Questo protocollo descrive l'acquisizione sincronizzata, l'annotazione e la segmentazione temporale dei dati provenienti da un IMU indossato al polso, al fine di generare un dataset di riferimento per la validazione della valutazione, tramite apprendimento automatico, della tecnica di igiene delle mani in tre passaggi. Le etichette fornite dall'osservatore e i segnali temporali forniscono annotazioni a livello di singolo passaggio, riproducibili, che supportano lo sviluppo futuro di algoritmi in grado di fornire feedback in tempo reale ai professionisti sanitari attraverso sensori indossabili per il rilevamento del movimento.
Articolo metodologico
Monitoraggio in tempo reale della tecnica di igiene delle mani tramite bracciale con sensori di movimento e machine learning
In questo articolo
Sommario
Abstract
Il personale sanitario (HCP) spesso non esegue le tecniche raccomandate di igiene delle mani (HH), compromettendo la prevenzione delle infezioni. Il dispositivo indossabile al polso proposto è progettato per erogare antisettici al punto di cura, fornendo al contempo un feedback in tempo reale sull'esecuzione della tecnica di igiene delle mani. Il feedback in tempo reale sarà generato da un algoritmo che classifica i movimenti delle mani a livello di singolo passaggio, basandosi sui dati di sensori inerziali al polso. Attualmente, questo algoritmo è in fase di validazione attraverso la valutazione della validità concorrente rispetto a un gold standard, rappresentato da un osservatore addestrato che valuta la tecnica di igiene delle mani. Il presente studio si concentra sullo sviluppo e sulla validazione del protocollo di acquisizione e annotazione dei dati necessario per l'addestramento dell'algoritmo e per la valutazione della validità concorrente, prima del suo impiego clinico in tempo reale. Il protocollo descrive la raccolta sincronizzata dei dati mediante un IMU con marcatori temporali per delimitare i confini dei singoli passaggi, abbinando registrazioni segmentate dei sensori al polso a etichette di correttezza assegnate dall'osservatore per ciascun movimento. Lo sviluppo del modello sfrutta architetture di modelli sequenziali in grado di effettuare etichettatura densa delle serie temporali, e le prestazioni saranno quantificate utilizzando metriche di classificazione a livello di movimento (ad esempio, punteggio F1) e criteri di sovrapposizione dei segmenti (ad esempio, intersezione rispetto all'unione) per valutare sia le decisioni di correttezza sia la qualità della segmentazione temporale. Gli esiti secondari includono le prestazioni nell'erogazione dell'antisettico, la tempestività e l'usabilità del feedback e l'accettabilità da parte degli utenti all'interno dei flussi di lavoro clinici. I dati raccolti da un campione eterogeneo di operatori sanitari, comprendenti più esecuzioni supervisionate per ciascun partecipante, sosterranno le analisi di validazione concorrente al fine di determinare l'accuratezza del dispositivo e il suo potenziale nel potenziare i programmi esistenti di igiene delle mani e ridurre le infezioni correlate all'assistenza sanitaria.
Introduzione
L'igiene delle mani (HH) è la strategia più semplice, efficace ed economica per prevenire le infezioni correlate all'assistenza sanitaria (HAIs), riconosciute come un importante problema di sanità pubblica a livello globale1. Tuttavia, l'aderenza a questa pratica rimane al di sotto dei livelli ideali in tutto il mondo2,3. A tal riguardo, i programmi di controllo delle infezioni devono monitorare non solo i tassi di aderenza basati sulle opportunità, ma anche la qualità della tecnica di igiene delle mani (HH), che prevede il rispetto dei passaggi raccomandati e della durata appropriata di azione dell'antiseptico4.
Per quanto riguarda la tecnica, l'OMS raccomanda la tecnica di igiene delle mani in 6 passaggi per garantire l'efficacia. I passaggi sono: (1) strofinare i palmi delle mani insieme con un movimento rotatorio; (2) strofinare il palmo della mano destra contro il dorso della mano sinistra intrecciando le dita; (3) strofinare i palmi delle mani insieme con le dita intrecciate; (4) strofinare il dorso delle dita di una mano sul palmo dell'altra mano tenendo le dita e muovendole avanti e indietro, e viceversa; (5) strofinare il pollice destro utilizzando il palmo sinistro con un movimento circolare, e viceversa; (6) strofinare le punte delle dita della mano sinistra sul palmo della mano destra con movimenti circolari, e viceversa5,6.
Tuttavia, le evidenze riguardo all'efficacia relativa e alla fattibilità delle tecniche raccomandate dall'OMS rimangono incomplete. In particolare, una recente revisione sistematica ha valutato l'efficacia della tecnica di igiene delle mani (HH) in 6 passaggi raccomandata dall'OMS nel ridurre il carico batterico sulle mani dei professionisti sanitari, confrontandola con approcci alternativi riportati nella letteratura internazionale. Sebbene la tecnica HH in 6 passaggi abbia dimostrato una riduzione del carico batterico, la revisione ha concluso che le evidenze sull'identificazione della tecnica più efficace e pratica non sono ancora definitive e che la ricerca sulla tecnica di igiene delle mani richiede una migliore standardizzazione tra gli studi7. Parallelamente, la tecnica HH in 3 passaggi è stata promossa a livello globale da diversi autori. I suoi passaggi sono: (1) coprire tutte le superfici delle mani; (2) eseguire un massaggio rotazionale delle punte delle dita sull'opposto palmo alternativamente; e (3) eseguire un massaggio rotazionale di entrambi i pollici8,9,10. I passaggi sono illustrati nella Figura 1.
In linea con questi sviluppi, uno studio controllato randomizzato ha quantificato le opportunità di igiene delle mani in 12 reparti ospedalieri statunitensi (n = 2.923). Di queste opportunità, 1.516 (51,9%) si sono verificate nel gruppo di intervento, che ha ricevuto una formazione sulla tecnica di igiene delle mani in 3 passaggi9, e 1.407 (48,1%) nel gruppo di controllo, che ha ricevuto un'educazione convenzionale conforme alla tecnica di igiene delle mani in 6 passaggi dell'OMS. Il gruppo di intervento ha mostrato una maggiore adesione ai "Cinque Momenti dell'OMS" e alla tecnica in 3 passaggi. Sebbene le riduzioni delle unità formanti colonie non siano risultate significativamente diverse in termini di esito microbiologico primario (p = 0,029), l'adesione osservata all'igiene delle mani è risultata notevolmente più elevata nel gruppo di intervento (51,7%) rispetto al gruppo di controllo (12,7%).
La tecnica HH in 3 passaggi ha prodotto una maggiore riduzione logaritmica in unità formanti colonie (mediana 4,45, IQR 4,04–5,15) rispetto alla tecnica in sei passaggi (mediana 3,91, IQR 3,69–4,62; p = 0,021)8. In particolare, in entrambi gli studi, le riduzioni del conteggio delle colonie non differivano in modo significativo tra le tecniche, e entrambi gli studi confermano che il metodo in 3 passaggi è efficace quando eseguito correttamente8,9.
Sulla base di queste evidenze, il ricercatore principale e il suo gruppo di ricerca hanno valutato e dimostrato l'efficacia della tecnica di igiene delle mani in 3 passaggi tra i professionisti sanitari in un ospedale universitario e di ricerca della regione Centro-Ovest del Brasile. In tale studio, una valutazione microbiologica delle mani dei partecipanti non ha rilevato crescita di microorganismi potenzialmente patogeni dopo l'esecuzione corretta della tecnica in 3 passaggi per 15 s. Questi risultati hanno confermato l'efficacia della tecnica11,12.
Alla luce dei problemi globali sopra descritti, il presente studio si concentra sullo sviluppo di un prodotto tecnologico relativo all'igiene delle mani, volto ad aumentare l'aderenza dei professionisti sanitari attraverso un braccialetto in grado di erogare un antisettico mediante un comando vocale al letto del paziente e di fornire un feedback sulla qualità della tecnica di igiene delle mani eseguita (Figura 2), con un display facilmente scollegabile dal serbatoio, che permette di sottoporre la parte del serbatoio a disinfezione ad alto livello secondo necessità. Si sottolinea inoltre che la proposta qui presentata è attualmente oggetto di domanda di modello di utilità (privilegio brevettuale) depositata presso l'Istituto Nazionale della Proprietà Industriale brasiliano (INPI) con il numero BR 20 2022 001267 4. È quindi fondamentale validare l'algoritmo del braccialetto per garantire che fornisca una valutazione affidabile e valida dei tre passaggi dell'igiene delle mani, con la capacità di distinguere con precisione tra esecuzioni corrette e scorrette della tecnica. La validità concordante riguarda la capacità di un metodo di corrispondere ad altre misurazioni raccolte per studiare lo stesso concetto. La validità concordante cerca di valutare con quanta accuratezza una nuova misura possa predire un concetto o criterio precedentemente validato13.
La validità in rapporto a un criterio descrive il grado in cui una procedura di misurazione corrisponde ad altre misure destinate a valutare lo stesso costrutto sottostante e, all'interno di questo quadro, viene utilizzata per verificare se uno strumento nuovo è allineato a uno standard di riferimento consolidato, precedentemente validato e affidabile (criterio). La validazione in rapporto a un criterio richiede (1) la selezione di un criterio appropriato e concettualmente rilevante e (2) la verifica indipendente della validità del criterio14. Quando lo standard di riferimento viene ottenuto contemporaneamente allo strumento in valutazione, la validità in rapporto a un criterio è generalmente considerata concorrente, mentre è considerata predittiva quando lo standard di riferimento viene misurato in un momento successivo; questa distinzione può essere guidata anche dallo scopo previsto della valutazione15.
Di conseguenza, la forza dell'accordo tra lo strumento e una misura esterna considerata standard aureo può essere valutata mediante analisi statistica. Tale analisi solitamente quantifica l'associazione o l'accordo tra lo strumento in esame e il criterio esterno (standard aureo) utilizzando opportune misure di associazione o concordanza14.
Per la specifica costruzione della compliance all'igiene delle mani (HH), l'osservazione diretta, attuata mediante la registrazione sistematica delle opportunità di igiene delle mani e la valutazione della qualità della tecnica da parte di osservatori formati, è ampiamente considerata lo standard aureo per la valutazione del criterio16 ed è fortemente raccomandata dall'Organizzazione Mondiale della Sanità (WHO)5.
In questo studio, l'investigatore ha svolto il ruolo di osservatore esperto nella valutazione della tecnica di igiene delle mani dei partecipanti. Il ricercatore principale è un esperto riconosciuto nella prevenzione e nel controllo delle infezioni correlate all'assistenza sanitaria, con competenze specifiche riguardo al rispetto dei Cinque Momenti per l'Igiene delle Mani dell'OMS5.
Per consentire una valutazione oggettiva e progressiva dell'esecuzione della tecnica, il presente studio integra una valutazione osservazionale basata su standard aurei con sensori inerziali indossati al polso e una procedura rigorosa per la delimitazione temporale di ciascun passo. I confini dei passaggi vengono determinati durante l'acquisizione dei dati utilizzando un'unità inerziale dedicata (IMU) per i marcatori temporali, gestita da un ricercatore collaboratore, che indica l'inizio o la fine di ogni passo e annota le transizioni tra i passaggi attraverso brevi eventi di tocco. Questi eventi di tocco vengono successivamente rilevati mediante una pipeline Python per il rilevamento dei picchi e utilizzati per suddividere le registrazioni dell'IMU al polso in istanze del Passo 1, Passo 2 e Passo 3. I segnali così segmentati per ogni passo vengono quindi abbinati a etichette binarie di correttezza assegnate dall'osservatore (corretto o errato) a livello di movimento. Questo disegno sperimentale permette di modellare la valutazione della tecnica HH come un'attività di etichettatura densa di serie temporali, seguita da una classificazione a livello di singolo passo.
I modelli sequenziali basati su transformer sono particolarmente adatti a questa formulazione del problema poiché l'autoattenzione può rappresentare le dipendenze temporali nei segnali dei sensori indossabili e può gestire la previsione da sequenza a sequenza quando le etichette di supervisione sono definite con una risoluzione temporale fine17. Le prestazioni del modello vengono quantificate utilizzando metriche di classificazione a livello di movimento (ad esempio, punteggio F1) insieme a criteri di sovrapposizione a livello di segmento (ad esempio, intersezione rispetto all'unione), catturando così sia (i) la correttezza delle decisioni tecniche sia (ii) la qualità della segmentazione temporale.
Sebbene l'obiettivo finale del sistema proposto sia fornire un feedback automatizzato in tempo reale durante l'esecuzione dell'igiene delle mani in ambienti clinici, il presente studio si concentra sulle procedure di acquisizione, annotazione e segmentazione temporale necessarie per generare il dataset di riferimento per il successivo addestramento e la validazione dell'algoritmo. Pertanto, l'obiettivo principale di questo lavoro è stabilire e validare un protocollo riproducibile per raccogliere dati sincronizzati provenienti da sensori inerziali e annotazioni generate dall'osservatore, che possano fungere da verità di riferimento per lo sviluppo futuro del machine learning.
I dati sono stati raccolti presso la Scuola di Ingegneria, Campus di Sao Joao da Boa Vista, dell'Università Statale di San Paolo (UNESP). Hanno partecipato cinquanta professionisti (n = 50): studenti (n = 20), membri del corpo docente (n = 18), personale tecnico amministrativo (n = 10) e lavoratori dei servizi generali (n = 2). Il set di dati finale comprendeva 1.500 esecuzioni della tecnica di HH in 3 passaggi. Ai partecipanti è stato chiesto di eseguire la tecnica di HH in 3 passaggi in tre scenari distinti, sotto la supervisione del ricercatore principale, che ha svolto il ruolo di valutatore di riferimento per l'esecuzione corretta.
Prima della raccolta dei dati, ai potenziali partecipanti è stato chiesto di prendere parte allo studio e sono stati informati in modo dettagliato sugli obiettivi e sulle procedure della ricerca. I partecipanti sono stati reclutati dalla comunità FESJ/UNESP, inclusi studenti universitari e laureati, membri del personale accademico, personale amministrativo e operatori di servizi generali. I partecipanti idonei erano adulti (≥18 anni), in grado di comprendere e svolgere correttamente la procedura di igiene delle mani, e disposti a fornire un consenso informato scritto prima della partecipazione.
Dopo aver ottenuto il consenso informato scritto, un assistente di ricerca del Dipartimento di Ingegneria Elettrica ha applicato un sensore di cattura del movimento al polso preferito del partecipante (destro o sinistro). Durante l'intero processo di raccolta dati, il ricercatore collaboratore è rimasto presente per fornire supporto tecnico, inclusa la garanzia di una trasmissione del segnale affidabile e il monitoraggio della variabilità del segnale.
Protocollo
Questo protocollo sperimentale è stato approvato dal Comitato Etico per la Ricerca dell'Ospedale Universitario. Ai partecipanti che hanno accettato di prendere parte allo studio è stato richiesto di firmare il modulo di consenso informato in conformità con la Risoluzione n. 466/2012 del Consiglio Nazionale della Salute del Brasile18. I reagenti e le attrezzature utilizzati sono elencati nella Tabella dei Materiali.
1. Preparazione dell'ambiente per la raccolta dei dati
- Posizionare un laptop, uno smartphone montato su un supporto e una sedia davanti all'assistente di ricerca.
- Posizionare un laptop e una sedia davanti all'osservatore esperto.
- Posizionare uno sgabello accanto all'osservatore esperto e collocare l'IMU del marcatore temporale sopra di esso in modo che sia facilmente accessibile.
- Fissare l'IMU del marcatore temporale alla superficie dello sgabello utilizzando nastro adesivo.
- Collocare sulla postazione davanti al partecipante una bottiglia di soluzione idroalcolica per le mani, salviette umidificate, crema idratante, l'IMU da polso e un cronometro.
- Posizionare un cestino per i rifiuti accanto al partecipante.
2. Verifica della connettività dell'applicazione (da parte dell'assistente di ricerca)
- Assicurarsi che il livello della batteria dello smartphone rimanga superiore all'80%.
- Assicurarsi che l'IMU indossato al polso sia completamente carico.
- Assicurarsi che l'IMU del marcatore temporale sia completamente carico.
- Assicurarsi che l'applicazione "Stay Awake" sia attiva.
- Avviare l'applicazione BSL Capture, sviluppata presso il Biomedical Signals Laboratory (LSBio/UFSCar), e attendere il completamento della scansione dei dispositivi Bluetooth.
- Verificare che entrambi gli IMU siano presenti nell'elenco dei dispositivi disponibili sulla schermata principale.
- Confermare che lo stato di connessione di entrambi gli IMU sia visualizzato come "Connesso" e che i dati in tempo reale dei sensori vengano aggiornati continuamente prima di iniziare l'acquisizione dei dati.
- Confermare che l'intero flusso di lavoro di acquisizione ed elaborazione mostrato in Figura 3 sia operativo prima di avviare la registrazione del partecipante.
- Prima di iniziare l'acquisizione dei dati, verificare che entrambi gli IMU indossabili (WitMotion WT901BLECL) funzionino con la configurazione predefinita del produttore, registrando continuamente i segnali dell'accelerometro triassiale e del giroscopio, con un intervallo di misura dell'accelerometro di ±6 g, un intervallo di misura del giroscopio di ±2000 °/s e una frequenza di campionamento effettiva di circa 25 Hz. Durante l'acquisizione dei dati non viene applicato alcun filtro aggiuntivo a livello hardware.
3. Preparazione dell'osservatore addestrato
- Assicurarsi che ogni partecipante completi le tre fasi di raccolta dati individualmente, senza la presenza di altri partecipanti nella stanza durante l'acquisizione del segnale.
- Assegnare un singolo osservatore addestrato per istruire e monitorare ciascun partecipante.
- Registrare la classificazione di ciascun passaggio della tecnica HH in tre passaggi in un foglio di calcolo dedicato.
- Assicurarsi che l'osservatore addestrato abbia una visione chiara della tecnica HH del partecipante e un facile accesso all'IMU marcatore temporale.
- Valutare ogni passaggio della tecnica di igiene delle mani secondo il protocollo standardizzato di igiene delle mani in tre passaggi9. Classificare ciascun passaggio come corretto o errato in base ai criteri di valutazione predeterminati.
NOTA: Il foglio di calcolo è organizzato in modo da includere l'ID del partecipante, il numero di esecuzione della tecnica HH (da 1 a 10 per ciascuna delle tre fasi di raccolta dati) e la classificazione dei passaggi 1, 2 e 3 della tecnica HH. Registrare la classificazione di ciascun passaggio come corretto o errato.
4. Preparazione del partecipante (da parte dell'assistente alla ricerca)
- Fare accomodare il partecipante su una sedia rivolta verso il banco preparato.
- Chiedere al partecipante di appoggiare entrambi gli avambracci sul banco.
- Chiedere al partecipante di scegliere il polso preferito per il posizionamento dell'IMU da polso.
- Fissare l'IMU da polso al polso scelto dal partecipante utilizzando il laccetto in Velcro, assicurandosi che sia ben saldo e stabile senza causare disagio.
- Posizionare un cronometro visibile o un timer digitale sul banco, entro il campo visivo del partecipante.
- Eseguire tutte le sessioni di acquisizione dati nello stesso laboratorio, con illuminazione artificiale costante e con il condizionatore in funzione per tutta la durata delle sessioni sperimentali, al fine di mantenere condizioni ambientali costanti.
5. Procedura di raccolta e registrazione dei dati (da parte dell'osservatore addestrato)
NOTA: Una panoramica dell'intero flusso di lavoro per la raccolta dei dati è presentata nella Figura 4. Il protocollo comprende tre fasi sequenziali di acquisizione: (1) istruzione verbale, (2) dimostrazione della tecnica corretta e (3) esecuzione di modelli di errore predeterminati. In ciascuna fase, i partecipanti eseguono 10 ripetizioni della tecnica di igiene delle mani in tre passaggi. Durante tutte le fasi, l'osservatore addestrato valuta la correttezza di ciascun passaggio e genera marcatori temporali utilizzando l'IMU per i marcatori temporali, al fine di supportare la successiva segmentazione dei segnali e l'annotazione del dataset risultante. La Figura 3 riassume l'intero flusso di lavoro di acquisizione, elaborazione, segmentazione e generazione del dataset.
- Prima fase della raccolta dati
- Descrivere verbalmente ogni passaggio della tecnica HH in 3 fasi al partecipante (Figura 1).
- Dichiarare esplicitamente: "Eseguire ciascuna delle tre fasi per almeno 5 s, in modo che l'intera tecnica duri almeno 15 s."
- Chiedere al partecipante di monitorare il cronometro posizionato davanti a lui.
- Chiedere al partecipante di eseguire la tecnica HH in 3 fasi per 10 volte, consentendo un intervallo di riposo tra ogni esecuzione completa della tecnica HH.
- Battere una volta sull'IMU del marcatore temporale immediatamente dopo il completamento di ogni fase HH per generare un riferimento temporale utilizzato durante il processo di segmentazione.
- Assicurarsi che l'osservatore addestrato valuti attentamente la qualità di ciascuna fase HH eseguita e la registri nel foglio di calcolo come corretta o errata.
- Alla quinta esecuzione della tecnica HH in 3 fasi, ricordare al partecipante di eseguire ogni fase per almeno 5 s.
- Monitorare la visualizzazione in tempo reale del segnale nell'applicazione per smartphone e confermare che i pacchetti di dati siano ricevuti continuamente da entrambi gli IMU durante tutta la sessione di registrazione. In caso di perdita di pacchetti, disconnessione del sensore o scarsa qualità del segnale, interrompere la registrazione, ripristinare la connessione Bluetooth se necessario e ripetere l'acquisizione per garantire una registrazione completa e affidabile del segnale.
- Seconda fase della raccolta dati
- Assicurarsi che l'osservatore addestrato dimostri l'esecuzione corretta della tecnica HH in 3 fasi (Figura 1).
- Assicurarsi che l'osservatore addestrato dimostri ogni fase lentamente e in piena vista del partecipante, ripetendo qualsiasi fase se necessario finché il partecipante non indica di aver compreso.
- Assicurarsi che l'osservatore addestrato indichi i punti di contatto critici e gli errori comuni durante la dimostrazione.
- Dichiarare esplicitamente: "Eseguire ciascuna delle tre fasi per almeno 5 s, in modo che l'intera tecnica duri almeno 15 s, seguendo la dimostrazione pratica dell'osservatore addestrato."
- Chiedere al partecipante di eseguire 10 ripetizioni della tecnica HH in 3 fasi.
- Valutare la correttezza di ogni fase della tecnica HH in 3 fasi.
- Generare marcatori temporali utilizzando l'IMU del marcatore temporale dopo ogni fase HH.
- Monitorare la trasmissione del segnale in tempo reale durante tutta la sessione di acquisizione. In caso di perdita di pacchetti, disconnessione del sensore o scarsa qualità del segnale, interrompere la registrazione e ripetere l'acquisizione dopo aver ripristinato la trasmissione normale del segnale.
- Assicurarsi che l'osservatore addestrato dimostri l'esecuzione corretta della tecnica HH in 3 fasi (Figura 1).
- Terza fase della raccolta dati
- Assicurarsi che l'osservatore addestrato dimostri lo schema di errore che dovrà essere eseguito dal partecipante.
- Assicurarsi che l'osservatore addestrato applichi lo Schema di Errore 1, 2, 3 e 4 in modo sequenziale.
- Assegnare gli Schemi di Errore 1–4 in ordine sequenziale ai partecipanti consecutivi e ripetere il ciclo dopo il partecipante 4.
- Assicurarsi che l'osservatore addestrato dimostri gli schemi di errore, definiti come segue:
- Schema di Errore 1: Per la Fase 1, coprire solo i palmi ed escludere le restanti superfici delle mani. Per la Fase 2, strofinare le punte delle dita escludendo i pollici. Per la Fase 3, muovere i pollici avanti e indietro senza strofinio rotazionale.
- Schema di Errore 2: Per la Fase 1, omettere la copertura del dorso della mano sinistra. Per la Fase 2, strofinare solo le punte delle dita indice, medio e anulare, escludendo mignoli e pollici. Per la Fase 3, eseguire uno strofinio rotazionale parziale dei pollici.
- Schema di Errore 3: Per la Fase 1, omettere la copertura del dorso della mano destra. Per la Fase 2, strofinare solo le punte delle dita della mano destra. Per la Fase 3, eseguire lo strofinio rotazionale solo del pollice destro.
- Schema di Errore 4: Per la Fase 1, coprire solo i palmi. Per la Fase 2, strofinare le punte delle dita utilizzando un movimento invertito o scorretto. Per la Fase 3, eseguire lo strofinio rotazionale solo del pollice sinistro.
- "Eseguire ciascuna delle tre fasi per almeno 5 s, in modo che l'intera tecnica duri almeno 15 s, seguendo la dimostrazione pratica dell'osservatore addestrato."
- Chiedere al partecipante di eseguire 10 ripetizioni della tecnica HH in 3 fasi.
- Valutare la correttezza di ogni fase della tecnica HH in 3 fasi.
- Generare marcatori temporali utilizzando l'IMU del marcatore temporale dopo ogni fase HH.
- Monitorare la trasmissione del segnale in tempo reale durante tutta la sessione di acquisizione. In caso di perdita di pacchetti, disconnessione del sensore o scarsa qualità del segnale, interrompere la registrazione e ripetere l'acquisizione dopo aver ripristinato la trasmissione normale del segnale.
- Rimuovere delicatamente l'IMU indossato al polso dal polso del partecipante.
- Asciugare con tovaglioli di carta qualsiasi eccesso di soluzione igienizzante a base alcolica.
- Pulire la superficie di lavoro e smaltire i tovaglioli usati nel cestino dei rifiuti.
- Offrire una crema idratante se il partecipante ne fa richiesta o segnala la necessità.
- Ringraziare il partecipante per il suo contributo.
Risultati
Il protocollo di raccolta dei dati clinici è stato implementato come previsto e i segnali inerziali acquisiti tramite dispositivi indossati al polso sono stati registrati con successo da tutti i partecipanti arruolati durante tutte le esecuzioni programmate della tecnica HH. Il set di dati risultante comprendeva 50 partecipanti e 1.500 esecuzioni complete della tecnica HH in tre passaggi (30 esecuzioni per partecipante). Quando suddivisi in tre passaggi ordinati per ogni esecuzione, questi dati hanno prodotto complessivamente 4.500 segmenti di movimento.
Esecuzione del test clinico
Ogni partecipante ha eseguito tre blocchi consecutivi di 10 esecuzioni della manovra HH (per un totale di 30 esecuzioni per partecipante), e ogni esecuzione della manovra HH comprendeva i tre passaggi ordinati definiti per la tecnica in 3 fasi. Il primo blocco è stato eseguito dopo una spiegazione orale dei movimenti corretti; il secondo blocco è stato eseguito dopo la spiegazione orale e la dimostrazione visiva dei movimenti corretti; il terzo blocco è stato eseguito dopo la dimostrazione di movimenti errati che riflettevano schemi di errore comuni osservati nella pratica sanitaria. Per il blocco relativo ai movimenti errati, sono stati impiegati quattro schemi di errore predeterminati, distribuiti tra i partecipanti secondo uno schema bilanciato (ovvero alternando gli schemi tra partecipanti successivi) per garantire una rappresentazione comparabile di ciascun tipo di errore a livello del gruppo di studio.
Tutti i 50 partecipanti hanno completato con successo le tre fasi di acquisizione, ottenendo 1.500 esecuzioni complete della tecnica HH in tre passaggi. Durante la raccolta dei dati, l'osservatore esperto ha valutato ogni esecuzione e ha registrato la correttezza del Passaggio 1, del Passaggio 2 e del Passaggio 3 secondo i criteri di valutazione predeterminati. Contemporaneamente, sono stati generati marcatori temporali mediante l'IMU ausiliario per indicare le transizioni tra i passaggi consecutivi della manovra HH. Questa procedura ha prodotto un insieme completo di annotazioni basate sull'osservatore e di riferimenti temporali per tutte le esecuzioni registrate, consentendo la successiva segmentazione e la costruzione del dataset.
Delimitazione dello step temporale
Tutte le sessioni sono state affiancate da un ricercatore collaboratore incaricato di generare un riferimento temporale esterno per i confini dei passi. Questo riferimento è stato prodotto utilizzando un secondo IMU dedicato all'annotazione, che veniva leggermente colpito a mano per indicare l'inizio e la fine di ciascun passo, inclusi i passaggi tra passi consecutivi. Questi eventi di battitura hanno generato un segnale temporale codificato, che è stato successivamente utilizzato per delimitare, per ogni esecuzione di HH, l'estensione temporale del Passo 1, del Passo 2 e del Passo 3.
I marcatori temporali sono stati generati con successo per tutte le esecuzioni di HH registrate. Gli eventi indotti dai colpetti hanno prodotto picchi distinti nel segnale ausiliario dell'IMU, consentendo un'identificazione chiara delle transizioni tra Passo 1, Passo 2 e Passo 3. Questi riferimenti temporali hanno fornito un meccanismo riproducibile per sincronizzare le annotazioni dell'osservatore con le registrazioni dell'IMU indossato al polso e hanno costituito la base per la successiva segmentazione del segnale.
Elaborazione del segnale e segmentazione
È stato sviluppato un algoritmo basato su Python per elaborare il flusso temporale dei marcatori proveniente dall'IMU, inclusi operazioni di filtraggio e logica di rilevamento dei picchi per identificare in modo affidabile gli eventi indotti dai colpetti. L'elaborazione del segnale è stata eseguita mediante uno script Python sviluppato ad hoc, implementato nell'ambiente Spyder IDE versione 6.0.5 con Python 3.9.19 (distribuzione Anaconda, Windows 11). I segnali dell'IMU sono stati importati da file di testo delimitati in Python utilizzando il rilevamento automatico del delimitatore e l'analisi numerica adattata alle impostazioni locali, al fine di recuperare il canale della velocità angolare del giroscopio acquisito a 25 Hz. Il segnale è stato raddrizzato a onda intera e smussato mediante un kernel gaussiano unidimensionale (σ ≈ 60 ms) per attenuare il rumore ad alta frequenza preservandone l'involucro temporale. Gli eventi discreti sono stati quindi identificati tramite una procedura automatica di rilevamento dei picchi vincolata da una prominenza minima (5% dell'ampiezza massima), da una distanza minima tra i picchi e da una larghezza minima del picco. I picchi rilevati sono stati successivamente utilizzati come riferimenti temporali per suddividere le registrazioni dell'IMU indossato al polso in istanze di movimento corrispondenti al Passo 1, Passo 2 e Passo 3, ottenendo un insieme di dati risolti per singolo passo che comprende 1.500 esecuzioni (4.500 istanze di passo segmentate).
Figura 5 illustra la procedura di segmentazione temporale per tre esecuzioni consecutive di HH (nove passaggi in totale), mostrando il segnale IMU filtrato basato sui tocchi del marker temporale, i corrispondenti picchi rilevati utilizzati come eventi di delimitazione dei passaggi e il segnale IMU indossato al polso sincronizzato registrato durante l'esecuzione di HH. L'intero flusso di lavoro, dall'acquisizione dei dati alla generazione del dataset annotato a livello di passaggio, è riassunto nella Figura 3.
La procedura di segmentazione è stata applicata con successo a tutte le esecuzioni di HH registrate. Gli eventi marcatore temporali rilevati hanno permesso un'identificazione affidabile dei confini dei passaggi e la successiva segmentazione delle registrazioni continue dell'IMU indossato al polso in istanze del Passaggio 1, Passaggio 2 e Passaggio 3. Il dataset risultante è stato abbinato ad annotazioni generate dall'osservatore per ciascuna istanza di movimento, fornendo le etichette di riferimento necessarie per l'addestramento e la validazione successivi dell'algoritmo. Figura 5 mostra la corrispondenza tra gli eventi marcatore temporali, i picchi rilevati e i confini di movimento risultanti, illustrando l'implementazione corretta del protocollo proposto di acquisizione e segmentazione.
Set di dati risultante e utilità successiva
Il set di dati risultante aggrega realizzazioni corrette e intenzionalmente errate dei tre passaggi dell'HH in tre condizioni di acquisizione (istruzione orale, dimostrazione orale più visiva e schemi di errore istruiti), con i confini temporali a livello di passaggio forniti dal segnale ausiliario del marcatore IMU. Questo set di dati consente lo sviluppo e la valutazione di modelli di classificazione per singoli passaggi che utilizzano dati IMU indossabili, con l'obiettivo pratico a lungo termine di abilitare un feedback in tempo reale per i professionisti sanitari durante l'esecuzione dell'HH in ambienti clinici. Tutte le inferenze sono limitate a dimostrare la fattibilità del protocollo e la creazione con successo di un ampio set di dati segmentato per passaggi, adatto per modellazione algoritmica successiva.
Figura 1: Illustrazione della tecnica di igiene delle mani (HH) in tre passaggi. Cliccare qui per visualizzare una versione ingrandita di questa figura.
Figura 2: Prototipo del dispositivo indossabile al polso per il monitoraggio dell'igiene delle mani. Cliccare qui per visualizzare una versione ingrandita di questa figura.
Figura 3: Flusso di lavoro per l'acquisizione, l'elaborazione e la segmentazione dei dati. Cliccare qui per visualizzare una versione ingrandita di questa figura.
Figura 4: Rappresentazione schematica del metodo proposto. Cliccare qui per visualizzare una versione ingrandita di questa figura.
Figura 5: Rilevamento dei confini delle fasi e segmentazione di tre esecuzioni consecutive dell'igiene delle mani in tre passaggi. Il segnale registrato dall'unità di misurazione inerziale (IMU) indossata al polso di un partecipante è mostrato in blu, mentre il segnale filtrato dell'IMU basato sui colpetti è mostrato in arancione. I picchi indotti dai colpetti, utilizzati per identificare le transizioni tra i passaggi dell'igiene delle mani, sono indicati con cerchi rossi. I singoli passaggi all'interno di ciascuna esecuzione dell'igiene delle mani sono etichettati con 1, 2 e 3. Sono mostrati nove passaggi consecutivi (tre esecuzioni complete dell'igiene delle mani) a scopo illustrativo. Cliccare qui per visualizzare una versione ingrandita di questa figura.
Discussione
Questo studio affronta la validità del criterio per la valutazione della tecnica HH in passaggi successivi, combinando un processo osservazionale di riferimento con sensori inerziali indossabili e una strategia riproducibile di segmentazione temporale. La discussione che segue interpreta le scelte metodologiche e delinea i contributi scientifici previsti, mantenendosi coerente con l'ambito dello studio e con le evidenze generate attraverso l'esecuzione del protocollo e la costruzione del set di dati.
Interpretazione e contributo
Un contributo fondamentale consiste nella dimostrazione della fattibilità di generare un dataset con risoluzione temporale basato su sensori indossabili per la tecnica HH a 3 passaggi in condizioni controllate, che includono sia l'esecuzione corretta sia modelli rappresentativi di esecuzioni errate. Le dimensioni del dataset (50 partecipanti, 1.500 esecuzioni complete della manovra HH, 4.500 segmenti di passaggio) consentono lo sviluppo e la valutazione di modelli a livello di movimento (passaggio), anziché considerare la manovra HH come un'unica attività indifferenziata.
Strutturando esplicitamente le fasi di acquisizione in tre sezioni (istruzione orale, dimostrazione orale più visiva e modelli di esecuzione errata guidata), lo studio stabilisce una base coerente per analizzare in che modo il contesto istruzionale e l'induzione di errori influenzino la cinematica a livello di singolo passo e la successiva discriminazione algoritmica19.
Considerazioni metodologiche
L'utilizzo di una seconda IMU come marcatore temporale esterno, con indicazioni basate sui tocchi ai confini dei passi, fornisce un meccanismo di delimitazione dei passi che non dipende da un'analisi successiva e soggettiva basata esclusivamente sui video. L'algoritmo successivo di rilevamento dei picchi e segmentazione implementato in Python traduce questi segnali di confine in una procedura coerente, essenziale per l'etichettatura temporale densa e la classificazione corretta passo dopo passo.
La distribuzione bilanciata di quattro modelli errati tra i partecipanti rafforza la struttura interna della classe "errata", riducendo il rischio di sovrarappresentare una singola modalità di errore. Questo è particolarmente importante dato che l'obiettivo della classificazione è la correttezza specifica per ogni passaggio, piuttosto che un'individuazione generica di anomalie.
Passaggi critici del protocollo
Un aspetto fondamentale del protocollo proposto è mantenere la corrispondenza temporale tra la valutazione basata sull'osservatore e i segnali inerziali acquisiti dal sensore indossabile. Questo obiettivo dipende da quattro fasi interconnesse. In primo luogo, è essenziale un'acquisizione affidabile di segnali IMU sincronizzati per garantire che nessuna informazione rilevante sui movimenti venga persa durante la registrazione. In secondo luogo, l'osservatore addestrato deve applicare in modo coerente criteri di valutazione predeterminati, poiché queste valutazioni costituiscono le etichette di verità di riferimento utilizzate per lo sviluppo successivo dell'apprendimento automatico. In terzo luogo, i marcatori temporali generati con l'IMU ausiliario devono indicare con precisione le transizioni tra i passaggi consecutivi dell'igiene delle mani, consentendo la sincronizzazione tra la valutazione osservazionale e le registrazioni del sensore indossabile. Infine, un'efficace rilevazione dei picchi e la segmentazione del segnale sono fondamentali per isolare correttamente le singole istanze di movimento, poiché imprecisioni nella segmentazione influirebbero direttamente sulla qualità del dataset annotato e potrebbero propagare errori nella successiva fase di addestramento e validazione dell'algoritmo. Nel complesso, queste fasi costituiscono la base metodologica necessaria per generare un dataset di riferimento riproducibile, accuratamente annotato e affidabile per lo sviluppo futuro di algoritmi.
Sebbene il protocollo sia stato implementato con successo durante l'intero studio, diversi fattori pratici devono essere considerati per garantire la qualità del dataset nelle future applicazioni. Una comunicazione stabile tra le IMU e l'applicazione di acquisizione, insieme a una generazione affidabile dei marcatori temporali, è fondamentale per assicurare un'acquisizione dati riuscita e una successiva segmentazione del segnale. Le registrazioni contenenti marcatori temporali mancanti o ambigui devono pertanto essere ispezionate visivamente e riacquisite se necessario. Inoltre, l'etichettatura coerente da parte dell'osservatore è fondamentale poiché queste annotazioni costituiscono la verità di riferimento per lo sviluppo successivo dell'apprendimento automatico. Infine, si raccomanda una verifica visiva dei segnali segmentati per confermare che i confini dei movimenti rilevati corrispondano ai passaggi previsti dell'igiene delle mani prima dell'inclusione nel dataset di riferimento.
Validità e generalizzabilità
Dal punto di vista della validità concorrente, la domanda centrale è se la correttezza a livello di singolo passaggio, dedotta dai segnali IMU, corrisponda a un criterio esterno indipendente, rappresentato qui dall'osservazione da parte di operatori esperti durante l'acquisizione. Questo disegno sperimentale allinea l'obiettivo del modello a una costrutto comportamentale interpretabile – l'esecuzione corretta di ciascuno dei tre passaggi – piuttosto che a proxy indiretti. Permette inoltre di riportare l'accordo alla stessa granularità con cui sono definiti i label di addestramento. Tuttavia, la validità concorrente dipende non solo dal modello, ma anche dall'affidabilità e dalla coerenza del criterio stesso. Di conseguenza, le procedure degli osservatori, la chiarezza delle definizioni di correttezza per ciascun passaggio e la coerenza nel segnalare i confini sono elementi fondamentali che determinano quanto sia sostenibile l'accordo osservato.
Implicazioni pratiche
Lo studio attuale non valuta le prestazioni del feedback in tempo reale nella pratica clinica. Al contrario, definisce e convalida il protocollo di acquisizione, annotazione e segmentazione temporale utilizzato per generare il set di dati di riferimento per lo sviluppo successivo di algoritmi di apprendimento automatico. Di conseguenza, l'esito convalidato dello studio è il protocollo di acquisizione dei dati e non il sistema di monitoraggio in tempo reale in sé. La classificazione automatica dei movimenti, il monitoraggio in tempo reale e le funzionalità di feedback rimangono obiettivi delle fasi successive del progetto e non sono stati valutati nel presente studio. Un paradigma di valutazione suddiviso per fasi è clinicamente significativo perché può supportare un feedback utilizzabile: identificare quale passaggio specifico è errato è generalmente più utile dal punto di vista operativo rispetto a fornire un'unica etichetta di superamento/fallimento per l'intero tentativo di disinfezione delle mani.
Il protocollo in tre sezioni fornisce una base per analisi future su come istruzioni e dimostrazioni modellino i modelli di esecuzione delle tecniche, il che potrebbe orientare le strategie di formazione e la progettazione di messaggi di feedback mirati ai singoli passaggi20. Se tradotto in applicazioni future in tempo reale, un approccio basato su dispositivi indossabili al polso potrebbe affiancare l'osservazione diretta aumentando la frequenza e la standardizzazione della valutazione della tecnica di igiene delle mani, senza richiedere audit continui in presenza.
Rispetto all'osservazione diretta convenzionale, che rimane lo standard di riferimento per la valutazione della tecnica dell'igiene delle mani5, il protocollo proposto combina una valutazione da parte di esperti con sensori indossabili sincronizzati e una segmentazione basata su marcatori temporali per generare annotazioni oggettive a livello di movimento. I sistemi indossabili basati su IMU si sono affermati come un approccio consolidato per l'analisi del movimento umano poiché supportano pipeline strutturate di elaborazione del segnale comprendenti pre-elaborazione, segmentazione, estrazione di caratteristiche e classificazione21. Inoltre, recensioni recenti hanno evidenziato l'uso crescente di sensori indossabili e di altri sistemi elettronici di monitoraggio per la valutazione dell'igiene delle mani, sottolineandone al contempo il potenziale di affiancare i metodi convenzionali di osservazione22. In questo contesto, il presente protocollo è stato progettato specificamente per generare un dataset annotato di alta qualità che possa supportare lo sviluppo e la validazione futuri di algoritmi di apprendimento automatico in grado di valutare la tecnica dell'igiene delle mani a livello di singolo passaggio.
Limitazioni e prospettive future
Gli acquisizioni sono state effettuate in un ambiente controllato e includevano schemi errati prestabiliti; la rappresentatività della distribuzione degli errori rispetto alla pratica clinica routinaria deve essere interpretata con cautela. Sarebbe necessaria una validazione esterna in condizioni reali prima di formulare affermazioni riguardo al dispiegamento operativo23. Inoltre, l'utilizzo di un singolo osservatore addestrato e la dipendenza da segnalazioni dei confini basate su tocco introducono potenziali fonti di bias sistematico e variabilità temporale. Questi fattori dovrebbero essere quantificati in lavori successivi (ad esempio, valutando la robustezza nel rilevamento dei confini e la coerenza dell'osservatore).
I lavori futuri dovrebbero dare priorità a: (1) lo sviluppo di modelli di classificazione basati sull'intelligenza artificiale, (2) la conduzione di analisi formali di accordo tra i risultati del modello e il criterio osservazionale a livello di movimento, (3) la valutazione di diversi gruppi di utenti e posizionamenti dei sensori, e (4) la validazione delle prestazioni del monitoraggio in tempo reale e del feedback passo dopo passo in flussi di lavoro clinici realistici. Di conseguenza, qualsiasi affermazione riguardante il monitoraggio automatizzato, l'usabilità, la latenza, l'efficienza o la scalabilità clinica deve essere interpretata come un obiettivo futuro piuttosto che come un risultato dimostrato dal presente studio. Analogamente, l'impatto potenziale del sistema proposto sulla compliance all'igiene delle mani o sulla prevenzione delle infezioni resta da dimostrare attraverso future validazioni cliniche.
Dichiarazioni
Gli autori dichiarano di non avere conflitti di interessi relativi a questo studio.
Ringraziamenti
Gli autori ringraziano il CNPq (Consiglio Nazionale Brasiliano per lo Sviluppo della Ricerca Scientifica e Tecnologica) per il supporto finanziario.
Materiali
| Nome | Azienda | Numero di catalogo | Commenti |
|---|---|---|---|
| Nastro adesivo | SCOTCH | 5802 | Fissaggio dell'IMU di riferimento allo sgabello |
| Disinfettante per le mani a base alcolica (70%) | Giovanna Babby | - | Prodotto igienizzante per le mani |
| Applicazione BSL Capture UFSCar | LSBio/UFSCar | - | Applicazione per smartphone per l'acquisizione dei dati dell'IMU |
| Unità di misurazione inerziale (IMU) (2 unità) | WitMotion | WT901BLECL | Un'IMU da indossare al polso e un'IMU come marcatore temporale |
| Computer portatile | ASUS | S46C | Monitoraggio ed elaborazione dei dati |
| Computer portatile | Apple | MacBook Air M1 | Monitoraggio ed elaborazione dei dati |
| Crema idratante | NIVEA | - | Conforto del partecipante dopo l'esecuzione dell'igiene delle mani |
| Asciugamani di carta | SNOB | - | Asciugatura e pulizia delle mani |
| Script Python per la segmentazione | Custom-developed | - | Algoritmo di rilevamento dei picchi e di segmentazione temporale per i segnali dell'IMU |
| Smartphone | XIAOMI | REDMI 13 | Acquisizione dei dati dell'IMU |
| Supporto per smartphone | - | - | Posizionamento dello smartphone durante l'acquisizione |
| Salviettine umidificate | Pampers | - | Pulizia delle mani del partecipante e della superficie di lavoro |
Riferimenti
- World Health Organization. Global report on infection prevention and control: executive summary [Internet]. Geneva: World Health Organization; 2022. Available from: https://cdn.who.int/media/docs/default-source/integrated-health-services-(ihs)/ipc/ipc-global-report/who_ipc_global-report_executive-summary.pdf
- World Health Organization. WHO research agenda for hand hygiene in health care 2023–2030: summary. Geneva: World Health Organization; 2023. Available from: https://iris.who.int/bitstream/handle/10665/367527/9789240073715-eng.pdf
- Valim MD, et al. Efficacy of the multimodal strategy for hand hygiene compliance: an integrative review. 2019;72(2):552-565.
- Toney-Butler TJ, Gasner A, Carver N. Hand hygiene. In: StatPearls [Internet]. Treasure Island (FL): StatPearls Publishing; 2023. Available from: https://www.ncbi.nlm.nih.gov/books/NBK470254/
- World Health Organization. WHO guidelines on hand hygiene in health care: first global patient safety challenge Clean Care is Safer Care. Geneva: World Health Organization; 2009: WHO/IER/PSP/2009/01.
- World Health Organization. Interim recommendations on obligatory hand hygiene against transmission of COVID-19. Geneva: World Health Organization; 2020. Available from: https://www.who.int/publications/m/item/interim-recommendations-on-obligatory-hand-hygiene-against-transmission-of-covid-19
- Price L, et al. Comparing the effectiveness of hand hygiene techniques in reducing the microbial load and covering hand surfaces in healthcare workers: updated systematic review. Am J Infect Control. 2022;50(10):1079-1090.
- Tschudin-Sutter S, et al. Simplifying the WHO "how to hand rub" technique: three steps are as effective as six—results from an experimental randomized crossover trial. Clin Microbiol Infect. 2017;23(6):409-414.
- Tschudin-Sutter S, et al. Simplifying the World Health Organization protocol: 3 steps versus 6 steps for performance of hand hygiene in a cluster-randomized trial. Clin Infect Dis. 2019;69(4):614-620.
- Stadler RN, Tschudin-Sutter S. What is new with hand hygiene? Curr Opin Infect Dis. 2020;33(4):327-232.
- Valim MD, et al. The impact of an effective 3-step hand hygiene technique in reducing potentially pathogenic microorganisms found on nursing professionals' hands. J Infect Dev Ctries. 2023;17(8):1088-1098.
- Valim MD, et al. Adherence to hand hygiene technique: an observational study. Acta Paul Enferm. 2024;37:eAO0001262.
- Campbell JC, Hindle A, Stroulia E. The art and science of analyzing software data. Burlington (MA): Morgan Kaufmann; 2013.
- Cunha CM, Neto OPA, Stackfleth R. Main psychometric evaluation methods of the validity of measuring instruments. Rev Aten Saúde. 2016;14(47):75-83.
- Pasquali L. Psicometria. Rev Esc Enferm USP. 2009;43:992-999.
- Boyce JM, Pittet D. Guideline for hand hygiene in health care settings: recommendations of the Healthcare Infection Control Practices Advisory Committee and the HICPAC/SHEA/APIC/IDSA Hand Hygiene Task Force. MMWR Recomm Rep. 2002;51(RR-16):1-45.
- Ramachandra S, Hoelzemann A, Van Laerhoven K. Transformer networks for data augmentation of human physical activity recognition. arXiv. 2021. arXiv:2109.04054.
- Brasil. Conselho Nacional de Saúde. Resolução nº 466, de 12 de dezembro de 2012. Brasília: Conselho Nacional de Saúde; 2012.
- Dirgová Luptáková I, Kubovčík M, Pospíchal J. Wearable sensor-based human activity recognition with transformer model. Sensors (Basel). 2022;22(5):1911.
- Srigley JA, Furness CD, Baker GR, Gardam M. Quantification of the Hawthorne effect in hand hygiene compliance monitoring using an electronic monitoring system: a retrospective cohort study. BMJ Qual Saf. 2014;23(12):974-980.
- Ghasemzadeh H, Ostadabbas S, Guenterberg E, Pantelopoulos A. Wireless medical-embedded systems: a review of signal-processing techniques for classification. IEEE Sens J. 2013;13(2):423-437.
- Wang Y, Xu C, Xiang W, et al. Electronic monitoring systems for hand hygiene: systematic review of technology. J Med Internet Res. 2021;23(11):e27880.
- Gould DJ, Moralejo D, Drey N, Chudleigh JH. Interventions to improve hand hygiene compliance in patient care. Cochrane Database Syst Rev. 2010;(9):CD005186.
Ristampe e permessi
Questo articolo è stato pubblicato
Video in arrivo