System kontroli jakości oparty na informacjach dla sprzętu medycznego do ratunkowego podtrzymywania życia z wykorzystaniem SVM zoptymalizowanego przez SSA

Podsumowanie

Protokół wyjaśnia stworzenie systemu wskaźników kontroli jakości pielęgniarstwa dla sprzętu medycznego do ratunkowego podtrzymywania życia, łączącego modele wektorowych maszyn do dalszej kontroli.

Streszczenie

Obecnie instytucje medyczne nie posiadają kompleksowego i niezawodnego systemu wskaźników jakości, który wykorzystuje platformy informacyjne do wspierania personelu pielęgniarskiego w zarządzaniu instrumentami i sprzętem. Aby rozwiązać ten problem, opracowano system indeksu kontroli jakości pielęgniarstwa oparty na wymaganiach zarządczych, procedurach operacyjnych pielęgniarstwa oraz standardach jakości sprzętu medycznego do ratunkowego podtrzymywania życia. System indeksu wykorzystuje ulepszony model maszyny wektorowej wsparcia (SVM), aby ułatwić monitorowanie urządzeń oparte na informacjach, mające na celu dostarczenie wskazówek dotyczących poprawy niedoskonałego zarządzania oraz niestandardowego wykorzystania instrumentów i urządzeń. Wyniki pokazują, że przy monitorowaniu systemu kontroli jakości opartego na informacjach średni wskaźnik wykonania skanowania zamówień medycznych w każdym oddziale może przekraczać 80%. Tempo konserwacji sprzętu w większości działów może przekraczać 90%, z nielicznymi wyjątkami. Ten system kontroli jakości sprzętu medycznego do ratunkowego wsparcia życia, zaprojektowany do celów badawczych, może skutecznie monitorować konserwację sprzętu w różnych działach oraz zapewniać i promować ustandaryzowane zarządzanie i korzystanie z instrumentów oraz sprzętu.

Wprowadzenie

Sprzęt medyczny do ratunkowego podtrzymywania życia, taki jak respiratory, aparaty do narkotyków, defibrylatory itp., odgrywa kluczową rolę w sytuacjach ratunkowych, utrzymując lub przywracając parametry życiowe pacjentów¹. Dzięki szybkiemu rozwojowi technologii medycznej urządzenia te stały się kluczowe w ratowaniu pacjentów w stanie krytycznym i utrzymaniu parametrów życiowych. Urządzenia te zawsze muszą zapewnić pełną funkcjonalność i użyteczność, ponieważ każda awaria sprzętu w sytuacji zagrożenia może utrudnić terminową akcję ratunkową ^2,3. Solidny system kontroli jakości sprzętu medycznego jest kluczowy, aby zapewnić jego prawidłowe funkcjonowanie. Poprzez ustanowienie i utrzymanie skutecznego systemu kontroli jakości można zmniejszyć wskaźnik awarii sprzętu medycznego, zagwarantować jakość użytkowania, zwiększyć niezawodność i żywotność sprzętu medycznego, a koszty utrzymania obniżyć^{o 4,5 stopnia}. Najnowsze dowody dodatkowo podkreślają, że ustrukturyzowane programy utrzymania i kontroli jakości — wspierane przez systemy informacyjne — poprawiają śledzenie działań konserwacyjnych, zmniejszają możliwe do uniknięcia przestoje oraz wzmacniają podejmowanie decyzji inżynieryjnych klinicznych w zarządzaniu sprzętem szpitalnym ^6,7. Ponadto rosnące badania nad podejściami opartymi na danych i sztucznej inteligencji wskazują, że modele predykcyjne mogą wspierać planowanie konserwacji zapobiegawczej oraz wczesną identyfikację ryzyka awarii urządzeń szpitalnych, poprawiając tym samym niezawodność i gotowość operacyjną ^8,9,10.

Tradycyjna maszyna wektorowa wsparcia (SVM) jest szeroko stosowana w rozpoznawaniu wzorców i uczeniu maszynowym; jednak jego wydajność jest ograniczona przez wybór odpowiednich parametrów i funkcji jądra¹¹. W związku z tym optymalizacja metaheurystyczna jest coraz częściej integrowana z nauką maszynową, aby dostroić parametry modelu i poprawić uogólnienie, zwłaszcza w warunkach nieliniowych i wysokowymiarowych istotnych dla danych operacyjnych służby zdrowia¹². Ze względu na złożoność sprzętu medycznego do ratunkowego podtrzymywania życia oraz specyfikę jego środowiska użytkowania, obecnie brakuje systematycznych badań nad jego kontrolą jakości. Ponadto wcześniejsze badania wskazują na utrzymującą się heterogeniczność w praktykach utrzymania szpitala oraz w procesach monitorowania jakości, co może ograniczać standaryzację i terminowe działania naprawcze w¹³ oddziałach. Jednak istniejące badania zazwyczaj analizowały modelowanie predykcyjnego utrzymania lub systemy zarządzania jakością w izolacji, bez formalnej integracji ustrukturyzowanych wskaźników jakości szpitala, mechanizmów ważenia rozmytego oraz modeli klasyfikacji zoptymalizowanych pod kątem metaheurystyki w ramach jednolitej architektury zarządzania. Chociaż SVM i algorytm wyszukiwania wróblów (SSA) zostały zastosowane w zadaniach predykcyjnych w przemyśle, ich systematyczne włączenie do szpitalnych procesów kontroli jakości dla sprzętu medycznego do ratunkowego podtrzymywania życia pozostaje niewystarczająco zbadane. Badanie to wyróżnia się zatem połączeniem optymalizacji obliczeniowej, ewaluacji wskaźników strukturalnej oraz zarządzania jakością instytucji w ramach jednego ramowego systemu operacyjnego. Takie metodologiczne rozdzielenie ogranicza praktyczną interpretowalność i skalowalność instytucjonalną. Na podstawie powyższych rozważań, niniejsze badanie ma na celu odpowiedź na następujące pytania badawcze: (i) Czy model SVM zoptymalizowany pod kątem ISSA może poprawić wydajność predykcyjną klasyfikacji kontroli jakości sprzętu medycznego do ratunkowego podtrzymywania życia w porównaniu z podejściami nieoptymalnymi? (ii) Czy integracja strukturalnego ważenia wskaźników, oceny rozmytej oraz optymalizacji metaheurystycznej może zwiększyć efektywność operacyjną i standaryzację systemów kontroli jakości sprzętu szpitalnego?

W związku z tym główną hipotezą badawczą tego badania jest to, że osadzenie modelu SVM zoptymalizowanego pod ISSA w architekturze kontroli jakości opartej na PDCA znacząco poprawi dokładność predykcji, odporność i operacyjną interpretowalność w porównaniu z konwencjonalnymi metodami monitorowania jakości.

W tym celu badane są odpowiednie algorytmy optymalizujące system kontroli jakości sprzętu medycznego do ratunkowego podtrzymywania życia. Proponowany jest ulepszony model SVM oparty na algorytmie Sparrow Search (SSA), aby jeszcze bardziej zwiększyć możliwości SVM. Optymalizacja odpowiednich parametrów SVM zwiększa zdolność uogólniania modelu, czyniąc go bardziej odpornym w obsłudze danych nieliniowych i wysokowymiarowych oraz poprawiając jego praktyczne wyniki w systemach kontroli jakości.

Konkretne cele tego badania to: (i) stworzenie hierarchicznego systemu wskaźników kontroli jakości dla sprzętu medycznego do ratunkowego podtrzymywania życia; (ii) opracowanie i optymalizacja modelu klasyfikacji SVM z wykorzystaniem algorytmu Sparrow Search; oraz (iii) osadzenie zoptymalizowanego modelu predykcyjnego w systemie kontroli jakości szpitala opartym na PDCA, aby ocenić jego wykonalność operacyjną i wydajność.

Główną innowacją tego badania jest wprowadzenie SSA w celu optymalizacji kluczowych parametrów modelu SVM, co poprawia możliwości przetwarzania danych i wydajność uogólniania modelu. Model ten został następnie zastosowany do monitorowania kontroli jakości sprzętu medycznego do ratunkowego podtrzymywania życia opartego na informacjach. Z praktycznego punktu widzenia implementacji proponowane ramy mogą być wdrażane na rutynowo dostępnych źródłach informacji szpitalnych (np. dzienniki konserwacji sprzętu, rejestry inspekcji/użytkowania oraz dane operacyjne związane z kodami kreskowymi i osobistymi asystentami cyfrowymi (PDA), wspierając tym samym wykonalność bez konieczności korzystania z dodatkowej specjalistycznej infrastruktury czujnikowej. W związku z tym badanie to przyczynia się do proponowania i empirycznej weryfikacji metodologicznie zintegrowanego ramowego systemu, który łączy ustrukturyzowane ważenie wskaźników, ewaluację rozmytą oraz modelowanie SVM zoptymalizowane pod kątem ISSA w architekturze kontroli jakości szpitala opartej na PDCA.

Protokół

Protokół badania został złożony do przeglądu etycznego do Komitetu Etycznego Szpitala Ludowego Liyang, prowincja Jiangsu, Chiny (Wniosek o zatwierdzenie projektu nr JDYY2023158, protokół wersja 1.0, z dnia 09 lutego 2023). Badanie wykorzystało zidentyfikowane rejestry zarządzania i konserwacji sprzętu szpitalnego uzyskane z komputerowego systemu zarządzania konserwacją (CMMS) szpitala. Zbiór danych nie zawierał żadnych danych klinicznych na poziomie pacjenta, identyfikatorów osobistych ani próbek biologicznych. Ponieważ badania obejmowały dane dotyczące zarządzania sprzętem instytucjonalnym bez udziału u uczestników ludzkich, świadoma zgoda nie była wymagana zgodnie z wytycznymi dotyczącymi zarządzania badaniami instytucjonalnymi oraz wymogami Dobrej Praktyki Klinicznej (GCP). Wszystkie zbiory danych wspierające rozwój modeli, optymalizację, walidację i powtarzalność — w tym definicje wskaźników, dzienniki optymalizacji SSA, konfiguracje parametrów oraz wyniki predykcji — są udostępnione w Pliku Uzupełniającym 1.

Budowa systemu kontroli jakości sprzętu medycznego do ratunkowego podtrzymywania życia
Opracowanie systemu kontroli jakości sprzętu medycznego do podtrzymywania życia w nagłych wypadkach wymaga udziału wielu stron. Integralność i skuteczność systemu kontroli jakości są wielokrotnie potwierdzane poprzez komunikację i negocjacje między wieloma działami i personelem, a kompleksowy, naukowy system kontroli jakości jest ^{budowany 14,15}. Badanie przyjęło szeroko stosowaną metodę Deminga Ringa w zarządzaniu jakością oraz innych dziedzinach zarządzania do wyboru wskaźników i budowy powiązanych systemów kontroli jakości. Takie podejście prowadzi do ciągłego doskonalenia i uczenia się poprzez cztery etapy cyklicznego powtarzania. System kontroli jakości sprzętu medycznego do ratunkowego podtrzymywania życia, oparty na teorii pierścienia Deminga, przedstawiono na Rysunku 1.

Aby zapewnić powtarzalność ram kontroli jakości, cykl PDCA został operatalizowany poprzez ustrukturyzowaną procedurę wdrożeniową. W fazie planowania zakres wyposażenia został zdefiniowany tak, aby obejmował medyczne urządzenia ratunkowe podtrzymujące życie, takie jak respiratory, aparaty anestezjologiczne i defibrylatory w uczestniczących oddziałach. Sporządzono cyfrowy inwentaryzację sprzętu za pomocą szpitalnego systemu zarządzania konserwacją (CMMS)¹⁶, a każdemu urządzeniu przypisano unikalny numer identyfikacyjny w celu zapewnienia śledzenia. Kluczowe atrybuty, takie jak typ sprzętu, producent lub model, lokalizacja działu, data zakupu, klasyfikacja ryzyka, interwał inspekcji oraz pełna historia konserwacji, zostały zapisane w CMMS (zob. Plik Uzupełniający 1 dla szczegółowej struktury zestawu danych na poziomie sprzętu). Dla każdego wskaźnika oceny opracowano definicje operacyjne. Na przykład terminowość konserwacji definiowano jako zakończenie w określonej liczbie dni od zaplanowanej daty konserwacji, a zgodność z inspekcjami obliczano jako liczbę przeprowadzonych inspekcji podzieloną przez wymagane inspekcje pomnożoną przez 100%. Obowiązki zostały wyraźnie przypisane pracownikom inżynierii klinicznej, użytkownikom sprzętu oraz przełożonym działów, a rutynowe interwały raportowania zostały określone na poziomie miesięcznym i kwartalnym.

Faza wdrożenia:
W fazie wdrożenia z CMMS wyodrębniano dokumentację strukturalną, w tym zlecenia konserwacji zapobiegawczej, dzienniki inspekcji, raporty z konserwacji naprawczej oraz zapisy przestojów sprzętu. Dane te były integrowane z kodami kreskowymi lub logami operacyjnymi generowanymi przez urządzenia przenośne, wykorzystując identyfikatory urządzeń i dopasowanie znaczników czasu, aby zapewnić spójność danych. Działania konserwacyjne i inspekcyjne prowadzono zgodnie ze standardowymi procedurami operacyjnymi instytucji (SOP), a wszystkie czasy zakończenia, ustalenia, działania naprawcze i wyniki weryfikacji były dokumentowane w CMMS.

Faza inspekcji:
W fazie inspekcji przeprowadzono procedury walidacji danych i zapewnienia jakości, aby zapewnić dokładność i niezawodność. Usunięto zduplikowane rekordy, oceniono brakujące wartości, a identyfikatory sprzętu uzgadniono między zbiorami danych departamentowych. Rekordy pozbawione istotnych identyfikatorów lub informacji o znacznikach czasu zostały wykluczone z dalszej analizy. Wartości wskaźników były obliczane zarówno na poziomie działowym, jak i na poziomie kategorii sprzętu, a także sporządzano podsumowane raporty kontroli jakości. Progi oceny zostały zdefiniowane w następujący sposób: ≥ 90% zgodności sklasyfikowano jako doskonałe, 80–89% jako akceptowalne, 70–79% jako "wymaga poprawy" oraz <70% jako słabe. Progi te były stosowane równomiernie we wszystkich wydziałach, aby zapewnić ustandaryzowane oceny wydajności. Losowy podzbiór rekordów był weryfikowany z oryginalnymi logami systemowymi, aby potwierdzić integralność danych.

Faza akcji:
W fazie działań przeanalizowano wyniki wydajności, aby zidentyfikować braki i możliwości poprawy. Dla wskaźników wykazujących nieoptymalną wydajność systematycznie analizowano przyczyny źródłowe, takie jak opóźnienia w przepływie pracy, niewystarczająca obsada personelu, przerwy w łańcuchu dostaw czy luki w dokumentacji. Opracowano środki naprawcze, w tym korekty interwałów utrzymania, progów eskalacji lub mechanizmów nadzoru. Te modyfikacje zostały wprowadzone w kolejnym cyklu PDCA, aby wspierać ciągłą poprawę jakości¹⁷.

Faza planowania:
W fazie planowania przeprowadzono badania mające na celu wyjaśnienie celów do osiągnięcia po zastosowaniu systemu kontroli jakości sprzętu; równocześnie zorganizowano plan prac na kolejną fazę. W fazie realizacji prowadzono badania nad budową systemu zarządzania organizacją, systemu zarządzania procesami użytkowania sprzętu oraz systemu kontroli jakości zapewniającego sprzęt, opartego na systemie kontroli jakości dla sprzętu medycznego wsparcia ratunkowego z poprzedniej fazy, a także wyznaczono odpowiednie wskaźniki oceny¹⁸. Badania podczas etapu inspekcji oceniały i oceniały poziomy kontroli jakości instytucji medycznych, wykorzystując odpowiednie wskaźniki oceny z poprzedniego etapu. Na etapie przetwarzania podsumowano wyniki oceny z poprzedniego etapu, przeanalizowano problemy w systemie kontroli jakości oraz wprowadzono ulepszenia w celu rozwiązania problemów zidentyfikowanych w kolejnym cyklu. Na podstawie powyższych metod zbudowano model procesu kontroli jakości sprzętu medycznego do ratunkowego podtrzymywania życia, przedstawiony na Rysunku 2.

W tym modelu (Rysunek 2) typ sprzętu oraz poziom kontroli jakości zostały określone zgodnie z wymaganiami odpowiednich instytucji medycznych. Następnie ustanowiono system oceny poziomu kontroli jakości dla sprzętu, aby ocenić jego poziom kontroli jakości. Na podstawie wyników oceny system kontroli jakości sprzętu został zoptymalizowany i ulepszony. W tym procesie naukowo opracowano odpowiednie systemy, aby standaryzować użycie sprzętu medycznego i nieustannie zapewniać, że sprzęt pozostaje w stanie sprawnym. Instytucje medyczne powinny regularnie sporządzać raporty kontroli jakości, prowadzić analizę danych oraz oceniać efektywność odpowiednich treści, aby jeszcze bardziej optymalizować system kontroli jakości. W ramach wspomnianego cyklu system kontroli jakości sprzętu medycznego do ratunkowego podtrzymywania życia może być stopniowo ulepszany. W odpowiedzi na wysokie ryzyko, wysokie wymagania regulacyjne, wielofunkcyjność oraz złożoność sprzętu medycznego do wsparcia życia w nagłych wypadkach, badanie to podzieliło system kontroli jakości sprzętu medycznego do ratunkowego podtrzymywania życia na trzy części: system zarządzania organizacją, system użytkowania sprzętu oraz system kontroli jakości zapewnienia sprzętu¹⁹. W procesie ważenia uczestniczył panel 12 ekspertów z inżynierii klinicznej i zarządzania sprzętem szpitalnym (patrz Plik Uzupełniający 1 dla macierzy ważenia ekspertów i danych oceny rozmytej ewaluacji). Każdy ekspert niezależnie oceniał trzy podsystemy za pomocą 5-punktowej skali Likerta (1 = bardzo niskie znaczenie, 5 = bardzo wysokie znaczenie). Zebrane wyniki zostały zagregowane i przekształcone w trójkątne liczby rozmyte do dalszej analizy ważenia. Następnie obliczano wyniki wagowe każdego podsystemu za pomocą równania (1).

(1)

Tutaj oznacza ważony średni wynik wagowy każdego podsystemu, M to liczba ekspertów, a i to współczynnik każdego podsystemu. Po uzyskaniu powyższych wyników obliczeniowych były one przekształcane w precyzyjne wartości, aby uzyskać wartości wagowe każdego podsystemu. Konwersja jest opisana w równaniu (2).

 (2)

Tutaj W_i to wynik wagowy każdego podukładu, l to najniższy wynik wskaźnika, m to najbardziej prawdopodobny wynik wskaźnika, a u oznacza najwyższy wynik wskaźnika. W obliczeniach praktycznych trójkątne liczby rozmyte były reprezentowane jako (l, m, u), odpowiadające najniższym, najbardziej prawdopodobnym i najwyższym wynikom ekspertów. Defuzzyfikacja przeprowadzono metodą centroidu zdefiniowaną jako (l + m + u) / 3, aby przekształcić wagi rozmyte na precyzyjne wartości do późniejszej analizy ilościowej. Trzypoziomowy system oceny wskaźników kontroli jakości sprzętu ustanowiony na podstawie badań przedstawiono na Rysunku 3 (szczegółowe definicje wskaźników, kryteria oceny oraz funkcje członkostwa rozmytego przedstawiono w Pliku Uzupełniającym 1).

Funkcje przynależności każdego wskaźnika są opisane w równaniu (3).

 (3)

Tutaj μ(x) oznacza funkcję przynależności każdego wskaźnika, a x oznacza wynik każdego wskaźnika. Wartości członkostwa były programowo obliczane dla każdego wskaźnika i wykorzystywane do określenia stopnia przynależności do wcześniej zdefiniowanych kategorii jakości przed ostatecznym oceną.

Ulepszony model maszyny wektorowej wsparcia oparty na algorytmie wyszukiwania Sparrow
Model SVM i środowisko obliczeniowe
SVM to algorytm powszechnie stosowany w uczeniu maszynowym, głównie do kategoryzacji i analizy predykcji. Wszystkie eksperymenty obliczeniowe przeprowadzono w Pythonie 3.9 w środowisku Anaconda. Klasyfikator Support Vector Machine (SVM) został zaimplementowany przy użyciu biblioteki scikit-learn (wersja 1.2.2). Obliczenia numeryczne i manipulacje danymi wykonywano przy użyciu NumPy (wersja 1.23) oraz Pandas (wersja 1.5). Eksperymenty prowadzono na stacji roboczej wyposażonej w procesor Intel i7 i 16 GB RAM. SPSS 25.0 był wykorzystywany do porównań statystycznych i opisowej wyników modelu. Model SVM został zastosowany do analizy historycznych danych kontroli jakości sprzętu medycznego do ratunkowego podtrzymywania życia, dokładnego przewidywania jakości sprzętu medycznego do ratunkowego podtrzymywania życia oraz uzyskania kontroli nad jakością takiego sprzętu²⁰.

Motywacja do optymalizacji opartej na SSA
Chociaż prostsze metody klasyfikacji, takie jak regresja logistyczna, drzewa decyzyjne oraz nieoptymalizowane modele SVM, są powszechnie stosowane w badaniach predykcyjnego utrzymania, wstępna analiza porównawcza w tym badaniu wykazała zmniejszoną stabilność uogólnień w warunkach nieliniowych i wysokowymiarowych wskaźników. Wskaźniki jakości medycznego sprzętu ratunkowego w ratunkowym podtrzymywaniu życia wykazują wielokolinearność, nieliniowe interakcje oraz zróżnicowany rozkład w różnych działach. Dlatego zastosowano ramy SVM zoptymalizowane pod względem metaheurystyki, aby zwiększyć odporność strojenia hiperparametrów i poprawić stabilność granic klasyfikacji w porównaniu z konwencjonalnymi podejściami typu grid-search lub domyślnymi parametrami.

Formuła SVM z twardą i miękką marginesową
SVM jest stosowane do odkrycia hiperpłaszczyzny, która maksymalizuje lukę między różnymi kategoriami danych. Dla danych liniowo rozdzielalnych SVM poszukuje optymalnej hiperpłaszczyzny, która maksymalizuje margines między dwiema klasami. Dla danych liniowo rozdzielnych celem SVM jest minimalizacja złożoności modelu przy jednoczesnym zapewnieniu, że wszystkie próbki treningowe mogą być poprawnie sklasyfikowane, jak pokazano w równaniu (5)²¹.

min (1/2) ||w||²

pod warunkiem: y_i (w^T x_i + b) ≥ 1, dla i = 1, 2, ..., n (5)

W równaniu (5) w to wektor normalny hiperpłaszczyzny, b to wyraz biasu, y_i to etykieta klasy i próbki, a x_i to wektor cech i próbki. W praktycznych sytuacjach dane często są nieliniowo rozdzielalne. Wprowadzając zmienne slack, soft-margin SVM pozwala niektórym próbkom łamać reguły interwałowe; problem optymalizacji miękkiego marginesowego SVM przedstawiono w równaniu (6)^22.

 (6)

W równaniu (6) C jest parametrem kary, a zmienną luzu.

Funkcja jądra i funkcja decyzyjna
SVM wykorzystuje funkcje jądra do odwzorowania nieliniowych danych separowalnych na przestrzeń o wysokich wymiarach. Do popularnych funkcji jądra należą jądro liniowe, jądro wielomianowe oraz jądro bazowe radialnej Gaussa. Wśród nich jądra bazowe radialne Gaussa mają silne możliwości odwzorowania nieliniowego i nadają się do złożonych problemów nieliniowych. Mogą także kontrolować szerokość granicy decyzyjnej poprzez korektę parametrów, jak pokazano w równaniu (7)²³.

 (7)

W równaniu (7) γ jest parametrem korekty brzegu decyzyjnego. Wielojądrowy SVM może poprawić wydajność klasyfikacji poprzez łączenie różnych funkcji jądra. Rozwiązanie problemów optymalizacyjnych SVM opiera się głównie na metodzie mnożnika Lagrange'a i rozwiązywaniu problemów dualnych; Ostateczna funkcja decyzyjna klasyfikacji przedstawiona jest w równaniu (8).

 (8)

W równaniu (8) α_i jest mnożnikiem Lagrange'a. SVM wykorzystuje różne parametry w praktycznych zastosowaniach, a jeśli ustawienia parametrów nie są rozsądne, może to prowadzić do spadku wydajności klasyfikacji i predykcji SVM.

Optymalizacja hiperparametrów oparta na SSA
Aby poprawić wydajność SVM, zastosowano SSA do optymalizacji hiperparametrów. W tym badaniu SSA została wybrana ponad innymi powszechnie stosowanymi metodami optymalizacji metaheurystycznej (np. Genetic Algorithm (GA) i Particle Swarm Optimization (PSO)), ponieważ wymaga mniej parametrów kontrolnych, wykazuje konkurencyjną prędkość zbieżności oraz zapewnia silne globalne możliwości wyszukiwania, co jest korzystne dla nieliniowych i wysokowymiarowych zbiorów kontroli jakości. Ponadto mechanizm odkrywca–podążający–alert SSA zwiększa równowagę eksploracji i eksploatacji, co zwiększa prawdopodobieństwo ucieczki od lokalnych optymatów podczas strojenia hiperparametrów w porównaniu z metodami, które mogą przedwcześnie zbiegać się w złożonych krajobrazach przystosowania. W porównaniu z GA i PSO, SSA zapewnia większą zdolność eksploracji podczas wczesnych iteracji oraz poprawioną stabilność zbieżności w późniejszych etapach, co jest korzystne dla optymalizacji hiperparametrów SVM w heterogenicznych zbiorach danych szpitalnego zawierających nieliniowe zależności i wielokolilinearność.

Konkretnie, SSA została użyta do optymalizacji kluczowych hiperparametrów SVM, w tym parametru kary (C) oraz parametrów związanych z jądrem (np. γ dla jądra funkcji radialnej bazowej (RBF). W tym badaniu SSA została skonfigurowana z populacją 30 osobników i maksymalną liczbą iteracji 100. Proporcje odkrywców, obserwujących i osób czujnych zostały ustalone odpowiednio na około 20%, 60% i 20%. Próg tolerancji zbieżności został zdefiniowany jako 1 × 10⁻⁶. Zakresy wyszukiwania hiperparametrów SVM zostały zdefiniowane w skali logarytmicznej, z parametrem kary (C) i parametrem jądra (γ) ograniczonymi w granicach [10⁻^, 10³]. Każdy osobnik wróbla zakodował kandydata na wektor rozwiązania [C, γ], a do inicjalizacji populacji w określonych granicach zastosowano chaotyczne mapowanie Bernoulliego, aby zwiększyć różnorodność i zmniejszyć prawdopodobieństwo przedwczesnej zbieżności. Gdy stosowano strategię wielojądrową, współczynniki wagi jądra traktowano również jako zmienne decyzyjne. Funkcja dopasowania SSA została zdefiniowana jako błąd klasyfikacji (lub równoważnie, 1 − dokładność) na zbiorze walidacyjnym, co bezpośrednio celowało w poprawę wydajności uogólnień (proces optymalizacji, dzienniki iteracji i konfiguracja parametrów przedstawione są w Pliku Uzupełniającym 1). Zakresy przeszukiwania parametrów (granice) zostały zdefiniowane z góry, aby zapewnić wykonalne i stabilne rozwiązania (np. C ∈ [10⁻³, 10³], γ ∈ [10⁻³, 10³]) (szczegółowa przestrzeń wyszukiwania jest podsumowana w Pliku Uzupełniającym 1), a ostateczny zestaw parametrów został wybrany jako globalnie najlepsze rozwiązanie zwrócone przez SSA według kryterium zatrzymania (maksymalne iteracje lub tolerancja zbieżności). Aby zapewnić powtarzalność, zdefiniowano pośrednie punkty kontrolne optymalizacji. Konwergencję uznano za osiągniętą, gdy zmiana wartości przydatności walidacyjnej między kolejnymi iteracjami była mniejsza niż 1 × 10⁻⁶ dla pięciu kolejnych iteracji lub gdy osiągnięto maksymalną liczbę iteracji (100). Dokładność walidacji ≥ 80% była uznawana za akceptowalną podczas optymalizacji. Globalna wartość najlepszego dopasowania oraz odpowiadający mu wektor parametrów [C, γ] były rejestrowane przy każdej iteracji, aby zapewnić śledzenie procesu optymalizacji.

Algorytm SSA i mechanizm aktualizacji pozycji
SSA to inteligentny algorytm optymalizacji oparty na populacji, który symuluje zachowanie wróbli podczas poszukiwania pożywienia i obejmuje trzy role: odkrywca, podążającego i alarmowego. Podczas realizacji SSA ważne jest ustalenie populacji wróbla, inicjowanie jej pozycji i prędkości oraz obliczenie wyniku sprawności każdego wróbla w populacji. W trakcie tego procesu odkrywca musi stale aktualizować swoją lokalizację, jak wspomniano w równaniu (9)²⁴.

 (9)

W równaniu (9) to pozycja i wróbla w populacji początkowej w t iteracji , β to rozmiar kroku, φ to współczynnik tłumienia, T_max to maksymalna liczba iteracji, a N(0,1) to standardowa liczba losowa rozkładu normalnego. Pozycja podążającego również zmieniała się wraz z pozycją odkrywcy; Wzór na aktualizację pozycji naśladowcy przedstawiono w równaniu (10).

 (10)

W równaniu (10) jest najlepszą lokalizacją aktualnego odkrywcy, a λ to czynnik uczenia się. Lokalizacja alertu również się odpowiednio zmieniła; wzór na aktualizację lokalizacji przedstawiono w równaniu (11).

(11)

W równaniu (11) to pozycja innego losowo wybranego wróbla, a δ to rozmiar kroku aktualizacji alertu. Podczas tego procesu iterację można zatrzymać, jeśli osiągnięto maksymalną liczbę iteracji lub spełnione są warunki. SSA stosuje metodę generowania losowego przy ustalaniu i inicjalizacji populacji. Jednak przy tworzeniu osobników wróbli ta metoda może skutkować powstaniem większości osobników w tym samym obszarze, co prowadzi do bardzo nierównomiernego rozmieszczenia populacji. Proces ten może zaliczać się do lokalnych optymalnych parametrów. W odpowiedzi na ten problem badanie proponuje zastosowanie mapowania Bernoulliego oraz mechanizmu uczenia się odwrotnego jako mechanizmu generowania inicjalizacji populacji wróbli. Odwzorowanie Bernoulliego to matematyczne odwzorowanie chaotyczne, zdefiniowane jako dynamiczny układ dyskretny na przedziale [0,1], a jego reguła iteracji jest przedstawiona w równaniu (12).

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

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

W równaniu (12) n to liczba chaotycznych iteracji, a _n to wartość odwzorowania Bernoulliego. Po przejściu SSA do późniejszego etapu różnorodność populacji gwałtownie maleje, co prowadzi do przejścia algorytmu do lokalnych optimum. Dlatego badanie proponuje wprowadzenie mechanizmu mieszanego zaburzenia, który skłoni algorytm do rozwiązania tego ograniczenia. Mechanizm mieszanych zakłóceń zaprojektowany do badań opiera się na dwóch technikach: algorytmie świetlika oraz mutacji Gaussa, jak pokazano na Rysunku 4.

Po każdej iteracji SSA stosuje się mechanizm mieszanej perturbacji do wykrywania stagnacji populacji wróbli, jak pokazano na Rysunku 4. Jeśli wystąpi stagnacja, algorytm świetlików zakłóca populację wróbli. Zakłócenia populacji świerbelków w wyniku świetlików wymagają oszacowania przyciągania świetlików do wróbli, jak pokazano w równaniu (13).

(13)

W równaniu (13) _{β 0} to początkowa atrakcyjność jednostki, θ to współczynnik absorpcji intensywności światła, a r to odległość między dwiema osobami. Pozycja świetlików jest aktualizowana na podstawie indywidualnej atrakcyjności, jak pokazano w równaniu (14).

 (14)

W równaniu (14) to lokalizacja i świetlika w iteracji t , b_najlepiej to aktualna optymalna pozycja świetlika, ε to parametr losowego rozmiaru kroku, a e to losowy wektor wyodrębniony z rozkładu normalnego. Jeśli populacja wróbli nie stagnuje, na aktualnym optymalnym osobniku wróbla przeprowadza się mutację Gaussa, jak pokazano w równaniu (15).

 (15)

W równaniu (15) σ jest odchyleniem standardowym. Po traktowaniu populacji wróbli akceptacja nowej pozycji ustala się według zasady chciwości. Jeśli wartość dopasowania nowej lokalizacji jest lepsza niż obecna, nowa lokalizacja jest akceptowana; w przeciwnym razie utrzymuje się pierwotne stanowisko.

Jak pokazano na Rysunku 5, proces działania Ulepszonego Algorytmu Wyszukiwania Wróbli (ISSA) obejmuje głównie inicjalizację populacji wróbli, obliczanie wartości dopasowania poszczególnych wróbli, dzielenie odkrywców, podążających i alertów na podstawie wartości przydatności oraz iteracyjną aktualizację pozycji tych trzech kategorii wróbli za pomocą ulepszonej formuły aktualizacji pozycji. Wprowadzono mieszany mechanizm perturbacji oparty na algorytmie świetlika oraz mutacji Gaussa, aby zwiększyć globalne możliwości wyszukiwania algorytmu. Tymczasem zastosowano elitarną metodę uczenia wstecznego, aby dodatkowo poprawić prędkość zbieżności i precyzję algorytmu. Na koniec powyższy proces powtarzano aż do spełnienia kryterium zatrzymania i uzyskano najlepsze rozwiązanie.

Przetwarzanie danych i trenowanie modeli
Zbiór danych został podzielony na 70% danych treningowych, 15% danych walidacyjnych oraz 15% niezależnych danych testowych, aby zachować równowagę klas (walidacja krzyżowa i struktura podziału danych są szczegółowo opisane w Pliku Uzupełniającym 1). Skalowanie cech było wykonywane za pomocą minimalizacji minimalnej i maksymalnej, dopasowanej wyłącznie do zbioru danych treningowych, a wyuczone parametry skalowania zastosowano do walidacji i testowania, aby zapobiec wyciekom danych. Analiza głównych komponentów jądra (KPCA)²⁵ została zastosowana do zbioru danych treningowych redukcji wymiarowości przy użyciu jądra RBF z γ = 0,1 oraz liczbą zachowanych komponentów, ustawioną tak, aby zachować 95% skumulowaną wariancję. Macierz transformacji KPCA została zamontowana wyłącznie na zbiorze treningowym i następnie zastosowana bez zmian na zbiorach walidacyjnych i testowych, aby zapobiec wyciekom danych. Zmienne ciągłe zostały znormalizowane za pomocą skalowania min–max zdefiniowanego jako (x − xmin) / (xmax − xmin), gdzie xmin i xmax były obliczane wyłącznie na podstawie zbioru danych treningowych. SSA zoptymalizowało hiperparametry SVM, minimalizując wskaźnik błędów klasyfikacji (1 − dokładność) obliczany na zbiorze danych walidacyjnych. Po zidentyfikowaniu optymalnej kombinacji parametrów, ostateczny model SVM został ponownie przetrenowany na podstawie połączonych zbiorów danych treningowych i walidacyjnych i oceniony na niezależnym zbiorze testowym.

Model SVM ulepszony przez ISSA rozpoczyna się od wstępnego przetwarzania danych i wyboru funkcji do testów kontroli jakości sprzętu medycznego do ratunkowego podtrzymywania życia. Aby zwiększyć przejrzystość metodologiczną i powtarzalność, proces wstępnego przetwarzania danych i treningu modeli został zorganizowany następująco. Z CMMS eksportowano rekordy na poziomie sprzętu, w tym dzienniki konserwacji, wyniki inspekcji oraz status zleceń roboczych (zobacz Plik Uzupełniający 1 dla zestawów danych o surowym wyposażeniu i zdarzeniach konserwacyjnych). Te rekordy były łączone z dziennikami skanowania urządzeń z kodem kreskowym lub ręcznym, wykorzystując identyfikatory sprzętu i informacje o znacznikach czasu, aby zapewnić dokładne połączenie.

Procedury czyszczenia danych były przeprowadzane przed modelowaniem. Usunięto zduplikowane wpisy, a rekordy brakujące istotnych identyfikatorów lub znaczników czasu zostały wykluczone. Dla zmiennych liczbowych o ograniczonym braku zastosowano imputację medianą, natomiast zmienne z nadmiernie niewystarczającymi wartościami zostały wykluczone z analizy. Zmienne kategoryczne, takie jak dział i typ sprzętu, były kodowane za pomocą kodowania one-hot, a zmienne ciągłe normalizowano za pomocą skalowania min–max, aby zapewnić kompatybilność z algorytmem SVM.

Optymalizacja hiperparametrów została przeprowadzona za pomocą SSA lub ISSA do identyfikacji optymalnego parametru kary (C) oraz parametru jądra funkcji bazowej radialnej (γ). Funkcja dopasowania została zdefiniowana jako wskaźnik błędów klasyfikacji na zbiorze danych walidacyjnych. Po zidentyfikowaniu optymalnego zestawu parametrów, ostateczny model SVM został ponownie przetrenowany na podstawie połączonych danych treningowych i walidacyjnych, a następnie wyceniony na niezależnym zbiorze danych testowych. Dla uzasadnienia metodologicznego zoptymalizowany model ISSA-SVM porównano ilościowo z modelami bazowymi, w tym (i) standardowym SVM z domyślnymi parametrami, (ii) zoptymalizowanym SVM pod kątem wyszukiwania siatki oraz (iii) klasyfikatorem regresji logistycznej. Porównawcza ocena przeprowadzona była z użyciem identycznych podziałów treningu, walidacji i testowania, aby zapewnić uczciwość. Poprawę wydajności oceniano na podstawie różnic w dokładności, precyzji, przywołaniu i wyniku F1.

Proponowane ramy zostały zaprojektowane do wdrożenia w szpitalach wtórnych i trzeciorzędowych wyposażonych w cyfrowe systemy zarządzania sprzętem i wymagały jedynie ustrukturyzowanych rejestrów konserwacji i inspekcji bez dodatkowej infrastruktury czujnikowej.

W tym badaniu zbiór danych został poprowadzony z rutynowych dokumentacji kontroli jakości szpitali oraz zarządzania konserwacją dotyczącą sprzętu medycznego do ratunkowego podtrzymywania życia. Jako dane wejściowe wykorzystywano jedynie ustrukturyzowane wskaźniki numeryczne i kategoryczne związane ze statusem sprzętu, zgodnością inspekcji, wydajnością skanowania kodów kreskowych/PDA oraz terminowością konserwacji. Procedury wstępnego przetwarzania danych obejmowały normalizację zmiennych ciągłych oraz kodowanie zmiennych kategorycznych, aby zapewnić kompatybilność z ramami uczenia maszynowego. Proponowany system został zaprojektowany do wdrożenia w szpitalach wtórnych i wyższych z ugruntowanymi platformami zarządzania sprzętem cyfrowym i nie wymaga dodatkowego sprzętu poza istniejącymi systemami informacyjnymi szpitali.

Ocena i walidacja modelu
Wydajność modelu oceniano ilościowo za pomocą analizy dokładności, precyzji, przypominania, wyniku F1 oraz macierzy pomyłek. Ponadto obliczono krzywe charakterystyki pracy odbiornika (ROC) oraz wartości powierzchni pod krzywą (AUC) w celu oceny zdolności do rozróżniania klasyfikacji. Aby ocenić odporność statystyczną, przeprowadzono pięciokrotną walidację krzyżową na zbiorze danych treningowych oraz przedstawiono średnie ± odchylenia standardowe metryk wydajności (szczegółowe metryki wydajności w różnych fałdach przedstawiono w Pliku Uzupełniającym 1). Różnice w wydajności między modelami ISSA-SVM a bazowymi testami testów testów testowych zostały przetestowane za pomocą testów t, z poziomem istotności ustalonym na p < 0,05. Wszystkie metryki oceny zostały obliczone na podstawie niezależnego zbioru danych testowych, aby zapewnić bezstronne oszacowanie wydajności. Wybór ram ISSA-SVM był więc metodologicznie motywowany potrzebą obsługi nieliniowych relacji wskaźnikowych, zapobiegania przedwczesnej zbieżności podczas optymalizacji hiperparametrów oraz zwiększenia stabilności uogólnień w heterogenicznych zbiorach danych szpitalnego sprzętu. Protokół uznano za kompletny po ostatecznej ocenie modelu na niezależnym zbiorze danych testowych oraz wygenerowaniu raportu o wydajności kontroli jakości.

Wyniki

Wyniki inspekcji jakości specjalnej grupy informacji za pierwszy kwartał
Potwierdzono praktyczny wpływ systemu kontroli jakości sprzętu medycznego do ratunkowego podtrzymywania życia, który został opracowany w badaniach, a rzeczywisty efekt zastosowania systemu kontroli jakości został zweryfikowany w obszarze eksperymentalnym Szpitala Ludowego Liyang. W pierwszym kwartale oceniono 28 jednostek pielęgniarskich pod kątem jakości, a tematem inspekcji było podsumowanie specjalistycznego nadzoru jakości ...

Dyskusja

Modele maszyn wektorowych wspomagających są szeroko stosowane w ewaluacji predykcyjnej i wykrywaniu anomalii w kontekstach przemysłowych i medycznych. W kontekście zarządzania technologią medyczną uczenie maszynowe jest również coraz częściej stosowane w przewidywaniu niezawodności urządzeń medycznych oraz wsparciu podejmowania decyzji konserwacyjnych, w tym w przypadku sprzętu o wysokim stopniu krytyczności, takiego jak defibrylatory i respiratory, w celu poprawy gotowości sprzętu i skrócenia nieplanowanych przestojów

Materiały

Lista materiałów użytych w tym artykule

Nazwa	Firma	Numer katalogowy	Komentarze
Aparaty znieczulające	SZEMENTMD Medical Technology Co.	Stacja robocza anestezjologii A5 (B0DS4BFXZ7)	Sprzęt używany do podawania i monitorowania znieczulenia podczas nagłych zabiegów chirurgicznych
Stacja robocza obliczeniowa	Intel Corporation	Intel Core i7-10700 CPU, 16 GB RAM	Platforma sprzętowa używana do trenowania i oceny modeli uczenia maszynowego
Defibrylatory	Producent ogólnych urządzeń medycznych	Monitor/Defibrylator LIFEPAK 15 (B0DZTRH229)	Sprzęt do awaryjnej resuscytacji serca stosowany w arytmiach zagrażających życiu
Metoda pierścienia Deminga (PDCA)	Nie dotyczy	Cykl zarządzania jakością PDCA	Ramy ciągłego doskonalenia jakości w zarządzaniu sprzętem szpitalnym
Moduł analizy głównych komponentów jądra	Deweloperzy scikit-learn	Implementacja jądra RBF	Stosowane do redukcji wymiarowości przed klasyfikacją SVM
System monitorowania utrzymania medycznego (CMMS)	DAWEI Technologia Informacyjna Opieki Zdrowotnej	System Zarządzania Sprzętem Szpitalnym v3.2 (B0D4YDKLPJ)	Wykorzystywany do zbierania dzienników konserwacji sprzętu, rejestrów inspekcji oraz danych z monitoringu operacyjnego
Biblioteka obliczeń numerycznych NumPy	Deweloperzy NumPy	Wersja 1.23	Operacje na tablicach numerycznych i obliczenia naukowe
Biblioteka przetwarzania danych Pandas	Zespół Rozwojowy Pandas	Wersja 1.5	Wstępne przetwarzanie danych, integracja zbiorów danych i zarządzanie danymi strukturalnymi
Środowisko programistyczne Python	Python Software Foundation	Python 3.9	Podstawowe środowisko programistyczne wykorzystywane do tworzenia modeli uczenia maszynowego
Biblioteka uczenia maszynowego scikit-learn	Deweloperzy scikit-learn	Wersja 1.2.2	Implementacja klasyfikatora maszyny wektorowej (SVM)
Moduł optymalizacji algorytmu wyszukiwania Sparrow	Niestandardowa implementacja Pythona	ISSA-SVM Optimization Framework v1.0	Metaheurystyczny algorytm używany do optymalizacji hiperparametrów SVM
Oprogramowanie do analizy statystycznej SPSS	IBM Corporation	Statystyki SPSS Wersja 25.0	Wykorzystywane do analizy statystycznej i opisowej oceny wyników modeli
Respiratory	XNPINDA Medical Equipment Co., Ltd.	Seria respiratorów OIOM V860 (B0DR8X724D)	Sprzęt medyczny do ratunkowego podtrzymywania życia używany do wspomaganej wentylacji u pacjentów w stanie krytycznym