SSA最適化SVMを用いた緊急生命維持医療機器の情報ベース品質管理システム

サマリー

プロトコルは、緊急生命維持医療機器の看護品質管理指数システムの作成を説明し、追跡のためにベクターマシンモデルを組み合わせています。

要約

現在、医療機関には、看護スタッフが器具や機器を管理する際に情報プラットフォームを活用する包括的かつ信頼性の高い品質管理指標システムが不足しています。この問題に対処するため、緊急生命維持医療機器の管理要件、看護運用手順、品質基準に基づく看護品質管理指数システムが設計されました。このインデックスシステムは、機器の情報に基づく監視を促進するために改良されたサポートベクターマシン(SVM)モデルを用い、機器や機器の不完全な管理や非標準的な使用の改善に向けた指針を提供することを目指しています。結果は、品質管理システムの情報に基づくモニタリングの下で、各部門の医療指示スキャンの平均実行率が80%を超えることを示しています。ほとんどの部門で機器のタイムリーメンテナンス率は90%を超えることができ、例外はごくわずかです。この緊急生命維持医療機器の品質管理システムは研究目的で設計されており、各部門の機器の保守を効果的に監視し、機器や機器の標準化された管理と使用を達成・促進できます。

概要

人工呼吸器、麻酔機器、除細動器などの緊急生命維持医療機器は、患者のバイ^{タルサイン}を維持または回復させるために緊急医療状況において重要な役割を果たします。医療技術の急速な発展により、これらの装置は重篤な患者の救助やバイタルサインの維持において極めて重要な存在となっています。これらの装置は常に完全な機能性と使用性を確保しなければなりません。患者の命が危険にさらされた際に機器の故障が発生した場合、迅速な救助が妨げられる可能性があるため^です。医療機器の堅牢な品質管理システムは、正常な運用を確保するために不可欠です。効果的な品質管理システムを確立・維持することで、医療機器の故障率を低減し、機器の使用品質を保証し、医療機器の信頼性と耐用年数を向上させ、保守コストを^4.5%削減できます。最近の証拠は、構造化された保守および品質管理プログラムが、情報システムに支えられることで、メンテナンス活動のトレーサビリティを向上させ、防げるダウンタイムを減らし、病院^{機器管理の}臨床工学的意思決定を強化することが強調されています^6,7。さらに、データ駆動型および人工知能アプローチに関する研究が増加していることは、予測モデルが病院機器の予防保守スケジューリングや早期故障リスクの特定を支援し、信頼性と運用準備度を向上させることを示しています。

従来のサポートベクターマシン(SVM)はパターン認識や機械学習に広く応用されています。ただし、その性能は関連するパラメータの選択とカーネル関数¹¹によって制限されます。したがって、メタヒューリスティック最適化は特に非線形かつ高次元の条件下で、特に医療運用データに関連する非線形かつ高次元条件下で、モデルパラメータの調整や一般化の改善にますます統合されています¹²。緊急生命維持医療機器の複雑さと使用環境の特殊性により、現在は品質管理に関する体系的な研究が不足しています。さらに、過去の研究では、病院の維持管理や品質モニタリングのワークフローに持続的な異質性が存在し、部門間の標準化や適時の是正措置が制限される可能性があると指摘されています¹³。しかし、既存の研究では、一般的に予測保全モデリングや品質管理システムを単独で検証し、構造化された病院品質指標、ファジィ重み付けメカニズム、メタヒューリスティック最適化された分類モデルを統合した統一ガバナンスアーキテクチャは行われていません。SVMやスパローサーチアルゴリズム(SSA)は産業予測タスクに応用されていますが、緊急生命維持医療機器の病院品質管理ワークフローに体系的に組み込まれる点はまだ十分に探求されていません。したがって、本研究は計算最適化、構造化された指標評価、制度の品質ガバナンスを単一の運用フレームワークに統合することで際立っています。このような方法論的分離は、実用的な解釈可能性や制度の拡張性を制限します。上記の考慮に基づき、本研究は以下の研究課題に取り組むことを目的としています。(i) ISSA最適化されたSVMモデルは、非最適化アプローチと比較して緊急生命維持医療機器の品質管理分類における予測性能を向上させることができるか?(ii) 構造化された指標加重、ファジー評価、メタヒューリスティック最適化の統合は、病院機器品質管理システムの運用効率と標準化を高めることができるか?

したがって、本研究の中心的な仮説は、ISSA最適化されたSVMモデルをPDCAベースの品質管理アーキテクチャに組み込むことで、従来の品質監視手法と比較して予測精度、堅牢性、運用解釈性が大幅に向上するというものです。

そのため、緊急生命維持医療機器の品質管理システムを最適化するための関連アルゴリズムが研究されています。スパロー探索アルゴリズム(SSA)に基づく改良型SVMモデルが、SVMの能力をさらに強化するために提案されています。SVMの関連パラメータの最適化により、モデルの汎化能力が向上し、非線形および高次元データの扱いにおいてより堅牢になり、品質管理システムでの実用的な性能が向上します。

本研究の具体的な目的は、(i) 緊急生命維持医療機器のための階層的な品質管理指標システムを構築すること;(ii) Sparrow Search Algorithmを用いてSVM分類モデルを開発・最適化すること;(iii)PDCA駆動型の病院品質管理システムに最適化された予測モデルを組み込み、その運用実現可能性と性能を評価すること。

本研究の主な革新は、SVMモデルの主要パラメータを最適化するためにSSAを導入し、モデルのデータ処理能力と一般化性能を向上させる点にあります。このモデルは、緊急生命維持医療機器の品質管理に関する情報ベースのモニタリングに応用されました。実務的な実装の観点からは、提案されたフレームワークは、日常的に入手可能な病院情報源(例:機器メンテナンスログ、点検・使用記録、バーコードおよびパーソナルデジタルアシスタント(PDA)関連の運用データ)を用いて展開でき、追加の専門的なセンシングインフラを必要とせずに実現可能性を支えます。したがって、本研究は、PDCAベースの病院品質管理アーキテクチャ内で構造化された指標重み付け、ファジィ評価、ISSA最適化SVMモデリングを組み合わせた方法論的に統合されたフレームワークを提案し実証的に検証することに貢献します。

プロトコル

研究プロトコルは、中国江蘇省麗陽人民病院倫理委員会に倫理審査のために提出されました(プロジェクト承認番号JDYY2023158、プロトコルバージョン1.0、2023年2月9日付)。この研究は、病院のコンピュータ化されたメンテナンス管理システム(CMMS)から取得された非特定化された病院機器管理および保守記録を利用しました。このデータセットには患者レベルの臨床データ、個人識別子、生物学的サンプルは含まれていませんでした。この研究は人間参加者を含まず機関機器管理データを含んでいたため、機関の研究ガバナンスガイドラインおよび良好臨床慣行(GCP)要件に従い、インフォームドコンセントは必要ありませんでした。モデル開発、最適化、検証、再現性をサポートするすべてのデータセット(指標定義、SSA最適化ログ、パラメータ構成、予測出力を含む)は補 足ファイル1に提供されています。

緊急生命維持医療機器の品質管理システムの構築
緊急生命維持医療機器の品質管理システムの開発には、複数の関係者の参加が必要です。品質管理システムの信頼性と有効性は、複数の部門や人員間のコミュニケーションと交渉を通じて繰り返し実証され、包括的で科学的な品質管理システムを構築し^{ています。}この研究は、品質管理やその他の管理分野で広く用いられているデミングリング手法を採用し、指標の選定と品質管理のための関連システムを構築しました。このアプローチは、4つの循環的反復の段階を通じて継続的な改善と学習を実現します。デミングリング理論に基づく緊急生命維持医療機器の品質管理システムは図1に示されています。

品質管理フレームワークの再現性を確保するため、PDCAサイクルは構造化された実装手順によって運用されました。計画段階では、参加部門間で人工呼吸器、麻酔機器、除細動器などの緊急生命維持医療機器の範囲が定義されました。病院のコンピュータ化されたメンテナンス管理システム(CMMS)¹⁶を用いてデジタル機器在庫が作成され、各機器には追跡可能性を確保するために固有の識別番号が割り当てられました。機器の種類、製造元またはモデル、部門所在地、取得日、リスク分類、検査間隔、完全な保守履歴などの重要な属性がCMMS内に記録されました(詳細な機器レベルのデータセット構造は 補足ファイル1 を参照)。各評価指標ごとに運用定義が策定されました。例えば、メンテナンスのタイムリーは予定されたメンテナンス日からあらかじめ定められた日数以内に完了することと定義され、検査遵守度は完了した検査数を必要な検査数で割ったものを100%掛けて計算されました。臨床工学担当者、機器利用者、部門監督者に明確に責任が割り当てられ、定期的な報告間隔は月次および四半期ごとに定められました。

実施段階:
実装段階では、CMMSから構造化された記録が抽出され、予防保守作業指示書、検査ログ、是正保守報告書、機器停止時間記録などが含まれていました。これらのデータは、機器識別子やタイムスタンプの照合を用いてバーコードやハンドヘルドデバイス生成の運用ログと統合され、データの一貫性を確保しました。予防保守および検査活動は機関の標準作業手順(SOP)に従って実施され、完了期間、所見、是正措置、検証結果はすべてCMMSに記録されました。

検査段階:
検査段階では、データの検証および品質保証手続きが実施され、正確性と信頼性を確保しました。重複記録は削除され、欠損値は評価され、機器識別子は各部門のデータセット間で照合されました。重要な識別子やタイムスタンプ情報がないレコードは、その後の解析から除外されました。指標値は部門別および機器カテゴリ別の両方で計算され、要約的な品質管理報告書が作成されました。評価閾値は以下のようにあらかじめ定められていました:90%の遵守率≥優秀、80–89%が許容可能、70–79%が「改善が必要」、<70%が不良と分類されました。これらの閾値は、標準化されたパフォーマンス評価を確保するために、各部門で一律に適用されました。データの完全性を確認するために、ランダムな記録の一部が元のシステムログと照合されました。

アクションフェーズ:
行動段階では、パフォーマンス成果を見直し、不足点や改善の機会を特定しました。最適でないパフォーマンスを示す指標については、ワークフローの遅延、人員不足、サプライチェーンの中断、文書の空白などの根本原因を体系的に分析しました。是正措置が策定され、メンテナンス間隔の調整、エスカレート閾値、監督メカニズムの調整が行われました。これらの修正は、継続的な品質改善を支援するために、その後のPDCAサイクルで実施^{されました。}

計画段階:
計画段階では、機器品質管理システムを使用した後に達成すべき目標を明確にするための調査が行われました。同時に、次の段階の作業計画が策定されました。実行段階では、前段階の緊急生命維持医療機器品質管理システムを基に、組織管理システム、機器使用プロセス管理システム、機器保証品質管理システムの構築に関する研究が行われ、関連する評価指標が決定されました^。.検査段階での調査では、前段階の関連評価指標を用いて医療機関の品質管理レベルを評価・評価しました。処理段階では、前段階の評価結果をまとめ、品質管理システムの問題点を分析し、次サイクルで特定された問題点に対処するための改善が行われました。上記の手法に基づき、 図2に示される緊急生命維持医療機器の品質管理のプロセスモデルが構築されました。

このモデル(図2)では、機器の種類と品質管理のレベルが関連医療機関の要件に基づいて決定されました。その後、設備の品質管理レベルを評価する評価システムが設置されました。評価結果に基づき、設備品質管理システムは最適化・改善されました。この過程で、医療機器の使用を標準化し、機器が継続的に有効状態を維持するための関連システムが科学的に確立されました。医療機関は定期的に品質管理報告書を作成し、データ分析を行い、関連コンテンツのパフォーマンス評価を行い、品質管理システムの最適化をさらに進めるべきです。上記のサイクルを通じて、緊急生命維持医療機器の品質管理システムは段階的に改善されます。緊急生命維持医療機器の高リスク、高い規制要件、多機能性、複雑さに対応して、本研究は緊急生命維持医療機器の品質管理システムを組織管理システム、機器使用システム、機器保証品質管理システムの3つの部分に分類しました^。.臨床工学および病院機器管理の専門家12名からなるパネルが重み付けプロセスに参加しました(専門家の重み付け行列およびあいまい評価入力については 補足ファイル1 参照)。各専門家は独立して3つのサブシステムを5点リッカート尺度(1=非常に低い重要度、5=非常に高い重要度)を用いて採点しました。収集されたスコアは集計され、その後の重み付け分析のために三角形のファジィ数に変換されました。各サブシステムの重みスコアは式(1)を用いて計算されました。

(1)

ここで、 は各サブシステムの加重平均重みスコアを表し、 M はエキスパー数、 i は各サブシステムの係数を表します。上記の計算結果を得た後、それらを正確な値に変換し、各サブシステムの重みスコアを取得しました。この変換は式(2)に記載されています。

(2)

ここで、W_i は各サブシステムの重みスコア、l は指標の最低スコア、m は指標の最も可能性が高いスコア、u は指標の最高スコアを表します。実用計算では、三角形のファジィ数は(l, m, u)として表され、それぞれ最も低い、最も可能性が高い、そして最も高いエキスパートスコアに対応しました。デファジィ化は、(l + m + u) / 3として定義される重心法を用いて、ファジィな重みを後の定量解析のために鮮明な値に変換しました。研究を通じて確立された機器品質管理指標の三段階評価システムは図3に示されています(詳細な指標定義、評価基準、曖昧なメンバーシップ機能は補足ファイル1に記載されています)。

各指標の所属機能は式(3)に記載されています。

(3)

ここで、 μ(x)は各指標スコアのメンバーシップ関数を表し、 x は各指標のスコアを表します。各指標スコアの会員価値はプログラム的に計算され、最終スコアリング前にあらかじめ定義された品質カテゴリーへの帰属度を判断するために用いられました。

スパロー探索アルゴリズムに基づく改良されたサポートベクトルマシンモデル
SVMモデルと計算環境
SVMは機械学習で一般的に適用されるアルゴリズムで、主に分類や予測解析に用いられます。すべての計算実験はAnaconda環境内でPython 3.9を使用して実施されました。サポートベクターマシン(SVM)分類器は、scikit-learnライブラリ(バージョン1.2.2)を用いて実装されました。数値計算とデータ操作はNumPy(バージョン1.23)およびPandas(バージョン1.5)を使用して行われました。実験はIntel i7プロセッサと16GB RAMを搭載したワークステーション上で実施されました。SPSS 25.0は、モデル出力の統計比較および記述分析に使用されました。SVMモデルは、緊急生命維持医療機器の過去の品質管理データを解析し、緊急生命維持医療機器の品質を正確に予測し、その品質管理を達成するために適用されました^。

SSAベースの最適化の動機
ロジスティック回帰、意思決定木、最適化されていないSVMモデルなどの単純な分類手法は予測保守研究で一般的に適用されますが、本研究の予備比較解析では非線形および高次元指標条件下での一般化安定性が低下することが示されました。救急生命維持医療機器の品質指標は、多重共線性、非線形相互作用、部門間での不均一分布を示します。したがって、従来のグリッド探索やデフォルトパラメータアプローチと比較して、ハイパーパラメータチューニングの堅牢性を高め、分類境界の安定性を向上させるためにメタヒューリスティック最適化されたSVMフレームワークが採用されました。

ハードマージンとソフトマージンのSVM定式化
SVMは異なるデータカテゴリ間のギャップを最大化する超平面を発見するために適用されます。線形分離可能なデータに対して、SVMは2つのクラス間のマージンを最大化する最適な超平面を探します。線形分離可能なデータの場合、SVMの目的はモデルの複雑さを最小限に抑えつ、すべての訓練サンプルを正しく分類できるようにすることです(式(5)²¹に示されています。

最小(1/2) ||w||²

対象となる:y_i (w^T x_i + b) ≥ 1、i = 1, 2, ..., n (5)

式(5)では、 w は超平面法線ベクトル、 b はバイアス項、 y_i は試料 i のクラスラベル、 x_i は試料 i の特徴ベクトルである。実際の状況では、データはしばしば非線形分離可能です。スラック変数を導入することで、ソフトマージンSVMは一部のサンプルが区間ルールに違反することを可能にします。ソフトマージンSVMの最適化問題は式(6)²²に示されています。

(6)

式(6)では、 C はペナルティパラメータ、 はスラック変数です。

カーネル関数と決定関数
SVMはカーネル関数を用いて非線形分離データを高次元空間にマッピングします。一般的な核関数には線形核、多項式核、ガウス半径基底核などがあります。これらの中でも、ガウス放射基底カーネルは強力な非線形写像能力を持ち、複雑な非線形問題に適しています。また、パラメータを調整して決定境界の幅を制御することも可能であり、式(7)²³に示されています。

(7)

式(7)では、 γ は決定境界調整パラメータです。マルチカーネルSVMは、異なるカーネル機能を組み合わせることで分類性能を向上させることができます。SVM最適化問題の解法は主にラグランジュ乗法と双対問題解決に依存しています。最終的な分類決定関数は式(8)に示されています。

(8)

式(8)では、_{α i}はラグランジュ乗数です。SVMは実用的な応用において様々なパラメータを含み、パラメータ設定が合理的でない場合、SVMの分類や予測性能の低下につながることがあります。

SSAベースのハイパーパラメータ最適化
SVMの性能向上のために、SSAはハイパーパラメータ最適化に用いられました。本研究では、SSAは制御パラメータが少なく、収束速度が競争力を持ち、強力なグローバル探索能力を提供するため、他の一般的に使われるメタヒューリスティック最適化手法(例:遺伝的アルゴリズム(GA)やパーティクルスウォーム最適化(PSO))よりも選ばれました。これは非線形かつ高次元の品質管理データセットに有利です。さらに、SSAの発見者・フォロワー・アラート機構は探索と活用のバランスを高め、複雑な適応度環境下で早期収束する手法に比べて、ハイパーパラメータ調整時に局所最適を逃れる確率を向上させます。GAやPSOと比較して、SSAは初期イテレーションにおける探索能力が強くなり、後期段階で収束安定性が向上し、非線形関係や多重共線性を含む異種病院機器データセットにおけるSVMハイパーパラメータ最適化に有益です。

具体的には、SSAはペナルティパラメータ(C)やカーネル関連パラメータ(例:放射基底関数(RBF)カーネルのγを含む主要なSVMハイパーパラメータの最適化に用いられました。本研究では、SSAは30頭の個体群と最大反復数100個体として構成されました。発見者、フォロワー、アラート者の割合はそれぞれ約20%、60%、20%に設定されました。収束許容閾値は1×10⁻⁶と定義されました。SVMハイパーパラメータの探索範囲は対数スケールで定義され、ペナルティパラメータ(C)とカーネルパラメータ(γ)は[10⁻³, 10³]以内に制限されていました。各スズメ個体は候補解ベクトル[C, γ]を符号化し、ベルヌーイカオスマッピングを用いてあらかじめ定められた範囲内で個体群を初期化し、多様性を高め早期収束の確率を低減しました。マルチカーネル戦略が採用された際、カーネルの重み係数も意思決定変数として扱われました。SSA適応度関数は検証セット上の分類誤差(または1−精度)として定義され、一般化性能の向上を直接目指すものでした(最適化プロセス、反復ログ、パラメータ設定は 補足ファイル1に記載されています)。パラメータ探索範囲(境界)は実現可能かつ安定した解を保証するためにあらかじめ定義されていました(例:C ∈ [10⁻³, 10³]、γ ∈ [10⁻³, 10³])(詳細な探索空間は 補足ファイル1にまとめられています)、最終的なパラメータセットは、停止基準(最大反復数または収束許容範囲)の下でSSAが返すグローバルな最適解として選ばれました。再現性を確保するために、中間最適化チェックポイントが定義されました。収束は、連続した反復で検証適応度値の変化が1 × 10⁻⁶ 未満であるか、最大反復数(100)に達した場合に達成されたとみなされました。最適化中は検証精度≥80%と認められました。最適化プロセスのトレーサビリティを確保するため、各反復でグローバル最適適応度値と対応するパラメータベクトル[C, γ]が記録されました。

SSAアルゴリズムと位置更新機構
SSAは、スズメの餌探し行動をシミュレートする集団ベースのインテリジェント最適化アルゴリズムであり、発見者、追従者、警戒者の3つの役割を含みます。SSAの実行中は、スズメの個体群を設定し、その位置と速度を初期化し、個体群内の各スズメの適応度スコアを計算することが重要です。この過程で、発見者は位置を絶えず更新し続ける必要があり、式(9)²⁴に示されています。

(9)

式(9)では、 は反復 t における初期集団におけるスズメの位置、β はステップサイズ、φ は減衰係数、T_max は最大反復回数、N(0,1) は標準正規分布の乱数です。フォロワーの位置も発見者の位置に伴い変化しました。フォロワー位置の更新の公式は式(10)に示されています。

(10)

式(10)では、 が現在の発見者の最適位置であり、λ は学習因子です。警報の場所もそれに応じて変更されました。その位置を更新する公式は式(11)に示されています。

(11)

式(11)では、 は別のランダムに選ばれたスズメの位置、δ はアラートの更新ステップサイズです。この過程で、最大回数に達したり条件を満たした場合に反復を停止することができます。SSAは母集団の設定および初期化時にランダム生成方式を採用しています。しかし、スズメの個体を生成する際には、同じ地域で大多数の個体が生成され、個体数分布が非常に不均一になることがあります。この探索過程は局所最適解に該当する場合があります。この問題に対して、本研究はスズメの個体群の初期化生成メカニズムとしてベルヌーイマッピングと逆学習メカニズムの採用を提案しています。ベルヌーイ写像は数学的なカオス写像であり、区間[0,1]上の離散時間動的システムとして定義され、その反復規則は式(12)に示されています。

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

(a_n − 1) / a_n、1/2 ≤_n ≤ 1 } (12)

式(12)では、nはカオス的な反復回数、_an はベルヌーイ写像値です。SSAが後期段階に進むと、母集団の多様性は急速に減少し、アルゴリズムは局所最適に陥ります。したがって、本研究は混合摂動機構を導入し、この制限に対処するようアルゴリズムに促すことを提案します。研究のために設計された混合撹乱機構は、図4に示されるホタルアルゴリズムとガウス変異の2つの手法に基づいています。

SSAの各反復後、混合摂動機構が適用され、図4に示されるようにスズメの個体群の停滞を検出します。停滞が発生すると、ホタルのアルゴリズムがスズメの個体数を乱します。ホタルによるスズメの個体群の撹乱には、ホタルがスズメにどれだけ引力を寄せるかの推定が必要であり、式(13)に示されています。

(13)

式(13)では、 β₀は個体の初期魅力、θ は光の強度吸収係数、 r は2人の個体間の距離です。ホタルの位置は個体の魅力度に応じて更新されており、式(14)に示されています。

(14)

式(14)では、 は i 個のホタルの t 反復における位置、 b はホタルの現在の最適位置、ε はランダムステップサイズパラメータ、e は正規分布から抽出されたランダムベクトルです。スズメの個体群が停滞しない場合、式(15)に示されるように、現在の最適スズメ個体に対してガウス変異が行われます。

(15)

式(15)では、σが標準偏差です。スズメの個体群の扱いの後、新たな地位の受け入れは強欲の原則に基づいて決定されます。新しい位置の適応度値が現在の位置より優れている場合、その位置が受け入れられます。それ以外の場合は、元の位置を維持します。

図5に示されているように、改良スズメ検索アルゴリズム(ISSA)の運用プロセスは主にスズメの個体群の初期化、個々のスズメの適応度値を計算し、適合度値に基づいて発見者、フォロワー、アラートを分割し、これら3つのスズメカテゴリーの位置を改良された位置更新式で反復更新することが含まれます。ファイアフライアルゴリズムとガウス変異に基づく混合摂動機構が導入され、アルゴリズムのグローバルサーチ能力を強化しました。一方で、エリートな逆学習手法が用いられ、アルゴリズムの収束速度と精度をさらに向上させました。最後に、上記のプロセスを停止基準が満たされ、最適な解が得られるまで繰り返しました。

データ処理とモデルトレーニング
データセットは階層化サンプリングを用いて、クラスバランスを保つために70%の訓練データ、15%の検証データ、15%の独立テストデータに分割されました(クロスバリデーションおよびデータ分割構造の詳細は 補足ファイル1に記載)。特徴スケーリングは訓練データセットに限定された最小最大正規化を用いて行われ、学習したスケーリングパラメータを検証およびテストデータセットに適用してデータの漏洩を防ぎました。カーネル主成分解析(KPCA)²⁵ は、γ=0.1のRBFカーネルと95%の累積分散を保持する成分数を設定したRBFカーネルを用いて次元削減の訓練データセットに適用しました。KPCA変換行列は訓練データセットにのみ適合され、その後、データの漏洩を防ぐために検証およびテストセットに変更せずに適用されました。連続変数は、(x − xmin) / (xmax − xmin)と定義されるmin–maxスケーリングで正規化され、xminおよびxmaxは訓練データセットのみから計算されました。SSAは検証データセット上で計算される分類誤差率(1−精度)を最小化することでSVMハイパーパラメータを最適化しました。最適なパラメータの組み合わせを特定した後、最終的なSVMモデルは訓練と検証の統合データセットを用いて再学習され、独立したテストデータセットで評価されました。

ISSA強化SVMモデルは、緊急生命維持医療機器の品質管理テストのためのデータ前処理と機能選択から始まります。方法論的透明性と再現性を高めるため、データ前処理およびモデルトレーニングのワークフローは次のように構成されました。設備レベルの記録はCMMSからエクスポートされ、メンテナンスログ、検査結果、作業指示の状況(生の機器および保守イベントデータセットは 補足ファイル1 を参照)が含まれます。これらの記録は、機器識別子やタイムスタンプ情報を用いてバーコードやハンドヘルドデバイスのスキャンログと統合され、正確な連携が保証されました。

モデリング前にデータクリーニング手順が実施されました。重複エントリは削除され、重要な識別子やタイムスタンプが欠けているレコードは除外されました。欠損が限定的な数値変数には中央値補帰が適用され、欠損値が過剰な変数は分析から除外されました。部門や機器の種類などのカテゴリ変数はワンホット符号化で符号化され、連続変数は最小最大スケーリングで正規化されてSVMアルゴリズムとの互換性を確保しました。

超パラメータ最適化はSSAまたはISSAを用いて最適なペナルティパラメータ(C)と半径基底関数のカーネルパラメータ(γ)を特定しました。適応度関数は検証データセット上の分類誤差率として定義されました。最適なパラメータセットを特定した後、最終的なSVMモデルは訓練データと検証データを組み合わせて再学習され、その後独立したテストデータセットで評価されました。方法論的根拠として、最適化されたISSA-SVMモデルは、(i) デフォルトパラメータを持つ標準SVM、(ii) グリッド探索最適化SVM、(iii) ロジスティック回帰分類器を含むベースラインモデルと定量的に比較されました。比較評価は、公平性を確保するために同一のトレーニング・検証・テストの分割を用いて実施されました。パフォーマンスの改善は、正確さ、正確さ、リコール率、F1スコアの差に基づいて評価されました。

提案された枠組みは、デジタル機器管理システムを備えた二次および三次病院での実施を想定しており、追加のセンシングインフラを必要とせず、構造化されたメンテナンスおよび検査記録のみを必要としていました。

本研究では、緊急生命維持医療機器に関連する病院の日常品質検査および保守管理記録からデータセットが導出されました。モデル入力としては、機器の状態、検査遵守、バーコード/PDAスキャン性能、保守のタイムリーに関連する構造化された数値およびカテゴリ別指標のみが使用されました。データ前処理手順には、連続変数の正規化やカテゴリ変数の符号化が含まれ、機械学習フレームワークとの互換性を確保しました。提案されたシステムは、確立されたデジタル機器管理プラットフォームを持つ二次病院および三次病院での導入を想定しており、既存の病院情報システム以上の追加のハードウェアを必要としません。

モデル評価と検証
モデルの性能は、正確性、精度、リコール、F1スコア、混同行列解析を用いて定量的に評価されました。さらに、受信者の動作特性(ROC)曲線および曲線下面積(AUC)値を計算し、分類識別能力を評価しました。統計的ロバスト性を評価するために、トレーニングデータセットに対して5回のクロスバリデーションを実施し、パフォーマンス指標の平均±標準偏差を報告しました(フォールドをまたぐ詳細なパフォーマンス指標は 補足ファイル1に記載されています)。ISSA-SVMモデルとベースラインモデル間の性能差はペアt検定を用いて検証され、有意水準はp <0.05に設定されました。すべての評価指標は独立テストデータセットを用いて計算され、偏りのない性能推定を確保しました。したがって、ISSA-SVMフレームワークの選択は、非線形指標関係の扱い、ハイパーパラメータ最適化時の早期収束防止、異種病院機器データセット下での一般化安定性向上の必要性に基づき、方法論的に動機付けられました。独立したテストデータセットによる最終モデル評価と構造化品質管理パフォーマンスレポートの作成により、プロトコルは完了とみなされました。

結果

第1四半期情報特別グループの品質検査結果
研究で確立された緊急生命維持医療機器の品質管理システムの実用的な利用効果が確認され、品質管理システムの実際の適用効果は麗陽人民病院の実験区域で検証されました。第1四半期には28の看護ユニットが質評価を受け、検査テーマは看護情報の専門的な看護品質監督の概要でした。検査には、パーソナルデジタルアシスタント(PDA)のスキャン状況の調査や、緊急生命維持医療機器の保守状況の確認が含まれていました。PDAスキャンの状況に関する調査では、監督タスク中に各部門に入院した全患者に対して、PDAスキャン(点滴、投薬、検査、注射、採血)の実施状況をスポットチェックしました。第1四半期の品質検査で特定された問題は 表1に示されています。システム性能および予測出力をサポートする追加の構造化データセットは 補足ファイル1に提供されています。

表1に示されている...

ディスカッション

サポートベクターマシンモデルは、産業界や医療分野で予測評価や異常検出に広く応用されています。医療技術管理の文脈では、機械学習は医療機器の信頼性予測や保守意思決定支援にもますます応用されており、除細動器や人工呼吸器などの高臨危度緊急機器も含まれ、機器の準備状況を向上させ、予期せぬダウンタイムの削減を目的としています^26,27.SVM分類器は、複雑なデータ分布下での一般化と性能を向上させるハイブリッド型や最適化強化型を含む、医療診断および予測分析アプリケーション全体で効果的な手法として包括的に評価されています²⁸。これまで報告されていた最適化ベースのSVM手法と比較して、現在のISSA-SVMフレームワークはカオス初期化、逆学習、混合摂動メカニズムを統合し、探索と活用のバランスを高めています。多くの最適化ベースのSVMアプリケーションが主に孤立したデータセットでの分類精度に焦点を当てているのに対し、本研究は予測...

材料

この記事で使用された材料の一覧

名前	会社	カタログ番号	コメント
麻酔装置	SZEMENTMD医療技術株式会社	A5 麻酔ワークステーション(B0DS4BFXZ7)	緊急手術中の麻酔投与およびモニタリングに使用される機器
計算作業ステーション	インテル・コーポレーション	Intel Core i7-10700 CPU、16GB RAM	機械学習モデルの訓練および評価に使用されるハードウェアプラットフォーム
除細動器	ジェネリック医療機器メーカー	LIFEPAK 15モニター/除細動器(B0DZTRH229)	生命を脅かす不整脈で使用される緊急心臓蘇生装置
デミングリング(PDCA)法	該当しません	PDCA品質管理サイクル	病院機器管理のための継続的品質改善フレームワーク
カーネル主成分解析モジュール	scikit-learn 開発者	RBFカーネル実装	SVM分類前の次元削減に使用
医療メンテナンスモニタリングシステム(CMMS)	大威医療情報技術	病院機器管理システム v3.2(B0D4YDKLPJ)	機器の保守ログ、点検記録、運用監視データの収集に使用されます
NumPy 数値計算ライブラリ	NumPy 開発者	バージョン 1.23	数値配列演算と科学計算
パンダスデータ処理ライブラリ	パンダス開発チーム	バージョン1.5	データ前処理、データセット統合、構造化データ管理
Pythonプログラミング環境	Pythonソフトウェア財団	Python 3.9	機械学習モデル開発に用いられるコアプログラミング環境
Scikit-Learn機械学習ライブラリ	scikit-learn 開発者	バージョン 1.2.2	サポートベクターマシン(SVM)分類器の実装
スパロー探索アルゴリズム最適化モジュール	カスタムPython実装	ISSA-SVM最適化フレームワークv1.0	SVMハイパーパラメータ最適化に用いられるメタヒューリスティックアルゴリズム
SPSS統計解析ソフトウェア	IBMコーポレーション	SPSS統計バージョン25.0	モデル出力の統計解析および記述的評価に使用されます
人工呼吸器	XNPINDA医療機器株式会社	ICU人工呼吸器シリーズV860(B0DR8X724D)	重篤患者の人工呼吸補助に使用される緊急生命維持医療機器