מערכת בקרת איכות מבוססת מידע לציוד רפואי חירום לתמיכה בחיים באמצעות SVM מותאם ל-SSA

סיכום

הפרוטוקול מסביר את יצירת מערכת אינדקס האיכות של סיעוד לציוד רפואי חירום לתמיכה בחיים, המשלבת מודלים של מכונות וקטור למעקב.

תקציר

נכון להיום, למוסדות רפואיים חסרה מערכת מדדי בקרת איכות מקיפה ואמינה, המנצלת פלטפורמות מידע כדי לסייע לצוות הסיעוד בניהול מכשירים וציוד. כדי להתמודד עם הבעיה הזו, תוכננה מערכת אינדקס בקרת איכות סיעודית המבוססת על דרישות ניהול, נהלי תפעול סיעודי ותקני איכות לציוד רפואי חירום לתמיכה בחיים. מערכת מדד זו עושה שימוש במודל מכונת וקטור תמיכה משופר (SVM) כדי להקל על ניטור מבוסס מידע של ציוד, במטרה לספק הנחיות לשיפור ניהול לא מושלם ושימוש לא סטנדרטי במכשירים ובציוד. התוצאות מראות כי תחת ניטור מבוסס מידע של מערכת בקרת האיכות, שיעור הביצוע הממוצע של סריקת הזמנות רפואיות בכל מחלקה יכול לעבור את 80%. קצב התחזוקה בזמן של הציוד ברוב המחלקות יכול לעבור את 90%, עם כמה יוצאים מן הכלל בלבד. מערכת בקרת איכות זו לציוד רפואי חירום לתמיכה בחיים, שתוכננה למטרות מחקר, יכולה לנטר ביעילות את תחזוקת הציוד במחלקות שונות, ולהשיג ולקדם ניהול ושימוש סטנדרטיים במכשירים וציוד.

מבוא

ציוד רפואי חירום לתמיכה בחיים, כגון מכונות הנשמה, מכונות הרדמה, דפיברילטורים ועוד, ממלא תפקיד קריטי במצבי חירום רפואיים לשמירה או שיקום סימנים חיוניים^{של המטופלים 1}. עם ההתפתחות המהירה של טכנולוגיה רפואית, מכשירים אלו הפכו לקריטיים בהצלת חולים קריטיים ובשמירה על סימנים חיוניים. מכשירים אלו חייבים תמיד להבטיח את תפקודם המלא, שכן כל תקלה בציוד כאשר חיי המטופל בסכנה עלולה להקשות על חילוץ^{בזמן 2,3}. מערכת בקרת איכות חזקה לציוד רפואי היא חיונית להבטחת תפקודו התקין. על ידי הקמה ותחזוקה של מערכת בקרת איכות יעילה, ניתן להפחית את שיעור הכשל של הציוד הרפואי, להבטיח את איכות השימוש בציוד, לשפר את האמינות וחיי השירות של הציוד הרפואי, ולהפחית את עלויות התחזוקה ^4,5. עדויות עדכניות מדגישות עוד יותר כי תוכניות תחזוקה ובקרת איכות מובנות—הנתמכות במערכות מידע—משפרות את המעקב אחר פעילויות התחזוקה, מפחיתות זמן השבתות שניתן למנוע ומחזקות קבלת החלטות בהנדסה קלינית לניהול ציוד בתי חולים ^6,7. יתרה מזאת, מחקר הולך וגדל על גישות מבוססות נתונים ובינה מלאכותית מצביע על כך שמודלים חיזויים יכולים לתמוך בתזמון תחזוקה מונעת ובזיהוי מוקדם של סיכוני תקלות במכשירי בתי חולים, ובכך לשפר את האמינות והמוכנות התפעולית ^8,9,10.

מכונת וקטור התמיכה המסורתית (SVM) מיושמת באופן נרחב בזיהוי תבניות ולמידת מכונה; עם זאת, הביצועים שלו מוגבלים על ידי בחירת פרמטרים רלוונטיים ופונקציות הליבה¹¹. בהתאם לכך, אופטימיזציה מטה-היוריסטית שולבה יותר ויותר עם למידת מכונה כדי לכוון את פרמטרי המודל ולשפר הכללה, במיוחד בתנאים לא ליניאריים וגבוהי ממד הרלוונטיים לנתוני תפעול בתחום הבריאות¹². עקב המורכבות של ציוד רפואי לתמיכה בחיים חירום והמאפיינים הייחודיים של סביבת השימוש בו, כיום קיימת מחסור במחקר שיטתי על בקרת האיכות שלו. בנוסף, מחקרים קודמים מציינים הטרוגניות מתמשכת בפרקטיקות תחזוקת בתי חולים ובתהליכי עבודה במעקב אחר איכות, מה שעלול להגביל סטנדרטיזציה ופעולות תיקון בזמן במחלקות¹³. עם זאת, מחקרים קיימים בדרך כלל בחנו מודלים חזויים של תחזוקה או מערכות ניהול איכות בנפרד, מבלי לשלב באופן פורמלי מדדי איכות מובנים של בתי חולים, מנגנוני משקל מעורפלים ומודלים של סיווג מותאמים למטה-היוריסטיקה בתוך ארכיטקטורת ממשל מאוחדת. למרות ש-SVM ו-Sparrow Search Algorithm (SSA) יושמו במשימות חיזוי תעשייתיות, ההטמעה השיטתית שלהם בתהליכי בקרת איכות בתי חולים עבור ציוד רפואי לתמיכה בחיים חירום עדיין לא נחקרה מספיק. לכן, מחקר זה מתבלט בשילוב אופטימיזציה חישובית, הערכת מדדים מובנית וממשל איכות מוסדי במסגרת תפעולית אחת. הפרדה מתודולוגית כזו מגבילה את הפרשנות המעשית ואת יכולת ההרחבה המוסדית. בהתבסס על השיקולים הנ״ל, המחקר הנוכחי שואף להתמודד עם שאלות המחקר הבאות: (i) האם מודל SVM מותאם ל-ISSA יכול לשפר ביצועים חיזויים בסיווג איכות של ציוד רפואי חירום לתמיכה בחיים בהשוואה לגישות לא אופטימליות? (ii) האם שילוב משקלול מובנה של אינדיקטורים, הערכה מטושטשת ואופטימיזציה מטה-היוריסטית יכול לשפר את היעילות התפעולית ואת הסטנדרטיזציה של מערכות בקרת איכות ציוד בתי חולים?

בהתאם לכך, ההשערה המחקרית המרכזית במחקר זה היא שהטמעת מודל SVM מותאם ל-ISSA בתוך ארכיטקטורת בקרת איכות מבוססת PDCA תשפר משמעותית את דיוק החיזוי, החוסן והפרשנות התפעולית בהשוואה לשיטות ניטור איכות קונבנציונליות.

לשם כך, נחקרים אלגוריתמים רלוונטיים לאופטימיזציה של מערכת בקרת האיכות של ציוד רפואי לתמיכה בחיים חירום. מודל SVM משופר המבוסס על אלגוריתם החיפוש של ספארו (SSA) מוצע כדי לשפר עוד יותר את יכולת ה-SVM. אופטימיזציה של הפרמטרים הרלוונטיים של SVM משפרת את יכולת ההכללה של המודל, הופכת אותו לעמיד יותר בטיפול בנתונים לא ליניאריים ובממדים גבוהים, ומשפרת את ביצועיו המעשיים במערכות בקרת איכות.

המטרות הספציפיות של מחקר זה הן: (i) לבנות מערכת מדדי בקרת איכות היררכית לציוד רפואי חירום לתמיכה בחיים; (ii) לפתח ולייעל מודל סיווג SVM באמצעות אלגוריתם חיפוש ספארו; ו-(iii) להטמיע את המודל החיזוי האופטימלי בתוך מערכת בקרת איכות בית חולים המונעת על ידי PDCA, כדי להעריך את היתכנות התפעולית והביצועים.

החידוש המרכזי במחקר זה טמון בהכנסת ה-SSA לאופטימיזציה של הפרמטרים המרכזיים של מודל ה-SVM, ובכך לשפר את יכולת עיבוד הנתונים וביצועי ההכללה של המודל. מודל זה יושם לאחר מכן לניטור מבוסס מידע של בקרת איכות ציוד רפואי חירום לתמיכה בחיים. מבחינת יישום מעשי, ניתן ליישם את המסגרת המוצעת באמצעות מקורות מידע רפואיים זמינים באופן שגרתי (למשל, יומני תחזוקת ציוד, רשומות בדיקה/שימוש, ונתונים תפעוליים הקשורים לברקוד ועוזר דיגיטלי אישי (PDA), ובכך לתמוך בהיתכנות מבלי לדרוש תשתית חישה מיוחדת נוספת. בהתאם לכך, מחקר זה תורם על ידי הצעת ואימות אמפירי של מסגרת משולבת מתודולוגית המשלבת משקלול מדדים מובנה, הערכה מטושטשת ומודלים של SVM מותאמים ל-ISSA בתוך ארכיטקטורת בקרת איכות מבוססת PDCA.

פרוטוקול

פרוטוקול המחקר הוגש לסקירת אתיקה לוועדת האתיקה של בית החולים העממי ליאנג, מחוז ג'יאנגסו, סין (אישור פרויקט מס' JDYY2023158, גרסת פרוטוקול 1.0, מתאריך 09 בפברואר 2023). המחקר השתמש ברשומות ניהול ותחזוקה של ציוד בית חולים שאינן מזוהות, שהושגו ממערכת ניהול התחזוקה הממוחשבת של בית החולים (CMMS). מאגר הנתונים לא כלל נתונים קליניים ברמת המטופל, מזהים אישיים או דגימות ביולוגיות. מכיוון שהמחקר כלל נתוני ניהול ציוד מוסדי ללא משתתפים אנושיים, לא נדרשה הסכמה מדעת בהתאם להנחיות ממשל מחקר מוסדי ולדרישות פרקטיקה קלינית טובה (GCP). כל מערכי הנתונים התומכים בפיתוח מודל, אופטימיזציה, אימות ושחזור — כולל הגדרות מדדים, יומני אופטימיזציה של SSA, תצורות פרמטרים ויצירות חיזוי — מסופקים בקובץ המשלים 1.

הקמת מערכת בקרת איכות לציוד רפואי חירום לתמיכה בחיים
פיתוח מערכת בקרת איכות לציוד רפואי חירום לתמיכה בחיים דורש השתתפות של מספר צדדים. היושרה והיעילות של מערכת בקרת האיכות מודגמות שוב ושוב באמצעות תקשורת ומשא ומתן בין מחלקות ואנשי צוות שונים, ונבנה מערכת בקרת איכות מדעית מקיפה ^14,15. המחקר אימץ את שיטת דמינג הנפוצה בניהול איכות ותחומי ניהול נוספים לבחירת מדדים ולבניית מערכות קשורות לבקרת איכות. גישה זו משיגה שיפור ולמידה מתמשכים דרך ארבעה שלבים של חזרה מחזורית. מערכת בקרת האיכות לציוד רפואי חירום לתמיכה בחיים המבוססת על תורת טבעת דמינג מוצגת באיור 1.

כדי להבטיח שחזוריות של מסגרת בקרת האיכות, מחזור ה-PDCA הופעל באמצעות הליך יישום מובנה. בשלב התכנון, הוגדר היקף הציוד לכלול ציוד רפואי חירום לתמיכה בחיים כגון מכונות הנשמה, מכונות הרדמה ודפיברילטורים בין המחלקות המשתתפות. הוקם מלאי ציוד דיגיטלי באמצעות מערכת ניהול תחזוקה ממוחשבת (CMMS)¹⁶ של בית החולים, ולכל מכשיר הוקצה מספר זיהוי ייחודי כדי להבטיח מעקב. מאפיינים חיוניים, כולל סוג הציוד, יצרן או דגם, מיקום מחלקה, תאריך רכישה, סיווג סיכונים, מרווח הבדיקה והיסטוריית תחזוקה מלאה, נרשמו ב-CMMS (ראו קובץ משלים 1 למבנה מפורט ברמת הציוד של מאגר הנתונים). נוסחו הגדרות תפעוליות לכל מדד הערכה. לדוגמה, זמן תחזוקה הוגדר כהשלמה בתוך מספר ימים מוגדר מראש מתאריך התחזוקה המתוכנן, ועמידה בבדיקות חושבה כמספר הבדיקות שהושלמו חלקי הבדיקות הנדרשות מוכפל ב-100%. האחריות הוקצו במפורש לצוותי הנדסה קלינית, משתמשי ציוד ומפקחי מחלקה, ותקופות דיווח שגרתיות הוגדרו על בסיס חודשי ורבעוני.

שלב היישום:
במהלך שלב היישום, הוצאו רשומות מובנות מה-CMMS, כולל פקודות עבודה לתחזוקה מונעת, יומני בדיקה, דוחות תחזוקה מתקנים ורשומות השבתות ציוד. נתונים אלו שולבו עם ברקוד או יומני תפעול ניידים שנוצרו על ידי מכשירים ניידים, תוך שימוש במזהי ציוד והתאמת חותמות זמן כדי להבטיח עקביות בנתונים. פעילויות תחזוקה ובדיקה מונעת בוצעו בהתאם לנהלי תפעול סטנדרטיים מוסדיים (SOPs), וכל זמני ההשלמה, הממצאים, הפעולות המתקנות ותוצאות האימות תועדו ב-CMMS.

שלב הבדיקה:
בשלב הבדיקה בוצעו נהלי אימות נתונים והבטחת איכות כדי להבטיח דיוק ואמינות. רשומות כפולות הוסרו, ערכים חסרים הוערכו, ומזהי ציוד הותאמו בין מאגרי הנתונים המחלקתיים. רשומות ללא מזהים חיוניים או מידע חותמת זמן הוצאו מהניתוח הבא. ערכי מדדים חושבו הן ברמת המחלקות והן ברמת קטגוריית הציוד, ונוצרו דוחות סיכום לבקרת איכות. ספי ההערכה הוגדרו מראש כך: ≥ 90% הציות סווג כמצוין, 80–89% כמקובל, 70–79% כ"זקוק לשיפור" ו-<70% כגרוע. ספים אלו הוחלו באופן אחיד בין המחלקות כדי להבטיח דירוג ביצועים סטנדרטי. תת-קבוצה אקראית של רשומות נבדקה מול יומני המערכת המקוריים כדי לאשר את שלמות הנתונים.

שלב הפעולה:
בשלב הפעולה, נבדקו תוצאות הביצועים כדי לזהות ליקויים והזדמנויות שיפור. עבור מדדים שהראו ביצועים לא אופטימליים, נותחו באופן שיטתי סיבות שורשיות כמו עיכובים בתהליכי עבודה, חוסר כוח אדם, הפסקות בשרשרת האספקה או פערי תיעוד. נוסחו צעדים מתקנים, כולל התאמות למרווחי תחזוקה, ספי הסלמה או מנגנוני פיקוח. שינויים אלו יושמו במחזור ה-PDCA הבא כדי לתמוך בשיפור איכות מתמשך¹⁷.

שלב התכנון:
בשלב התכנון, נערך מחקר להבהרת היעדים שיש להשיג לאחר השימוש במערכת בקרת איכות הציוד; במקביל, אורגן תוכנית העבודה לשלב הבא. בשלב הביצוע נערך מחקר על בניית מערכת ניהול ארגונית, מערכת ניהול תהליכי שימוש בציוד ומערכת בקרת איכות לאבטחת ציוד, בהתבסס על מערכת בקרת האיכות של השלב הקודם לציוד רפואי חירום לתמיכה בחיים, ונקבעו מדדי הערכה^{רלוונטיים 18}. המחקר בשלב הבדיקה העריך ודירג את רמות בקרת האיכות של מוסדות רפואיים באמצעות מדדי ההערכה הרלוונטיים מהשלב הקודם. בשלב העיבוד, סיכמו תוצאות ההערכה מהשלב הקודם, נותחו בעיות במערכת בקרת האיכות, ובוצעו שיפורים לטיפול בבעיות שזוהו במחזור הבא. בהתבסס על השיטות הנ"ל, נבנה מודל תהליך לבקרת איכות של ציוד רפואי לתמיכה בחיים חירום, כפי שמוצג באיור 2.

במודל זה (איור 2), סוג הציוד ורמת בקרת האיכות נקבעו בהתאם לדרישות המוסדות הרפואיים הרלוונטיים. לאחר מכן, הוקמה מערכת הערכה להערכת רמת בקרת האיכות לציוד כדי להעריך את רמת בקרת האיכות. בהתבסס על תוצאות ההערכה, מערכת בקרת האיכות של הציוד שופרה ואופטימלית. בתהליך זה, הוקמו מדעית מערכות רלוונטיות כדי לתקן את השימוש בציוד רפואי ולהבטיח באופן מתמיד שהציוד יישאר במצב יעיל. מוסדות רפואיים צריכים לכתוב באופן קבוע דוחות בקרת איכות, לבצע ניתוח נתונים ולהעריך את ביצועי התוכן הרלוונטי כדי לייעל עוד יותר את מערכת בקרת האיכות. באמצעות המחזור שהוזכר לעיל, ניתן לשפר בהדרגה את מערכת בקרת האיכות לציוד רפואי חירום לתמיכה בחיים. בתגובה לסיכון גבוה, דרישות רגולטוריות גבוהות, רב-תפקודיות ומורכבות של ציוד רפואי לתמיכה בחיים חירום, מחקר זה חילק את מערכת בקרת האיכות של ציוד רפואי לתמיכה בחיים חירום לשלושה חלקים, כולל מערכת ניהול ארגונית, מערכת שימוש בציוד ומערכת בקרת איכות לאבטחת ציוד¹⁹. פאנל של 12 מומחים בהנדסה קלינית וניהול ציוד בתי חולים השתתף בתהליך השקלול (ראו קובץ משלים 1 למטריצת משקל מומחים וקלטי הערכה מטושטשים). כל מומחה דירג באופן עצמאי את שלוש תת-המערכות באמצעות סולם ליקרט בן 5 נקודות (1 = חשיבות נמוכה מאוד, 5 = חשיבות גבוהה מאוד). הציונים שנאספו נאספו והוסבו למספרים משולשים מעורפלים לניתוח משקל מאוחר יותר. ציוני המשקל של כל תת-מערכת חושבו לאחר מכן באמצעות משוואה (1).

(1)

כאן, מייצג את ציון המשקל הממוצע המשוקלל של כל תת-מערכת, M הוא מספר המומחים ו-i הוא המקדם של כל תת-מערכת. לאחר קבלת תוצאות החישוב הנ"ל, הן הומרו לערכים מדויקים כדי לקבל את ציוני המשקל של כל תת-מערכת. ההמרה מוזכרת במשוואה (2).

(2)

כאן, W_i הוא ציון המשקל של כל תת-מערכת, l הוא הציון הנמוך ביותר של האינדיקטור, m הוא הציון הסביר ביותר של האינדיקטור, ו-u מייצג את הציון הגבוה ביותר של האינדיקטור. בחישוב מעשי, מספרים משולשיים מטושטשים יוצגו כ-(l, m, u), המתאימים לציונים הנמוכים, הסבירים והגבוהים ביותר, בהתאמה. דה-פזפיקציה בוצעה באמצעות שיטת הסנטרואיד המוגדרת כ-(l + m + u) / 3 כדי להמיר משקלים מטושטשים לערכים חדים לניתוח כמותי מאוחר יותר. מערכת ההערכה התלת-רמתית למדדי בקרת איכות ציוד שנקבעה באמצעות מחקר מוצגת באיור 3 (הגדרות מפורטות של מדדים, קריטריוני הערכה ופונקציות חברות מעורפלות מסופקות בקובץ משלים 1).

פונקציות החברות של כל אינדיקטור מוזכרות במשוואה (3).

(3)

כאן, μ(x) מייצג את פונקציית החברות של כל ציון מדד, ו-x מייצג את הציון של כל מדד. ערכי החברות חושבו באופן תוכניתי עבור כל ציון מדד ושימשו לקביעת מידת השייכות לקטגוריות איכות מוגדרות מראש לפני הציון הסופי.

מודל מכונת וקטור תמיכה משופר המבוסס על אלגוריתם החיפוש ספארו
מודל SVM וסביבה חישובית
SVM הוא אלגוריתם המיושם בדרך כלל בלמידת מכונה, בעיקר לניתוח סיווג וחיזוי. כל הניסויים החישוביים בוצעו באמצעות Python 3.9 בסביבת Anaconda. מסווג מכונות התמיכה (SVM) יושם באמצעות ספריית scikit-learn (גרסה 1.2.2). חישוב נומרי ועיבוד נתונים בוצעו באמצעות NumPy (גרסה 1.23) ו-Pandas (גרסה 1.5). הניסויים בוצעו על תחנת עבודה המצוידת במעבד Intel i7 ו-16GB RAM. SPSS 25.0 שימש להשוואה סטטיסטית וניתוח תיאורי של פלטי המודלים. מודל ה-SVM יושם לניתוח נתוני בקרת איכות היסטוריים של ציוד רפואי חירום לתמיכה בחיים, לחיזוי מדויק של איכות ציוד רפואי לתמיכה בחיים חירום, ולהשיג שליטה על איכות הציוד²⁰.

מוטיבציה לאופטימיזציה מבוססת SSA
למרות ששיטות סיווג פשוטות יותר, כגון רגרסיה לוגיסטית, עצי החלטה ומודלים לא אופטימליים של SVM, מיושמות לעיתים קרובות במחקרי תחזוקה חזויים, ניתוח השוואתי ראשוני במחקר זה הראה ירידה ביציבות הכללה בתנאים לא ליניאריים ובעלי מדדים גבוהים. מדדי איכות ציוד רפואי לתמיכה חירום מציגים רב-קוליניאריות, אינטראקציות לא ליניאריות והתפלגויות הטרוגניות בין מחלקות. לכן, אומצה מסגרת SVM מותאמת למטה-היוריסטיקה כדי לשפר את עמידות כוונון ההיפרפרמטרים ולשיפור יציבות גבולות הסיווג בהשוואה לשיטות חיפוש רשת או פרמטרים ברירת מחדל מסורתית.

ניסוח SVM עם שוליים קשים ובעלי שוליים רכים
SVM מיושם לגילוי היפר-מישור שממקסם את הפער בין קטגוריות נתונים שונות. עבור נתונים נפרדים ליניארית, SVM מחפש היפר-מישור אופטימלי שממקסם את השוליים בין שתי מחלקות. לנתונים ליניאריים ניתנים להפרדה, מטרת SVM היא למזער את מורכבות המודל תוך הבטחת סיווג נכון של כל דגימות האימון, כפי שמוצג במשוואה (5)²¹.

מינימום (1/2) ||ו||²

בכפוף ל: y_i (w^T x_i + b) ≥ 1, עבור i = 1, 2, ..., n (5)

במשוואה (5), w הוא וקטור הנורמל ההיפר-מישור, b הוא מונח ההטיה, y_i הוא תווית המחלקה של i המדגם, ו-x_i הוא וקטור התכונה של i הדגימה. במצבים מעשיים, הנתונים לעיתים קרובות אינם נפרדים באופן ליניארי. על ידי הכנסת משתני רפוי, SVM עם שוליים רכים מאפשר לחלק מהדגימות להפר את כללי המרווחים; בעיית האופטימיזציה של SVM עם שוליים רכים מוצגת במשוואה (6)²².

(6)

במשוואה (6), C הוא פרמטר העונש והוא משתנה הרפיון.

פונקציית הגרעין ופונקציית ההחלטה
SVM משתמש בפונקציות ליבה כדי למפות נתונים לא ליניאריים ניתנים להפרדה למרחב מממד גבוה. פונקציות גרעין נפוצות כוללות גרעין ליניארי, גרעין פולינומי וגרעין בסיס רדיאלי גאוסיאני. מתוכם, לגרעיני בסיס רדיאלי גאוסיאני יש יכולות מיפוי לא ליניאריות חזקות והם מתאימים לבעיות לא ליניאריות מורכבות. הם יכולים גם לשלוט ברוחב גבול ההחלטה על ידי התאמת פרמטרים, כפי שמוצג במשוואה (7)²³.

(7)

במשוואה (7), γ הוא פרמטר התאמת הגבול להחלטה. SVM רב-קרנלי יכול לשפר את ביצועי הסיווג על ידי שילוב פונקציות ליבה שונות. פתרון בעיות אופטימיזציה של SVM מתבסס בעיקר על שיטת מכפיל לגראנז' ופתרון בעיות כפולות; פונקציית החלטת הסיווג הסופית מוצגת במשוואה (8).

(8)

במשוואה (8), α_i הוא מכפיל לגראנז'. SVM כולל פרמטרים שונים ביישומים מעשיים, ואם הגדרות הפרמטרים אינן סבירות, הדבר עלול להוביל לירידה בביצועי הסיווג והחיזוי של SVM.

אופטימיזציה של היפרפרמטרים מבוססת SSA
לשיפור ביצועי SVM, נעשה שימוש ב-SSA לאופטימיזציית היפרפרמטרים. במחקר זה, SSA נבחר על פני שיטות אופטימיזציה מטה-היוריסטיות נפוצות אחרות (כגון Genetic Algorithm (GA) ו-Particle Swarm Optimization (PSO)) משום שהוא דורש פחות פרמטרי בקרה, מדגים מהירות התכנסות תחרותית, ומספק יכולת חיפוש גלובלית חזקה, מה שמועיל למאגרי בקרת איכות לא ליניאריים ובממדים גבוהים. בנוסף, מנגנון המגלה–עוקב–התרעה של SSA משפר את איזון החקירה והניצול, מה שמשפר את הסבירות לברוח מהאופטימות המקומיות במהלך כיוונון היפרפרמטרים, בהשוואה לשיטות שעשויות להתכנס מוקדם מדי בנופים מורכבים של כשירות. בהשוואה ל-GA ו-PSO, SSA מספק יכולת חקירה חזקה יותר באיטרציות הראשונות ומשופר את יציבות ההתכנסות בשלבים מאוחרים יותר, מה שמועיל לאופטימיזציה של היפרפרמטרים של SVM במאגרי ציוד בתי חולים הטרוגניים המכילים קשרים לא ליניאריים ורב-קוליניאריות.

באופן ספציפי, SSA שימש לאופטימיזציה של ההיפרפרמטרים המרכזיים של SVM, כולל פרמטר העונש (C) ופרמטר(ים) הקשורים לליבה (למשל, γ לקרנל פונקציית הבסיס הרדיאלי (RBF). במחקר זה, ה-SSA הוגדר עם גודל אוכלוסייה של 30 פרטים ומספר איטרציה מקסימלי של 100. שיעורי המגלים, העוקבים והאנשים הערניים נקבעו לכ-20%, 60% ו-20%, בהתאמה. סף סבילות ההתכנסות הוגדר כ-1 × 10⁻⁶. טווחי החיפוש להיפרפרמטרים של SVM הוגדרו בקנה מידה לוגריתמי, כאשר פרמטר העונש (C) ופרמטר הליבה (γ) מוגבלים בתוך [10⁻³, 10³]. כל פרט של דרור קידד וקטור פתרון מועמד [C, γ], ומיפוי ברנולי כאוטי שימש לאתחול האוכלוסייה בתוך גבולות מוגדרים מראש כדי להגביר את הגיוון ולהפחית את ההסתברות להתכנסות מוקדמת. כאשר אומצה אסטרטגיה מרובת גרעינים, מקדמי משקל הגרעין טופלו גם הם כשוני החלטה. פונקציית ההתאמה של SSA הוגדרה כשגיאת סיווג (או שקולה, דיוק של 1 −) בקבוצת הוולידציה, ובכך מכוונת ישירות לשיפור ביצועי הכללה (תהליך האופטימיזציה, יומני איטרציה ותצורת פרמטרים מסופקים בקובץ המשלים 1). טווחי חיפוש פרמטרים (גבולות) היו מוגדרים מראש כדי להבטיח פתרונות ישימים ויציבים (למשל, C ∈ [10⁻³, 10³], γ ∈ [10⁻³, 10³]) (מרחב החיפוש המפורט מסוכם בקובץ המשלים 1), וקבוצת הפרמטרים הסופית נבחרה כפתרון הטוב ביותר הגלובלי שהוחזר על ידי SSA תחת קריטריון העצירה (איטרציות מקסימליות או סבילות התכנסות). כדי להבטיח שחזוריות, הוגדרו נקודות ביקורת אופטימיזציה ביניים. ההתכנסות נחשבה כאשר השינוי בערך ההתאמה לאימות בין איטרציות עוקבות היה קטן מ-1 × 10⁻⁶ עבור חמש איטרציות רצופות או כאשר הושגה מספר האיטרציה המקסימלי (100). דיוק האימות ≥ 80% נחשב מקובל במהלך האופטימיזציה. ערך ההתאמה הטובה ביותר הגלובלי וקטור הפרמטרים המתאים [C, γ] נרשמו בכל איטרציה כדי להבטיח מעקב אחר תהליך האופטימיזציה.

אלגוריתם SSA ומנגנון עדכון מיקום
SSA הוא אלגוריתם אופטימיזציה חכמה מבוסס אוכלוסייה המדמה את התנהגות הדרורים בחיפושם אחר מזון, וכולל שלושה תפקידים: מגלה, עוקב וערני. במהלך ביצוע SSA, חשוב לקבוע אוכלוסיית דרורים, לאתחל את מיקומה ומהירותה, ולחשב את ציון הכשירות של כל דרור באוכלוסייה. במהלך תהליך זה, מגלה צריך לעדכן כל הזמן את מיקומו, כפי שמוזכר במשוואה (9)²⁴.

(9)

במשוואה (9), המיקום של i הוא הדרור באוכלוסייה ההתחלתית ב-t הוא האיטרציה, β הוא גודל הצעד, φ הוא גורם ההחלשה, T_{מקסימום} הוא מספר האיטרציות המקסימלי, ו-N(0,1) הוא מספר אקראי סטנדרטי בהתפלגות נורמלית. מיקום העוקב השתנה גם הוא עם מיקום המגלה; הנוסחה לעדכון מיקום העוקב מוצגת במשוואה (10).

(10)

במשוואה (10), הוא המיקום הטוב ביותר של מגלה הנוכחי ו-λ הוא גורם הלמידה. מיקום ההתרעה השתנה גם הוא בהתאם; הנוסחה לעדכון מיקומו מוצגת במשוואה (11).

(11)

במשוואה (11), הוא המיקום של דרור נוסף שנבחר באקראי ו-δ הוא גודל שלב העדכון של ההתרעה. במהלך תהליך זה, ניתן לעצור את האיטרציה אם מושג מספר האיטרציות המקסימלי או אם מתקיימים התנאים. ה-SSA משתמש בשיטת יצירה אקראית בעת הקמת ואתחול האוכלוסייה. עם זאת, כאשר מייצרים פרטים של דרור, שיטה זו עלולה לגרום לכך שרוב הפרטים ייוולדו באותו אזור, מה שמוביל להתפלגות אוכלוסייה לא אחידה במיוחד. תהליך החיפוש הזה עשוי להיכנס לאופטימיה מקומית. בתגובה לבעיה זו, המחקר מציע לאמץ מיפוי ברנולי ומנגנון למידה הפוכה כמנגנון יצירת אתחול לאוכלוסיות הדרורים. מפת ברנולי היא העתקה כאוטית מתמטית, המוגדרת כמערכת דינמית בזמן בדיד על הקטע [0,1], וכלל האיטרציה שלה מוצג במשוואה (12).

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

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

במשוואה (12), n הוא מספר האיטרציות הכאוטיות _{ו-a n} הוא ערך המיפוי של ברנולי. לאחר שה-SSA מתקדם לשלב מאוחר יותר, המגוון באוכלוסייה פוחת במהירות, מה שמוביל לכך שהאלגוריתם נכנס לאופטימום מקומי. לכן, המחקר מציע להכניס מנגנון הפרעה מעורב כדי להניע את האלגוריתם לטפל במגבלה זו. מנגנון ההפרעה המעורב שנועד למחקר מבוסס על שתי טכניקות: אלגוריתם הגחלילית ומוטציה גאוסית, כפי שמוצג באיור 4.

לאחר כל איטרציה של ה-SSA, מנגנון הפרעה מעורב מיושם לזיהוי קיפאון אוכלוסיית הדרור, כפי שמוצג באיור 4. אם מתרחשת קיפאון, אלגוריתם הגחליליות מפריע לאוכלוסיית הדרור. הפרעת גחליליות באוכלוסיית הדרורים דורשת הערכת המשיכה של גחליליות לדרורים, כפי שמוצג במשוואה (13).

(13)

במשוואה (13), β₀ הוא המשיכה ההתחלתית של הפרט, θ הוא מקדם בליעת עוצמת האור, ו-r הוא המרחק בין שני פרטים. מיקום הגחליליות מתעדכן בהתאם למשיכה האישית, כפי שמוצג במשוואה (14).

(14)

במשוואה (14), הוא מיקום הגחלילית i באיטרציה של t , b_best הוא המיקום האופטימלי הנוכחי של הגחלילית, ε הוא פרמטר גודל הצעד האקראי, ו-e הוא הווקטור האקראי שמופק מההתפלגות הנורמלית. אם אוכלוסיית הדרור אינה תקועה, מתבצעת מוטציה גאוסיאנית על הפרט האופטימלי הנוכחי של הדרור, כפי שמוצג במשוואה (15).

(15)

במשוואה (15), σ הוא סטיית התקן. לאחר הטיפול באוכלוסיית הדרורים, קבלת התפקיד החדש נקבעת לפי עקרון החמדנות. אם ערך ההתאמה של המיקום החדש טוב יותר מהמיקום הנוכחי, המיקום החדש מתקבל; אחרת, העמדה המקורית נשמרת.

כפי שמוצג באיור 5, תהליך הפעולה של אלגוריתם חיפוש הדרורים המשופר (ISSA) כולל בעיקר אתחול אוכלוסיית הדרורים, חישוב ערכי הכושר של דרורים בודדים, חלוקת מגלים, עוקבים והתראות על פי ערכי כשירות, ועדכון איטרטיבי של מיקומי שלוש הקטגוריות הללו באמצעות נוסחת עדכון מיקום משופרת. מנגנון הפרעה מעורב המבוסס על אלגוריתם הזחלילית ומוטציה גאוסית הוצג כדי להעצים את יכולת החיפוש הגלובלית של האלגוריתם. במקביל, שיטת למידה הפוכה מובחרת שימשה לשיפור נוסף של מהירות ההתכנסות ודיוק האלגוריתם. לבסוף, התהליך הנ״ל חזר על עצמו עד שהקריטריון לעצירה הושג, והפתרון הטוב ביותר הופק.

עיבוד נתונים והכשרת מודלים
מערך הנתונים חולק באמצעות דגימה שכבתית ל-70% נתוני אימון, 15% נתוני אימות ו-15% נתוני בדיקה עצמאיים כדי לשמור על איזון מחלקות (אימות צולב ומבנה חלוקת נתונים מפורטים בקובץ משלים 1). קנה מידה של תכונות בוצע באמצעות נרמול מינימום-מקסימום שהותאם בלעדית למאגר הנתונים של האימון, והפרמטרים שנלמדו יושמו על מאגרי אימות ובדיקה כדי למנוע דליפת נתונים. ניתוח רכיבי הליבה הראשיים (KPCA)²⁵ יושם על מאגר הנתונים של האימון להפחתת ממדיות באמצעות גרעין RBF עם γ = 0.1 ומספר הרכיבים השמורים נקבע לשמור על שונות מצטברת של 95%. מטריצת הטרנספורמציה של KPCA הותקנה בלעדית על מאגר הנתונים של האימון ולאחר מכן יושמה ללא שינוי על ערכות האימות והבדיקה כדי למנוע דליפת נתונים. משתנים רציפים נורמליזציה באמצעות קנה מידה מינימום–מקסימלי שהוגדר כ-(x − xmin) / (xmax − xmin), כאשר xmin ו-xmax חושבו רק מתוך מאגר הנתונים של האימון. SSA אופטימיזציה את ההיפרפרמטרים של SVM על ידי מזעור שיעור שגיאת הסיווג (דיוק 1 −) שחושב במאגר הנתונים של הוולידציה. לאחר זיהוי השילוב האופטימלי של הפרמטרים, מודל ה-SVM הסופי עבר הכשרה מחדש באמצעות מאגרי הנתונים המשולבים של אימון ואימות והוערך על בסיס מערך הבדיקה העצמאי.

מודל ה-SVM המשודרג על ידי ISSA מתחיל בעיבוד נתונים מוקדם ובחירת תכונות לבדיקות בקרת איכות של ציוד רפואי חירום לתמיכה בחיים. כדי לשפר את השקיפות המתודולוגית והשחזוריות, תהליך הקדם-עיבוד הנתונים ותהליך ההדרכה במודלים תוכנן כך. רשומות ברמת הציוד יוצאו מה-CMMS, כולל יומני תחזוקה, תוצאות בדיקה ומצב הזמנת עבודה (ראו קובץ משלים 1 למאגרי ציוד גולמי ואירועי תחזוקה). רשומות אלו שולבו עם יומני סריקת ברקוד או מכשירים ניידים באמצעות מזהי ציוד ומידע על חותמות זמן כדי להבטיח קישור מדויק.

נהלי ניקוי נתונים בוצעו לפני המידול. רשומות כפולות הוסרו, ורשומות שחסרו מזהים חיוניים או חותמות זמן הוצאו. עבור משתנים מספריים עם חסרות מוגבלת, הוחל אימפוטציה חציונית, בעוד שמשתנים עם ערכים חסרים מופרזים הוצאו מהניתוח. משתנים קטגוריים כמו סוג מחלקה וציוד קודדו באמצעות קידוד חד-חם, ומשתנים רציפים ננורמו באמצעות קנה מידה מינימלי-מקסי כדי להבטיח תאימות לאלגוריתם SVM.

אופטימיזציה של היפרפרמטרים בוצעה באמצעות SSA או ISSA לזיהוי פרמטר העונש האופטימלי (C) ופרמטר הליבה של פונקציית הבסיס הרדיאלית (γ). פונקציית ההתאמה הוגדרה כשיעור שגיאת הסיווג במאגר הנתונים של הוולידציה. לאחר זיהוי מערך הפרמטרים האופטימלי, מודל ה-SVM הסופי עבר הכשרה מחדש באמצעות נתוני האימון והאימות המשולבים, ולאחר מכן הוערך על מערך הנתונים העצמאי של המבחן. לצורך הצדקה מתודולוגית, מודל ISSA-SVM האופטימלי הושווה כמותית למודלים בסיסיים, כולל (i) SVM סטנדרטי עם פרמטרים ברירת מחדל, (ii) SVM מותאם לחיפוש רשת, ו-(iii) מסווג רגרסיה לוגיסטית. הערכה השוואתית בוצעה באמצעות חלוקות זהות של אימון–אימות–בדיקות כדי להבטיח הוגנות. שיפורי הביצועים הוערכו בהתבסס על הבדלים בדיוק, דיוק, זיכרון וציון F1.

המסגרת המוצעת תוכננה ליישום בבתי חולים משניים ושלישוניים המצוידים במערכות ניהול ציוד דיגיטליות, ודרשה רק רשומות תחזוקה ובדיקה מובנות ללא תשתיות חישה נוספות.

במחקר זה, מאגר הנתונים נגזר מרשומות בדיקת איכות ותחזוקה שגרתית של בתי חולים הקשורות לציוד רפואי חירום לתמיכה בחיים. רק מדדים מספריים וקטגוריים מובנים הקשורים למצב ציוד, עמידה בבדיקה, ביצועי סריקת ברקוד/PDA וזמני תחזוקה שימשו כקלטי מודל. הליכי קדם-עיבוד נתונים כללו נרמול של משתנים רציפים וקידוד משתנים קטגוריים כדי להבטיח תאימות עם מסגרת למידת המכונה. המערכת המוצעת מיועדת ליישום בבתי חולים משניים ושלישוניים עם פלטפורמות ניהול ציוד דיגיטלי מבוססות, ואינה דורשת חומרה נוספת מעבר למערכות מידע קיימות של בתי חולים.

הערכת מודל ואימות
ביצועי המודל הוערכו כמותית באמצעות דיוק, דיוק, שחזור, ציון F1 וניתוח מטריצת בלבול. בנוסף, חושבו עקומות מאפייני הפעלה של מקלט (ROC) וערכי שטח מתחת לעקומה (AUC) כדי להעריך יכולת הבחנה בסיווג. כדי להעריך עמידות סטטיסטית, בוצעה אימות צולב חמש על מאגר הנתונים של האימון, ודווח סטיית תקן ממוצעת ± מדדי ביצועים (מדדי ביצועים מפורטים בין הקפלים מסופקים בקובץ המשלים 1). הבדלי ביצועים בין מודלי ISSA-SVM למודלים בסיסיים נבדקו באמצעות מבחני t זוגיים, כאשר רמת המובהקות נקבעה על p < 0.05. כל מדדי ההערכה חושבו באמצעות מערך הנתונים העצמאי של הבדיקות כדי להבטיח הערכת ביצועים בלתי מוטה. לכן, הבחירה במסגרת ISSA-SVM הונעה מבחינה מתודולוגית על ידי הצורך לטפל בקשרי אינדיקטורים לא ליניאריים, למנוע התכנסות מוקדמת במהלך אופטימיזציה של היפרפרמטרים, ולשפר את יציבות ההכללה תחת מאגרי ציוד בתי חולים הטרוגניים. הפרוטוקול נחשב שלם לאחר הערכת המודל הסופית על מאגר הנתונים העצמאי של הבדיקות ויצירת דוח ביצועי בקרת איכות מובנה.

תוצאות

תוצאות בדיקת איכות של קבוצת המידע המיוחדת של הרבעון הראשון
ההשפעה המעשית של מערכת בקרת האיכות לציוד רפואי חירום לתמיכה בחיים שנקבעה במחקר אושרה, והשפעת היישום בפועל של מערכת בקרת האיכות אושרה באזור הניסוי של בית החולים העם של לייאנג. ברבעון הראשון, 28 יחידות סיעוד הוערכו לאיכות, כאשר נושא הבדיקה היה סיכום פיקוח איכות סיעודי מיוחד למידע סיעודי. הבדיקה כללה סקר של מצב הסריקה של Personal Digital Assistant (PDA) ובדיקת מצב התחזוקה של ציוד רפואי חירום לתמיכה בחיים. הסקר על...

דיון

מודלים של מכונת וקטור תמיכה יושמו באופן נרחב בהערכה חזויה ובזיהוי אנומליה בהקשרים תעשייתיים ובריאותיים. בהקשר של ניהול טכנולוגיות בריאות, למידת מכונה מיושמת יותר ויותר גם בחיזוי אמינות מכשירים רפואיים ותמיכה בהחלטות תחזוקה, כולל ציוד חירום קריטי כמו דפיברילטורים ומכונות הנשמה, כדי לשפר את מוכנות הציוד ולהפחית זמני השבתה בלתי מתוכננים^26,27. מסווגי SVM נבדקו גם באופן מקיפים כשיטות יעילות ביישומי אבחון וניבוי בתחום הבריאות, כולל ורי...

חומרים

רשימת החומרים שנעשה בהם שימוש במאמר זה

שם	חברה	מספר קטלוג	הערות
מכונות הרדמה	חברת SZEMENTMD Medical Technology	A5 Anesthesia Workstation (B0DS4BFXZ7)	ציוד המשמש למתן ומעקב אחר הרדמה במהלך ניתוחי חירום
תחנת עבודה חישובית	חברת אינטל	מעבד Intel Core i7-10700, זיכרון RAM 16GB	פלטפורמת חומרה המשמשת לאימון והערכת מודלים של למידת מכונה
דפיברילטורים	יצרן מכשירים רפואיים גנריים	מוניטור/דפיברילטור LIFEPAK 15 (B0DZTRH229)	ציוד חירום להחייאת לב המשמש להפרעות קצב מסכנות חיים
שיטת טבעת דמינג (PDCA)	לא רלוונטי	מחזור ניהול האיכות של PDCA	מסגרת לשיפור איכות מתמשך לניהול ציוד בתי חולים
מודול ניתוח רכיבים עיקריים של הליבה	מפתחי scikit-learn	מימוש ליבת RBF	שימש להפחתת מימד לפני סיווג SVM
מערכת ניטור תחזוקה רפואית (CMMS)	DAWEI טכנולוגיית מידע רפואית	מערכת ניהול ציוד בתי חולים v3.2 (B0D4YDKLPJ)	משמש לאיסוף יומני תחזוקת ציוד, רשומות בדיקה ונתוני ניטור תפעולי
ספריית המחשוב המספרי NumPy	מפתחי NumPy	גרסה 1.23	פעולות מערך נומרי ומחשוב מדעי
ספריית עיבוד הנתונים של פנדה	צוות הפיתוח של הפנדות	גרסה 1.5	עיבוד נתונים מוקדם, אינטגרציה של מערכי נתונים וניהול נתונים מובנה
סביבת תכנות בפייתון	קרן התוכנה של פייתון	פייתון 3.9	סביבת תכנות מרכזית המשמשת לפיתוח מודלים של למידת מכונה
ספריית למידת מכונה SCIKIT-Learn	מפתחי scikit-learn	גרסה 1.2.2	מימוש מסווג מכונת וקטור תמיכה (SVM)
מודול אופטימיזציה לאלגוריתם חיפוש ספארו	מימוש מותאם אישית בפייתון	מסגרת אופטימיזציה ISSA-SVM v1.0	אלגוריתם מטה-היוריסטי המשמש לאופטימיזציה של היפרפרמטרים של SVM
תוכנת ניתוח סטטיסטי של SPSS	תאגיד IBM	סטטיסטיקות SPSS גרסה 25.0	משמש לניתוח סטטיסטי והערכה תיאורית של פלטי המודל
מכונות הנשמה	XNPINDA Medical Equipment Co., Ltd.	סדרת V860 של מערכת הנשמה ICU (B0DR8X724D)	ציוד רפואי חירום לתמיכה בחיים המשמש להנשמה מסייעת בחולים במצב קריטי