Sistema di controllo qualità basato sulle informazioni per apparecchiature mediche di supporto vitale d'emergenza utilizzando un SVM ottimizzato per SSA

Sommario

Il protocollo spiega la creazione del sistema di controllo qualità infermieristico per le apparecchiature mediche di supporto vitale d'emergenza, combinando modelli di macchine vettoriali per il follow-up.

Abstract

Attualmente, le istituzioni mediche non dispongono di un sistema completo e affidabile di indicatori di controllo qualità che sfrutti piattaforme informative per assistere il personale infermieristico nella gestione di strumenti e attrezzature. Per affrontare questo problema, è stato progettato un sistema di indice di controllo qualità infermieristico basato sui requisiti di gestione, sulle procedure operative infermieristiche e sugli standard di qualità per le apparecchiature mediche di supporto vitale d'emergenza. Questo sistema di indici utilizza un modello di macchina a vettori di supporto (SVM) migliorato per facilitare il monitoraggio basato sulle informazioni delle apparecchiature, con l'obiettivo di fornire indicazioni per migliorare la gestione imperfetta e l'uso non standard di strumenti e apparecchiature. I risultati mostrano che, sotto il monitoraggio basato sulle informazioni del sistema di controllo qualità, il tasso medio di esecuzione degli ordini medici di scansione in ogni reparto può superare l'80%. Il tasso di manutenzione tempestiva delle attrezzature nella maggior parte dei reparti può superare il 90%, con poche eccezioni. Questo sistema di controllo qualità per le apparecchiature mediche di supporto vitale d'emergenza, progettato per scopi di ricerca, può monitorare efficacemente la manutenzione delle apparecchiature in vari reparti e raggiungere e promuovere la gestione e l'uso standardizzati di strumenti e apparecchiature.

Introduzione

Le apparecchiature mediche di supporto vitale d'emergenza, come ventilatori, macchine anestesiche, defibrillatori, ecc., svolgono un ruolo fondamentale nelle situazioni mediche di emergenza per mantenere o ripristinare i parametri vitali^{dei pazienti 1}. Con il rapido sviluppo della tecnologia medica, questi dispositivi sono diventati fondamentali per salvare pazienti gravemente malati e mantenere i parametri vitali. Questi dispositivi devono sempre garantire la loro completa funzionalità e usabilità, poiché qualsiasi malfunzionamento dell'apparecchiatura quando la vita del paziente è in pericolo può ostacolare un soccorso^{tempestivo 2,3}. Un sistema di controllo qualità robusto per le apparecchiature mediche è fondamentale per garantirne il normale funzionamento. Stabilendo e mantenendo un sistema di controllo qualità efficace, il tasso di guasto delle apparecchiature mediche può essere ridotto, la qualità dell'utilizzo delle apparecchiature può essere garantita, l'affidabilità e la durata operativa delle apparecchiature mediche possono essere migliorate e i costi di manutenzione^{possono essere ridotti 4,5}. Evidenze recenti sottolineano ulteriormente che programmi strutturati di manutenzione e controllo qualità—supportati da sistemi informativi—migliorano la tracciabilità delle attività di manutenzione, riducono i tempi di inattività evitabili e rafforzano il processo decisionale ingegneristico clinico per la gestione delle attrezzature^{ospedaliere 6,7}. Inoltre, le crescenti ricerche su approcci basati sui dati e sull'intelligenza artificiale indicano che i modelli predittivi possono supportare la pianificazione preventiva della manutenzione e l'identificazione precoce del rischio di guasto per i dispositivi ospedalieri, migliorando così l'affidabilità e la prontezza^{operativa 8,9,10}.

La tradizionale macchina a vettori di supporto (SVM) è ampiamente applicata nel riconoscimento di pattern e nel machine learning; tuttavia, le sue prestazioni sono limitate dalla selezione dei parametri rilevanti e delle funzioni del kernel¹¹. Di conseguenza, l'ottimizzazione metaeuristica è stata sempre più integrata con il machine learning per regolare i parametri del modello e migliorare la generalizzazione, specialmente in condizioni non lineari e ad alta dimensione rilevanti per i dati operativi^{sanitari 12}. A causa della complessità delle apparecchiature mediche di supporto vitale d'emergenza e delle particolarità del loro ambiente d'uso, attualmente manca una ricerca sistematica sul controllo qualità. Inoltre, studi precedenti evidenziano un'eterogeneità persistente nelle pratiche di manutenzione ospedaliere e nei flussi di lavoro di monitoraggio della qualità, che possono limitare la standardizzazione e le azioni correttive tempestive in tutti i reparti¹³. Tuttavia, studi esistenti hanno generalmente esaminato la modellazione predittiva della manutenzione o i sistemi di gestione della qualità in isolamento, senza integrare formalmente indicatori strutturati di qualità ospedaliera, meccanismi di pesatura fuzzy e modelli di classificazione ottimizzati per metaeuristiche all'interno di un'architettura di governance unificata. Sebbene SVM e Sparrow Search Algorithm (SSA) siano stati applicati in compiti di previsione industriale, la loro integrazione sistematica nei flussi di lavoro di controllo qualità ospedalieri per le apparecchiature mediche di supporto vitale d'emergenza rimane insufficientemente esplorata. Questo studio, quindi, si distingue combinando ottimizzazione computazionale, valutazione strutturata degli indicatori e governance della qualità istituzionale all'interno di un unico quadro operativo. Questa separazione metodologica limita l'interpretabilità pratica e la scalabilità istituzionale. Sulla base delle considerazioni sopra indicate, il presente studio mira a rispondere alle seguenti domande di ricerca: (i) Un modello SVM ottimizzato per l'ISSA può migliorare le prestazioni predittive per la classificazione del controllo qualità delle apparecchiature mediche di supporto vitale d'emergenza rispetto ad approcci non ottimizzati? (ii) L'integrazione di pesi strutturati degli indicatori, valutazione fuzzy e ottimizzazione metaeuristica può migliorare l'efficacia operativa e la standardizzazione dei sistemi di controllo qualità delle apparecchiature ospedaliere?

Di conseguenza, l'ipotesi centrale di questo studio è che integrare un modello SVM ottimizzato per ISSA all'interno di un'architettura di controllo qualità basata su PDCA migliorerà significativamente l'accuratezza predittiva, la robustezza e l'interpretabilità operativa rispetto ai metodi convenzionali di monitoraggio della qualità.

A tal fine, vengono studiati algoritmi rilevanti per ottimizzare il sistema di controllo qualità delle apparecchiature mediche di supporto vitale d'emergenza. Un modello SVM migliorato basato sull'Algoritmo di Ricerca Sparrow (SSA) è proposto per migliorare ulteriormente le capacità della SVM. L'ottimizzazione dei parametri rilevanti della SVM migliora la capacità di generalizzazione del modello, rendendolo più robusto nella gestione di dati non lineari e ad alta dimensione, e migliorandone le prestazioni pratiche nei sistemi di controllo qualità.

Gli obiettivi specifici di questo studio sono quindi: (i) costruire un sistema gerarchico di indicatori di controllo qualità per le apparecchiature mediche di supporto vitale d'emergenza; (ii) sviluppare e ottimizzare un modello di classificazione SVM utilizzando l'Algoritmo di Ricerca Sparrow; e (iii) integrare il modello predittivo ottimizzato all'interno di un sistema di controllo qualità ospedaliero guidato dalla PDCA per valutarne la fattibilità operativa e le prestazioni.

L'innovazione principale di questo studio risiede nell'introduzione dell'SSA per ottimizzare i parametri chiave del modello SVM, migliorando così la capacità di elaborazione dei dati e le prestazioni di generalizzazione del modello. Questo modello è stato poi applicato al monitoraggio basato sulle informazioni del controllo qualità delle apparecchiature mediche di supporto vitale d'emergenza. Da un punto di vista pratico dell'implementazione, il framework proposto può essere implementato utilizzando fonti di informazioni ospedaliere disponibili di routine (ad esempio, registri di manutenzione delle apparecchiature, registri di ispezione/utilizzo e dati operativi correlati a codici a barre e Personal Digital Assistant (PDA)), supportando così la fattibilità senza richiedere ulteriori infrastrutture di rilevamento specializzate. Di conseguenza, questo studio contribuisce proponendo e convalidando empiricamente un framework metodologicamente integrato che combina pesi strutturate degli indicatori, valutazione fuzzy e modellazione SVM ottimizzata per ISSA all'interno di un'architettura di controllo qualità ospedaliera basata su PDCA.

Protocollo

Il protocollo dello studio è stato sottoposto per una revisione etica al Comitato Etico dell'Ospedale Popolare di Liyang, provincia di Jiangsu, Cina (Approvazione del Progetto n. JDYY2023158, versione del protocollo 1.0, datata 09 febbraio 2023). Lo studio ha utilizzato registri di gestione e manutenzione delle attrezzature ospedaliere de-identificati ottenuti dal sistema di gestione della manutenzione computerizzato (CMMS) dell'ospedale. Il dataset non conteneva dati clinici a livello di paziente, identificatori personali o campioni biologici. Poiché la ricerca coinvolgeva dati sulla gestione delle attrezzature istituzionali senza partecipanti umani, il consenso informato non era richiesto in conformità con le linee guida istituzionali di governance della ricerca e i requisiti di Good Clinical Practice (GCP). Tutti i dataset che supportano lo sviluppo, l'ottimizzazione, la validazione e la riproducibilità dei modelli — incluse definizioni degli indicatori, log di ottimizzazione SSA, configurazioni dei parametri e output previsionali — sono forniti nel File Supplementare 1.

Costruzione di un sistema di controllo qualità per apparecchiature mediche di supporto vitale d'emergenza
Lo sviluppo di un sistema di controllo qualità per le apparecchiature mediche di supporto vitale d'emergenza richiede la partecipazione di più parti. L'integrità e l'efficacia del sistema di controllo qualità sono ripetutamente dimostrate attraverso la comunicazione e la negoziazione tra più dipartimenti e personale, e viene costruito un sistema di controllo qualità scientifico ^{e completo 14,15}. Lo studio ha adottato il metodo Deming Ring ampiamente utilizzato nella gestione della qualità e in altri settori gestionali per selezionare indicatori e costruire sistemi correlati di controllo della qualità. Questo approccio consente un miglioramento continuo e l'apprendimento attraverso quattro fasi di ripetizione ciclica. Il sistema di controllo qualità per le apparecchiature mediche di supporto vitale d'emergenza basato sulla teoria dell'anello di Deming è presentato nella Figura 1.

Per garantire la replicabilità del quadro di controllo qualità, il ciclo PDCA è stato operativo tramite una procedura strutturata di implementazione. Durante la fase di pianificazione, l'ambito delle apparecchiature è stato definito per includere apparecchiature mediche di supporto vitale d'emergenza come ventilatori, macchine anestesiche e defibrillatori nei reparti partecipanti. È stato istituito un inventario digitale delle apparecchiature utilizzando il sistema di gestione della manutenzione computerizzato (CMMS⁾¹⁶ dell'ospedale, e a ciascun dispositivo è stato assegnato un numero identificativo unico per garantire la tracciabilità. Attributi essenziali, tra cui tipo di attrezzatura, produttore o modello, sede del dipartimento, data di acquisizione, classificazione del rischio, intervallo di ispezione e storia completa della manutenzione, venivano registrati all'interno del CMMS (vedi Supplementary File 1 per la struttura dettagliata del dataset a livello di apparecchiatura). Sono state formulate definizioni operative per ogni indicatore di valutazione. Ad esempio, la tempestività della manutenzione è stata definita come il completamento entro un numero predefinito di giorni dalla data di manutenzione programmata, e la conformità alle ispezioni è stata calcolata come il numero di ispezioni completate diviso per le ispezioni richieste moltiplicato per il 100%. Le responsabilità erano esplicitamente assegnate al personale ingegneristico clinico, agli utenti delle attrezzature e ai supervisori dipartimentali, e gli intervalli di rendicontazione di routine venivano definiti su base mensile e trimestrale.

Fase di implementazione:
Durante la fase di implementazione, dal CMMS sono stati estratti registri strutturati, inclusi ordini di lavoro di manutenzione preventiva, registri di ispezione, rapporti di manutenzione correttiva e registri dei tempi di inattività delle apparecchiature. Questi dati erano integrati con log operativi generati da codici a barre o dispositivi portatili utilizzando identificatori di apparecchiature e corrispondenza temporale per garantire la coerenza dei dati. Le attività di manutenzione preventiva e ispezione sono state condotte in conformità con le procedure operative standard istituzionali (SOP), e tutti i tempi di completamento, i risultati, le azioni correttive e i risultati di verifica sono stati documentati nel CMMS.

Fase di ispezione:
Nella fase di ispezione, sono state condotte procedure di validazione dei dati e di garanzia di qualità per garantire accuratezza e affidabilità. I record duplicati sono stati rimossi, i valori mancanti sono stati valutati e gli identificatori delle apparecchiature sono stati riconciliati tra i dataset dipartimentali. I documenti privi di identificatori essenziali o informazioni di timestamp sono stati esclusi dall'analisi successiva. I valori degli indicatori venivano calcolati sia a livello dipartimentale che a livello di categoria di attrezzature, e venivano generati rapporti riassuntivi sul controllo qualità. Le soglie di valutazione erano predefinite come segue: ≥ 90% di conformità è stata classificata come eccellente, 80–89% come accettabile, 70–79% come "necessita di miglioramento" e <70% come scarsa. Queste soglie sono state applicate in modo uniforme tra i dipartimenti per garantire una valutazione standardizzata delle prestazioni. Un sottoinsieme casuale di record veniva verificato incrociatamente con i log originali del sistema per confermare l'integrità dei dati.

Fase d'azione:
Nella fase d'azione, sono stati esaminati i risultati delle prestazioni per identificare carenze e opportunità di miglioramento. Per indicatori che dimostravano prestazioni subottimali, le cause profonde come ritardi nei flussi di lavoro, personale insufficiente, interruzioni della catena di approvvigionamento o lacune nella documentazione sono state analizzate sistematicamente. Sono state formulate misure correttive, tra cui aggiustamenti agli intervalli di mantenimento, soglie di escalation o meccanismi di supervisione. Queste modifiche sono state implementate nel successivo ciclo PDCA per supportare il miglioramento continuo^{della qualità 17}.

Fase di pianificazione:
Nella fase di pianificazione sono state condotte ricerche per chiarire gli obiettivi da raggiungere dopo l'utilizzo del sistema di controllo qualità delle apparecchiature; Contemporaneamente, fu organizzato il piano di lavoro per la fase successiva. Nella fase di esecuzione, sono state condotte ricerche sulla costruzione di un sistema di gestione organizzativa, un sistema di gestione dei processi di utilizzo delle apparecchiature e un sistema di controllo qualità per l'assicurazione delle apparecchiature, basati sul sistema di controllo qualità della fase precedente per le apparecchiature mediche di supporto vitale d'emergenza, e sono stati determinati indicatori di valutazione^{rilevanti 18}. La ricerca durante la fase di ispezione ha valutato e valutato i livelli di controllo qualità delle istituzioni mediche utilizzando gli indicatori di valutazione rilevanti della fase precedente. Nella fase di lavorazione, sono stati riassunti i risultati della valutazione della fase precedente, sono stati analizzati i problemi nel sistema di controllo qualità e sono stati apportati miglioramenti per affrontare le problematiche individuate nel ciclo successivo. Sulla base dei metodi sopra descritti, è stato costruito un modello di processo per il controllo qualità delle apparecchiature mediche di supporto vitale d'emergenza, come rappresentato nella Figura 2.

In questo modello (Figura 2), il tipo di apparecchiatura e il livello di controllo qualità sono stati determinati in base alle esigenze delle istituzioni mediche competenti. Successivamente, è stato istituito un sistema di valutazione per valutare il livello di controllo qualità dell'attrezzatura, al fine di valutarne il livello di controllo qualità. Sulla base dei risultati della valutazione, il sistema di controllo qualità delle apparecchiature è stato ottimizzato e migliorato. In questo processo, sono stati istituiti scientificamente i sistemi rilevanti per standardizzare l'uso delle apparecchiature mediche e garantire costantemente che le apparecchiature rimanessero in uno stato efficace. Le istituzioni mediche dovrebbero redigere regolarmente rapporti di controllo qualità, condurre analisi dei dati e valutare le prestazioni dei contenuti rilevanti per ottimizzare ulteriormente il sistema di controllo qualità. Attraverso il ciclo sopra menzionato, il sistema di controllo qualità delle apparecchiature mediche di supporto vitale d'emergenza può essere gradualmente migliorato. In risposta all'alto rischio, agli elevati requisiti normativi, alla multifunzionalità e alla complessità delle apparecchiature mediche di supporto vitale d'emergenza, questo studio ha classificato il sistema di controllo qualità delle apparecchiature mediche di supporto vitale d'emergenza in tre parti, tra cui sistema di gestione organizzativa, sistema di utilizzo delle apparecchiature e sistema di controllo qualità per l'assicurazione delle^{apparecchiature 19}. Un panel di 12 esperti in ingegneria clinica e gestione delle attrezzature ospedaliere ha partecipato al processo di ponderazione (vedi File Supplementare 1 per input esperti sulla matrice di pesatura e sulla valutazione fuzzy). Ogni esperto valutava indipendentemente i tre sottosistemi utilizzando una scala di Likert a 5 punti (1 = importanza molto bassa, 5 = importanza molto alta). I punteggi raccolti sono stati aggregati e convertiti in numeri fuzzy triangolari per un'analisi di pesi successive. I punteggi di peso di ciascun sottosistema venivano poi calcolati utilizzando l'equazione (1).

(1)

Qui, rappresenta il punteggio medio ponderato di ciascun sottosistema, M è il numero di esperti e i è il coefficiente di ciascun sottosistema. Dopo aver ottenuto i risultati del calcolo sopra, questi sono stati convertiti in valori precisi per ottenere i punteggi di peso di ciascun sottosistema. La conversione è menzionata nell'equazione (2).

(2)

Qui, W_i è il punteggio di peso di ciascun sottosistema, l è il punteggio più basso dell'indicatore, m è il punteggio più probabile dell'indicatore e u rappresenta il punteggio più alto dell'indicatore. Nel calcolo pratico, i numeri fuzzy triangolari erano rappresentati come (l, m, u), corrispondenti rispettivamente al punteggio più basso, più probabile e più alto degli esperti. La defuzzificazione è stata eseguita utilizzando il metodo del centroide definito come (l + m + u) / 3 per convertire i pesi fuzzy in valori nitidi per analisi quantitative successive. Il sistema di valutazione a tre livelli per gli indicatori di controllo qualità delle apparecchiature stabilito tramite la ricerca è presentato nella Figura 3 (definizioni dettagliate degli indicatori, criteri di valutazione e funzioni di appartenenza fuzzy sono fornite nel File Supplementare 1).

Le funzioni di appartenenza di ciascun indicatore sono menzionate nell'equazione (3).

(3)

Qui, μ(x) rappresenta la funzione di appartenenza di ogni punteggio di indicatore, e x rappresenta il punteggio di ciascun indicatore. I valori di appartenenza venivano calcolati in modo programmativo per ciascun punteggio indicatore e utilizzati per determinare il grado di appartenenza a categorie di qualità predefinite prima del punteggio finale.

Modello migliorato di macchina a vettori di supporto basato sull'algoritmo di ricerca Sparrow
Modello SVM e ambiente computazionale
SVM è un algoritmo comunemente applicato nel machine learning, principalmente per la categorizzazione e l'analisi di previsione. Tutti gli esperimenti computazionali sono stati condotti utilizzando Python 3.9 all'interno dell'ambiente Anaconda. Il classificatore Support Vector Machine (SVM) è stato implementato utilizzando la libreria scikit-learn (versione 1.2.2). I calcoli numerici e la manipolazione dei dati venivano eseguiti utilizzando NumPy (versione 1.23) e Pandas (versione 1.5). Gli esperimenti venivano eseguiti su una workstation equipaggiata con processore Intel i7 e 16 GB di RAM. SPSS 25.0 è stato utilizzato per il confronto statistico e l'analisi descrittiva dei risultati dei modelli. Il modello SVM è stato applicato per analizzare i dati storici di controllo qualità delle apparecchiature mediche di supporto vitale d'emergenza, prevedere con precisione la qualità delle apparecchiature mediche di supporto vitale d'emergenza e ottenere il controllo sulla qualità di tali^{apparecchiature 20}.

Motivazione per l'ottimizzazione basata su SSA
Sebbene metodi di classificazione più semplici, come la regressione logistica, gli alberi decisionali e i modelli SVM non ottimizzati, siano comunemente applicati negli studi di mantenimento predittivo, l'analisi comparativa preliminare in questo studio ha dimostrato una riduzione della stabilità di generalizzazione in condizioni di indicatore non lineari e ad alta dimensione. Gli indicatori di qualità delle apparecchiature mediche di supporto vitale d'emergenza mostrano multicollinearità, interazioni non lineari e distribuzioni eterogenee tra i dipartimenti. Pertanto, è stato adottato un framework SVM ottimizzato per metaeuristiche per migliorare la robustezza della regolazione degli iperparametri e la stabilità dei confini di classificazione rispetto agli approcci convenzionali a griglia o ai parametri predefiniti.

Formulazione SVM a margine duro e a margine morbido
La SVM viene applicata per scoprire un iperpiano che massimizza il divario tra le diverse categorie di dati. Per dati linearmente separabili, SVM cerca un iperpiano ottimale che massimizzi il margine tra due classi. Per i dati linearmente separabili, l'obiettivo della SVM è minimizzare la complessità del modello assicurando che tutti i campioni di addestramento possano essere classificati correttamente, come mostrato nell'equazione (5)²¹.

min (1/2) ||w||²

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

Nell'equazione (5), w è il vettore normale iperpiano, b è il termine di bias, y_i è l'etichetta di classe del i il campione, e x_i è il vettore caratteristico del i il campione. In situazioni pratiche, i dati sono spesso non linearmente separabili. Introducendo variabili di slack, la SVM a margine morbido permette ad alcuni campioni di violare le regole dell'intervallo; il problema di ottimizzazione della SVM a margine morbido è mostrato nell'equazione (6)²².

(6)

Nell'equazione (6), C è il parametro di penalità ed è la variabile di slack.

Funzione kernel e funzione decisionale
SVM impiega funzioni kernel per mappare dati separabili non lineari in uno spazio ad alta dimensione. Le funzioni del nucleo comuni includono nucleo lineare, nucleo polinomiale e nucleo radiale gaussiano. Tra questi, i nuclei a base radiale gaussiana hanno forti capacità di mappatura non lineare e sono adatti a problemi non lineari complessi. Possono anche controllare la larghezza del bordo decisionale aggiustando i parametri, come mostrato nell'equazione (7)²³.

(7)

Nell'equazione (7), γ è il parametro di aggiustamento al bordo decisionale. Le SVM multi-kernel possono migliorare le prestazioni di classificazione combinando diverse funzioni del kernel. La soluzione dei problemi di ottimizzazione SVM si basa principalmente sul metodo moltiplicatore di Lagrange e sulla risoluzione duale dei problemi; La funzione decisionale finale di classificazione è presentata nell'equazione (8).

(8)

Nell'equazione (8), α_i è il moltiplicatore di Lagrange. La SVM coinvolge vari parametri in applicazioni pratiche e, se le impostazioni dei parametri non sono ragionevoli, ciò può portare a una diminuzione delle prestazioni di classificazione e previsione della SVM.

Ottimizzazione degli iperparametri basata su SSA
Per migliorare le prestazioni dell'SVM, l'SSA veniva impiegato per l'ottimizzazione degli iperparametri. In questo studio, SSA è stato selezionato rispetto ad altri metodi di ottimizzazione metaeuristica comunemente usati (ad esempio, Genetic Algorithm (GA) e Particle Swarm Optimization (PSO)) perché richiede meno parametri di controllo, dimostra una velocità di convergenza competitiva e offre una forte capacità di ricerca globale, vantaggiosa per dataset di controllo qualità non lineari e ad alta dimensione. Inoltre, il meccanismo scopritore–follower–allerta di SSA migliora l'equilibrio tra esplorazione e sfruttamento, aumentando la probabilità di sfuggire agli ottimi locali durante l'ottimizzazione degli iperparametri rispetto ai metodi che possono convergere prematuramente sotto paesaggi di fitness complessi. Rispetto a GA e PSO, SSA offre una maggiore capacità di esplorazione durante le prime iterazioni e una maggiore stabilità di convergenza nelle fasi successive, il che è vantaggioso per ottimizzare gli iperparametri SVM in dataset eterogenei di apparecchiature ospedaliere contenenti relazioni non lineari e multicollinearità.

In particolare, SSA veniva utilizzato per ottimizzare gli iperparametri chiave SVM, inclusi il parametro di penalità (C) e i parametri correlati al kernel (ad esempio, γ per il kernel della funzione di base radiale (RBF). In questo studio, la SSA è stata configurata con una popolazione di 30 individui e un numero massimo di iterazioni di 100. Le proporzioni di scopritori, follower e individui all'erta sono state fissate rispettivamente a circa il 20%, 60% e 20%. La soglia di tolleranza di convergenza è stata definita come 1 × 10⁻⁶. Gli intervalli di ricerca per gli iperparametri SVM sono stati definiti su una scala logaritmica, con il parametro di penalità (C) e il parametro kernel (γ) limitati all'interno di [10⁻³, 10³]. Ogni singolo passero codificava un vettore di soluzione candidato [C, γ], e una mappatura caotica di Bernoulli veniva utilizzata per inizializzare la popolazione entro limiti predefiniti al fine di aumentare la diversità e ridurre la probabilità di convergenza prematura. Quando è stata adottata una strategia multi-kernel, i coefficienti di peso del kernel sono stati trattati anche come variabili decisionali. La funzione di fitness SSA è stata definita come l'errore di classificazione (o equivalentemente, 1 − accuratezza) sul set di validazione, mirando così direttamente a migliorare le prestazioni di generalizzazione (il processo di ottimizzazione, i log di iterazione e la configurazione dei parametri sono forniti nel File Supplementare 1). I limiti di ricerca dei parametri erano predefiniti per garantire soluzioni fattibili e stabili (ad esempio, C ∈ [10⁻³, 10³], γ ∈ [10⁻³, 10³]) (lo spazio di ricerca dettagliato è riassunto nel File Supplementare 1), e il set finale di parametri è stato selezionato come soluzione globale migliore restituita dalla SSA sotto il criterio di arresto (iterazioni massime o tolleranza alla convergenza). Per garantire la riproducibilità, sono stati definiti checkpoint intermedi di ottimizzazione. La convergenza è stata considerata raggiunta quando la variazione del valore di validazione della fitness tra iterazioni successive era inferiore a 1 × 10⁻⁶ per cinque iterazioni consecutive o quando si raggiungeva il numero massimo di iterazioni (100). L'accuratezza della validazione ≥'80% è stata considerata accettabile durante l'ottimizzazione. Il valore globale di fitness migliore e il relativo vettore di parametri [C, γ] venivano registrati ad ogni iterazione per garantire la tracciabilità del processo di ottimizzazione.

Algoritmo SSA e meccanismo di aggiornamento della posizione
SSA è un algoritmo intelligente di ottimizzazione basato sulla popolazione che simula il comportamento dei passeri nella loro ricerca di cibo e include tre ruoli: scopritore, seguace e allerta. Durante l'esecuzione della SSA, è importante stabilire una popolazione di passeri, inizializzare la sua posizione e velocità, e calcolare il punteggio di fitness di ogni passero nella popolazione. Durante questo processo, il scopritore deve aggiornare costantemente la propria posizione, come menzionato nell'equazione (9)²⁴.

(9)

Nell'equazione (9), è la posizione del i passero nella popolazione iniziale a t l'iterazione, β è la dimensione del passo, φ è il fattore di attenuazione, T_max è il numero massimo di iterazioni, e N(0,1) è un numero casuale standard di distribuzione normale. Anche la posizione del seguace cambiava in base a quella del scopritore; La formula per aggiornare la posizione del follower è mostrata nell'equazione (10).

(10)

Nell'equazione (10), è la migliore posizione del rilevante attuale e λ è il fattore di apprendimento. Anche la posizione dell'allarme cambiava di conseguenza; La formula per aggiornare la sua posizione è mostrata nell'equazione (11).

(11)

Nell'equazione (11), è la posizione di un altro passero selezionato casualmente e δ è la dimensione del passo di aggiornamento dell'allarme. Durante questo processo, l'iterazione può essere interrotta se si raggiunge il numero massimo di iterazioni o se vengono soddisfatte le condizioni. La SSA impiega un metodo di generazione casuale per stabilire e inizializzare la popolazione. Tuttavia, quando si generano individui di passeri, questo metodo può portare alla generazione della maggioranza degli individui nella stessa area, portando a una distribuzione della popolazione estremamente disomogenea. Questo processo di ricerca può rientrare negli ottimi locali. In risposta a questa questione, lo studio propone di adottare la mappatura di Bernoulli e un meccanismo di apprendimento inverso come meccanismo di generazione di inizializzazione per le popolazioni di passeri. La mappa di Bernoulli è una mappa matematica caotica, definita come un sistema dinamico a tempo discreto sull'intervallo [0,1], e la sua regola di iterazione è mostrata nell'equazione (12).

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

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

Nell'equazione (12), n è il numero di iterazioni caotiche e _{a n} è il valore della mappatura di Bernoulli. Dopo che l'SSA passa alla fase successiva, la diversità della popolazione diminuisce rapidamente, portando l'algoritmo a cadere negli ottimi locali. Pertanto, lo studio propone di introdurre un meccanismo di perturbazione mista per spingere l'algoritmo ad affrontare questa limitazione. Il meccanismo di disturbo misto progettato per la ricerca si basa su due tecniche: l'algoritmo della lucciola e la mutazione gaussiana, come mostrato nella Figura 4.

Dopo ogni iterazione dell'SSA, viene applicato il meccanismo di perturbazione mista per rilevare la stagnazione della popolazione di passeri, come mostrato nella Figura 4. Se si verifica stagnazione, l'algoritmo delle lucciole perturba la popolazione di passeri. Il disturbo delle lucciole nella popolazione di passeri richiede la stima dell'attrazione delle lucciole verso i passeri, come mostrato nell'equazione (13).

(13)

Nell'equazione (13), β₀ è l'attrattiva iniziale dell'individuo, θ è il coefficiente di assorbimento dell'intensità luminosa e r è la distanza tra due individui. La posizione delle lucciole viene aggiornata in base all'attrattiva individuale, come mostrato nell'equazione (14).

(14)

Nell'equazione (14), è la posizione della lucciola i nell'iterazione t , b_best è la posizione ottimale attuale della lucciola, ε è il parametro di dimensione del passo casuale, ed e è il vettore casuale estratto dalla distribuzione normale. Se la popolazione di passeri non stagna, viene eseguita una mutazione gaussiana sull'individuo attuale ottimale del passero, come mostrato nell'equazione (15).

(15)

Nell'equazione (15), σ è la deviazione standard. Dopo il trattamento della popolazione di passeri, l'accettazione della nuova posizione è determinata secondo il principio dell'avidità. Se il valore di fitness della nuova sede è migliore rispetto a quello attuale, la nuova sede viene accettata; altrimenti, la posizione originale viene mantenuta.

Come mostrato nella Figura 5, il processo operativo dell'Algoritmo di Ricerca dei Passeri Migliorati (ISSA) include principalmente l'inizializzazione della popolazione di passeri, il calcolo dei valori di fitness dei singoli passeri, la divisione di scopritori, seguaci e allerta in base ai valori di fitness, e l'aggiornamento iterativo delle posizioni di queste tre categorie di passeri attraverso una formula migliorata di aggiornamento della posizione. Un meccanismo di perturbazione misto basato sull'algoritmo della luciola e sulla mutazione gaussiana è stato introdotto per aumentare la capacità di ricerca globale dell'algoritmo. Nel frattempo, è stato utilizzato un metodo di apprendimento inverso d'élite per migliorare ulteriormente la velocità di convergenza e la precisione dell'algoritmo. Infine, il processo sopra citato veniva ripetuto fino a raggiungere il criterio di arresto e ottenere la soluzione migliore.

Elaborazione dei dati e addestramento dei modelli
Il dataset è stato suddiviso utilizzando campionamento stratificato in dati di addestramento al 70%, 15% di dati di validazione e 15% di dati di test indipendenti per preservare l'equilibrio delle classi (la validazione incrociata e la struttura di suddivisione dei dati sono dettagliate nel File Supplementare 1). La scalatura delle caratteristiche è stata effettuata utilizzando la normalizzazione min–max adattata esclusivamente al dataset di addestramento, e i parametri di scaling appresi sono stati applicati a dataset di validazione e test per prevenire perdite di dati. L'analisi delle componenti principali del kernel (KPCA⁾²⁵ è stata applicata al dataset di addestramento per la riduzione della dimensionalità utilizzando un kernel RBF con γ = 0,1 e il numero di componenti trattenuti impostato per mantenere la varianza cumulativa del 95%. La matrice di trasformazione KPCA è stata applicata esclusivamente sul dataset di addestramento e successivamente applicata invariata ai set di validazione e test per prevenire la fuga di dati. Le variabili continue sono state normalizzate usando la scala min–max definita come (x − xmin) / (xmax − xmin), dove xmin e xmax sono stati calcolati solo dal dataset di addestramento. SSA ha ottimizzato gli iperparametri SVM minimizzando il tasso di errore di classificazione (1 − accuratezza) calcolato sul dataset di validazione. Dopo aver identificato la combinazione ottimale dei parametri, il modello SVM finale è stato riaddestrato utilizzando i dataset combinati di addestramento e validazione e valutato sul dataset di test indipendente.

Il modello SVM potenziato da ISSA inizia con la preelaborazione dei dati e la selezione delle funzionalità per il controllo qualità delle apparecchiature mediche di supporto vitale d'emergenza. Per migliorare la trasparenza metodologica e la riproducibilità, il flusso di lavoro di preprocessing e addestramento dei modelli è stato strutturato come segue. I record a livello di apparecchiatura venivano esportati dal CMMS, inclusi i registri di manutenzione, i risultati delle ispezioni e lo stato degli ordini di lavoro (vedi File Supplementare 1 per i dataset grezzi di apparecchiature e eventi di manutenzione). Questi record venivano uniti con codici a barre o scanner di dispositivi portatili utilizzando identificatori di apparecchiature e informazioni di timestamp per garantire un collegamento accurato.

Le procedure di pulizia dei dati sono state condotte prima della modellazione. Le voci duplicate furono rimosse e i record privi di identificatori essenziali o timestamp furono esclusi. Per le variabili numeriche con mancanza limitata, è stata applicata l'imputazione mediana, mentre le variabili con valori mancanti eccessi sono state escluse dall'analisi. Le variabili categoriche come il dipartimento e il tipo di attrezzatura venivano codificate usando la codifica one-hot, e le variabili continue venivano normalizzate tramite la scala min–max per garantire compatibilità con l'algoritmo SVM.

L'ottimizzazione degli iperparametri è stata effettuata utilizzando SSA o ISSA per identificare il parametro di penalità ottimale (C) e il parametro del kernel della funzione di base radiale (γ). La funzione di fitness è stata definita come il tasso di errore di classificazione sul dataset di validazione. Dopo aver identificato il set ottimale di parametri, il modello SVM finale è stato riaddestrato utilizzando i dati combinati di addestramento e validazione e successivamente valutato su un dataset di test indipendente. Per giustificazione metodologica, il modello ISSA-SVM ottimizzato è stato confrontato quantitativamente con modelli di base, inclusi (i) SVM standard con parametri predefiniti, (ii) SVM ottimizzato per la ricerca a griglia e (iii) classificatore di regressione logistica. La valutazione comparativa è stata effettuata utilizzando suddivisioni identiche di formazione–validazione–test per garantire l'equità. I miglioramenti delle prestazioni sono stati valutati in base alle differenze di accuratezza, precisione, richiamo e punteggio F1.

Il quadro proposto è stato progettato per l'implementazione negli ospedali secondari e terziari dotati di sistemi digitali di gestione delle apparecchiature e richiedeva solo registri strutturati di manutenzione e ispezione senza ulteriori infrastrutture di rilevamento.

In questo studio, il dataset è stato derivato da registri di ispezione di qualità e gestione della manutenzione ospedaliero di routine relativi alle apparecchiature mediche di supporto vitale d'emergenza. Come input del modello venivano utilizzati solo indicatori numerici e categorici strutturati associati allo stato dell'apparecchiatura, alla conformità delle ispezioni, alle prestazioni di scansione dei codici a barre/PDA e alla tempestività della manutenzione. Le procedure di preprocessing dei dati includevano la normalizzazione delle variabili continue e la codifica delle variabili categoriche per garantire la compatibilità con il framework di machine learning. Il sistema proposto è progettato per l'implementazione negli ospedali secondari e terziari con piattaforme di gestione delle apparecchiature digitali consolidate e non richiede hardware aggiuntivo oltre ai sistemi informativi ospedalieri esistenti.

Valutazione e validazione del modello
Le prestazioni del modello sono state valutate quantitativamente utilizzando accuratezza, precisione, richiamo, punteggio F1 e analisi della matrice di confusione. Inoltre, sono state calcolate curve di caratteristiche operative del ricevitore (ROC) e valori di area sotto la curva (AUC) per valutare la capacità di discriminazione della classificazione. Per valutare la robustezza statistica, è stata condotta una validazione incrociata a cinque volte sul dataset di addestramento e è stata riportata la deviazione media ± standard delle metriche di performance (le metriche dettagliate tra i fold sono fornite nel Supplementary File 1). Le differenze di prestazioni tra ISSA-SVM e i modelli di base sono state testate utilizzando test t accoppiati, con livello di significatività fissato a p < 0,05. Tutte le metriche di valutazione sono state calcolate utilizzando il dataset di test indipendente per garantire una stima delle prestazioni imparziale. La selezione del framework ISSA-SVM è stata quindi motivata metodologicamente dalla necessità di gestire le relazioni non lineari degli indicatori, prevenire convergenza prematura durante l'ottimizzazione degli iperparametri e migliorare la stabilità della generalizzazione sotto dataset di apparecchiature ospedaliere eterogenee. Il protocollo è stato considerato completo dopo la valutazione finale del modello sul dataset di test indipendente e la generazione del rapporto strutturato sulle prestazioni del controllo qualità.

Risultati

Risultati delle ispezioni qualità del gruppo speciale informativo del primo trimestre
L'impatto pratico sull'utilizzo del sistema di controllo qualità per le apparecchiature mediche di supporto vitale d'emergenza stabilito nella ricerca è stato confermato, e l'effettivo effetto applicativo del sistema di controllo qualità è stato verificato nell'area sperimentale dell'Ospedale Popolare di Liyang. Nel primo trimestre, 28 unità infermieristiche sono state valutate per l...

Discussione

I modelli di Support Vector Machine sono stati ampiamente applicati nella valutazione predittiva e nel rilevamento di anomalie in contesti industriali e sanitari. Nel contesto della gestione della tecnologia sanitaria, il machine learning è stato applicato sempre più spesso alla previsione dell'affidabilità dei dispositivi medici e al supporto decisionale di manutenzione, inclusi apparecchiature di emergenza ad alta criticità come defibrillatori e ventilatori, per migliorare la prontezza...

Materiali

Elenco dei materiali utilizzati in questo articolo

Nome	Azienda	Numero di catalogo	Commenti
Macchine per anestesia	SZEMENTMD Medical Technology Co.	Postazione di lavoro per anestesia A5 (B0DS4BFXZ7)	Apparecchiature utilizzate per somministrare e monitorare l'anestesia durante procedure chirurgiche d'emergenza
Stazione di lavoro computazionale	Intel Corporation	Intel Core i7-10700 CPU, 16 GB RAM	Piattaforma hardware utilizzata per addestrare e valutare modelli di machine learning
Defibrillatori	Produttore generico di dispositivi medici	LIFEPAK 15 Monitor/Defibrillatore (B0DZTRH229)	Apparecchiature di rianimazione cardiaca d'emergenza utilizzate in aritmie potenzialmente letali
Metodo dell'anello di Deming (PDCA)	Non applicabile	Ciclo di Gestione della Qualità PDCA	Quadro di miglioramento continuo della qualità per la gestione delle attrezzature ospedaliere
Modulo di Analisi dei Componenti Principali del Kernel	scikit-learn Sviluppatori	Implementazione del Kernel RBF	Utilizzato per la riduzione della dimensionalità prima della classificazione SVM
Sistema di monitoraggio della manutenzione medica (CMMS)	DAWEI Tecnologia dell'Informazione Sanitaria	Sistema di Gestione delle Attrezzature Ospedaliere v3.2 (B0D4YDKLPJ)	Utilizzato per raccogliere registri di manutenzione delle apparecchiature, registri di ispezione e dati di monitoraggio operativo
Libreria numerica di calcolo NumPy	Sviluppatori NumPy	Versione 1.23	Operazioni numeriche array e calcolo scientifico
Libreria di elaborazione dati Pandas	Team di sviluppo Pandas	Versione 1.5	Preprocessing dei dati, integrazione di dataset e gestione dei dati strutturati
Ambiente di programmazione Python	Python Software Foundation	Python 3.9	Ambiente di programmazione core utilizzato per lo sviluppo di modelli di machine learning
Biblioteca di machine learning scikit-learn	scikit-learn Sviluppatori	Versione 1.2.2	Implementazione del classificatore Support Vector Machine (SVM)
Modulo di ottimizzazione dell'algoritmo di ricerca Sparrow	Implementazione personalizzata in Python	Framework di Ottimizzazione ISSA-SVM v1.0	Algoritmo metaeuristico utilizzato per ottimizzare iperparametri SVM
Software di analisi statistica SPSS	IBM Corporation	SPSS Statistiche Versione 25.0	Utilizzato per analisi statistiche e valutazione descrittiva degli output dei modelli
Ventilatori	XNPINDA Medical Equipment Co., Ltd.	Ventilatore di terapia intensiva Serie V860 (B0DR8X724D)	Apparecchiature mediche di supporto vitale d'emergenza utilizzate per la ventilazione assistita in pazienti criticamente malati