Информационная система контроля качества для аварийного медицинского оборудования для поддержки жизни с использованием оптимизированного для SSA SVM

Краткое содержание

Протокол объясняет создание системы индекса контроля качества сестринского дела для экстренного медицинского оборудования для жизнеобеспечения, объединяющей модели векторных машин для последующего наблюдения.

Аннотация

В настоящее время медицинским учреждениям не хватает комплексной и надёжной системы индикаторов качества, которая использует информационные платформы для помощи медперсоналу в управлении приборами и оборудованием. Для решения этой проблемы была разработана система индекса контроля качества сестринского дела, основанная на требованиях управления, процедурах работы медсестёр и стандартах качества медицинского оборудования для экстренной жизнеобеспечения. Эта система индексирования использует усовершенствованную модель опорного вектора (SVM) для облегчения информационного мониторинга оборудования, с целью предоставления рекомендаций по улучшению несовершенного управления и нестандартного использования приборов и оборудования. Результаты показывают, что при информационном мониторинге системы контроля качества средний уровень исполнения сканирования медицинских заказов в каждом отделе может превышать 80%. Своевременное обслуживание оборудования в большинстве отделов может превышать 90%, за редкими исключениями. Эта система контроля качества аварийного медицинского оборудования, предназначенная для исследовательских целей, способна эффективно контролировать техническое обслуживание оборудования в различных отделах, а также обеспечивать и способствовать стандартизированному управлению и использованию приборов и оборудования.

Введение

Экстренное медицинское оборудование для поддержки жизни, такое как аппараты искусственной вентиляции лёгких, анестезиологические аппараты, дефибрилляторы и др., играет критическую роль в экстренных медицинских ситуациях для поддержания или восстановления жизненных показателей^{пациентов 1}. С быстрым развитием медицинских технологий эти устройства стали ключевыми для спасения тяжело больных пациентов и поддержания жизненно важных показателей. Эти устройства всегда должны обеспечивать свою полную работоспособность и удобство использования, поскольку любая неисправность оборудования, когда жизнь пациента находится под угрозой, может помешать своевременному^{спасению 2,3}. Надёжная система контроля качества медицинского оборудования крайне важна для обеспечения его нормальной работы. Создав и поддерживая эффективную систему контроля качества, можно снизить уровень отказов медицинского оборудования, гарантировать качество использования оборудования, повысить надёжность и срок службы медицинского оборудования, а также снизить затраты на обслуживание ^4,5. Недавние данные дополнительно подчёркивают, что структурированные программы технического обслуживания и контроля качества, поддерживаемые информационными системами, улучшают отслеживаемость деятельности по обслуживанию, сокращают предотвратимые простои и укрепляют клинические инженерные решения по управлению больничным^{оборудованием 6,7}. Кроме того, растущие исследования подходов на основе данных и искусственного интеллекта показывают, что предиктивные модели могут поддерживать планирование профилактического обслуживания и раннее выявление риска отказа для больничных устройств, тем самым повышая надёжность и оперативную^{готовность 8,9,10}.

Традиционная опорная векторная машина (SVM) широко применяется в распознавании образов и машинном обучении; однако его производительность ограничена выбором релевантных параметров и функций^{ядра 11}. Соответственно, метаэвристическая оптимизация всё больше интегрируется с машинным обучением для настройки параметров модели и улучшения обобщения, особенно в нелинейных и высокомерных условиях, релевантных операционным данным^{здравоохранения 12}. Из-за сложности аварийного медицинского оборудования и особенностей его использования в настоящее время отсутствует систематические исследования по его контролю качества. Кроме того, предыдущие исследования отмечают устойчивую гетерогенность в практиках технического обслуживания больниц и рабочих процессах мониторинга качества, что может ограничивать стандартизацию и своевременные корректирующие меры по всему^{отделу 13}. Однако существующие исследования, как правило, рассматривали предиктивное моделирование обслуживания или системы управления качеством в изоляции, без формальной интеграции структурированных индикаторов качества больниц, механизмов нечеткого взвешивания и метаэвристически оптимизированных моделей классификации в единую архитектуру управления. Хотя SVM и алгоритм поиска Sparrow (SSA) применялись в промышленных задачах прогнозирования, их систематическое внедрение в рабочие процессы контроля качества в больницах для экстренного медицинского оборудования по-прежнему недостаточно изучено. Таким образом, это исследование выделяется сочетанием вычислительной оптимизации, структурированной оценки индикаторов и институционального управления качеством в единой операционной структуре. Такое методологическое разделение ограничивает практическую интерпретацию и институциональную масштабируемость. Исходя из вышеуказанных соображений, настоящее исследование направлено на рассмотрение следующих исследовательских вопросов: (i) Может ли оптимизированная по ISSA модель SVM улучшить прогнозную эффективность для классификации качества аварийного медицинского оборудования для аварийной жизнеобеспечения по сравнению с неоптимизированными подходами? (ii) Может ли интеграция структурированного взвешивания индикаторов, нечеткой оценки и метаэвристической оптимизации повысить операционную эффективность и стандартизацию систем контроля качества больничного оборудования?

Соответственно, основная исследовательская гипотеза данного исследования заключается в том, что внедрение оптимизированной по ISSA модели SVM в архитектуру контроля качества на основе PDCA значительно повысит точность предсказания, надёжность и операционную интерпретируемость по сравнению с традиционными методами мониторинга качества.

С этой целью изучаются соответствующие алгоритмы для оптимизации системы контроля качества медицинского оборудования для экстренной жизнеобеспечения. Рекомендуется улучшенная модель SVM, основанная на алгоритме поиска Sparrow Search (SSA), для дальнейшего расширения возможностей SVM. Оптимизация соответствующих параметров SVM повышает возможности обобщения модели, делая её более надёжной для обработки нелинейных и крупноразмерных данных, а также повышая практическую производительность в системах контроля качества.

Конкретные цели данного исследования: (i) создание иерархической системы индикаторов качества для аварийного медицинского оборудования для поддержки жизни; (ii) разработать и оптимизировать модель классификации SVM с использованием алгоритма поиска Sparrow; и (iii) внедрить оптимизированную предиктивную модель в систему контроля качества больниц на базе PDCA для оценки её операционной осуществимости и эффективности.

Основная инновация данного исследования заключается в внедрении SSA для оптимизации ключевых параметров модели SVM, тем самым улучшая возможности обработки данных и производительность обобщения модели. Эта модель затем применялась к информационному мониторингу контроля качества аварийного медицинского оборудования для поддержания жизни. С практической точки зрения реализации предлагаемая структура может быть внедрена с использованием рутинно доступных больничных источников информации (например, журналов технического обслуживания оборудования, записей о инспекциях/использовании, а также операционных данных, связанных с штрихкодами и персональными цифровыми ассистентами (КПК), тем самым поддерживая осуществимость без необходимости дополнительной специализированной сенсорной инфраструктуры. Соответственно, данное исследование способствует предложению и эмпирической валидации методологически интегрированной структуры, сочетающей структурированное взвешивание индикаторов, нечеткую оценку и оптимизированное по ISSA моделирование SVM в архитектуре контроля качества больниц на основе PDCA.

Протокол

Протокол исследования был представлен на этический обзор в Этический комитет Народной больницы Лиян, провинция Цзянсу, Китай (Одобрение проекта No JDYY2023158, протокол версии 1.0, от 9 февраля 2023 года). В исследовании использовались де-идентифицированные записи управления и технического обслуживания больничного оборудования, полученные из компьютеризированной системы управления обслуживанием (CMMS) больницы. Набор данных не содержал клинических данных на уровне пациента, личных идентификаторов или биологических образцов. Поскольку исследование включало данные управления оборудованием без участия человека, информированное согласие не требовалось в соответствии с руководящими принципами по управлению исследованиями и требованиями хорошей клинической практики (GCP). Все наборы данных, поддерживающие разработку, оптимизацию, валидацию и воспроизводимость моделей — включая определения индикаторов, логи оптимизации SSA, конфигурации параметров и результаты прогнозов — представлены в дополнительном файле 1.

Строительство системы контроля качества аварийного медицинского оборудования для поддержания жизни
Разработка системы контроля качества аварийного медицинского оборудования для поддержания жизни требует участия нескольких сторон. Целостность и эффективность системы контроля качества неоднократно демонстрируются через коммуникацию и переговоры между различными департаментами и персоналом, а также создаётся комплексная научная система контроля ^{качества 14,15}. В исследовании был применён широко используемый метод кольца Деминга в управлении качеством и других областях управления для выбора индикаторов и создания соответствующих систем контроля качества. Этот подход обеспечивает непрерывное улучшение и обучение через четыре этапа циклического повторения. Система контроля качества медицинского оборудования для экстренной жизнеобеспечения, основанная на теории кольца Деминга, представлена на рисунке 1.

Для обеспечения воспроизводимости системы контроля качества цикл PDCA был введён в эксплуатацию через структурированную процедуру внедрения. На этапе планирования комплектация оборудования была определена с включением аварийного медицинского оборудования для поддержки жизни, такого как аппараты искусственной вентиляции лёгких лёгких лёгких аппаратов и дефибрилляторы в участвующих отделениях. Был установлен цифровой инвентарь оборудования с помощью компьютеризированной системы управления обслуживанием больницы (CMMS⁾¹⁶, и каждому устройству присваивался уникальный идентификационный номер для обеспечения отслеживаемости. Основные характеристики, включая тип оборудования, производителя или модель, местоположение отдела, дату приобретения, классификацию рисков, интервал инспекций и полную историю технического обслуживания, были зафиксированы в CMMS (см. Дополнительный файл 1 для подробной структуры данных на уровне оборудования). Для каждого показателя оценки были разработаны операционные определения. Например, срок обслуживания определялся как завершение в течение заранее определённого количества дней с даты запланированного обслуживания, а соответствие инспекции рассчитывалось как количество завершённых инспекций, делённое на требуемые инспекции, умноженное на 100%. Обязанности были чётко распределены между клиническим инженерным персоналом, пользователями оборудования и руководителями отделов, а рутинные интервалы отчётности определялись ежемесячно и ежеквартально.

Этап внедрения:
Во время этапа внедрения из CMMS извлекались структурированные записи, включая приказы на профилактическое обслуживание, журналы инспекций, отчёты по корректирующему обслуживанию и записи о простоях оборудования. Эти данные интегрировались с штрихкодами или ручными устройствами с использованием идентификаторов оборудования и сопоставления временных меток для обеспечения согласованности данных. Профилактическое обслуживание и инспекционные мероприятия проводились в соответствии с институциональными стандартными операционными процедурами (СОП), а все сроки завершения, выводы, корректирующие действия и результаты проверки были зафиксированы в CMMS.

Этап инспекции:
На этапе инспекции проводились процедуры валидации данных и обеспечения качества для обеспечения точности и надёжности. Дублирующиеся записи удалялись, отсутствующие значения оценивались, а идентификаторы оборудования сверялись между наборами данных отдела. Записи, не содержащие основных идентификаторов или информации о временных метках, были исключены из последующего анализа. Значения индикаторов рассчитывались как на уровне департамента, так и на уровне категорий оборудования, а также были составлены сводные отчеты по контролю качества. Пороги оценки были заранее определены следующим образом: ≥ 90% соответствия классифицировалось как отличное, 80–89% — как приемлемое, 70–79% — как «нуждается в улучшении», и <70% — как плохое. Эти пороги применялись равномерно между отделами для обеспечения стандартизированной оценки производительности. Случайный поднабор записей был перекрёстно проверен с оригинальными системными журналами для подтверждения целостности данных.

Фаза действий:
На этапе действий анализировались результаты эффективности для выявления недостатков и возможностей для улучшения. Для индикаторов, демонстрирующих неоптимальную производительность, систематически анализировались коренные причины, такие как задержки в рабочих процессах, недостаток персонала, перебои в цепочке поставок или пробелы в документации. Были разработаны корректирующие меры, включая корректировки интервалов обслуживания, порогов эскалации или механизмов надзора. Эти модификации были реализованы в последующем цикле PDCA для поддержки непрерывного улучшения^{качества 17}.

Этап планирования:
На этапе планирования проводились исследования для уточнения целей, которых необходимо достичь после использования системы контроля качества оборудования; Одновременно был организован рабочий план на следующий этап. На этапе реализации проводились исследования по созданию системы управления организацией, системы управления процессами использования оборудования и системы контроля качества оборудования, основанных на предыдущей фазе системы контроля качества медицинского оборудования для экстренной жизнеобеспечения, и были определены соответствующие показатели^{оценки 18}. Исследования на этапе инспекции оценивали и оценивали уровень контроля качества медицинских учреждений с использованием соответствующих показателей оценки предыдущего этапа. На этапе обработки были обобщены результаты оценки предыдущего этапа, проанализированы проблемы в системе контроля качества и внесены улучшения для устранения выявленных в следующем цикле. На основе вышеуказанных методов была построена модель процесса контроля качества медицинского оборудования для экстренной жизнеобеспечения, как показано на рисунке 2.

В этой модели (рисунок 2) тип оборудования и уровень контроля качества определялись в соответствии с требованиями соответствующих медицинских учреждений. Затем была создана система оценки уровня контроля качества оборудования с целью оценки уровня контроля качества. На основе результатов оценки система контроля качества оборудования была оптимизирована и улучшена. В ходе этого процесса были научно созданы соответствующие системы для стандартизации использования медицинского оборудования и постоянного обеспечения его эффективного состояния. Медицинские учреждения должны регулярно писать отчёты по контролю качества, проводить анализ данных и оценивать эффективность соответствующего контента для дальнейшей оптимизации системы контроля качества. В ходе вышеупомянутого цикла система контроля качества медицинского оборудования для экстренной жизнеобеспечения может постепенно улучшаться. В ответ на высокий риск, высокие нормативные требования, многофункциональность и сложность аварийного медицинского оборудования для поддержки жизни в данном исследовании было разделено систему контроля качества аварийного медицинского оборудования для экстренной жизнеобеспечения на три части, включая систему управления организацией, систему использования оборудования и систему контроля качества оборудования¹⁹. В процессе взвешивания участвовала панель из 12 экспертов по клинической инженерии и управлению больничным оборудованием (см. Дополнительный файл 1 для экспертной матрицы взвешивания и нечетких оценочных данных). Каждый эксперт независимо оценивал три подсистемы по 5-балльной шкале Ликерта (1 = очень низкая важность, 5 = очень высокая важность). Собранные баллы были агрегированы и преобразованы в треугольные размытые числа для последующего взвешенного анализа. Весовые оценки каждой подсистемы затем рассчитывались с помощью уравнения (1).

(1)

Здесь — это средневзвешенный вес каждой подсистемы, M — количество экспертов, i — коэффициент каждой подсистемы. После получения вышеуказанных результатов расчёта они были преобразованы в точные значения для получения весовых показателей каждой подсистемы. Преобразование указано в уравнении (2).

(2)

Здесь W_i — это весовой балл каждой подсистемы, l — самый низкий балл индикатора, m — наиболее вероятный балл индикатора, а u — самый высокий балл индикатора. В практических вычислениях треугольные нечеткие числа представлялись как (l, m, u), соответствующие соответственно самым низким, наиболее вероятным и самым высоким экспертным оценкам. Дефаззификация проводилась с использованием метода центроида, определённого как (l + m + u) / 3, чтобы преобразовать нечеткие веса в чёткие значения для последующего количественного анализа. Трёхуровневая система оценки индикаторов контроля качества оборудования, установленная в ходе исследований, представлена на рисунке 3 (подробные определения индикаторов, критерии оценки, а также функции нечеткого членства приведены в дополнительном файле 1).

Функции принадлежности каждого индикатора указаны в уравнении (3).

(3)

Здесь μ(x) представляет функцию членства каждого индикатора, а x — балл каждого индикатора. Значения членства вычислялись программно для каждого показателя и использовались для определения степени принадлежности к заранее определённым категориям качества до окончательного оценивания.

Улучшенная модель опорной векторной машины на основе алгоритма поиска Sparrow
Модель SVM и вычислительная среда
SVM — это алгоритм, широко применяемый в машинном обучении, главным образом для категоризации и анализа предсказаний. Все вычислительные эксперименты проводились с использованием Python 3.9 в среде Anaconda. Классификатор Support Vector Machine (SVM) был реализован с использованием библиотеки scikit-learn (версия 1.2.2). Численные вычисления и обработка данных выполнялись с помощью NumPy (версия 1.23) и Pandas (версия 1.5). Эксперименты проводились на рабочей станции с процессором Intel i7 и 16 ГБ оперативной памяти. SPSS 25.0 использовался для статистического сравнения и описательного анализа результатов моделей. Модель SVM применялась для анализа исторических данных контроля качества медицинского оборудования для экстренной жизнеобеспечения, точного прогнозирования качества аварийного медицинского оборудования и контроля качества такого^{оборудования 20}.

Мотивация для оптимизации на основе SSA
Хотя более простые методы классификации, такие как логистическая регрессия, деревья принятия решений и неоптимизированные модели SVM, часто применяются в прогностических исследованиях поддержания, предварительный сравнительный анализ в данном исследовании показал сниженную устойчивость к обобщению при нелинейных и высокоразмерных индикаторных условиях. Показатели качества медицинского оборудования для экстренной жизнеобеспечения демонстрируют мультиколлинеарность, нелинейные взаимодействия и гетерогенное распределение между отделениями. Поэтому был принят метаэвристически оптимизированный фреймворк SVM для повышения устойчивости настройки гиперпараметров и повышения стабильности границ классификации по сравнению с традиционными методами поиска по сетке или по умолчанию.

Формулировка SVM с твердым и мягким маржем
SVM применяется для обнаружения гиперплоскости, максимизирующей разрыв между различными категориями данных. Для линейно сепарабельных данных SVM ищет оптимальную гиперплоскость, максимизирующую зазор между двумя классами. Для линейно сепарабельных данных цель SVM — минимизировать сложность модели, обеспечивая при этом правильную классификацию всех обучающих образцов, как показано в уравнении (5)²¹.

мин (1/2) ||w||²

при условии: y_i (w^T x_i + b) ≥ 1, для i = 1, 2, ..., n (5)

В уравнении (5) w — нормальный вектор гиперплоскости, b — член смещения, y_i — метка класса i образца, а x_i — вектор признаков i образца. В практических ситуациях данные часто нелинейно разделяемы. Вводя slack переменные, soft-margin SVM позволяет некоторым выборкам нарушать правила интервалов; задача оптимизации мягкого SVM показана в уравнении (6)²².

(6)

В уравнении (6) C — это штрафной параметр, а — слабая переменная.

Функция ядра и функция принятия решения
SVM использует функции ядра для отображения нелинейных сепарабельных данных в пространство с высокой размерностью. Распространённые функции ядра включают линейное ядро, полиномиальное ядро и гауссовское радиальное ядро базиса. Среди них гауссовые радиальные базисные ядра обладают сильными нелинейными возможностями отображения и подходят для сложных нелинейных задач. Они также могут контролировать ширину границы решения, корректируя параметры, как показано в уравнении (7)²³.

(7)

В уравнении (7) γ — параметр корректировки границы принятия решения. Многоядренная SVM может повысить производительность классификации за счёт объединения различных функций ядра. Решение задач оптимизации SVM в основном опирается на метод множителя Лагранжа и двойственное решение; окончательная функция классификационного решения представлена в уравнении (8).

(8)

В уравнении (8) α_i — это множитель Лагранжа. SVM использует различные параметры в практических приложениях, и если параметры неадекватны, это может привести к снижению эффективности классификации и прогнозирования SVM.

Оптимизация гиперпараметров на основе SSA
Для повышения производительности SVM для оптимизации гиперпараметров использовался SSA. В этом исследовании SSA был выбран среди других широко используемых методов метаэвристической оптимизации (например, Genetic Algorithm (GA) и Particle Swarm Optimization (PSO)), поскольку требует меньше контрольных параметров, демонстрирует конкурентную скорость сходимости и обеспечивает сильную глобальную возможность поиска, что полезно для нелинейных и высокомерных наборов данных с контролем качества. Кроме того, механизм предупреждения «открыватель–последователь–предупреждение SSA» улучшает баланс между разведкой и эксплуатацией, что повышает вероятность ухода от локальных оптимумов при настройке гиперпараметров по сравнению с методами, которые могут преждевременно сходиться в сложных ландшафтах приспособленности. По сравнению с GA и PSO, SSA обеспечивает более сильную исследовательскую способность на ранних итерациях и улучшенную устойчивость сходимости на поздних стадиях, что полезно для оптимизации гиперпараметров SVM в гетерогенных наборах данных больничного оборудования, содержащих нелинейные связи и мультиколлинеарность.

В частности, SSA использовался для оптимизации ключевых гиперпараметров SVM, включая штрафный параметр (C) и параметры, связанные с ядром (например, γ для ядра радиальной базисной функции (RBF). В этом исследовании SSA была настроена с размером популяции 30 особей и максимальным количеством итераций 100. Доля открывателей, последователей и бдительных лиц была установлена примерно на уровне 20%, 60% и 20% соответственно. Порог допуска сходимости был определен как 1 × 10⁻⁶. Диапазоны поиска для гиперпараметров SVM определялись на логарифмической шкале, при этом штрафные параметры (C) и параметры ядра (γ) были ограничены в пределах [10⁻³, 10–³]. Каждый особь воробья кодировал кандидат-вектор решения [C, γ], а для инициализации популяции в заранее определённых границах использовалось хаотическое картирование Бернулли с целью повышения разнообразия и снижения вероятности преждевременной сходимости. При принятии многоядерной стратегии коэффициенты веса ядра также рассматривались как переменные решения. Функция приспособленности SSA была определена как ошибка классификации (или эквивалентно 1 − точность) на наборе валидации, что напрямую нацеливалось на улучшение эффективности обобщения (процесс оптимизации, журналы итераций и конфигурация параметров приведены в дополнительном файле 1). Диапазоны поиска параметров (границы) были заранее определены для обеспечения приемлемости и стабильности решений (например, C ∈ [10⁻³, 10³], γ ∈ [10⁻³, 10³]) (подробное пространство поиска изложено в дополнительном файле 1), а окончательный набор параметров был выбран как лучшее глобальное решение, возвращаемое SSA по критерию остановки (максимальные итерации или допуска к сходимости). Для обеспечения воспроизводимости были определены промежуточные контрольные точки оптимизации. Сходимость считалась достигнутой, когда изменение значения валидационной приспособленности между последовательными итерациями было меньше 1 × 10⁻⁶ за пять последовательных итераций или когда достигалось максимальное число итерации (100). Точность валидации ≥ 80% считалась приемлемой при оптимизации. Глобальное наилучшее значение приспособленности и соответствующий вектор параметров [C, γ] записывались на каждой итерации для обеспечения прослеживаемости процесса оптимизации.

Алгоритм SSA и механизм обновления позиции
SSA — это интеллектуальный алгоритм оптимизации на основе популяции, который моделирует поведение воробьёв в поисках пищи и включает три роли: открывающий, последовательный и предупреждающий. Во время выполнения SSA важно установить популяцию воробьёв, инициализировать её положение и скорость, а также рассчитать приспособленность каждого воробья в популяции. В ходе этого процесса открывающему необходимо постоянно обновлять своё местоположение, как указано в уравнении (9)²⁴.

(9)

В уравнении (9) — это положение i воробья в начальной популяции на итерации t, β — размер шага, φ — коэффициент затухания, _{T max} — максимальное количество итераций, а N(0,1) — стандартное нормальное случайное число распределения. Положение последователя также менялось в зависимости от позиции первооткрывателя; Формула для обновления положения последователя приведена в уравнении (10).

(10)

В уравнении (10) — лучшее расположение текущего открывателя, а λ — коэффициент обучения. Местоположение тревоги также изменилось соответственно; Формула для обновления её местоположения приведена в уравнении (11).

(11)

В уравнении (11) — позиция другого случайно выбранного воробья, а δ — размер шага обновления предупреждения. В ходе этого процесса итерацию можно остановить, если достигнуто максимального количества итераций или выполнены условия. SSA использует метод случайной генерации при создании и инициализации популяции. Однако при создании особей воробьёв этот способ может привести к тому, что большинство особей появляется в одной и той же области, что приводит к крайне неравномерному распределению популяции. Этот процесс поиска может соответствовать локальному оптимуму. В ответ на эту проблему исследование предлагает использовать картирование Бернулли и механизм обратного обучения в качестве механизма генерации инициализации для популяций воробьёв. Отображение Бернулли — это математическое хаотическое отображение, определяемое как динамическая система дискретного времени на интервале [0,1], и её правило итераций показано в уравнении (12).

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

(_{a n} − 1) /_{a n}, если 1/2 ≤_n ≤ 1 } (12)

В уравнении (12) n — количество хаотических итераций, а _n — значение отображения Бернулли. После перехода SSA на более позднюю стадию разнообразие популяций быстро снижается, что приводит к тому, что алгоритм переходит в локальный оптимум. Поэтому в исследовании предлагается ввести смешанный механизм возмущения, чтобы побудить алгоритм решить это ограничение. Механизм смешанного возмущения, разработанный для исследований, основан на двух методах: алгоритме светлячка и мутации Гаусса, как показано на рисунке 4.

После каждой итерации SSA применяется механизм смешанного возмущения для обнаружения застоя популяции воробьёв, как показано на рисунке 4. Если происходит застой, алгоритм светлячков нарушает популяцию воробьёв. Возмущение популяции воробьёв светлячками требует оценки притяжения светлячков к воробьям, как показано в уравнении (13).

(13)

В уравнении (13) β₀ — начальная привлекательность индивида, θ — коэффициент поглощения интенсивности света, а r — расстояние между двумя индивидами. Положение светлячков обновляется в зависимости от индивидуальной привлекательности, как показано в уравнении (14).

(14)

В уравнении (14) — расположение i светлячка в итерации t , b_best — текущее оптимальное положение светлячка, ε — параметр случайного шага, а e — случайный вектор, извлеченный из нормального распределения. Если популяция воробьёв не стагнирует, на текущем оптимальном человеке воробья проводится гауссовская мутация, как показано в уравнении (15).

(15)

В уравнении (15) σ является стандартным отклонением. После обращения с популяцией воробьёв принятие новой должности определяется по принципу жадности. Если значение приспособленности нового места лучше текущего, новое местоположение принимается; в противном случае исходная позиция сохраняется.

Как показано на рисунке 5, процесс работы Усовершенствованного алгоритма поиска воробьёв (ISSA) в первую очередь включает инициализацию популяции воробьёв, расчёт приспособленных значений отдельных воробьёв, деление открывателей, последователей и оповещений на основе значений приспособленности, а также итеративное обновление позиций этих трёх категорий воробьёв с помощью усовершенствованной формулы обновления позиции. Был введён смешанный механизм возмущения, основанный на алгоритме светлячка и мутации Гаусса, для расширения глобальных возможностей поиска алгоритма. В то же время был использован элитный метод обратного обучения для дальнейшего улучшения скорости сходимости и точности алгоритма. В конце концов вышеуказанный процесс повторялся, пока не был достигнут критерий остановки и не был получен лучший вариант.

Обработка данных и обучение моделей
Набор данных был разбит с использованием стратифицированной выборки на 70% обучающих данных, 15% валидационных данных и 15% независимых тестовых данных для сохранения баланса классов (кросс-валидация и структура разделения данных подробно описаны в дополнительном файле 1). Масштабирование признаков выполнялось с использованием минимальной и максимальной нормализации, установленной исключительно на обучающем наборе данных, а изученные параметры масштабирования применялись для валидации и тестирования наборов данных, чтобы предотвратить утечку данных. Анализ основных компонентов ядра (KPCA)²⁵ был применён к обучающему набору данных для уменьшения размерности с использованием ядра RBF с γ = 0,1 и числом оставшихся компонентов, заданным для сохранения 95% кумулятивной дисперсии. Матрица преобразования KPCA устанавливалась исключительно на обучающий набор данных и впоследствии применялась без изменений в наборах валидации и тестирования для предотвращения утечки данных. Непрерывные переменные нормализовались с помощью минимально-максимального масштабирования, определённого как (x − xmin) / (xmax − xmin), где xmin и xmax рассчитывались только из обучающего набора данных. SSA оптимизировала гиперпараметры SVM, минимизируя уровень ошибки классификации (1 − точность), вычисляемую в наборе валидационных данных. После определения оптимальной комбинации параметров финальная модель SVM была переобучена с использованием объединённых наборов обучающих и валидационных данных и оценивалась на независимом тестовом наборе.

Модель SVM, усовершенствованная ISSA, начинается с предварительной обработки данных и выбора функций для тестирования качества аварийного медицинского оборудования для поддержки жизни. Для повышения методологической прозрачности и воспроизводимости рабочий процесс предварительной обработки данных и обучения модели был структурирован следующим образом. Записи на уровне оборудования экспортировались из CMMS, включая журналы технического обслуживания, результаты инспекций и статус заказов на работы (см. Дополнительный файл 1 для исходных наборов данных по оборудованию и событиям технического обслуживания). Эти записи объединялись с логами сканирования штрихкодов или портативных устройств с использованием идентификаторов оборудования и информации временных меток для обеспечения точной связи.

Процедуры очистки данных проводились перед моделированием. Дублирующиеся записи были удалены, а записи без основных идентификаторов или временных меток — исключены. Для численных переменных с ограниченной пропущенностью применялась медианная импутация, тогда как переменные с избыточным отсутствием значений были исключены из анализа. Категориальные переменные, такие как отдел и тип оборудования, кодировались с помощью однофазного кодирования, а непрерывные переменные нормализовались с помощью минимального и максимального масштабирования для обеспечения совместимости с алгоритмом SVM.

Оптимизация гиперпараметров проводилась с использованием SSA или ISSA для определения оптимального штрафного параметра (C) и параметра ядра радиальной базисной функции (γ). Функция приспособленности определялась как уровень ошибки классификации в наборе валидационных данных. После определения оптимального набора параметров финальная модель SVM была переобучена с использованием объединённых данных обучения и валидации и затем оценивалась на независимом тестовом наборе. Для методологического обоснования оптимизированная модель ISSA-SVM количественно сравнивалась с базовыми моделями, включая (i) стандартный SVM с параметрами по умолчанию, (ii) оптимизированный SVM с поиском по сетке и (iii) классификатор логистической регрессии. Сравнительная оценка проводилась с использованием одинаковых разделений на обучение–валидацию–тестирование для обеспечения справедливости. Улучшения производительности оценивались на основе различий в точности, точности, отзыве и результатах F1.

Предлагаемая структура была разработана для внедрения во вторичных и третичных больницах, оснащённых цифровыми системами управления оборудованием, и требовала только структурированных записей технического обслуживания и инспекции без дополнительной зондирующей инфраструктуры.

В данном исследовании набор данных был получен из записей о рутинной проверке качества больницы и управлении обслуживанием, связанных с медицинским оборудованием для экстренной жизнеобеспечения. В качестве входных данных использовались только структурированные числовые и категориальные индикаторы, связанные со состоянием оборудования, соответствием инспекций, производительностью сканирования штрихкодов/КПК и своевременностью технического обслуживания. Процедуры предварительной обработки данных включали нормализацию непрерывных переменных и кодирование категориальных переменных для обеспечения совместимости с фреймворком машинного обучения. Предлагаемая система предназначена для внедрения в вторичных и третичных больницах с устоявшимися цифровыми платформами управления оборудованием и не требует дополнительного оборудования, выходящего за рамки существующих информационных систем больниц.

Оценка и валидация модели
Производительность модели оценивалась количественно с использованием точности, точности, воспоминания, анализа матриц F1 и запутанности. Кроме того, были рассчитаны кривые характеристик приёмника (ROC) и значения площади под кривой (AUC) для оценки способности к классификационной дискриминации. Для оценки статистической надёжности была проведена пятикратная перекрёстная валидация на обучающем наборе данных, а средние ± стандартное отклонение показателей эффективности были представлены (подробные показатели эффективности по сгибам приведены в дополнительном файле 1). Различия в производительности между моделями ISSA-SVM и базовыми моделями проверялись с помощью парных t-тестов, при этом уровень значимости был установлен на уровне p < 0,05. Все метрики оценки были рассчитаны с использованием независимого тестового набора данных для обеспечения объективной оценки эффективности. Выбор фреймворка ISSA-SVM был методологически мотивирован необходимостью обработки нелинейных индикаторных отношений, предотвращения преждевременной сходимости при гиперпараметрической оптимизации и повышения устойчивости обобщения при гетерогенных наборах данных по больничному оборудованию. Протокол был признан завершённым после окончательной оценки модели на независимом наборе тестовых данных и создания структурированного отчета по эффективности контроля качества.

Результаты

Результаты инспекции качества специальной информационной группы первого квартала
Практическое влияние системы контроля качества для экстренного медицинского оборудования, установленного в исследовании, было подтверждено, а фактический эффект применения системы контроля качества был проверен в экспериментальной зоне Народной больницы Лияна. В первом квартале было оценено качество 28 медсестерских подразделений, при этом темой инспекции стало сводка специализированного ...

Обсуждение

Модели Support Vector Machine широко применяются в предиктивной оценке и обнаружении аномалий в промышленных и медицинских контекстах. В контексте управления медицинскими технологиями машинное обучение всё чаще применяется для прогнозирования надежности медицинских устройств и поддержки принятия решений по обслуживанию, включая аварийное оборудование высокой критической важности, такое как дефибрилляторы и аппараты искусственной вентиляции легких лёгких лёгких машин, для повышения готовн...

Материалы

Список материалов, использованных в этой статье

Имя	Компания	Каталожный номер	Комментарии
Анестезиологические аппараты	SZEMENTMD Медицинская технологическая компания.	Рабочая станция анестезии A5 (B0DS4BFXZ7)	Оборудование, используемое для введения и мониторинга анестезии во время экстренных хирургических процедур
Вычислительная рабочая станция	Intel Corporation	Процессор Intel Core i7-10700, 16 ГБ оперативной памяти	Аппаратная платформа, используемая для обучения и оценки моделей машинного обучения
Дефибрилляторы	Производитель генерических медицинских устройств	Монитор/дефибриллятор LIFEPAK 15 (B0DZTRH229)	Оборудование для экстренной сердечной реанимации, используемое при угрожающих жизни аритмиях
Метод кольца Деминга (PDCA)	Не применимо	Цикл управления качеством PDCA	Рамки непрерывного улучшения качества управления больничным оборудованием
Модуль анализа основных компонентов ядра	Разработчики scikit-learn	Реализация ядра RBF	Используется для уменьшения размерности до классификации SVM
Система мониторинга медицинского обслуживания (CMMS)	Информационные технологии здравоохранения DAWEI	Система управления больничным оборудованием v3.2 (B0D4YDKLPJ)	Используется для сбора журналов технического обслуживания оборудования, записей инспекций и данных оперативного мониторинга
Числовая вычислительная библиотека NumPy	Разработчики NumPy	Версия 1.23	Операции численного массива и научные вычисления
Библиотека обработки данных Pandas	Команда разработки Pandas	Версия 1.5	Предварительная обработка данных, интеграция наборов данных и структурированное управление данными
Среда программирования на Python	Фонд программного обеспечения Python	Python 3.9	Основная среда программирования, используемая для разработки моделей машинного обучения
Библиотека машинного обучения SCIKIT-Learn	Разработчики scikit-learn	Версия 1.2.2	Реализация классификатора Support Vector Machine (SVM)
Модуль оптимизации алгоритма поиска Sparrow	Пользовательская реализация на Python	ISSA-SVM Оптимизационный фреймворк версии 1.0	Метаэвристический алгоритм, используемый для оптимизации гиперпараметров SVM
Программное обеспечение для статистического анализа SPSS	Корпорация IBM	Статистика SPSS Версия 25.0	Используется для статистического анализа и описательной оценки результатов модели
Вентиляторы	XNPINDA Medical Equipment Co., Ltd.	Вентилятор реанимации V860 серии V860 (B0DR8X724D)	Медицинское оборудование для экстренной жизнеобеспечения, используемое для вспомогательной вентиляции лёгких у тяжело больных пациентов