Informatiegebaseerd kwaliteitscontrolesysteem voor medische noodhulpmiddelen met gebruik van een SSA-geoptimaliseerde SVM

Samenvatting

Het protocol legt de creatie uit van het verpleegkundige kwaliteitscontrole-indexsysteem voor medische noodhulpmiddelen voor levensondersteuning, waarbij vectormachinemodellen worden gecombineerd voor follow-up.

Samenvatting

Momenteel missen medische instellingen een uitgebreid en betrouwbaar kwaliteitscontrole-indicatorsysteem dat informatieplatforms inzet om verpleegkundig personeel te helpen bij het beheren van instrumenten en apparatuur. Om dit probleem aan te pakken, werd een kwaliteitscontrole-indexsysteem voor verpleegkundigen ontworpen op basis van managementeisen, procedures voor verpleegkundige operaties en kwaliteitsnormen voor medische noodhulpmiddelen. Dit indexsysteem gebruikt een verbeterd support vector machine (SVM)-model om informatiegebaseerde monitoring van apparatuur te faciliteren, met als doel richtlijnen te bieden voor het verbeteren van onvolmaakte beheer en het niet-standaard gebruik van instrumenten en apparatuur. De resultaten tonen aan dat onder informatiegebaseerde monitoring van het kwaliteitscontrolesysteem de gemiddelde uitvoeringsgraad van het scannen van medische orders per afdeling meer dan 80% kan bedragen. Het tijdige onderhoudspercentage van apparatuur in de meeste afdelingen kan meer dan 90% bedragen, met slechts enkele uitzonderingen. Dit kwaliteitscontrolesysteem voor medische noodhulpapparatuur, ontworpen voor onderzoeksdoeleinden, kan het onderhoud van apparatuur in verschillende afdelingen effectief monitoren en gestandaardiseerd beheer en gebruik van instrumenten en apparatuur realiseren en bevorderen.

Inleiding

Medische hulpmiddelen voor noodlevensondersteuning, zoals beademingsapparaten, anesthesiemachines, defibrillatoren, enzovoort, spelen een cruciale rol in medische noodsituaties om de vitale functies van patiënten te behouden of te herstellen¹. Met de snelle ontwikkeling van medische technologie zijn deze apparaten cruciaal geworden voor het redden van ernstig zieke patiënten en het behouden van vitale functies. Deze apparaten moeten altijd hun volledige functionaliteit en bruikbaarheid waarborgen, aangezien elke storing in de apparatuur wanneer het leven van de patiënt in gevaar is, een tijdige redding^kan belemmeren ^2,3. Een robuust kwaliteitscontrolesysteem voor medische apparatuur is cruciaal om de normale werking ervan te waarborgen. Door het opzetten en onderhouden van een effectief kwaliteitscontrolesysteem kan het faalpercentage van medische apparatuur worden verlaagd, kan de kwaliteit van het gebruik van apparatuur worden gegarandeerd, kan de betrouwbaarheid en levensduur van medische apparatuur worden verbeterd en kunnen de onderhoudskosten met ^4,5 worden verlaagd. Recent bewijs benadrukt verder dat gestructureerde onderhouds- en kwaliteitscontroleprogramma's—ondersteund door informatiesystemen—de traceerbaarheid van onderhoudsactiviteiten verbeteren, voorkomen stilstand verminderen en de klinische technische besluitvorming voor het beheer van ziekenhuisapparatuur^{versterken 6,7}. Bovendien wijst groeiend onderzoek naar datagedreven en kunstmatige intelligentiebenaderingen aan dat voorspellende modellen preventieve onderhoudsplanning en vroege identificatie van faalrisico's voor ziekenhuisapparaten kunnen ondersteunen, waardoor de betrouwbaarheid en operationele gereedheid verbeteren ^8,9,10.

De traditionele support vector machine (SVM) wordt veel toegepast in patroonherkenning en machine learning; de prestaties worden echter beperkt door de selectie van relevante parameters en kernelfuncties¹¹. Daarom is metaheuristische optimalisatie steeds meer geïntegreerd met machine learning om modelparameters af te stemmen en generalisatie te verbeteren, vooral onder niet-lineaire en hoogdimensionale omstandigheden die relevant zijn voor operationele gezondheidszorggegevens¹². Door de complexiteit van medische noodapparatuur en de bijzonderheden van de gebruiksomgeving, is er momenteel een gebrek aan systematisch onderzoek naar de kwaliteitscontrole. Daarnaast wijzen eerdere studies op aanhoudende heterogeniteit in het verzorgingspraktijk van ziekenhuizen en in kwaliteitsmonitoringsworkflows, wat standaardisatie en tijdige corrigerende maatregelen tussen afdelingen^{kan beperken 13}. Bestaande studies hebben echter doorgaans voorspellende onderhoudsmodellering of kwaliteitsmanagementsystemen geïsoleerd onderzocht, zonder formeel gestructureerde ziekenhuiskwaliteitsindicatoren, fuzzy wegingsmechanismen en metaheuristisch-geoptimaliseerde classificatiemodellen te integreren binnen een uniforme governance-architectuur. Hoewel SVM en Sparrow Search Algorithm (SSA) zijn toegepast in industriële voorspellingstaken, is hun systematische integratie in kwaliteitscontroleworkflows voor medische noodhulpmiddelen voor noodlevensondersteuning onvoldoende onderzocht. Deze studie onderscheidt zich daarom door computationele optimalisatie, gestructureerde indicatorevaluatie en institutioneel kwaliteitsbestuur te combineren binnen één operationeel kader. Zo'n methodologische scheiding beperkt de praktische interpretatie en institutionele schaalbaarheid. Op basis van bovenstaande overwegingen probeert deze studie de volgende onderzoeksvragen te behandelen: (i) Kan een ISSA-geoptimaliseerd SVM-model de voorspellende prestaties voor kwaliteitscontroleclassificatie van noodlevensondersteunende medische apparatuur verbeteren in vergelijking met niet-geoptimaliseerde benaderingen? (ii) Kan de integratie van gestructureerde indicatorweging, fuzzy-evaluatie en metaheuristische optimalisatie de operationele effectiviteit en standaardisatie van kwaliteitscontrolesystemen voor ziekenhuisapparatuur verbeteren?

De centrale onderzoekshypothese van deze studie is dan ook dat het inbedden van een ISSA-geoptimaliseerd SVM-model in een op PDCA gebaseerde kwaliteitscontrole-architectuur de voorspellende nauwkeurigheid, robuustheid en operationele interpreteerbaarheid aanzienlijk zal verbeteren in vergelijking met conventionele kwaliteitsmonitoringmethoden.

Hiervoor worden relevante algoritmen bestudeerd om het kwaliteitscontrolesysteem van medische noodhulpmiddelen te optimaliseren. Een verbeterd SVM-model gebaseerd op het Sparrow Search Algorithm (SSA) wordt voorgesteld om de mogelijkheden van SVM verder te vergroten. Optimalisatie van relevante parameters van SVM verbetert het generalisatievermogen van het model, waardoor het robuuster wordt in het omgaan met niet-lineaire en hoogdimensionale data, en de praktische prestaties in kwaliteitscontrolesystemen verbeteren.

De specifieke doelstellingen van deze studie zijn daarom: (i) het opzetten van een hiërarchisch kwaliteitscontrole-indicatorsysteem voor medische noodapparatuur voor levensondersteuning; (ii) het ontwikkelen en optimaliseren van een SVM-classificatiemodel met behulp van het Sparrow Search Algorithm; en (iii) het inbedden van het geoptimaliseerde voorspellende model in een PDCA-gedreven ziekenhuiskwaliteitscontrolesysteem om de operationele haalbaarheid en prestaties te evalueren.

De belangrijkste innovatie van deze studie ligt in de introductie van de SSA om de sleutelparameters van het SVM-model te optimaliseren, waardoor de gegevensverwerkingscapaciteit en generalisatieprestaties van het model worden verbeterd. Dit model werd vervolgens toegepast op informatiegebaseerde monitoring van de kwaliteitscontrole van medische noodhulpmiddelen voor levensondersteuning. Vanuit praktisch implementatieperspectief kan het voorgestelde raamwerk worden ingezet met routinematig beschikbare ziekenhuisinformatiebronnen (bijv. onderhoudslogboeken van apparatuur, inspectie-/gebruiksgegevens en operationele gegevens gerelateerd aan barcode- en Personal Digital Assistant (PDA)), waardoor haalbaarheid wordt ondersteund zonder extra gespecialiseerde sensorinfrastructuur nodig te zijn. Deze studie draagt dan ook bij aan het voorstellen en empirisch valideren van een methodologisch geïntegreerd kader dat gestructureerde indicatorweging, fuzzy evaluatie en ISSA-geoptimaliseerde SVM-modellering combineert binnen een op PDCA gebaseerde kwaliteitscontrole-architectuur van ziekenhuizen.

Protocol

Het studieprotocol werd voorgelegd voor ethische beoordeling aan de Ethische Commissie van het Liyang Volksziekenhuis, provincie Jiangsu, China (Projectgoedkeuring nr. JDYY2023158, protocolversie 1.0, gedateerd 09 februari 2023). De studie maakte gebruik van gedeïdentificeerde hospitalapparatuurbeheer en onderhoudsgegevens verkregen van het geautomatiseerde onderhoudsbeheersysteem (CMMS) van het ziekenhuis. De dataset bevatte geen klinische gegevens op patiëntniveau, persoonlijke identificaties of biologische monsters. Omdat het onderzoek betrekking had op institutionele apparatuurbeheergegevens zonder menselijke deelnemers, was geïnformeerde toestemming niet vereist volgens de richtlijnen voor institutioneel onderzoeksbestuur en de Good Clinical Practice (GCP)-eisen. Alle datasets die modelontwikkeling, optimalisatie, validatie en reproduceerbaarheid ondersteunen—inclusief indicatordefinities, SSA-optimalisatielogs, parameterconfiguraties en voorspellingsoutputs—worden geleverd in Supplementair Bestand 1.

Bouw van een kwaliteitscontrolesysteem voor medische noodhulpmiddelen voor levensondersteuning
De ontwikkeling van een kwaliteitscontrolesysteem voor medische noodlevensondersteuning vereist de deelname van meerdere partijen. De integriteit en effectiviteit van het kwaliteitscontrolesysteem worden herhaaldelijk aangetoond door communicatie en onderhandeling tussen meerdere afdelingen en personeel, en er wordt een uitgebreid, wetenschappelijk kwaliteitscontrolesysteem opgebouwd ^14,15. De studie hanteerde de veelgebruikte Deming Ring-methode in kwaliteitsmanagement en andere managementgebieden om indicatoren te selecteren en gerelateerde systemen voor kwaliteitscontrole op te bouwen. Deze aanpak bereikt voortdurende verbetering en leren via vier fasen van cyclische herhaling. Het kwaliteitscontrolesysteem voor medische noodhulpmiddelen voor levensondersteuning op basis van de Deming Ring-theorie wordt gepresenteerd in Figuur 1.

Om de repliceerbaarheid van het kwaliteitscontrolekader te waarborgen, werd de PDCA-cyclus operationeel gemaakt via een gestructureerde implementatieprocedure. Tijdens de planningsfase werd de reikwijdte van de apparatuur gedefinieerd als medische noodhulpmiddelen voor levensondersteuning zoals beademingsapparaten, anesthesieapparaten en defibrillatoren in de deelnemende afdelingen. Er werd een digitale inventaris van apparatuur opgezet met behulp van het geautomatiseerde onderhoudsbeheersysteem (CMMS)¹⁶ van het ziekenhuis, waarbij elk apparaat een uniek identificatienummer kreeg om traceerbaarheid te waarborgen. Essentiële eigenschappen, waaronder type apparatuur, fabrikant of model, afdelingslocatie, verwervingsdatum, risicoclassificatie, inspectieinterval en volledige onderhoudsgeschiedenis, werden vastgelegd binnen het CMMS (zie Supplementair Bestand 1 voor gedetailleerde structuur van de apparatuurniveau-dataset). Operationele definities werden voor elke evaluatie-indicator opgesteld. Zo werd onderhoudstijdigheid gedefinieerd als voltooiing binnen een vooraf bepaald aantal dagen vanaf de geplande onderhoudsdatum, en inspectienaleving werd berekend als het aantal afgeronde inspecties gedeeld door de vereiste inspecties vermenigvuldigd met 100%. Verantwoordelijkheden werden expliciet toegewezen aan klinisch technisch personeel, apparatuurgebruikers en afdelingssupervisors, en routinematige rapportageintervallen werden vastgesteld op maand- en kwartaalbasis.

Implementatiefase:
Tijdens de implementatiefase werden gestructureerde dossiers uit het CMMS gehaald, waaronder preventieve onderhoudsopdrachten, inspectielogboeken, corrigerende onderhoudsrapporten en uitvalgegevens van apparatuur. Deze gegevens werden geïntegreerd met door barcodes of handheld apparaten gegenereerde operationele logs met behulp van apparatuuridentificaties en tijdstempelmatching om de consistentie van de gegevens te waarborgen. Preventief onderhoud en inspectieactiviteiten werden uitgevoerd volgens institutionele standaardprocedures (SOP's), en alle voltooiingstijden, bevindingen, corrigerende maatregelen en verificatieresultaten werden gedocumenteerd in het CMMS.

Inspectiefase:
In de inspectiefase werden gegevensvalidatie en kwaliteitsborgingsprocedures uitgevoerd om nauwkeurigheid en betrouwbaarheid te waarborgen. Dubbele records werden verwijderd, ontbrekende waarden werden beoordeeld en apparatuuridentificaties werden vergeleken tussen de afdelingsdatasets. Records zonder essentiële identificaties of tijdstempelinformatie werden uitgesloten van latere analyse. Indicatorwaarden werden berekend op zowel departements- als uitrustingscategorieniveau, en samenvattende kwaliteitscontrolerapporten werden opgesteld. De evaluatiedrempels waren als volgt vooraf gedefinieerd: ≥ 90% naleving werd gecategoriseerd als uitstekend, 80–89% als acceptabel, 70–79% als "verbeteringsbehoefte" en <70% als slecht. Deze drempels werden uniform toegepast tussen de afdelingen om gestandaardiseerde prestatiebeoordelingen te waarborgen. Een willekeurige subset van records werd gekruist aan de hand van originele systeemlogs om de integriteit van de data te bevestigen.

Actiefase:
In de actiefase werden prestatie-uitkomsten beoordeeld om tekortkomingen en verbeteringsmogelijkheden te identificeren. Voor indicatoren die suboptimale prestaties aantonen, werden de onderliggende oorzaken zoals workflowvertragingen, onvoldoende personeel, onderbrekingen in de toeleveringsketen of documentatiegaten systematisch geanalyseerd. Er werden corrigerende maatregelen opgesteld, waaronder aanpassingen aan onderhoudsintervallen, escalatiedrempels of toezichtmechanismen. Deze aanpassingen werden in de daaropvolgende PDCA-cyclus geïmplementeerd om continue kwaliteitsverbetering^{te ondersteunen 17}.

Planningsfase:
In de planningsfase werd onderzoek gedaan om de te bereiken doelstellingen na gebruik van het kwaliteitscontrolesysteem van apparatuur te verduidelijken; Tegelijkertijd werd het werkplan voor de volgende fase opgesteld. In de uitvoeringsfase werd onderzoek gedaan naar het opbouwen van een organisatiebeheersysteem, een procesbeheersysteem voor apparatuurgebruik en een kwaliteitscontrolesysteem voor apparatuurborging, gebaseerd op het kwaliteitscontrolesysteem van de vorige fase voor medische noodhulpmiddelen, en werden relevante evaluatieindicatoren vastgesteld¹⁸. Onderzoek tijdens de inspectiefase evalueerde en beoordeelde de kwaliteitscontroleniveaus van medische instellingen met behulp van de relevante evaluatie-indicatoren uit de vorige fase. In de verwerkingsfase werden de evaluatieresultaten van de vorige fase samengevat, werden problemen in het kwaliteitscontrolesysteem geanalyseerd en werden verbeteringen aangebracht om de problemen die in de volgende cyclus werden vastgesteld aan te pakken. Op basis van bovenstaande methoden werd een procesmodel voor kwaliteitscontrole van medische noodapparatuur voor levensondersteuning gebouwd, zoals weergegeven in Figuur 2.

In dit model (Figuur 2) werden het type apparatuur en het kwaliteitscontroleniveau bepaald volgens de eisen van relevante medische instellingen. Vervolgens werd een evaluatiesysteem opgezet om het kwaliteitscontroleniveau voor de apparatuur te beoordelen om het kwaliteitscontroleniveau te evalueren. Op basis van de evaluatieresultaten werd het kwaliteitscontrolesysteem van de apparatuur geoptimaliseerd en verbeterd. In dit proces werden relevante systemen wetenschappelijk opgesteld om het gebruik van medische apparatuur te standaardiseren en continu te waarborgen dat de apparatuur in een effectieve staat bleef. Medische instellingen moeten regelmatig kwaliteitscontrolerapporten schrijven, data-analyse uitvoeren en de prestaties van relevante inhoud evalueren om het kwaliteitscontrolesysteem verder te optimaliseren. Door de bovengenoemde cyclus kan het kwaliteitscontrolesysteem voor medische noodhulpmiddelen geleidelijk worden verbeterd. Als reactie op het hoge risico, de hoge regelgeving, de multifunctionaliteit en complexiteit van medische noodhulpapparatuur, heeft deze studie het kwaliteitscontrolesysteem van medische noodhulpmiddelen onderverdeeld in drie onderdelen: het organisatiebeheersysteem, het systeem voor het gebruik van apparatuur en het^{kwaliteitscontrolesysteem voor} apparatuurborging.. Een panel van 12 experts op het gebied van klinische techniek en ziekenhuisapparatuurbeheer nam deel aan het wegingsproces (zie Supplementary File 1 voor expertwegingsmatrix en vage evaluatieinputs). Elke expert beoordeelde onafhankelijk de drie subsystemen met behulp van een 5-punts Likert-schaal (1 = zeer laag belang, 5 = zeer hoog belang). De verzamelde scores werden samengevoegd en omgezet in driehoekige vae getallen voor latere wegingsanalyse. De gewichtscores van elk subsysteem werden vervolgens berekend met behulp van vergelijking (1).

(1)

Hier vertegenwoordigt de gewogen gemiddelde gewichtsscore van elk subsysteem, M is het aantal experts en i is de coëfficiënt van elk subsysteem. Na het verkrijgen van bovenstaande berekeningsresultaten werden deze omgezet in precieze waarden om de gewichtsscores van elk subsysteem te verkrijgen. De omzetting wordt genoemd in vergelijking (2).

(2)

Hier is W_i de gewichtscore van elk subsysteem, l de laagste score van de indicator, m de meest waarschijnlijke score van de indicator, en u vertegenwoordigt de hoogste score van de indicator. In praktische berekening werden driehoekige vae getallen weergegeven als (l, m, u), wat overeenkomt met respectievelijk de laagste, meest waarschijnlijke en hoogste expertscores. Defuzzificatie werd uitgevoerd met behulp van de centroid-methode gedefinieerd als (l + m + u) / 3 om fuzzy gewichten om te zetten in scherpe waarden voor latere kwantitatieve analyse. Het drielaagse evaluatiesysteem voor kwaliteitscontrole-indicatoren van apparatuur, vastgesteld door onderzoek, wordt weergegeven in Figuur 3 (gedetailleerde indicatordefinities, evaluatiecriteria en fuzzy lidmaatschapsfuncties zijn opgenomen in Aanvullend Dossier 1).

De lidmaatschapsfuncties van elke indicator worden genoemd in vergelijking (3).

(3)

Hier vertegenwoordigt μ(x) de lidmaatschapsfunctie van elke indicatorscore, en x de score van elke indicator. Lidmaatschapswaarden werden programmatisch berekend voor elke indicatorscore en gebruikt om de mate van behoren tot vooraf gedefinieerde kwaliteitscategorieën te bepalen voorafgaand aan de definitieve scoring.

Verbeterd ondersteuningsvectormachinemodel gebaseerd op het Sparrow-zoekalgoritme
SVM-model en computationele omgeving
SVM is een algoritme dat vaak wordt toegepast in machine learning, voornamelijk voor categorisatie en voorspellingsanalyse. Alle computationele experimenten werden uitgevoerd met Python 3.9 binnen de Anaconda-omgeving. De Support Vector Machine (SVM) classifier werd geïmplementeerd met behulp van de scikit-learn bibliotheek (versie 1.2.2). Numerieke berekeningen en gegevensmanipulatie werden uitgevoerd met NumPy (versie 1.23) en Pandas (versie 1.5). Experimenten werden uitgevoerd op een werkstation uitgerust met een Intel i7-processor en 16 GB RAM. SPSS 25.0 werd gebruikt voor statistische vergelijking en beschrijvende analyse van modeloutputs. Het SVM-model werd toegepast om historische kwaliteitscontrolegegevens van medische noodlevensondersteuning te analyseren, de kwaliteit van medische noodhulpmiddelen nauwkeurig te voorspellen en controle te krijgen over de kwaliteit van^{dergelijke apparatuur.}

Motivatie voor SSA-gebaseerde optimalisatie
Hoewel eenvoudigere classificatiemethoden, zoals logistische regressie, beslissingsbomen en niet-geoptimaliseerde SVM-modellen, vaak worden toegepast in voorspellende onderhoudsstudies, toonde de voorlopige vergelijkende analyse in deze studie een verminderde generalisatiestabiliteit aan onder niet-lineaire en hoogdimensionale indicatorcondities. Kwaliteitsindicatoren voor medische noodhulp vertonen multicollineariteit, niet-lineaire interacties en heterogene verdelingen over afdelingen. Daarom werd een metaheuristiek-geoptimaliseerd SVM-kader aangenomen om de robuustheid van hyperparameterafstemming te verbeteren en de stabiliteit van classificatiegrenzen te verbeteren ten opzichte van conventionele grid-search of default-parameterbenaderingen.

Hard-margin en soft-margin SVM-formulering
SVM wordt toegepast om een hypervlak te ontdekken dat de kloof tussen verschillende datacategorieën maximaliseert. Voor lineair scheidbare data zoekt SVM naar een optimaal hypervlak dat de marge tussen twee klassen maximaliseert. Voor lineair scheidbare data is het doel van SVM om de modelcomplexiteit te minimaliseren terwijl ervoor wordt gezorgd dat alle trainingsmonsters correct kunnen worden geclassificeerd, zoals getoond in vergelijking (5)²¹.

min (1/2) ||w||²

subject tot: y_i (w^T x_i + b) ≥ 1, voor i = 1, 2, ..., n (5)

In vergelijking (5) is w de normale vector van het hypervlak, b de biasterm, y_i is het klasselabel van de i de steekproef, en x_i is de kenmerkvector van de i de steekproef. In praktische situaties is data vaak niet-lineair scheidbaar. Door slack-variabelen te introduceren, maakt soft-margin SVM het mogelijk dat sommige samples intervalregels overtreden; het optimalisatieprobleem van soft-margin SVM wordt weergegeven in vergelijking (6)²².

(6)

In vergelijking (6) is C de strafparameter en de slackvariabele.

Kernelfunctie en beslissingsfunctie
SVM gebruikt kernelfuncties om niet-lineaire scheidbare data te mappen naar een hoogdimensionale ruimte. Veelvoorkomende kernelfuncties zijn lineaire kernel, polynomiale kernel en Gaussian radiale basiskernel. Hiervan hebben Gaussische radiale basiskernen sterke niet-lineaire mappingmogelijkheden en zijn ze geschikt voor complexe niet-lineaire problemen. Ze kunnen ook de breedte van de beslissingsgrens bepalen door parameters aan te passen, zoals getoond in vergelijking (7)²³.

(7)

In vergelijking (7) is γ de parameter voor het aanpassen van de beslissingsgrens. Multi-kernel SVM kan de classificatieprestaties verbeteren door verschillende kernelfuncties te combineren. De oplossing van SVM-optimalisatieproblemen is voornamelijk afhankelijk van de Lagrange-multipliermethode en dual probleemoplossing; De definitieve classificatiebeslissingsfunctie wordt gepresenteerd in vergelijking (8).

(8)

In vergelijking (8) is α_i de Lagrange-multiplier. SVM omvat verschillende parameters in praktische toepassingen, en als de parameterinstellingen niet redelijk zijn, kan dit leiden tot een afname van de classificatie- en voorspellingsprestaties van SVM.

SSA-gebaseerde hyperparameteroptimalisatie
Om de SVM-prestaties te verbeteren werd de SSA gebruikt voor hyperparameteroptimalisatie. In deze studie werd SSA gekozen boven andere veelgebruikte metaheuristische optimalisatiemethoden (bijv. Genetic Algorithm (GA) en Particle Swarm Optimization (PSO)) omdat het minder controleparameters vereist, een concurrerende convergentiesnelheid demonstreert en sterke wereldwijde zoekmogelijkheden biedt, wat gunstig is voor niet-lineaire en hoogdimensionale kwaliteitscontroledatasets. Daarnaast verbetert het discoverer–follower–alert-mechanisme van SSA de balans tussen exploratie en exploitatie, wat de kans op ontsnapping aan lokale optima tijdens hyperparameter-tuning vergroot in vergelijking met methoden die mogelijk voortijdig convergeren onder complexe fitnesslandschappen. In vergelijking met GA en PSO biedt SSA een sterkere exploratiemogelijkheid tijdens vroege iteraties en verbeterde convergentiestabiliteit in latere stadia, wat gunstig is voor het optimaliseren van SVM-hyperparameters in heterogene ziekenhuisapparatuurdatasets met niet-lineaire relaties en multicollineariteit.

Specifiek werd SSA gebruikt om de belangrijkste SVM-hyperparameters te optimaliseren, waaronder de penaltyparameter (C) en kernel-gerelateerde parameter(s) (bijvoorbeeld γ voor de radiale basisfunctie (RBF) kernel). In deze studie was de SSA geconfigureerd met een populatiegrootte van 30 individuen en een maximaal iteratiegetal van 100. De verhoudingen ontdekkers, volgers en alerte individuen werden respectievelijk ingesteld op ongeveer 20%, 60% en 20%. De convergentietolerantiedrempel werd gedefinieerd als 1 × 10⁻⁶. De zoekbereiken voor SVM-hyperparameters werden gedefinieerd op een logaritmische schaal, waarbij de strafparameter (C) en kernelparameter (γ) begrensd zijn binnen [10⁻³, 10³]. Elke mus codeerde een kandidaat-oplossingsvector [C, γ], en een Bernoulli-chaotische mapping werd gebruikt om de populatie binnen vooraf gedefinieerde grenzen te initialiseren om de diversiteit te vergroten en de kans op voortijdige convergentie te verminderen. Wanneer een multi-kernel strategie werd toegepast, werden de kernel-gewichtscoëfficiënten ook behandeld als beslissingsvariabelen. De SSA-fitnessfunctie werd gedefinieerd als de classificatiefout (of equivalent, 1 − nauwkeurigheid) op de validatieset, waarmee direct verbeterde generalisatieprestaties werden gericht (optimalisatieproces, iteratielogs en parameterconfiguratie worden geleverd in Supplementary File 1). Parameterzoekbereiken (grenzen) werden vooraf gedefinieerd om haalbare en stabiele oplossingen te garanderen (bijv. C ∈ [10⁻³, 10³], γ ∈ [10⁻³, 10³]) (gedetailleerde zoekruimte wordt samengevat in Aanvullend Bestand 1), en de uiteindelijke parameterset werd geselecteerd als de globale beste oplossing die door SSA werd teruggegeven onder het stopcriterium (maximale iteraties of convergentietolerantie). Om reproduceerbaarheid te waarborgen, werden tussentijdse optimalisatiecontrolepunten gedefinieerd. Convergentie werd als bereikt beschouwd wanneer de verandering in validatiefitnesswaarde tussen opeenvolgende iteraties minder was dan 1 × 10⁻⁶ voor vijf opeenvolgende iteraties of wanneer het maximale iteratiegetal (100) was bereikt. De validatienauwkeurigheid ≥ 80% werd als acceptabel beschouwd tijdens optimalisatie. De globale beste fitnesswaarde en de bijbehorende parametervector [C, γ] werden bij elke iteratie geregistreerd om traceerbaarheid van het optimalisatieproces te waarborgen.

SSA-algoritme en positie-updatemechanisme
SSA is een populatiegebaseerd intelligent optimalisatie-algoritme dat het gedrag van mussen simuleert bij hun zoektocht naar voedsel en drie rollen omvat: ontdekker, volger en alert. Tijdens de uitvoering van SSA is het belangrijk om een muspopulatie vast te stellen, de positie en snelheid ervan te initialiseren, en de fitnessscore van elke mus in de populatie te berekenen. Tijdens dit proces moet de ontdekker zijn locatie voortdurend bijwerken, zoals vermeld in vergelijking (9)²⁴.

(9)

In vergelijking (9) is de positie van de i de mus in de beginpopulatie bij de t de iteratie, β de staplengte, φ de dempingsfactor, T_max het maximale aantal iteraties, en N(0,1) een standaard normalverdeling willekeurig getal. De positie van de volger veranderde ook met de positie van de ontdekker; De formule voor het bijwerken van de volgerpositie wordt weergegeven in vergelijking (10).

(10)

In vergelijking (10) is de beste locatie van de huidige ontdekker en λ is de leerfactor. De locatie van het alarm veranderde ook dienovereenkomstig; De formule voor het bijwerken van de locatie wordt weergegeven in vergelijking (11).

(11)

In vergelijking (11) is de positie van een andere willekeurig geselecteerde mus en δ is de update-stapgrootte van de alert. Tijdens dit proces kan de iteratie worden gestopt als het maximale aantal iteraties is bereikt of aan de voorwaarden is voldaan. De SSA gebruikt een methode van willekeurige generatie bij het opstellen en initialiseren van de populatie. Bij het genereren van mus-individuen kan deze methode echter resulteren in een meerderheid van de individuen in hetzelfde gebied, wat leidt tot een zeer ongelijke populatieverdeling. Dit zoekproces kan onder lokale optima vallen. Als reactie op dit probleem stelt de studie voor om Bernoulli-mapping en een omgekeerd leermechanisme te gebruiken als initialisatiegeneratiemechanisme voor muspopulaties. De Bernoulli-afbeelding is een wiskundig chaotische afbeelding, gedefinieerd als een discreet-tijd dynamisch systeem op het interval [0,1], en de iteratieregel ervan wordt weergegeven in vergelijking (12).

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

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

In vergelijking (12) is n het aantal chaotische iteraties en een_n is de Bernoulli-afbeeldingswaarde. Nadat de SSA in de latere fase is overgegaan, neemt de populatiediversiteit snel af, waardoor het algoritme in lokale optima valt. Daarom stelt de studie voor om een gemengd perturbatiemechanisme te introduceren om het algoritme aan te sporen deze beperking aan te pakken. Het gemengde verstoringsmechanisme dat voor onderzoek is ontworpen, is gebaseerd op twee technieken: het vuurvliegalgoritme en de Gaussische mutatie, zoals weergegeven in Figuur 4.

Na elke iteratie van de SSA wordt het gemengde verstoringsmechanisme toegepast om de stagnatie van de muspopulatie te detecteren, zoals weergegeven in Figuur 4. Als er stagnatie optreedt, verstoort het vuurvliegjes-algoritme de populatie van musen. De verstoring van de vuurvliegjes van de muspopulatie vereist de schatting van de aantrekkingskracht van vuurvliegjes op mussen, zoals weergegeven in vergelijking (13).

(13)

In vergelijking (13) is β₀ de initiële aantrekkingskracht van het individu, θ de absorptiecoëfficiënt van lichtintensiteit, en r de afstand tussen twee individuen. De positie van vuurvliegjes wordt bijgewerkt op basis van individuele aantrekkelijkheid, zoals getoond in vergelijking (14).

(14)

In vergelijking (14) is de locatie van het i-vuurvliegje in de t-iteratie, b_best is de huidige optimale positie van het vuurvliegje, ε de parameter voor willekeurige stapgrootte, en e is de toevalsvector die uit de normale verdeling is gehaald. Als de muspopulatie niet stagneert, wordt Gauss-mutatie uitgevoerd op het huidige optimale mus-individu, zoals getoond in vergelijking (15).

(15)

In vergelijking (15) is σ de standaarddeviatie. Na de behandeling van de muspopulatie wordt de aanvaarding van de nieuwe positie bepaald volgens het principe van hebzucht. Als de fitnesswaarde van de nieuwe locatie beter is dan de huidige locatie, wordt de nieuwe locatie geaccepteerd; anders blijft de oorspronkelijke positie behouden.

Zoals weergegeven in Figuur 5, bestaat het operationele proces van het Improved Sparrow Search Algorithm (ISSA) voornamelijk uit het initialiseren van de populatie van de mus, het berekenen van de fitnesswaarden van individuele mussen, het verdelen van ontdekkers, volgers en waarschuwingen op basis van fitnesswaarden, en het iteratief bijwerken van de posities van deze drie categorieën mussen via een verbeterde positie-updateformule. Een gemengd perturbatiemechanisme gebaseerd op het vuurvliegalgoritme en de Gaussische mutatie werd geïntroduceerd om de globale zoekmogelijkheden van het algoritme uit te breiden. Ondertussen werd een elite reverse learning-methode gebruikt om de convergentiesnelheid en precisie van het algoritme verder te verbeteren. Ten slotte werd het bovenstaande proces herhaald totdat aan het stopcriterium was voldaan en de beste oplossing was geproduceerd.

Dataverwerking en modeltraining
De dataset werd opgedeeld met behulp van gestratificeerde steekproeven in 70% trainingsdata, 15% validatiedata en 15% onafhankelijke testdata om de klassenbalans te behouden (kruisvalidatie en datasplitsingsstructuur worden beschreven in Supplementary File 1). Feature-schaal werd uitgevoerd met min–max normalisatie die exclusief op de trainingsdataset werd toegepast, en de geleerde schaalparameters werden toegepast op validatie- en testdatasets om datalekken te voorkomen. Kernel principal component analysis (KPCA)²⁵ werd toegepast op de trainingsdataset voor dimensionaliteitsreductie met een RBF-kernel met γ = 0,1 en het aantal behouden componenten dat 95% cumulatieve variantie behoudt. De KPCA-transformatiematrix werd exclusief op de trainingsdataset aangepast en vervolgens ongewijzigd toegepast op de validatie- en testsets om datalekken te voorkomen. Continue variabelen werden genormaliseerd met behulp van min–max schaalbaarheid, gedefinieerd als (x − xmin) / (xmax − xmin), waarbij xmin en xmax uitsluitend uit de trainingsdataset werden berekend. SSA optimaliseerde de SVM-hyperparameters door het classificatiefoutpercentage (1 − nauwkeurigheid) dat op de validatiedataset werd berekend, te minimaliseren. Na het identificeren van de optimale parametercombinatie werd het definitieve SVM-model opnieuw getraind met behulp van de gecombineerde trainings- en validatiedatasets en geëvalueerd op de onafhankelijke testdataset.

Het ISSA-verbeterde SVM-model begint met datapreprocessing en functieselectie voor de kwaliteitscontrole van medische noodapparatuur voor levensondersteuning. Om de methodologische transparantie en reproduceerbaarheid te verbeteren, werd de workflow voor datavoorverwerking en modeltraining als volgt gestructureerd. Records op apparatuurniveau werden geëxporteerd uit het CMMS, waaronder onderhoudslogboeken, inspectieresultaten en de status van werkorders (zie Aanvullend Bestand 1 voor ruwe apparatuur en onderhoudsgebeurtenisdatasets). Deze records werden samengevoegd met barcode- of handheld-apparaat-scanlogs met behulp van apparatuuridentificaties en tijdstempelinformatie om nauwkeurige koppeling te waarborgen.

Gegevensreinigingsprocedures werden uitgevoerd vóór de modellering. Dubbele vermeldingen werden verwijderd en records zonder essentiële identificaties of tijdstempels werden uitgesloten. Voor numerieke variabelen met beperkte ontbreking werd mediane imputatie toegepast, terwijl variabelen met overmatige ontbrekende waarden uit de analyse werden uitgesloten. Categorische variabelen zoals afdelings- en apparatuurtype werden gecodeerd met one-hot encodering, en continue variabelen werden genormaliseerd met min–max scaling om compatibiliteit met het SVM-algoritme te waarborgen.

Hyperparameteroptimalisatie werd uitgevoerd met behulp van SSA of ISSA om de optimale strafparameter (C) en de kernparameter van de radiale basisfunctie (γ) te identificeren. De fitnessfunctie werd gedefinieerd als het classificatiefoutpercentage op de validatiedataset. Na het identificeren van de optimale parameterset werd het uiteindelijke SVM-model opnieuw getraind met behulp van de gecombineerde trainings- en validatiegegevens en vervolgens geëvalueerd op de onafhankelijke testdataset. Voor methodologische onderbouwing werd het geoptimaliseerde ISSA-SVM-model kwantitatief vergeleken met basismodellen, waaronder (i) standaard SVM met standaardparameters, (ii) grid-search geoptimaliseerde SVM, en (iii) logistische regressieclassificator. Vergelijkende evaluatie werd uitgevoerd met identieke training–validatie–test-splitsing om eerlijkheid te waarborgen. Prestatieverbeteringen werden beoordeeld op basis van verschillen in nauwkeurigheid, precisie, herinnering en F1-score.

Het voorgestelde kader was ontworpen voor implementatie in secundaire en tertiaire ziekenhuizen uitgerust met digitale apparatuurbeheersystemen en vereiste alleen gestructureerde onderhouds- en inspectiegegevens zonder extra sensorinfrastructuur.

In deze studie werd de dataset afgeleid uit routinematige kwaliteitsinspectie- en onderhoudsrecords van ziekenhuizen met betrekking tot medische noodapparatuur voor levensondersteuning. Alleen gestructureerde numerieke en categorische indicatoren die verband houden met apparatuurstatus, inspectie-naleving, barcode/PDA-scanprestaties en onderhoudstijdlijn werden gebruikt als modelinvoer. Gegevensvoorverwerkingsprocedures omvatten normalisatie van continue variabelen en codering van categorische variabelen om compatibiliteit met het machine learning-framework te waarborgen. Het voorgestelde systeem is ontworpen voor implementatie in secundaire en tertiaire ziekenhuizen met gevestigde digitale apparatuurbeheerplatforms en vereist geen extra hardware buiten de bestaande ziekenhuisinformatiesystemen.

Modelevaluatie en validatie
De modelprestaties werden kwantitatief geëvalueerd met behulp van nauwkeurigheid, precisie, herinnering, F1-score en verwarringsmatrixanalyse. Daarnaast werden de curves van de receiver operating characteristic (ROC) en het gebied onder de kromme (AUC) berekend om de classificatiediscriminatiecapaciteit te beoordelen. Om statistische robuustheid te evalueren werd vijfvoudige kruisvalidatie uitgevoerd op de trainingsdataset, en werd gemiddelde ± standaarddeviatie van prestatiemetrics gerapporteerd (gedetailleerde prestatiemetrics over folds zijn opgenomen in Supplementary File 1). Prestatieverschillen tussen ISSA-SVM en basismodellen werden getest met gepaarde t-tests, waarbij het significantieniveau werd vastgesteld op p < 0,05. Alle evaluatiemetrics zijn berekend met behulp van de onafhankelijke testdataset om een onbevooroordeelde prestatieschatting te waarborgen. De keuze van het ISSA-SVM-kader was daarom methodologisch gemotiveerd door de noodzaak om niet-lineaire indicatorrelaties te behandelen, voortijdige convergentie tijdens hyperparameteroptimalisatie te voorkomen en de generalisatiestabiliteit onder heterogene ziekenhuisapparatuurdatasets te verbeteren. Het protocol werd als voltooid beschouwd na de definitieve modelevaluatie van de onafhankelijke testdataset en het genereren van het gestructureerde kwaliteitscontroleprestatierapport.

Resultaten

Kwaliteitsinspectieresultaten van de speciale groep informatie voor het eerste kwartaal
Het praktische gebruikseffect van het kwaliteitscontrolesysteem voor medische noodlevensondersteunende medische apparatuur werd bevestigd, en het daadwerkelijke toepassingseffect van het kwaliteitscontrolesysteem werd bevestigd in het experimentele gebied van het Liyang Volksziekenhuis. In het eerste kwartaal werden 28 verpleegkundige eenheden beoordeeld op kwaliteit, waarbij het i...

Discussie

Support Vector Machine-modellen zijn veelvuldig toegepast in voorspellende evaluatie en afwijkingsdetectie in industriële en gezondheidszorgcontexten. In de context van het beheer van gezondheidszorgtechnologie wordt machine learning ook steeds vaker toegepast op voorspelling van betrouwbaarheid van medische apparaten en ondersteuning bij onderhoudsbeslissingen, waaronder hoogkritische noodapparatuur zoals defibrillatoren en beademingsapparaten, om de gereedheid van apparatuur te verbete...

Materialen

Lijst van materialen gebruikt in dit artikel

Naam	Bedrijf	Catalogusnummer	Opmerkingen
Anesthesiemachines	SZEMENTMD Medical Technology Co.	A5 Anesthesiewerkstation (B0DS4BFXZ7)	Apparatuur gebruikt voor het toedienen en bewaken van anesthesie tijdens noodchirurgische ingrepen
Computationele werkstation	Intel Corporation	Intel Core i7-10700 CPU, 16 GB RAM	Hardwareplatform gebruikt voor het trainen en evalueren van machine learning modellen
Defibrillatoren	Generieke medische apparatenfabrikant	LIFEPAK 15 Monitor/Defibrillator (B0DZTRH229)	Nood-hartreanimatieapparatuur gebruikt bij levensbedreigende aritmieën
Deming Ring (PDCA) Methode	Niet van toepassing	PDCA Kwaliteitsmanagementcyclus	Continue kwaliteitsverbeteringsraamwerk voor het beheer van ziekenhuisapparatuur
Kernel Principal Component Analysis module	scikit-learn Ontwikkelaars	RBF Kernel Implementatie	Gebruikt voor dimensionaliteitsreductie voorafgaand aan SVM classificatie
Medisch onderhoudsbewakingssysteem (CMMS)	DAWEI Healthcare Information Technology	Ziekenhuisapparatuurbeheersysteem v3.2 (B0D4YDKLPJ)	Gebaten om onderhoudslogs, inspectierecords en operationele monitoringgegevens te verzamelen
NumPy numerieke rekenbibliotheek	NumPy Ontwikkelaars	Versie 1.23	Numerieke array operaties en wetenschappelijk rekenen
Pandas dataverwerkingsbibliotheek	Pandas Ontwikkelingsteam	Versie 1.5	Gegevensvoorverwerking, datasetintegratie en gestructureerde gegevensbeheer
Python programmeeromgeving	Python Software Foundation	Python 3.9	Kernprogrammeeromgeving gebruikt voor machine learning modelontwikkeling
scikit-learn machine learning bibliotheek	scikit-learn Ontwikkelaars	Versie 1.2.2	Implementatie van Support Vector Machine (SVM) classificeerder
Sparrow Zoekalgoritme optimalisatiemodule	Aangepaste Python implementatie	ISSA-SVM Optimalisatie Framework v1.0	Metaheuristisch algoritme gebruikt om SVM hyperparameters te optimaliseren
SPSS statistische analysesoftware	IBM Corporation	SPSS Statistics Versie 25.0	Gebaten voor statistische analyse en beschrijvende evaluatie van modeloutputs
Ventilatoren	XNPINDA Medical Equipment Co., Ltd.	ICU Ventilator Serie V860 (B0DR8X724D)	Noodlevensondersteunende medische apparatuur gebruikt voor geassisteerde beademing bij ernstig zieke patiënten