d’approvisionnement ou des lacunes dans la documentation ont été analysées de manière systématique. Des mesures correctives ont été formulées, incluant des ajustements des intervalles de maintenance, des seuils d’escalade ou des mécanismes de supervision. Ces modifications ont été mises en œuvre lors du cycle PDCA suivant afin de soutenir l’amélioration continue de la^{qualité 17}.

Phase de planification :
Lors de la phase de planification, des recherches ont été menées pour clarifier les objectifs à atteindre après l’utilisation du système de contrôle qualité des équipements ; Parallèlement, le plan de travail pour la phase suivante a été élaboré. Lors de la phase d’exécution, des recherches ont été menées sur la construction d’un système de gestion organisationnelle, d’un système de gestion des processus d’utilisation des équipements et d’un système de contrôle qualité d’assurance équipement, basés sur le système de contrôle qualité de la phase précédente pour les équipements médicaux de survie d’urgence, et des indicateurs d’évaluation pertinents ont été^{déterminés 18}. La recherche lors de la phase d’inspection a évalué et évalué les niveaux de contrôle qualité des établissements médicaux à l’aide des indicateurs d’évaluation pertinents de l’étape précédente. Lors de la phase de traitement, les résultats d’évaluation de l’étape précédente ont été résumés, les problèmes du système de contrôle qualité ont été analysés, et des améliorations ont été apportées pour résoudre les problèmes identifiés lors du cycle suivant. Sur la base des méthodes ci-dessus, un modèle de procédé pour le contrôle de la qualité des équipements médicaux de survie d’urgence, tel que représenté à la Figure 2, a été construit.

Dans ce modèle (Figure 2), le type d’équipement et le niveau de contrôle qualité ont été déterminés selon les exigences des établissements médicaux concernés. Ensuite, un système d’évaluation pour évaluer le niveau de contrôle qualité a été mis en place pour que l’équipement évalue son niveau de contrôle qualité. Sur la base des résultats d’évaluation, le système de contrôle qualité des équipements a été optimisé et amélioré. Dans ce processus, des systèmes pertinents ont été établis scientifiquement pour standardiser l’utilisation des équipements médicaux et garantir en permanence que celui-ci reste en état efficace. Les établissements médicaux doivent régulièrement rédiger des rapports de contrôle qualité, effectuer des analyses de données et évaluer la performance du contenu pertinent afin d’optimiser davantage le système de contrôle qualité. Grâce au cycle mentionné ci-dessus, le système de contrôle qualité des équipements médicaux de survie d’urgence peut être progressivement amélioré. En réponse au risque élevé, aux exigences réglementaires élevées, à la multifonctionnalité et à la complexité des équipements médicaux de survie d’urgence, cette étude a classé le système de contrôle qualité des équipements médicaux de survie d’urgence en trois parties, incluant le système de gestion organisationnelle, le système d’utilisation des équipements et le système de contrôle qualité^{de l’assurance des équipements 19}. Un panel de 12 experts en ingénierie clinique et gestion des équipements hospitaliers a participé au processus de pondération (voir Fichier Supplémentaire 1 pour les entrées de la matrice de pondération expert et des évaluations floues). Chaque expert a noté indépendamment les trois sous-systèmes à l’aide d’une échelle de Likert à 5 points (1 = très faible importance, 5 = très haute importance). Les scores collectés ont été agrégés et convertis en nombres flous triangulaires pour une analyse de pondération ultérieure. Les scores pondérés de chaque sous-système étaient ensuite calculés à l’aide de l’équation (1).

(1)

Ici, représente le score pondéré moyen pondéré de chaque sous-système, M est le nombre d’experts et i est le coefficient de chaque sous-système. Après avoir obtenu les résultats du calcul ci-dessus, ils ont été convertis en valeurs précises pour obtenir les scores de poids de chaque sous-système. La conversion est mentionnée dans l’équation (2).

(2)

Ici, W_i est le score pondéré de chaque sous-système, l est le score le plus bas de l’indicateur, m est le score le plus probable de l’indicateur, et u représente le score le plus élevé de l’indicateur. En calcul pratique, les nombres flous triangulaires étaient représentés par (l, m, u), correspondant respectivement aux scores d’expert les plus bas, les plus probables et les plus élevés. La défuzzification a été réalisée en utilisant la méthode du centroïde définie comme (l + m + u) / 3 pour convertir les poids flous en valeurs nettes pour une analyse quantitative ultérieure. Le système d’évaluation à trois niveaux pour les indicateurs de contrôle qualité des équipements établi par la recherche est présenté à la Figure 3 (définitions détaillées des indicateurs, critères d’évaluation et fonctions d’adhésion floues sont fournis dans le Fichier Supplémentaire 1).

Les fonctions d’appartenance de chaque indicateur sont mentionnées dans l’équation (3).

(3)

Ici, μ(x) représente la fonction d’appartenance de chaque score d’indicateur, et x représente le score de chaque indicateur. Les valeurs d’appartenance étaient calculées de manière programmatique pour chaque score indicateur et utilisées pour déterminer le degré d’appartenance à des catégories de qualité prédéfinies avant le score final.

Modèle amélioré de machine à vecteurs de support basé sur l’algorithme de recherche Sparrow
Modèle SVM et environnement informatique
La SVM est un algorithme couramment appliqué en apprentissage automatique, principalement pour la catégorisation et l’analyse de prédiction. Toutes les expériences computationnelles ont été menées avec Python 3.9 dans l’environnement Anaconda. Le classificateur Support Vector Machine (SVM) a été implémenté à l’aide de la bibliothèque scikit-learn (version 1.2.2). Le calcul numérique et la manipulation des données ont été effectués à l’aide de NumPy (version 1.23) et Pandas (version 1.5). Des expériences ont été réalisées sur une station de travail équipée d’un processeur Intel i7 et de 16 Go de RAM. SPSS 25.0 était utilisé pour la comparaison statistique et l’analyse descriptive des résultats des modèles. Le modèle SVM a été appliqué pour analyser les données historiques de contrôle qualité des équipements médicaux de survie d’urgence, prédire avec précision la qualité des équipements médicaux de maintien en vie d’urgence, et contrôler la qualité de ces^{équipements 20}.

Motivation pour l’optimisation basée sur les SSA
Bien que des méthodes de classification plus simples, telles que la régression logistique, les arbres de décision et les modèles SVM non optimisés, soient couramment appliquées dans les études de maintenance prédictives, une analyse comparative préliminaire dans cette étude a démontré une stabilité de généralisation réduite sous des conditions d’indicateurs non linéaires et à haute dimension. Les indicateurs de qualité des équipements médicaux de survie d’urgence présentent une multicolinéarité, des interactions non linéaires et des distributions hétérogènes entre les départements. Par conséquent, un cadre SVM optimisé pour la métaheuristique a été adopté afin d’améliorer la robustesse de l’ajustement des hyperparamètres et de la stabilité des limites de classification par rapport aux approches conventionnelles de recherche en grille ou à paramètres par défaut.

Formulation SVM à marge dure et à marge souple
La SVM est appliquée pour découvrir un hyperplan qui maximise l’écart entre différentes catégories de données. Pour les données linéairement séparables, la SVM recherche un hyperplan optimal qui maximise la marge entre deux classes. Pour les données linéairement séparables, l’objectif de la SVM est de minimiser la complexité du modèle tout en garantissant que tous les échantillons d’entraînement peuvent être correctement classifiés, comme montré dans l’équation (5)²¹.

min (1/2) ||w||²

sous réserve de : y_i (w^T x_i + b) ≥ 1, pour i = 1, 2, ..., n (5)

Dans l’équation (5), w est le vecteur normal hyperplan, b est le terme de biais, y_i est l’étiquette de classe de l’échantillon i , et x_i est le vecteur caractéristique de l’échantillon i . Dans des situations pratiques, les données sont souvent non linéairement séparables. En introduisant des variables de slack, la SVM à marge douce permet à certains échantillons de violer les règles d’intervalle ; le problème d’optimisation de la SVM à marge douce est illustré dans l’équation (6)²².

(6)

Dans l’équation (6), C est le paramètre de pénalité et la variable de rebondissement.

Fonction du noyau et fonction de décision
La SVM utilise des fonctions noyau pour mapper des données séparables non linéaires dans un espace de haute dimension. Les fonctions de noyau courantes incluent le noyau linéaire, le noyau polynomial et le noyau radial gaussienne. Parmi ceux-ci, les noyaux à base radiale gaussienne possèdent de fortes capacités de mappage non linéaire et conviennent aux problèmes non linéaires complexes. Ils peuvent également contrôler la largeur de la frontière de décision en ajustant les paramètres, comme montré dans l’équation (7)²³.

(7)

Dans l’équation (7), γ est le paramètre d’ajustement de la limite de décision. La SVM multi-noyau peut améliorer les performances de classification en combinant différentes fonctions du noyau. La résolution des problèmes d’optimisation SVM repose principalement sur la méthode du multiplicateur de Lagrange et la résolution de problèmes duales ; La fonction de décision finale de classification est présentée dans l’équation (8).

(8)

Dans l’équation (8), α_i est le multiplicateur de Lagrange. La SVM implique divers paramètres dans des applications pratiques, et si les paramètres ne sont pas raisonnables, cela peut entraîner une diminution des performances de classification et de prédiction de la SVM.

Optimisation des hyperparamètres basée sur SSA
Pour améliorer les performances des SVM, le SSA a été utilisé pour l’optimisation des hyperparamètres. Dans cette étude, la SSA a été choisie plutôt que d’autres méthodes d’optimisation métaheuristiques couramment utilisées (par exemple, l’algorithme génétique (GA) et l’optimisation par essaim de particules (PSO)) car elle nécessite moins de paramètres de contrôle, démontre une vitesse de convergence compétitive et offre une forte capacité de recherche globale, bénéfique pour les ensembles de données de contrôle qualité non linéaires et à haute dimension. De plus, le mécanisme découvreur-suiveur-alerte de la SSA améliore l’équilibre exploration et exploitation, ce qui améliore la probabilité d’échapper aux optima locaux lors de l’ajustement des hyperparamètres, comparé aux méthodes qui peuvent converger prématurément dans des paysages complexes de fitness. Comparé à GA et PSO, SSA offre une meilleure capacité d’exploration lors des premières itérations et une stabilité de convergence améliorée aux étapes ultérieures, ce qui est bénéfique pour optimiser les hyperparamètres SVM dans des ensembles de données hétérogènes d’équipements hospitaliers contenant des relations non linéaires et une multicolinéarité.

Plus précisément, SSA a été utilisé pour optimiser les hyperparamètres clés de la SVM, y compris le paramètre de pénalité (C) et les paramètres(s) liés au noyau (par exemple, γ pour le noyau de la fonction de base radiale (RBF). Dans cette étude, la SSA a été configurée avec une taille de population de 30 individus et un nombre maximal d’itérations de 100. La proportion de découvreurs, de suiveurs et d’individus alertes a été fixée à environ 20 %, 60 % et 20 % respectivement. Le seuil de tolérance de convergence était défini comme 1 × 10⁻⁶. Les plages de recherche pour les hyperparamètres SVM étaient définies sur une échelle logarithmique, avec le paramètre de pénalité (C) et le paramètre du noyau (γ) limités par [10⁻³, 10³]. Chaque individu de moineau a codé un vecteur de solution candidat [C, γ], et une application chaotique de Bernoulli a été utilisée pour initialiser la population dans des limites prédéfinies afin d’accroître la diversité et de réduire la probabilité de convergence prématurée. Lorsqu’une stratégie multi-noyau a été adoptée, les coefficients de poids du noyau ont également été traités comme des variables de décision. La fonction d’aptitude SSA était définie comme l’erreur de classification (ou, de manière équivalente, 1 − de précision) sur l’ensemble de validation, ciblant ainsi directement une meilleure performance de généralisation (le processus d’optimisation, les journaux d’itération et la configuration des paramètres sont fournis dans le Fichier Supplémentaire 1). Les plages de recherche de paramètres (bornes) étaient prédéfinies pour garantir des solutions réalisables et stables (par exemple, C ∈ [10⁻³, 10³], γ ∈ [10⁻³, 10³]) (l’espace de recherche détaillé est résumé dans le Fichier Supplémentaire 1), et l’ensemble final de paramètres a été sélectionné comme meilleure solution globale retournée par SSA sous le critère d’arrêt (itérations maximales ou tolérance à la convergence). Pour garantir la reproductibilité, des points de contrôle d’optimisation intermédiaires ont été définis. La convergence était considérée comme atteinte lorsque la variation de la valeur de validation entre itérations successives était inférieure à 1 × 10⁻⁶ pour cinq itérations consécutives ou lorsque le nombre maximal d’itérations (100) était atteint. Une précision de validation ≥ 80 % était considérée comme acceptable lors de l’optimisation. La valeur globale de meilleure aptitude et le vecteur de paramètre correspondant [C, γ] étaient enregistrés à chaque itération afin d’assurer la traçabilité du processus d’optimisation.

Algorithme SSA et mécanisme de mise à jour de position
La SSA est un algorithme d’optimisation intelligente basé sur la population qui simule le comportement des moineaux dans leur recherche de nourriture et comprend trois rôles : découvreur, suiveur et alerte. Lors de l’exécution de la SSA, il est important d’établir une population de moineaux, d’initialiser sa position et sa vitesse, et de calculer le score de fitness de chaque moineau de la population. Au cours de ce processus, le découvreur doit constamment mettre à jour sa position, comme mentionné dans l’équation (9)²⁴.

(9)

Dans l’équation (9), est la position du i le moineau dans la population initiale à t l’itération, β est la taille du pas, φ est le facteur d’atténuation, T_max est le nombre maximal d’itérations, et N(0,1) est un nombre aléatoire de distribution normale standard. La position du suiveur changeait également avec celle du découvreur ; La formule pour mettre à jour la position du suiveur est présentée dans l’équation (10).

(10)

Dans l’équation (10), est la meilleure position du découvreur actuel et λ est le facteur d’apprentissage. L’emplacement de l’alerte a également changé en conséquence ; La formule pour mettre à jour sa localisation est illustrée dans l’équation (11).

(11)

Dans l’équation (11), est la position d’un autre moineau sélectionné au hasard et δ est la taille de l’étape de mise à jour de l’alerte. Au cours de ce processus, l’itération peut être arrêtée si le nombre maximal d’itérations est atteint ou si les conditions sont remplies. La SSA utilise une méthode de génération aléatoire lors de l’établissement et de l’initialisation de la population. Cependant, lors de la génération d’individus de bruants, cette méthode peut entraîner la création de la majorité des individus dans la même zone, ce qui entraîne une répartition extrêmement inégale des populations. Ce processus de recherche peut relever des optima locaux. En réponse à cette question, l’étude propose d’adopter la cartographie de Bernoulli et un mécanisme d’apprentissage inversé comme mécanisme de génération d’initialisation pour les populations de moineaux. L’application de Bernoulli est une application chaotique mathématique, définie comme un système dynamique en temps discret sur l’intervalle [0,1], et sa règle d’itération est illustrée dans l’équation (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)

Dans l’équation (12), n est le nombre d’itérations chaotiques et a est la valeur de l’application de Bernoulli. Après que la SSA passe à l’étape avancée, la diversité des populations diminue rapidement, conduisant l’algorithme à se situer dans les optima locaux. Par conséquent, l’étude propose d’introduire un mécanisme de perturbation mixte pour inciter l’algorithme à corriger cette limitation. Le mécanisme de perturbation mixte conçu pour la recherche repose sur deux techniques : l’algorithme de la luciole et la mutation gaussienne, comme le montre la Figure 4.

Après chaque itération de la SSA, le mécanisme de perturbation mixte est appliqué pour détecter la stagnation de la population de moineaux, comme montré à la Figure 4. Si la stagnation survient, l’algorithme de la luciole perturbe la population de moineaux. La perturbation des lucioles chez la population de bruants nécessite d’estimer l’attraction des lucioles envers les moineaux, comme montré dans l’équation (13).

(13)

Dans l’équation (13), β₀ est l’attractivité initiale de l’individu, θ est le coefficient d’absorption de l’intensité lumineuse, et r est la distance entre deux individus. La position des lucioles est mise à jour en fonction de l’attractivité individuelle, comme montré dans l’équation (14).

(14)

Dans l’équation (14), est la position de la luciole i dans l’itération t , b_best est la position optimale actuelle de la luciole, ε est le paramètre de taille aléatoire du pas, et e est le vecteur aléatoire extrait de la distribution normale. Si la population de moineaux ne stagne pas, une mutation gaussienne est effectuée sur l’individu optimal actuel du moineau, comme montré dans l’équation (15).

(15)

Dans l’équation (15), σ est l’écart-type. Après le traitement de la population de moineaux, l’acceptation de la nouvelle position est déterminée selon le principe de la cupidité. Si la valeur de fitness du nouvel emplacement est meilleure que celle de l’emplacement actuel, le nouvel emplacement est accepté ; sinon, la position initiale est maintenue.

Comme montré à la Figure 5, le processus opérationnel de l’Improved Sparrow Search Algorithm (ISSA) inclut principalement l’initialisation de la population de moineaux, le calcul des valeurs d’aptitude des moineaux individuels, la division des découvreurs, des suiveurs et des alertes en fonction des valeurs de fitness, et la mise à jour itérative des positions de ces trois catégories de moineaux grâce à une formule améliorée de mise à jour de position. Un mécanisme de perturbation mixte basé sur l’algorithme de la luciole et la mutation gaussienne a été introduit pour augmenter la capacité de recherche globale de l’algorithme. Parallèlement, une méthode d’apprentissage inversé d’élite a été utilisée pour améliorer encore la vitesse de convergence et la précision de l’algorithme. Enfin, le processus ci-dessus a été répété jusqu’à ce que le critère d’arrêt soit atteint et que la meilleure solution soit produite.

Traitement des données et entraînement des modèles
Le jeu de données a été partitionné par échantillonnage stratifié en 70 % de données d’entraînement, 15 % de données de validation et 15 % de données de tests indépendantes afin de préserver l’équilibre des classes (la validation croisée et la structure de répartition des données sont détaillées dans le Fichier Supplémentaire 1). L’échelle des caractéristiques a été réalisée en utilisant une normalisation min–max adaptée exclusivement sur le jeu de données d’entraînement, et les paramètres d’échelle appris ont été appliqués à la validation et aux tests des ensembles de données afin d’éviter la fuite de données. L’analyse des composantes principales du noyau (KPCA⁾²⁵ a été appliquée au jeu de données d’entraînement pour la réduction de dimensionnalité en utilisant un noyau RBF avec γ = 0,1 et le nombre de composants conservés réglés pour préserver une variance cumulative de 95 %. La matrice de transformation KPCA a été ajustée exclusivement sur le jeu de données d’entraînement puis appliquée inchangée aux ensembles de validation et de test pour éviter les fuites de données. Les variables continues ont été normalisées en utilisant l’échelle min–max définie comme (x − xmin) / (xmax − xmin), où xmin et xmax ont été calculés uniquement à partir du jeu de données d’entraînement. SSA a optimisé les hyperparamètres SVM en minimisant le taux d’erreur de classification (1 − précision) calculé sur le jeu de données de validation. Après avoir identifié la combinaison optimale de paramètres, le modèle SVM final a été réentraîné en utilisant les ensembles de données combinés d’entraînement et de validation et évalué sur le jeu de données de test indépendant.

Le modèle SVM amélioré par l’ISSA commence par le prétraitement des données et la sélection des fonctionnalités pour le contrôle qualité des équipements médicaux de survie d’urgence. Pour renforcer la transparence méthodologique et la reproductibilité, le flux de travail de prétraitement des données et d’entraînement des modèles a été structuré comme suit. Les enregistrements au niveau des équipements étaient exportés depuis le CMMS, y compris les journaux de maintenance, les résultats d’inspection et l’état des ordres de travail (voir Fichier Supplémentaire 1 pour les ensembles de données bruts sur l’équipement et les événements de maintenance). Ces enregistrements ont été fusionnés avec des journaux de lecture par code-barres ou appareils portables en utilisant des identifiants d’équipement et des informations horodatages pour garantir un lien précis.

Des procédures de nettoyage des données ont été effectuées avant la modélisation. Les entrées en double ont été supprimées, et les enregistrements manquant d’identifiants essentiels ou d’horodatages ont été exclus. Pour les variables numériques avec une absence limitée, l’imputation médiane a été appliquée, tandis que les variables avec des valeurs manquantes excessives ont été exclues de l’analyse. Les variables catégorielles telles que le département et le type d’équipement étaient encodées en encodage one-hot, et les variables continues étaient normalisées par mise à l’échelle min–max pour garantir la compatibilité avec l’algorithme SVM.

L’optimisation des hyperparamètres a été réalisée à l’aide de SSA ou d’ISSA pour identifier le paramètre de pénalité optimal (C) et le paramètre du noyau (γ) de la fonction de base radiale. La fonction de fitness était définie comme le taux d’erreur de classification sur le jeu de données de validation. Après avoir identifié l’ensemble de paramètres optimal, le modèle SVM final a été réentraîné en utilisant les données combinées d’entraînement et de validation, puis évalué sur le jeu de données de test indépendant. Pour la justification méthodologique, le modèle ISSA-SVM optimisé a été comparé quantitativement aux modèles de référence, incluant (i) la SVM standard avec paramètres par défaut, (ii) la SVM optimisée par la recherche en grille, et (iii) le classificateur de régression logistique. L’évaluation comparative a été réalisée en utilisant des divisions identiques entre entraînement, validation et tests afin d’assurer l’équité. Les améliorations de performance ont été évaluées en fonction des différences de précision, de précision, de rappel et de score F1.

Le cadre proposé a été conçu pour être mis en œuvre dans les hôpitaux secondaires et tertiaires équipés de systèmes numériques de gestion des équipements et ne nécessitait que des registres structurés de maintenance et d’inspection sans infrastructures de détection supplémentaires.

Dans cette étude, le jeu de données a été dérivé des dossiers d’inspection qualité et de gestion de la maintenance de routine des hôpitaux liés aux équipements médicaux de survie d’urgence. Seuls des indicateurs numériques et catégoriels structurés associés à l’état des équipements, à la conformité des inspections, à la performance de numérisation des codes-barres/PDA et à la rapidité de la maintenance ont été utilisés comme entrées de modèle. Les procédures de prétraitement des données comprenaient la normalisation des variables continues et l’encodage des variables catégorielles afin d’assurer la compatibilité avec le cadre d’apprentissage automatique. Le système proposé est conçu pour être mis en œuvre dans les hôpitaux secondaires et tertiaires avec des plateformes de gestion d’équipement numérique établies et ne nécessite pas de matériel supplémentaire en dehors des systèmes d’information hospitaliers existants.

Évaluation et validation du modèle
La performance du modèle a été quantifiée quantitativement à l’aide de l’analyse de la précision, de la précision, du rappel, du score F1 et de la matrice de confusion. De plus, les courbes de caractéristiques de fonctionnement du récepteur (ROC) et les valeurs de surface sous la courbe (AUC) ont été calculées pour évaluer la capacité de discrimination de classification. Pour évaluer la robustesse statistique, une validation croisée en cinq branches a été réalisée sur le jeu de données d’entraînement, et la moyenne ± l’écart-type des métriques de performance ont été rapportées (des métriques détaillées sur les repliements sont fournies dans le Fichier Supplémentaire 1). Les différences de performance entre ISSA-SVM et les modèles de référence ont été testées à l’aide de tests t appariés, avec un niveau de signification fixé à p < 0,05. Toutes les métriques d’évaluation ont été calculées à l’aide d’un jeu de données de test indépendant afin d’assurer une estimation impartiale de la performance. Le choix du cadre ISSA-SVM a donc été méthodologiquement motivé par la nécessité de gérer les relations non linéaires entre les indicateurs, d’éviter la convergence prématurée lors de l’optimisation des hyperparamètres, et d’améliorer la stabilité de la généralisation sous des ensembles de données hétérogènes d’équipements hospitaliers. Le protocole a été considéré comme terminé après l’évaluation finale du modèle sur le jeu de données de test indépendant et la génération du rapport structuré de contrôle qualité de performance.

Résultats

Résultats de l’inspection qualité du groupe spécial d’information du premier trimestre
L’impact pratique sur l’utilisation du système de contrôle qualité des équipements médicaux de survie d’urgence établi dans le cadre de la recherche a été confirmé, et l’effet réel de l’application du système de contrôle qualité a été vérifié dans la zone expérimentale de l’hôpital populaire de Liyang. Au premier trimestre, 28 unités infirmières ont été évaluées pour leur qualité, l...

Discussion

Les modèles de machines à vecteurs de support ont été largement utilisés dans l’évaluation prédictive et la détection d’anomalies dans des contextes industriels et sanitaires. Dans le contexte de la gestion des technologies de santé, l’apprentissage automatique a également été de plus en plus appliqué à la prédiction de fiabilité des dispositifs médicaux et au soutien à la décision de maintenance, y compris les équipements d’urgence à haute criticité tels que les défibrillateurs et les v...

Matériaux

Liste des matériaux utilisés dans cet article

Nom	Entreprise	Numéro de catalogue	Commentaires
Machines d’anesthésie	SZEMENTMD Medical Technology Co.	Station de travail d’anesthésie A5 (B0DS4BFXZ7)	Équipement utilisé pour administrer et surveiller l’anesthésie lors des interventions chirurgicales d’urgence
Station de travail computationnelle	Intel Corporation	Intel Core i7-10700 CPU, 16 Go de RAM	Plateforme matérielle utilisée pour l’entraînement et l’évaluation des modèles d’apprentissage automatique
Défibrillateurs	Fabricant de dispositifs médicaux génériques	LIFEPAK 15 Moniteur/Défibrillateur (B0DZTRH229)	Équipement de réanimation cardiaque d’urgence utilisé dans les arythmies potentiellement mortelles
Méthode de l’anneau de Deming (PDCA)	Non applicable	Cycle de gestion de la qualité PDCA	Cadre d’amélioration continue de la qualité pour la gestion des équipements hospitaliers
Module d’analyse des composants principaux du noyau	scikit-learn Développeurs	Implémentation du noyau RBF	Utilisé pour la réduction de dimensionnalité avant la classification SVM
Système de surveillance de l’entretien médical (CMMS)	DAWEI Technologies de l’Information en Santé	Système de gestion des équipements hospitaliers v3.2 (B0D4YDKLPJ)	Utilisé pour collecter les journaux d’entretien des équipements, les enregistrements d’inspection et les données de surveillance opérationnelle
Bibliothèque numérique NumPy	Développeurs NumPy	Version 1.23	Opérations numériques sur tableaux et calcul scientifique
Bibliothèque de traitement de données Pandas	Équipe de développement Pandas	Version 1.5	Prétraitement des données, intégration des ensembles de données et gestion des données structurées
Environnement de programmation Python	Fondation Python Software	Python 3.9	Environnement de programmation de base utilisé pour le développement de modèles d’apprentissage automatique
Bibliothèque d’apprentissage automatique scikit-learn	scikit-learn Développeurs	Version 1.2.2	Implémentation du classificateur de machine à vecteurs de support (SVM)
Module d’optimisation de l’algorithme de recherche Sparrow	Implémentation personnalisée de Python	Cadre d’optimisation ISSA-SVM v1.0	Algorithme métaheuristique utilisé pour optimiser les hyperparamètres SVM
Logiciel d’analyse statistique SPSS	IBM Corporation	SPSS Statistiques Version 25.0	Utilisé pour l’analyse statistique et l’évaluation descriptive des résultats de modèles
Ventilateurs	XNPINDA Medical Equipment Co., Ltd.	Ventilateur de soins intensifs série V860 (B0DR8X724D)	Équipement médical de survie d’urgence utilisé pour la ventilation assistée chez les patients en état critique