Sistema de Controle de Qualidade Baseado em Informação para Equipamentos Médicos de Suporte à Vida de Emergência utilizando um SVM otimizado para SSA

Resumo

O protocolo explica a criação do sistema de índice de controle de qualidade de enfermagem para equipamentos médicos de suporte vital de emergência, combinando modelos de máquinas vetoriais para acompanhamento.

Resumo

Atualmente, as instituições médicas não possuem um sistema abrangente e confiável de indicadores de controle de qualidade que utilize plataformas de informação para auxiliar a equipe de enfermagem no gerenciamento de instrumentos e equipamentos. Para resolver essa questão, foi desenvolvido um sistema de índice de controle de qualidade de enfermagem baseado em requisitos de gestão, procedimentos de operação de enfermagem e padrões de qualidade para equipamentos médicos de suporte de vida de emergência. Esse sistema de índice utiliza um modelo aprimorado de máquina de vetores de suporte (SVM) para facilitar o monitoramento baseado em informações dos equipamentos, com o objetivo de fornecer orientações para melhorar o gerenciamento imperfeito e o uso não padrão de instrumentos e equipamentos. Os resultados mostram que, sob monitoramento baseado em informações do sistema de controle de qualidade, a taxa média de execução dos pedidos médicos em cada departamento pode ultrapassar 80%. A taxa de manutenção oportuna dos equipamentos na maioria dos departamentos pode ultrapassar 90%, com poucas exceções. Esse sistema de controle de qualidade para equipamentos médicos de suporte de vida em emergência, projetado para fins de pesquisa, pode monitorar efetivamente a manutenção de equipamentos em vários departamentos e alcançar e promover a gestão padronizada e o uso de instrumentos e equipamentos.

Introdução

Equipamentos médicos de suporte de vida de emergência, como ventiladores, máquinas de anestesia, desfibriladores, etc., desempenham um papel crítico em situações médicas de emergência para manter ou restaurar os sinais vitais dos^{pacientes 1}. Com o rápido desenvolvimento da tecnologia médica, esses dispositivos tornaram-se cruciais para resgatar pacientes gravemente doentes e manter sinais vitais. Esses dispositivos devem sempre garantir sua funcionalidade e usabilidade completas, pois qualquer falha no equipamento quando a vida do paciente está em perigo pode dificultar o resgate^{oportuno 2,3}. Um sistema robusto de controle de qualidade para equipamentos médicos é crucial para garantir seu funcionamento normal. Ao estabelecer e manter um sistema eficaz de controle de qualidade, a taxa de falha dos equipamentos médicos pode ser reduzida, a qualidade do uso dos equipamentos pode ser garantida, a confiabilidade e a vida útil dos equipamentos médicos podem ser aprimoradas, e os custos de manutenção podem ser^{reduzidos 4,5}. Evidências recentes enfatizam ainda mais que programas estruturados de manutenção e controle de qualidade — apoiados por sistemas de informação — melhoram a rastreabilidade das atividades de manutenção, reduzem o tempo de inatividade evitável e fortalecem a tomada de decisão de engenharia clínica para a gestão de equipamentos^{hospitalares 6,7}. Além disso, pesquisas crescentes sobre abordagens baseadas em dados e inteligência artificial indicam que modelos preditivos podem apoiar o agendamento preventivo de manutenção e a identificação precoce de risco de falha para dispositivos hospitalares, melhorando assim a confiabilidade e a prontidão operacional ^8,9,10.

A tradicional máquina de vetores de suporte (SVM) é amplamente aplicada no reconhecimento de padrões e aprendizado de máquina; no entanto, seu desempenho é limitado pela seleção de parâmetros relevantes e funções do kernel¹¹. Assim, a otimização metaheurística tem sido cada vez mais integrada ao aprendizado de máquina para ajustar parâmetros do modelo e melhorar a generalização, especialmente sob condições não lineares e de alta dimensão relevantes para dados operacionais^{de saúde 12}. Devido à complexidade dos equipamentos médicos de suporte de vida de emergência e às particularidades de seu ambiente de uso, atualmente há falta de pesquisas sistemáticas sobre seu controle de qualidade. Além disso, estudos anteriores observam heterogeneidade persistente nas práticas de manutenção hospitalar e nos fluxos de trabalho de monitoramento da qualidade, o que pode limitar a padronização e as ações corretivas oportunas em todos os^{departamentos 13}. No entanto, estudos existentes geralmente examinaram a modelagem preditiva de manutenção ou sistemas de gestão da qualidade isoladamente, sem integrar formalmente indicadores estruturados de qualidade hospitalar, mecanismos de ponderação difusa e modelos de classificação otimizados para meta-heurísticas dentro de uma arquitetura de governança unificada. Embora SVM e o Algoritmo de Busca Sparrow (SSA) tenham sido aplicados em tarefas de previsão industrial, sua incorporação sistemática nos fluxos de trabalho de controle de qualidade hospitalar para equipamentos médicos de suporte de vida de emergência ainda não foi suficientemente explorada. Portanto, este estudo se destaca por combinar otimização computacional, avaliação estruturada de indicadores e governança institucional da qualidade dentro de um único arcabouço operacional. Essa separação metodológica limita a interpretabilidade prática e a escalabilidade institucional. Com base nas considerações acima, o presente estudo busca abordar as seguintes questões de pesquisa: (i) Um modelo SVM otimizado para a ISSA pode melhorar o desempenho preditivo para a classificação de controle de qualidade de equipamentos médicos de suporte de vida de emergência em comparação com abordagens não otimizadas? (ii) A integração de ponderação estruturada de indicadores, avaliação difusa e otimização metaheurística pode melhorar a eficácia operacional e a padronização dos sistemas de controle de qualidade de equipamentos hospitalares?

Assim, a hipótese central deste estudo é que incorporar um modelo SVM otimizado para ISSA em uma arquitetura de controle de qualidade baseada em PDCA melhorará significativamente a precisão preditiva, robustez e interpretabilidade operacional em comparação com os métodos convencionais de monitoramento de qualidade.

Para isso, algoritmos relevantes são estudados para otimizar o sistema de controle de qualidade dos equipamentos médicos de suporte de vida em emergência. Um modelo SVM aprimorado baseado no Algoritmo de Busca Sparrow (SSA) é proposto para aprimorar ainda mais a capacidade do SVM. A otimização dos parâmetros relevantes do SVM aprimora a capacidade de generalização do modelo, tornando-o mais robusto no manejo de dados não lineares e de alta dimensão, além de melhorar seu desempenho prático em sistemas de controle de qualidade.

Os objetivos específicos deste estudo são, portanto: (i) construir um sistema hierárquico de indicadores de controle de qualidade para equipamentos médicos de suporte de vida de emergência; (ii) desenvolver e otimizar um modelo de classificação SVM usando o Algoritmo de Busca Sparrow; e (iii) incorporar o modelo preditivo otimizado em um sistema de controle de qualidade hospitalar orientado pela PDCA, para avaliar sua viabilidade operacional e desempenho.

A principal inovação deste estudo está na introdução do SSA para otimizar os parâmetros-chave do modelo SVM, melhorando assim a capacidade de processamento de dados e o desempenho de generalização do modelo. Esse modelo foi então aplicado ao monitoramento baseado em informação do controle de qualidade de equipamentos médicos de suporte de vida de emergência. Do ponto de vista prático da implementação, o framework proposto pode ser implantado usando fontes de informações hospitalares rotineiramente disponíveis (por exemplo, registros de manutenção de equipamentos, registros de inspeção/uso e dados operacionais relacionados a códigos de barras e Assistentes Digitais Pessoais (PDA)), apoiando assim a viabilidade sem exigir infraestrutura especializada adicional de sensoriamento. Assim, este estudo contribui ao propor e validar empiricamente uma estrutura metodologicamente integrada que combina ponderação estruturada de indicadores, avaliação difusa e modelagem SVM otimizada para ISSA dentro de uma arquitetura de controle de qualidade hospitalar baseada em PDCA.

Protocolo

O protocolo do estudo foi submetido para revisão ética ao Comitê de Ética do Hospital Popular de Liyang, Província de Jiangsu, China (Aprovação do Projeto nº JDYY2023158, protocolo versão 1.0, datada de 09 de fevereiro de 2023). O estudo utilizou registros de gerenciamento e manutenção de equipamentos hospitalares desidentificados obtidos do sistema informatizado de gerenciamento de manutenção (CMMS) do hospital. O conjunto de dados não continha dados clínicos em nível de paciente, identificadores pessoais ou amostras biológicas. Como a pesquisa envolveu dados de manejo de equipamentos institucionais sem participantes humanos, o consentimento informado não foi exigido de acordo com as diretrizes institucionais de governança da pesquisa e os requisitos de Boas Práticas Clínicas (GCP). Todos os conjuntos de dados que suportam o desenvolvimento, otimização, validação e reprodutibilidade do modelo — incluindo definições de indicadores, logs de otimização SSA, configurações de parâmetros e saídas de previsão — são fornecidos no Arquivo Suplementar 1.

Construção de um sistema de controle de qualidade para equipamentos médicos de suporte à vida de emergência
O desenvolvimento de um sistema de controle de qualidade para equipamentos médicos de suporte vital de emergência requer a participação de múltiplas partes. A integridade e a eficácia do sistema de controle de qualidade são repetidamente demonstradas por meio da comunicação e negociação entre vários departamentos e funcionários, e um sistema abrangente e científico de controle de qualidade é ^{construído 14,15}. O estudo adotou o método Deming Ring, amplamente utilizado, na gestão da qualidade e em outras áreas de gestão para selecionar indicadores e construir sistemas relacionados ao controle de qualidade. Essa abordagem alcança melhoria contínua e aprendizado por meio de quatro estágios de repetição cíclica. O sistema de controle de qualidade para equipamentos médicos de suporte de vida em emergência, baseado na teoria do Anel de Deming, é apresentado na Figura 1.

Para garantir a replicabilidade do arcabouço de controle de qualidade, o ciclo PDCA foi operacionalizado por meio de um procedimento estruturado de implementação. Durante a fase de planejamento, o escopo dos equipamentos foi definido para incluir equipamentos médicos de suporte de vida de emergência, como ventiladores, máquinas de anestesia e desfibriladores, em todos os departamentos participantes. Um inventário digital de equipamentos foi estabelecido usando o sistema informatizado de gerenciamento de manutenção (CMMS⁾¹⁶ do hospital, e cada dispositivo recebeu um número de identificação único para garantir a rastreabilidade. Atributos essenciais, incluindo tipo de equipamento, fabricante ou modelo, localização departamental, data de aquisição, classificação de risco, intervalo de inspeção e histórico completo de manutenção, foram registrados dentro do CMMS (veja o Arquivo Suplementar 1 para estrutura detalhada do conjunto de dados em nível de equipamento). Definições operacionais foram formuladas para cada indicador de avaliação. Por exemplo, a pontualidade da manutenção foi definida como conclusão dentro de um número pré-definido de dias a partir da data programada de manutenção, e a conformidade com a inspeção foi calculada como o número de inspeções concluídas concluídas dividido pelas inspeções exigidas multiplicado por 100%. As responsabilidades foram explicitamente atribuídas ao pessoal de engenharia clínica, usuários de equipamentos e supervisores departamentais, e intervalos rotineiros de relatórios foram definidos mensal e trimestralmente.

Fase de implementação:
Durante a fase de implementação, registros estruturados foram extraídos do CMMS, incluindo ordens de trabalho de manutenção preventiva, registros de inspeção, relatórios de manutenção corretiva e registros de tempo de inatividade de equipamentos. Esses dados foram integrados com registros operacionais gerados por códigos de barras ou dispositivos portáteis, usando identificadores de equipamentos e correspondência de carimbo de tempo para garantir consistência dos dados. As atividades de manutenção preventiva e inspeção foram realizadas de acordo com os procedimentos operacionais padrão institucionais (SOPs), e todos os tempos de conclusão, conclusões, ações corretivas e resultados de verificação foram documentados no CMMS.

Fase de inspeção:
Na fase de inspeção, foram realizados procedimentos de validação de dados e garantia de qualidade para garantir precisão e confiabilidade. Registros duplicados foram removidos, valores ausentes foram avaliados e identificadores de equipamentos foram reconciliados entre os conjuntos de dados departamentais. Registros sem identificadores essenciais ou informações de data e hora foram excluídos da análise subsequente. Os valores dos indicadores foram calculados tanto em nível departamental quanto em categoria de equipamento, e relatórios resumidos de controle de qualidade foram gerados. Os limiares de avaliação foram pré-definidos da seguinte forma: ≥ 90% de adesão foi categorizada como excelente, 80–89% como aceitável, 70–79% como "precisa de melhorias" e <70% como ruim. Esses limites foram aplicados uniformemente entre os departamentos para garantir uma avaliação padronizada de desempenho. Um subconjunto aleatório de registros foi verificado cruzadamente com os logs originais do sistema para confirmar a integridade dos dados.

Fase de ação:
Na fase de ação, os resultados de desempenho foram revisados para identificar deficiências e oportunidades de melhoria. Para indicadores que demonstravam desempenho subótimo, causas raízes como atrasos no fluxo de trabalho, falta de pessoal suficiente, interrupções na cadeia de suprimentos ou lacunas na documentação foram analisadas sistematicamente. Medidas corretivas foram formuladas, incluindo ajustes nos intervalos de manutenção, limiares de escalonamento ou mecanismos de supervisão. Essas modificações foram implementadas no ciclo subsequente do PDCA para apoiar a melhoria contínua^{da qualidade 17}.

Fase de planejamento:
Na fase de planejamento, foram realizadas pesquisas para esclarecer os objetivos a serem alcançados após o uso do sistema de controle de qualidade do equipamento; Simultaneamente, o plano de trabalho para a próxima fase foi organizado. Na fase de execução, foram realizadas pesquisas sobre a construção de um sistema de gestão organizacional, um sistema de gerenciamento de processos de uso de equipamentos e um sistema de controle de qualidade de garantia de equipamentos, baseados no sistema de controle de qualidade da fase anterior para equipamentos médicos de suporte de vida em emergência, e foram determinados indicadores de avaliação^{relevantes 18}. A pesquisa durante a fase de inspeção avaliou e avaliou os níveis de controle de qualidade das instituições médicas usando os indicadores de avaliação relevantes da etapa anterior. Na etapa de processamento, os resultados da avaliação da etapa anterior foram resumidos, os problemas no sistema de controle de qualidade foram analisados e melhorias foram feitas para resolver as questões identificadas no ciclo seguinte. Com base nos métodos acima, foi construído um modelo de processo para controle de qualidade de equipamentos médicos de suporte à vida em emergência, conforme representado na Figura 2.

Neste modelo (Figura 2), o tipo de equipamento e o nível de controle de qualidade foram determinados de acordo com os requisitos das instituições médicas relevantes. Em seguida, foi criado um sistema de avaliação para o nível de controle de qualidade do equipamento, a fim de analisar seu nível de controle de qualidade. Com base nos resultados da avaliação, o sistema de controle de qualidade dos equipamentos foi otimizado e aprimorado. Nesse processo, sistemas relevantes foram cientificamente estabelecidos para padronizar o uso de equipamentos médicos e garantir continuamente que o equipamento permanecesse em estado eficaz. As instituições médicas devem regularmente redigir relatórios de controle de qualidade, realizar análises de dados e avaliar o desempenho do conteúdo relevante para otimizar ainda mais o sistema de controle de qualidade. Por meio do ciclo mencionado acima, o sistema de controle de qualidade para equipamentos médicos de suporte de vida de emergência pode ser gradualmente aprimorado. Em resposta ao alto risco, altos requisitos regulatórios, multifuncionalidade e complexidade dos equipamentos médicos de suporte de vida de emergência, este estudo categorizou o sistema de controle de qualidade dos equipamentos médicos de suporte de vida em emergência em três partes, incluindo sistema de gestão organizacional, sistema de uso de equipamentos e sistema de controle de qualidade de garantia^{de equipamentos 19}. Um painel de 12 especialistas em engenharia clínica e gestão de equipamentos hospitalares participou do processo de ponderação (veja o Arquivo Suplementar 1 para matrizes de ponderação especializadas e entradas de avaliação difusas). Cada especialista avaliou independentemente os três subsistemas usando uma escala de Likert de 5 pontos (1 = importância muito baixa, 5 = importância muito alta). As pontuações coletadas foram agregadas e convertidas em números triangulares difusos para análise subsequente de ponderação. As pontuações de peso de cada subsistema foram então calculadas usando a equação (1).

(1)

Aqui, representa a pontuação média ponderada de cada subsistema, M é o número de especialistas e i é o coeficiente de cada subsistema. Após obter os resultados do cálculo acima, eles foram convertidos em valores precisos para obter as pontuações de peso de cada subsistema. A conversão é mencionada na equação (2).

(2)

Aqui, W_i é a pontuação de peso de cada subsistema, l é a pontuação mais baixa do indicador, m é a pontuação mais provável do indicador, e u representa a pontuação mais alta do indicador. Na computação prática, números triangulares difusos foram representados como (l, m, u), correspondendo às pontuações de especialista mais baixas, mais prováveis e mais altas, respectivamente. A desfuzzificação foi realizada usando o método do centróide definido como (l + m + u) / 3 para converter pesos fuzzy em valores precisos para análises quantitativas subsequentes. O sistema de avaliação em três níveis para indicadores de controle de qualidade de equipamentos estabelecido por meio de pesquisa é apresentado na Figura 3 (definições detalhadas de indicadores, critérios de avaliação e funções de associação difusas são fornecidos no Arquivo Suplementar 1).

As funções de pertença de cada indicador são mencionadas na equação (3).

(3)

Aqui, μ(x) representa a função de associação de cada pontuação do indicador, e x representa a pontuação de cada indicador. Os valores de associação eram calculados programaticamente para cada pontuação indicadora e usados para determinar o grau de pertença a categorias de qualidade pré-definidas antes da pontuação final.

Modelo aprimorado de máquina vetorial de suporte baseado no algoritmo de busca Sparrow
Modelo SVM e ambiente computacional
SVM é um algoritmo comumente aplicado em aprendizado de máquina, principalmente para categorização e análise de predição. Todos os experimentos computacionais foram realizados usando Python 3.9 dentro do ambiente Anaconda. O classificador Support Vector Machine (SVM) foi implementado usando a biblioteca scikit-learn (versão 1.2.2). O cálculo numérico e a manipulação de dados eram realizados usando NumPy (versão 1.23) e Pandas (versão 1.5). Experimentos foram realizados em uma estação de trabalho equipada com processador Intel i7 e 16 GB de RAM. O SPSS 25.0 foi utilizado para comparação estatística e análise descritiva dos resultados dos modelos. O modelo SVM foi aplicado para analisar dados históricos de controle de qualidade de equipamentos médicos de suporte de vida de emergência, prever com precisão a qualidade dos equipamentos médicos de suporte de vida de emergência e alcançar controle sobre a qualidade desses^{equipamentos 20}.

Motivação para otimização baseada em SSA
Embora métodos de classificação mais simples, como regressão logística, árvores de decisão e modelos SVM não otimizados, sejam comumente aplicados em estudos de manutenção preditiva, a análise comparativa preliminar neste estudo demonstrou redução da estabilidade de generalização sob condições de indicadores não lineares e de alta dimensão. Os indicadores de qualidade dos equipamentos médicos de suporte à vida em emergência exibem multicolinearidade, interações não lineares e distribuições heterogêneas entre departamentos. Portanto, foi adotado um framework SVM otimizado para meta-heurística para aumentar a robustez do ajuste de hiperparâmetros e melhorar a estabilidade da fronteira de classificação em comparação com as abordagens convencionais de busca em grade ou parâmetros padrão.

Formulação de SVM de margem dura e margem suave
A SVM é aplicada para descobrir um hiperplano que maximiza a diferença entre diferentes categorias de dados. Para dados linearmente separáveis, a SVM busca um hiperplano ótimo que maximize a margem entre duas classes. Para dados linearmente separáveis, o objetivo do SVM é minimizar a complexidade do modelo enquanto garante que todas as amostras de treinamento possam ser corretamente classificadas, conforme mostrado na equação (5)²¹.

min (1/2) ||w||²

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

Na equação (5), w é o vetor normal hiperplano, b é o termo de viés, y_i é o rótulo de classe da amostra, e x_i é o vetor de características da i , a amostra. Em situações práticas, os dados são frequentemente não linearmente separáveis. Ao introduzir variáveis de folga, o SVM de margem suave permite que algumas amostras violem regras de intervalo; o problema de otimização da SVM de margem suave é mostrado na equação (6)²².

(6)

Na equação (6), C é o parâmetro de penalidade e é a variável de folga.

Função kernel e função de decisão
A SVM emprega funções kernel para mapear dados separáveis não lineares em um espaço de alta dimensão. Funções comuns do núcleo incluem núcleo linear, núcleo polinomial e núcleo da base radial gaussiana. Entre eles, núcleos de base radial Gaussiana possuem fortes capacidades de mapeamento não linear e são adequados para problemas complexos não lineares. Eles também podem controlar a largura da fronteira de decisão ajustando parâmetros, como mostrado na equação (7)²³.

(7)

Na equação (7), γ é o parâmetro de ajuste de fronteira de decisão. SVM multi-kernel pode melhorar o desempenho da classificação combinando diferentes funções do kernel. A solução de problemas de otimização SVM depende principalmente do método multiplicador de Lagrange e da resolução dual de problemas; A função final de decisão de classificação é apresentada na equação (8).

(8)

Na equação (8), α_i é o multiplicador de Lagrange. A SVM envolve vários parâmetros em aplicações práticas e, se as configurações de parâmetros não forem razoáveis, isso pode levar a uma diminuição no desempenho da classificação e previsão da SVM.

Otimização de hiperparâmetros baseada em SSA
Para melhorar o desempenho do SVM, o SSA foi empregado para otimização de hiperparâmetros. Neste estudo, o SSA foi selecionado em relação a outros métodos de otimização metaheurística comumente usados (por exemplo, Algoritmo Genético (GA) e Otimização por Enxame de Partículas (PSO)) porque requer menos parâmetros de controle, demonstra velocidade de convergência competitiva e oferece forte capacidade global de busca, o que é benéfico para conjuntos de dados de controle de qualidade não lineares e de alta dimensão. Além disso, o mecanismo descobridor-seguidor-alerta da SSA aprimora o equilíbrio entre exploração e exploração, o que aumenta a probabilidade de escapar de ótimos locais durante o ajuste de hiperparâmetros em comparação com métodos que podem convergir prematuramente sob paisagens complexas de aptidão física. Comparado ao GA e PSO, o SSA oferece maior capacidade de exploração durante as primeiras iterações e melhora a estabilidade da convergência em estágios posteriores, o que é benéfico para otimizar hiperparâmetros do SVM em conjuntos de dados heterogêneos de equipamentos hospitalares contendo relações não lineares e multicolinearidade.

Especificamente, a SSA foi usada para otimizar os hiperparâmetros chave do SVM, incluindo o parâmetro de penalidade (C) e os parâmetros relacionados ao kernel (por exemplo, γ para o núcleo da função base radial (RBF). Neste estudo, a SSA foi configurada com um tamanho populacional de 30 indivíduos e um número máximo de iteração de 100. A proporção de descobridores, seguidores e indivíduos atentos foi definida para aproximadamente 20%, 60% e 20%, respectivamente. O limiar de tolerância de convergência foi definido como 1 × 10⁻⁶. Os intervalos de busca para hiperparâmetros SVM foram definidos em uma escala logarítmica, com o parâmetro de penalidade (C) e o parâmetro do núcleo (γ) limitados dentro de [10⁻³, 10³]. Cada indivíduo de pardal codificava um vetor de solução candidato [C, γ], e um mapeamento caótico de Bernoulli foi usado para inicializar a população dentro de limites predefinidos, a fim de aumentar a diversidade e reduzir a probabilidade de convergência prematura. Quando uma estratégia multi-kernel foi adotada, os coeficientes de peso do kernel também foram tratados como variáveis de decisão. A função de aptidão SSA foi definida como o erro de classificação (ou, equivalentemente, 1 − precisão) no conjunto de validação, direcionando diretamente o desempenho melhorado da generalização (processo de otimização, logs de iteração e configuração de parâmetros são fornecidos no Arquivo Suplementar 1). Os intervalos de busca de parâmetros (limites) foram pré-definidos para garantir soluções viáveis e estáveis (por exemplo, C ∈ [10⁻³, 10³], γ ∈ [10⁻³, 10³]) (o espaço detalhado de busca é resumido no Arquivo Suplementar 1), e o conjunto final de parâmetros foi selecionado como a melhor solução global retornada pela SSA sob o critério de parada (iterações máximas ou tolerância à convergência). Para garantir a reprodutibilidade, foram definidos checkpoints intermediários de otimização. A convergência era considerada alcançada quando a variação no valor de validação entre iterações sucessivas era menor que 1 × 10⁻⁶ para cinco iterações consecutivas ou quando o número máximo de iterações (100) era atingido. A precisão da validação ≥ 80% foi considerada aceitável durante a otimização. O valor global de melhor aptidão e o vetor de parâmetros correspondente [C, γ] eram registrados a cada iteração para garantir a rastreabilidade do processo de otimização.

Algoritmo SSA e mecanismo de atualização de posição
SSA é um algoritmo inteligente de otimização baseado em populações que simula o comportamento dos pardais em sua busca por alimento e inclui três funções: descobridor, seguidor e alerta. Durante a execução do SSA, é importante estabelecer uma população de pardais, inicializar sua posição e velocidade, e calcular a pontuação de aptidão de cada pardal na população. Durante esse processo, o descobridor precisa atualizar constantemente sua localização, conforme mencionado na equação (9)²⁴.

(9)

Na equação (9), é a posição do i , o pardal, na população inicial em t a iteração, β é o tamanho do passo, φ é o fator de atenuação, T_max é o número máximo de iterações, e N(0,1) é um número aleatório padrão de distribuição normal. A posição do seguidor também mudava com a posição do descobridor; A fórmula para atualizar a posição do seguidor é mostrada na equação (10).

(10)

Na equação (10), é a melhor localização do descobridor atual e λ é o fator de aprendizado. A localização do alerta também mudou de acordo; A fórmula para atualizar sua localização é mostrada na equação (11).

(11)

Na equação (11), é a posição de outro pardal selecionado aleatoriamente e δ é o passo de atualização do alerta. Durante esse processo, a iteração pode ser interrompida se o número máximo de iterações for alcançado ou se as condições forem atendidas. A SSA emprega um método de geração aleatória ao estabelecer e inicializar a população. No entanto, ao gerar indivíduos de pardais, esse método pode resultar na maioria dos indivíduos sendo gerada na mesma área, levando a uma distribuição populacional extremamente desigual. Esse processo de busca pode se enquadrar em ótimos locais. Em resposta a essa questão, o estudo propõe adotar o mapeamento de Bernoulli e um mecanismo de aprendizado reverso como mecanismo de geração de inicialização para populações de pardais. O mapa de Bernoulli é um mapa caótico matemático, definido como um sistema dinâmico em tempo discreto sobre o intervalo [0,1], e sua regra de iteração é mostrada na equação (12).

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

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

Na equação (12), n é o número de iterações caóticas e _n é o valor do mapeamento de Bernoulli. Após o SSA avançar para a fase final, a diversidade populacional diminui rapidamente, levando o algoritmo a cair em ótimos locais. Portanto, o estudo propõe introduzir um mecanismo misto de perturbação para incentivar o algoritmo a abordar essa limitação. O mecanismo de perturbação mista projetado para pesquisa baseia-se em duas técnicas: o algoritmo do vaga-lume e a mutação gaussiana, como mostrado na Figura 4.

Após cada iteração do SSA, o mecanismo de perturbação mista é aplicado para detectar a estagnação da população de pardais, como mostrado na Figura 4. Se ocorrer estagnação, o algoritmo do vaga-lume perturba a população de pardais. A perturbação de vaga-lumes na população de pardais requer a estimativa da atração dos vaga-lumes para os pardais, conforme mostrado na equação (13).

(13)

Na equação (13), β₀ é a atratividade inicial do indivíduo, θ é o coeficiente de absorção da intensidade da luz, e r é a distância entre dois indivíduos. A posição dos vaga-lumes é atualizada com base na atratividade individual, conforme mostrado na equação (14).

(14)

Na equação (14), é a localização do vaga-lume i na iteração t , b_best é a posição ótima atual do vaga-lume, ε é o parâmetro do tamanho do passo aleatório, e e é o vetor aleatório extraído da distribuição normal. Se a população de pardais não estagnar, uma mutação Gaussiana é realizada no indivíduo ótimo atual, conforme mostrado na equação (15).

(15)

Na equação (15), σ é o desvio padrão. Após o tratamento da população de pardais, a aceitação da nova posição é determinada de acordo com o princípio da ganância. Se o valor de aptidão da nova localização for melhor do que a atual, a nova localização é aceita; caso contrário, a posição original é mantida.

Como mostrado na Figura 5, o processo operacional do Algoritmo Aprimorado de Busca de Pardais (ISSA) inclui principalmente a inicialização da população de pardais, o cálculo dos valores de aptidão de pardais individuais, a divisão de descobridores, seguidores e alertas com base nos valores de aptidão e a atualização iterativa das posições dessas três categorias de pardais por meio de uma fórmula aprimorada de atualização de posição. Um mecanismo misto de perturbação baseado no algoritmo do vaga-lume e na mutação Gaussiana foi introduzido para aumentar a capacidade global de busca do algoritmo. Enquanto isso, um método de aprendizado reverso de elite foi usado para melhorar ainda mais a velocidade de convergência e a precisão do algoritmo. Por fim, o processo acima foi repetido até que o critério de parada fosse atingido e a melhor solução fosse produzida.

Processamento de dados e treinamento de modelos
O conjunto de dados foi particionado usando amostragem estratificada em 70% de dados de treinamento, 15% de dados de validação e 15% de dados de testes independentes para preservar o equilíbrio de classes (a validação cruzada e a estrutura de divisão dos dados são detalhadas no Arquivo Suplementar 1). A escalabilidade de características foi realizada usando normalização min–max ajustada exclusivamente ao conjunto de dados de treinamento, e os parâmetros de escalabilidade aprendidos foram aplicados à validação e teste de conjuntos de dados para evitar vazamento de dados. A análise de componentes principais do kernel (KPCA⁾²⁵ foi aplicada ao conjunto de dados de treinamento para redução de dimensionalidade usando um kernel RBF com γ = 0,1 e o número de componentes retidos configurados para preservar a variância cumulativa de 95%. A matriz de transformação KPCA foi ajustada exclusivamente ao conjunto de dados de treinamento e posteriormente aplicada inalterada aos conjuntos de validação e teste para evitar vazamento de dados. As variáveis contínuas foram normalizadas usando escala min–max definida como (x − xmin) / (xmax − xmin), onde xmin e xmax foram calculados apenas a partir do conjunto de dados de treinamento. A SSA otimizou os hiperparâmetros SVM minimizando a taxa de erro de classificação (1 − precisão) calculada no conjunto de dados de validação. Após identificar a combinação ótima de parâmetros, o modelo final SVM foi retreinado usando os conjuntos combinados de treino e validação e avaliado no conjunto de dados de teste independente.

O modelo SVM aprimorado pela ISSA começa com o pré-processamento de dados e a seleção de recursos para o teste de controle de qualidade de equipamentos médicos de suporte vital de emergência. Para aumentar a transparência metodológica e a reprodutibilidade, o fluxo de trabalho de pré-processamento de dados e treinamento de modelos foi estruturado da seguinte forma. Registros em nível de equipamento foram exportados do CMMS, incluindo registros de manutenção, resultados de inspeção e status da ordem de trabalho (veja o Arquivo Suplementar 1 para conjuntos de dados brutos de equipamentos e eventos de manutenção). Esses registros foram fundidos com códigos de barras ou registros de dispositivos portáteis que escaneiam logs usando identificadores de equipamentos e informações de carimbo de data para garantir uma ligação precisa.

Procedimentos de limpeza de dados foram realizados antes da modelagem. Entradas duplicadas foram removidas, e registros que não tinham identificadores essenciais ou carimbos de data foram excluídos. Para variáveis numéricas com falta limitada, a imputação mediana foi aplicada, enquanto variáveis com valores excessivamente ausentes foram excluídas da análise. Variáveis categóricas como departamento e tipo de equipamento foram codificadas usando codificação one-hot, e variáveis contínuas foram normalizadas usando escala min–max para garantir compatibilidade com o algoritmo SVM.

A otimização de hiperparâmetros foi realizada usando SSA ou ISSA para identificar o parâmetro de penalidade ótimo (C) e o parâmetro do núcleo da função base radial (γ). A função de aptidão foi definida como a taxa de erro de classificação no conjunto de dados de validação. Após identificar o conjunto ideal de parâmetros, o modelo final de SVM foi retreinado usando os dados combinados de treinamento e validação e subsequentemente avaliado no conjunto de dados de teste independente. Para justificação metodológica, o modelo otimizado ISSA-SVM foi comparado quantitativamente com modelos de linha base, incluindo (i) SVM padrão com parâmetros padrão, (ii) SVM otimizado para busca em grade e (iii) classificador de regressão logística. A avaliação comparativa foi realizada usando divisões idênticas de treinamento, validação e testes para garantir a justiça. Melhorias de desempenho foram avaliadas com base em diferenças de precisão, exatião, recordação e pontuação F1.

A estrutura proposta foi projetada para implementação em hospitais secundários e terciários equipados com sistemas digitais de gerenciamento de equipamentos e exigia apenas registros estruturados de manutenção e inspeção, sem infraestrutura adicional de detecção.

Neste estudo, o conjunto de dados foi derivado a partir de registros rotineiros de inspeção de qualidade hospitalar e gestão de manutenção relacionados a equipamentos médicos de suporte de vida de emergência. Apenas indicadores numéricos e categóricos estruturados associados ao status do equipamento, conformidade com inspeção, desempenho de escaneamento de códigos de barras/PDA e pontualidade da manutenção foram usados como entradas de modelo. Os procedimentos de pré-processamento de dados incluíam a normalização de variáveis contínuas e a codificação de variáveis categóricas para garantir compatibilidade com o framework de aprendizado de máquina. O sistema proposto foi projetado para implementação em hospitais secundários e terciários com plataformas estabelecidas de gerenciamento de equipamentos digitais e não requer hardware adicional além dos sistemas de informação hospitalar existentes.

Avaliação e validação do modelo
O desempenho do modelo foi avaliado quantitativamente usando análise de precisão, precisão, recordação, pontuação F1 e matriz de confusão. Além disso, curvas de característica operacional do receptor (ROC) e valores de área sob a curva (AUC) foram calculados para avaliar a capacidade de discriminação de classificação. Para avaliar a robustez estatística, foi realizada uma validação cruzada de cinco vezes no conjunto de dados de treinamento, e média ± desvio padrão das métricas de desempenho foram reportadas (métricas detalhadas de desempenho entre dobras são fornecidas no Arquivo Suplementar 1). Diferenças de desempenho entre ISSA-SVM e modelos de linha de base foram testadas usando testes t pareados, com nível de significância definido em p < 0,05. Todas as métricas de avaliação foram calculadas usando o conjunto de dados de teste independente para garantir uma estimativa de desempenho imparcial. A seleção do framework ISSA-SVM foi, portanto, motivada metodologicamente pela necessidade de lidar com relações não lineares entre indicadores, prevenir convergência prematura durante a otimização de hiperparâmetros e melhorar a estabilidade da generalização sob conjuntos de dados heterogêneos de equipamentos hospitalares. O protocolo foi considerado completo após a avaliação final do modelo no conjunto de dados de teste independente e a geração do relatório estruturado de controle de desempenho de qualidade.

Resultados

Resultados da inspeção de qualidade do grupo especial de informações do primeiro trimestre
O impacto prático da utilização do sistema de controle de qualidade para equipamentos médicos de suporte à vida de emergência estabelecido na pesquisa foi confirmado, e o efeito real da aplicação do sistema de controle de qualidade foi verificado na área experimental do Hospital Popular de Liyang. No primeiro trimestre, 28 unidades de enfermagem foram avaliadas quanto à qualidad...

Discussão

Modelos de Máquina Vetorial de Suporte têm sido amplamente aplicados em avaliação preditiva e detecção de anomalias em contextos industriais e de saúde. No contexto da gestão de tecnologia em saúde, o aprendizado de máquina também tem sido cada vez mais aplicado à previsão de confiabilidade de dispositivos médicos e suporte à decisão de manutenção, incluindo equipamentos de emergência de alta criticidade, como desfibriladores e ventiladores, para melhorar a prontidão dos equipamentos e r...

Materiais

Lista de materiais utilizados neste artigo

Nome	Empresa	Número de catálogo	Comentários
Máquinas de anestesia	SZEMENTMD Medical Technology Co.	Estação de Trabalho de Anestesia A5 (B0DS4BFXZ7)	Equipamentos usados para administrar e monitorar anestesia durante procedimentos cirúrgicos de emergência
Estação de trabalho computacional	Intel Corporation	CPU Intel Core i7-10700, 16 GB de RAM	Plataforma de hardware usada para treinar e avaliar modelos de aprendizado de máquina
Desfibriladores	Fabricante genérico de dispositivos médicos	Monitor/Desfibrilador LIFEPAK 15 (B0DZTRH229)	Equipamentos de ressuscitação cardíaca de emergência usados em arritmias potencialmente fatais
Método do Anel de Deming (PDCA)	Não aplicável	Ciclo de Gestão da Qualidade da PDCA	Estrutura de melhoria contínua da qualidade para gestão de equipamentos hospitalares
Módulo de Análise de Componentes Principais do Kernel	scikit-learn Desenvolvedores	Implementação do Kernel RBF	Usado para redução de dimensionalidade antes da classificação SVM
Sistema de monitoramento de manutenção médica (CMMS)	DAWEI Tecnologia da Informação em Saúde	Sistema de Gerenciamento de Equipamentos Hospitalares v3.2 (B0D4YDKLPJ)	Usado para coletar registros de manutenção de equipamentos, registros de inspeção e dados de monitoramento operacional
Biblioteca numérica de computação NumPy	Desenvolvedores NumPy	Versão 1.23	Operações de matriz numérica e computação científica
Biblioteca de processamento de dados Pandas	Equipe de Desenvolvimento Pandas	Versão 1.5	Pré-processamento de dados, integração de conjuntos de dados e gerenciamento estruturado de dados
Ambiente de programação em Python	Fundação de Software Python	Python 3.9	Ambiente de programação central usado para desenvolvimento de modelos de aprendizado de máquina
Biblioteca de Aprendizado de Máquina SciKit-Learn	scikit-learn Desenvolvedores	Versão 1.2.2	Implementação do classificador de Máquina de Vetores de Suporte (SVM)
Módulo de otimização do Algoritmo de Busca Sparrow	Implementação personalizada em Python	Framework de Otimização ISSA-SVM v1.0	Algoritmo metaheurístico usado para otimizar hiperparâmetros SVM
Software de análise estatística SPSS	IBM Corporation	SPSS Estatísticas Versão 25.0	Usado para análise estatística e avaliação descritiva dos resultados do modelo
Ventiladores	XNPINDA Medical Equipment Co., Ltd.	Ventilador de UTI Série V860 (B0DR8X724D)	Equipamentos médicos de suporte de vida de emergência usados para ventilação assistida em pacientes gravemente doentes