Yöntem makalesi

Hareket Sensörleri ve Makine Öğrenimi Kullanılarak El Hijyeni Tekniğinin Bileklik ile Gerçek Zamanlı İzlenmesi

42 görüntülenme

⸱

DOI:

10.3791/71289

⸱

29 Eylül 2026

 ,  ,  , 
1School of Nursing, Federal University of São Carlos (UFSCar), São Carlos, 2School of Engineering, São Paulo State University (UNESP), São João da Boa Vista

Bu makalede

Özet

Bu protokol, 3 adımlı el hijyeni tekniğinin makine öğrenimi ile değerlendirmesini doğrulamak için bir referans veri seti oluşturmak amacıyla, bileğe takılan IMU verilerinin senkronize şekilde alınmasını, etiketlenmesini ve zamansal segmentasyonunu tanımlamaktadır. Gözlemci etiketlemesi ve zamansal işaretleyici sinyalleri, giyilebilir hareket algılama algoritmalarının geliştirilmesi yoluyla sağlık profesyonelleri için gelecekteki gerçek zamanlı geri bildirimleri destekleyen, tekrarlanabilir adım düzeyinde açıklamalar sağlar.

Özet

Sağlık personeli (HCP), önerilen el hijyeni (HH) tekniklerini sıklıkla uygulamamakta ve bu durum enfeksiyon önleme çalışmalarını sekteye uğratmaktadır. Önerilen bileklik cihazı, bakım noktasında antiseptik dağıtmak ve aynı zamanda HH teknik performansına ilişkin gerçek zamanlı geri bildirim sağlamak amacıyla tasarlanmıştır. Gerçek zamanlı geri bildirim, bilek atalet sensörlerinden gelen adım düzeyindeki el hareketlerini sınıflandıran bir algoritma tarafından oluşturulacaktır. Bu algoritma şu anda, HH tekniğini değerlendiren eğitimli bir gözlemci olan altın standart ile eş zamanlı geçerlilik değerlendirmesi yoluyla doğrulanmaktadır. Mevcut çalışma, gerçek zamanlı klinik uygulama öncesinde algoritma eğitimi ve eş zamanlı geçerlilik değerlendirmesi için gerekli olan veri toplama ve açıklama (annotation) protokolünün geliştirilmesine ve doğrulanmasına odaklanmaktadır. Protokol, adım sınırlarını belirlemek için zamansal işaretleyici içeren bir IMU kullanarak senkronize veri toplamasını ve bölümlere ayrılmış bilek sensörü kayıtlarının, her bir hareket için gözlemci tarafından atanan doğruluk etiketleriyle eşleştirilmesini tanımlamaktadır. Model geliştirme süreci, yoğun zaman serisi etiketleme yeteneğine sahip dizi-model mimarilerini kullanmaktadır; performans ise hem doğruluk kararlarını hem de zamansal bölümlendirme kalitesini yansıtmak için hareket düzeyi sınıflandırma ölçütleri (örneğin, F1 skoru) ve segment örtüşme kriterleri (örneğin, intersection-over-union) kullanılarak nicelleştirilecektir. İkincil sonuçlar arasında antiseptik dağıtım performansı, geri bildirimin zamanlaması ve kullanılabilirliği ile klinik iş akışlarındaki kullanıcı kabul edilebilirliği yer almaktadır. Katılımcı başına birden fazla gözetimli uygulama içeren, çeşitli sağlık çalışanlarından oluşan bir örneklemden toplanan veriler, cihazın doğruluğunu ve mevcut HH programlarını geliştirme ile sağlık hizmetiyle ilişkili enfeksiyonları azaltma potansiyelini belirlemek için yapılacak eş zamanlı geçerlilik analizlerini destekleyecektir.

Giriş

El hijyeni (EH), küresel bir halk sağlığı sorunu olarak kabul edilen sağlık hizmetiyle ilişkili enfeksiyonları (HSE) önlemek için en basit, en etkili ve en düşük maliyetli stratejidir1. Ancak, bu uygulamaya uyum dünya genelinde ideal seviyenin altında seyretmektedir2,3. Bu bağlamda, enfeksiyon kontrol programları sadece fırsat bazlı uyum oranlarını değil, aynı zamanda önerilen adımların izlenmesini ve antiseptiğin etki etmesi için gereken uygun süreyi kapsayan el hijyeni (EH) tekniğinin kalitesini de izlemelidir4.

Tekniğe ilişkin olarak DSÖ, etkinliği sağlamak için 6 adımlı HH tekniğini önermektedir. Adımlar şunlardır: (1) avuç içlerini dairesel hareketlerle birbirine sürtün; (2) parmakları kenetleyerek sağ elin avucunu sol elin sırtına sürterek ovun; (3) parmaklar kenetli halde avuç içlerini birbirine sürtün; (4) bir elin parmak uçlarını karşı elin avucunda tutarak ileri geri hareketlerle ovun ve aynısını diğer el için de yapın; (5) sağ başparmağı sol avuç içiyle dairesel hareketlerle ovun ve aynısını diğer el için de yapın; (6) sol elin parmak uçlarını sağ avucun içinde dairesel hareketlerle ovun ve aynısını diğer el için de yapın5,6.

Ancak, DSÖ tarafından önerilen tekniklerin göreceli etkinliği ve uygulanabilirliğine ilişkin kanıtlar henüz tamamlanmamıştır. Özellikle, yakın tarihli bir sistematik inceleme, DSÖ 6 adımlı el hijyeni (EH) tekniğinin sağlık çalışanlarının ellerindeki bakteriyel yükü azaltmadaki etkinliğini değerlendirmiş ve bunu uluslararası literatürde bildirilen alternatif yaklaşımlarla karşılaştırmıştır. 6 adımlı EH tekniği bakteriyel yükte azalma göstermiş olsa da inceleme, en etkili ve pratik tekniği belirleyen kanıtların henüz kesin olmadığı ve EH tekniği araştırmalarının çalışmalar arasında daha iyi bir standardizasyona ihtiyaç duyduğu sonucuna varmıştır7. Buna paralel olarak, 3 adımlı EH tekniği birçok yazar tarafından küresel ölçekte desteklenmiştir. Bu tekniğin adımları şunlardır: (1) tüm el yüzeylerinin kaplanması; (2) parmak uçlarının sırasıyla karşı avuç içine dairesel hareketlerle ovulması ve (3) her iki başparmağın dairesel hareketlerle ovulması8,9,10. Bu adımlar Şekil 1'de gösterilmiştir.

Bu gelişmelerle uyumlu olarak, randomize kontrollü bir çalışma 12 ABD hastane servisinde (n = 2.923) el hijyeni (EH) fırsatlarını nicelleştirmiştir. Bu fırsatların 1.516'sı (%51,9), 3 adımlı EH tekniği konusunda eğitim alan müdahale grubunda9; 1.407'si (%48,1) ise DSÖ 6 adımlı EH tekniği ile uyumlu geleneksel eğitim alan kontrol grubunda gerçekleşmiştir. Müdahale grubu, "DSÖ Beş An" ve 3 adımlı tekniğe karşı daha yüksek uyum sergilemiştir. Koloni oluşturan birimlerdeki azalmalar, birincil mikrobiyolojik sonuç açısından anlamlı farklılık göstermediği şeklinde bildirilmiş olsa da (p = 0,029), gözlemlenen EH uyumu müdahale grubunda (%51,7), kontrol grubuna (%12,7) kıyasla önemli ölçüde daha yüksek çıkmıştır.

3 aşamalı HH tekniği, koloni oluşturan birimlerde altı aşamalı tekniğe (medyan 3,91, IQR 3,69–4,62; p = 0,021) göre daha yüksek bir log10 azalma (medyan 4,45, IQR 4,04–5,15) sağlamıştır8. Özellikle, her iki çalışma genelinde koloni sayısı azalmaları teknikler arasında anlamlı bir farklılık göstermemiş olup, her iki çalışma da 3 aşamalı yöntemin doğru uygulandığında etkili olduğu sonucunu desteklemektedir8,9.

Bu kanıtlardan yola çıkarak, baş araştırmacı ve araştırma grubu, Brezilya'nın Orta-Batı bölgesindeki bir eğitim ve araştırma hastanesinde görev yapan sağlık profesyonelleri arasında 3 aşamalı HH tekniğinin etkinliğini değerlendirmiş ve kanıtlamıştır. Söz konusu çalışmada, katılımcıların ellerinde yapılan mikrobiyolojik değerlendirme, 3 aşamalı tekniğin 15 s boyunca doğru şekilde uygulanmasının ardından potansiyel patojenik mikroorganizmaların büyümediğini göstermiştir. Bu bulgular, tekniğin etkinliğini desteklemiştir11,12.

Yukarıda açıklanan küresel sorunlar göz önüne alındığında, mevcut çalışma, bakım noktasında sözlü bir komutla antiseptik dağıtabilen ve gerçekleştirilen el hijyeni tekniğinin kalitesine ilişkin geri bildirim sağlayabilen bir bileklik kullanarak sağlık profesyonellerinin uyumunu artırmayı amaçlayan, el hijyeniyle ilgili teknolojik bir ürünün geliştirilmesine odaklanmaktadır (Şekil 2); ürün, rezervuardan kolayca ayrılabilen bir ekrana sahiptir ve bu sayede rezervuar kısmının gerektiğinde yüksek düzeyde dezenfeksiyona tabi tutulmasına olanak tanır. Ayrıca, burada sunulan önerinin şu anda Brezilya Ulusal Sanayi Mülkiyeti Enstitüsü (INPI) nezdinde BR 20 2022 001267 4 numaralı protokol ile bir faydalı model patent başvurusu (patent imtiyazı) kapsamında sunulduğu kaydedilmiştir. Bu nedenle, bilekliğin algoritmasının, tekniğin doğru ve yanlış uygulamalarını kesin olarak ayırt edebilme yeteneğiyle birlikte, üç el hijyeni adımının güvenilir ve geçerli bir değerlendirmesini sağladığından emin olmak için valide edilmesi esastır. Kriter geçerliliği, bir yöntemin aynı kavramı incelemek için toplanan diğer ölçümlerle örtüşme yeteneği ile ilgilidir. Kriter geçerliliği, yeni bir ölçümün, önceden valide edilmiş bir kavramı veya kriteri ne kadar doğru tahmin edebildiğini değerlendirmeye çalışır13.

Kriterle ilişkili geçerlilik, bir ölçüm prosedürünün aynı temel yapıyı değerlendirmeyi amaçlayan diğer ölçümlerle ne ölçüde örtüştüğünü tanımlar ve bu çerçevede, yeni bir aracın yerleşik, önceden valide edilmiş ve güvenilir bir referans standartla (kriter) uyumlu olup olmadığını değerlendirmek için kullanılır. Kriterle ilişkili validasyon, (1) uygun ve kavramsal olarak ilgili bir kriter seçmeyi ve (2) kriterin geçerliliğini bağımsız olarak doğrulamayı gerektirir14. Referans standart ile değerlendirme altındaki araç aynı anda elde edildiğinde, kriterle ilişkili geçerlilik genellikle eş zamanlı olarak kabul edilirken; referans standart daha sonraki bir zaman noktasında ölçüldüğünde yordayıcı olarak kabul edilir; bu ayrım, değerlendirmenin amaçlanan amacına göre de belirlenebilir15.

Buna göre, cihaz ile harici bir altın standart ölçüm arasındaki uyumun gücü, istatistiksel analiz yoluyla değerlendirilebilir. Bu tür analizler, genellikle incelenen cihaz ile harici kriter (altın standart) arasındaki ilişkiyi veya uyumu, uygun ilişki veya uyum ölçütlerini kullanarak nicelleştirir14.

El hijyeni (EH) uyumunun spesifik yapısı için, eğitimli gözlemciler tarafından EH fırsatlarının sistematik olarak kaydedilmesi ve teknik kalitesinin değerlendirilmesi yoluyla uygulanan doğrudan gözlem, kriter değerlendirmesi için yaygın olarak altın standart olarak kabul edilmektedir16 ve Dünya Sağlık Örgütü (DSÖ) tarafından güçlü bir şekilde önerilmektedir5.

Bu çalışmada, araştırmacı, katılımcıların el hijyeni (EH) tekniğini değerlendiren eğitimli gözlemci olarak görev yapmıştır. Baş araştırmacı, sağlık bakımıyla ilişkili enfeksiyonların önlenmesi ve kontrolü konusunda tanınmış bir uzman olup, özellikle DSÖ'nün El Hijyeni için Beş Anı ile uyumluluk konusunda uzmanlığa sahiptir5.

Teknik uygulamanın objektif ve adım adım değerlendirilmesini sağlamak amacıyla, bu çalışma altın standart gözlemsel değerlendirmeyi, bileğe takılan atalet sensörleri ve her bir adımın zamansal sınırlarının belirlenmesi için oluşturulmuş temel bir prosedürle entegre etmektedir. Adım sınırları, veri toplama sırasında, iş birliği yapan bir araştırmacı tarafından çalıştırılan özel bir zamansal işaretleyici IMU kullanılarak belirlenmiş; araştırmacı, adım başlangıcını veya bitişini belirtmiş ve adımlar arası geçişleri kısa vuruş olaylarıyla notlandırmıştır. Bu vuruş olayları daha sonra bir Python tepe noktası algılama hattı kullanılarak tespit edilmiş ve bilek IMU kayıtlarını Adım 1, Adım 2 ve Adım 3 örneklerine ayırmak için kullanılmıştır. Elde edilen adım segmentli sinyaller, daha sonra hareket düzeyinde gözlemci tarafından atanan ikili doğruluk etiketleri (doğru veya yanlış) ile eşleştirilmiştir. Bu tasarım, HH tekniği değerlendirmesinin, ardından adım düzeyinde sınıflandırmanın geldiği yoğun bir zaman serisi etiketleme görevi olarak modellenmesine olanak tanımaktadır.

Transformer tabanlı dizi modelleri, öz-dikkat (self-attention) mekanizması giyilebilir sensör sinyallerindeki zamansal bağımlılıkları temsil edebildiği ve denetleyici etiketlerin ince zamansal çözünürlükte tanımlandığı durumlarda dizi-diziye tahmine olanak sağladığı için bu problem formülasyonuna özellikle uygundur17. Model performansı, hareket düzeyindeki sınıflandırma metrikleri (örneğin, F1 skoru) ve segment düzeyindeki örtüşme kriterleri (örneğin, intersection-over-union) birlikte kullanılarak nicelendirilir; böylece hem (i) teknik kararlarının doğruluğu hem de (ii) zamansal segmentasyonun kalitesi saptanmış olur.

Önerilen sistemin nihai amacı klinik ortamlarda el hijyeni uygulaması sırasında otomatik ve gerçek zamanlı geri bildirim sağlamak olsa da, mevcut çalışma, sonraki algoritma eğitimi ve doğrulaması için gerekli olan referans veri setini oluşturmak amacıyla gereken veri toplama, açıklama ekleme (annotasyon) ve zamansal segmentasyon prosedürlerine odaklanmaktadır. Bu nedenle, bu çalışmanın temel amacı, gelecekteki makine öğrenimi geliştirmeleri için temel gerçeklik (ground truth) teşkil edebilecek, senkronize atalet sensörü verileri ve gözlemci tarafından oluşturulan açıklama eklemelerinin toplanmasına yönelik tekrarlanabilir bir protokol oluşturmak ve doğrulamaktır.

Veriler, Sao Paulo State University (UNESP), Sao Joao da Boa Vista Kampüsü, Mühendislik Fakültesi'nde toplanmıştır. Çalışmaya elli profesyonel (n = 50) katılmıştır: öğrenciler (n = 20), öğretim üyeleri (n = 18), idari teknik personel (n = 10) ve genel hizmet çalışanları (n = 2). Nihai veri seti, 3 aşamalı HH tekniğinin 1.500 uygulamasından oluşmuştur. Katılımcılara, doğru uygulama için altın standart değerlendirici olarak görev yapan baş araştırmacı tarafından yönetilen üç farklı senaryoda 3 aşamalı HH tekniğini uygulamaları talimatı verilmiştir.

Veri toplama aşamasından önce, potansiyel katılımcılar çalışmaya davet edilmiş ve çalışma amaçları ile prosedürleri hakkında ayrıntılı bir açıklama almışlardır. Katılımcılar; lisans ve lisansüstü öğrenciler, öğretim üyeleri, idari personel ve genel hizmet görevlilerini kapsayan FESJ/UNESP topluluğundan seçilmiştir. Uygun katılımcılar; yetişkin (≥18 yaş), el hijyeni prosedürünü anlayabilen ve uygulayabilen ve katılım öncesinde yazılı bilgilendirilmiş onam vermeye istekli kişiler olarak belirlenmiştir.

Yazılı bilgilendirilmiş onam alındıktan sonra, Elektrik Mühendisliği Bölümü'nden bir araştırma asistanı, katılımcının tercih ettiği bileğine (sağ veya sol) bir hareket yakalama sensörü taktı. Veri toplama süreci boyunca, güvenilir sinyal iletimini sağlamak ve sinyal değişkenliğini izlemek dahil olmak üzere teknik destek sunmak amacıyla iş birliği yapan araştırmacı hazır bulundu.

Protokol

Bu deneysel protokol, Üniversite Hastanesi'nin kurum içi Araştırma Etik Kurulu tarafından onaylanmıştır. Katılmayı kabul eden katılımcılardan, Brezilya Ulusal Sağlık Konseyi'nin 466/2012 sayılı Kararı'na18 uygun olarak Bilgilendirilmiş Gönüllü Olur Formu'nu imzalamaları istenmiştir. Kullanılan reaktifler ve ekipmanlar Materyaller Tablosu'nda listelenmiştir.

1. Veri toplama ortamının hazırlanması

  1. Araştırma asistanının önüne bir dizüstü bilgisayar, tutucuya monte edilmiş bir akıllı telefon ve bir sandalye yerleştirin.
  2. Eğitimli gözlemcinin önüne bir dizüstü bilgisayar ve bir sandalye yerleştirin.
  3. Eğitimli gözlemcinin yanına bir tabure yerleştirin ve zaman işaretleyici IMU'yu, kolayca erişilebilecek şekilde üzerine konumlandırın.
  4. Zaman işaretleyici IMU'yu yapışkan bant kullanarak taburenin yüzeyine sabitleyin.
  5. Katılımcının önündeki tezgaha bir şişe alkol bazlı el dezenfektanı, ıslak mendiller, nemlendirici krem, bileğe takılan IMU ve bir kronometre yerleştirin.
  6. Katılımcının yanına bir atık kutusu yerleştirin.

2. Uygulama bağlantısının doğrulanması (araştırma asistanı tarafından)

  1. Akıllı telefon pil seviyesinin %80'in üzerinde kaldığından emin olun.
  2. Bileğe takılan IMU'nun tamamen şarj edildiğinden emin olun.
  3. Temporal-marker IMU'nun tamamen şarj edildiğinden emin olun.
  4. "Stay Awake" uygulamasının aktif olduğundan emin olun.
  5. Biomedical Signals Laboratory (LSBio/UFSCar) tarafından geliştirilen BSL Capture uygulamasını başlatın ve Bluetooth cihaz taraması tamamlanana kadar bekleyin.
  6. Her iki IMU'nun da ana ekrandaki kullanılabilir cihazlar listesinde göründüğünü doğrulayın.
  7. Veri toplama işlemine başlamadan önce, her iki IMU'nun bağlantı durumunun "Connected" olarak görüntülendiğini ve gerçek zamanlı sensör verilerinin sürekli güncellendiğini onaylayın.
  8. Katılımcı kaydına başlamadan önce, Şekil 3'te gösterilen eksiksiz toplama ve işleme iş akışının operasyonel olduğunu onaylayın.
  9. Veri toplama işlemine başlamadan önce, her iki giyilebilir IMU'nun (WitMotion WT901BLECL) üreticinin varsayılan konfigürasyonunu kullanarak; üç eksenli ivmeölçer ve jiroskop sinyallerinin sürekli kaydıyla, ±6 g ivmeölçer ölçüm aralığıyla, ±2000 °/s jiroskop ölçüm aralığıyla ve yaklaşık 25 Hz etkili örnekleme frekansıyla çalıştığını doğrulayın. Veri toplama sırasında donanım düzeyinde herhangi bir ek filtreleme uygulanmamıştır.

3. Eğitimli gözlemcinin hazırlanması

  1. Her katılımcının veri toplama sürecinin üç aşamasını, sinyal alımı sırasında odada başka hiçbir katılımcı bulunmadan bireysel olarak tamamladığından emin olun.
  2. Her katılımcıya yol göstermek ve onu izlemek için eğitimli tek bir gözlemci görevlendirin.
  3. 3 adımlı el hijyeni (EH) tekniğinin her adımının sınıflandırmasını özel bir hesap çizelgesine kaydedin.
  4. Eğitimli gözlemcinin, katılımcının EH tekniğini net bir şekilde görebildiğinden ve zamansal işaretleyici IMU'ya kolayca erişebildiğinden emin olun.
  5. El hijyeni tekniğinin her adımını, standardize edilmiş 3 adımlı el hijyeni protokolüne9 göre değerlendirin. Her adımı, önceden tanımlanmış değerlendirme kriterlerine göre doğru veya yanlış olarak sınıflandırın.
    NOT: Hesap çizelgesi; katılımcı kimliğini, EH tekniği uygulama sayısını (veri toplamanın üç aşamasının her biri için 1–10 arası) ve EH tekniğinin 1, 2 ve 3. Adımlarının sınıflandırmasını içerecek şekilde düzenlenmiştir. Her adımın sınıflandırmasını doğru veya yanlış olarak kaydedin.

4. Katılımcının hazırlanması (araştırma asistanı tarafından)

  1. Katılımcının, hazırlanan tezgaha bakacak şekilde bir sandalyeye oturmasını sağlayın.
  2. Katılımcıya her iki ön kolunu da tezgaha yerleştirmesini söyleyin.
  3. Katılımcıdan, bileğe takılan IMU'nun yerleştirilmesi için tercih ettiği bileği seçmesini isteyin.
  4. Bileğe takılan IMU'yu, rahatsızlık vermeyecek şekilde güvenli ve sabit olduğundan emin olarak Velcro bant yardımıyla katılımcının seçtiği bileğe sabitleyin.
  5. Tezgah üzerine, katılımcının görüş alanı içerisinde kalacak şekilde görünür bir kronometre veya dijital zamanlayıcı yerleştirin.
  6. Tutarlı çevresel koşulları korumak için tüm veri toplama oturumlarını aynı laboratuvarda, sabit yapay aydınlatma altında ve deneysel oturumlar boyunca klima çalışır durumdayken gerçekleştirin.

5. Veri toplama ve kayıt prosedürü (eğitimli gözlemci tarafından)

NOT: Tüm veri toplama iş akışına genel bir bakış Şekil 4'te sunulmuştur. Protokol, üç ardışık veri toplama aşamasından oluşmaktadır: (1) sözlü talimat, (2) doğru tekniğin gösterilmesi ve (3) önceden tanımlanmış hata modellerinin uygulanması. Her aşamada katılımcılar, 3 adımlı el hijyeni tekniğini 10 kez tekrarlar. Tüm aşamalar boyunca, eğitimli gözlemci her adımın doğruluğunu değerlendirir ve ortaya çıkan veri setinin sonraki sinyal segmentasyonu ve açıklama işlemini desteklemek için zamansal işaretleyici IMU'yu kullanarak zamansal işaretçiler oluşturur. Şekil 3; tüm veri toplama, işleme, segmentasyon ve veri seti oluşturma iş akışını özetlemektedir.

  1. Veri toplamanın birinci aşaması
    1. Katılımcıya 3 adımlı HH tekniğinin her bir adımını sözlü olarak tanımlayın (Şekil 1).
    2. Açıkça belirtin: "Tam tekniğin en az 15 s sürmesi için üç adımın her birini en az 5 s boyunca uygulayın."
    3. Katılımcıya önünde bulunan kronometreyi takip etmesini söyleyin.
    4. Katılımcıya, her tam HH tekniği arasında bir dinlenme aralığı bırakarak 3 adımlı HH tekniğini 10 kez uygulamasını söyleyin.
    5. Segmentasyon sürecinde kullanılacak zamansal bir referans oluşturmak için, her HH adımı tamamlandıktan hemen sonra zamansal işaretleyici IMU'ya bir kez vurun.
    6. Eğitimli gözlemcinin, uygulanan her bir HH adımının kalitesini dikkatle değerlendirdiğinden ve bunu elektronik tabloya doğru veya yanlış olarak kaydettiğinden emin olun.
    7. 3 adımlı HH tekniğinin beşinci uygulamasında, katılımcıya her adımı en az 5 s boyunca gerçekleştirmesini hatırlatın.
    8. Akıllı telefon uygulamasındaki gerçek zamanlı sinyal ekranını izleyin ve kayıt oturumu boyunca her iki IMU'dan da veri paketlerinin sürekli olarak alındığını doğrulayın. Paket kaybı, sensör bağlantısının kesilmesi veya düşük sinyal kalitesi tespit edilirse kaydı durdurun, gerekirse Bluetooth bağlantısını yeniden kurun ve eksiksiz ve güvenilir sinyal kaydı sağlamak için veri toplama işlemini tekrarlayın.
  2. Veri toplamanın ikinci aşaması
    1. Eğitimli gözlemcinin 3 adımlı HH tekniğinin doğru uygulamasını gösterdiğinden emin olun (Şekil 1).
      1. Eğitimli gözlemcinin her adımı yavaşça ve katılımcının tam görüş alanında uygulamasına, katılımcı anladığını belirtene kadar gerektiğinde herhangi bir adımı tekrarlamasına dikkat edin.
      2. Eğitimli gözlemcinin demonstrasyon sırasında kritik temas noktalarını ve yaygın hataları belirttiğinden emin olun.
    2. Açıkça belirtin: "Eğitimli gözlemci tarafından yapılan pratik demonstrasyonu takiben, tam tekniğin en az 15 s sürmesi için üç adımın her birini en az 5 s boyunca uygulayın."
    3. Katılımcıya 3 adımlı HH tekniğini 10 kez tekrarlamasını söyleyin.
    4. 3 adımlı HH tekniğinin her bir adımının doğruluğunu değerlendirin.
    5. Her HH adımından sonra zamansal işaretleyici IMU'yu kullanarak zamansal işaretleyiciler oluşturun.
    6. Veri toplama oturumu boyunca gerçek zamanlı sinyal iletimini izleyin. Paket kaybı, sensör bağlantısının kesilmesi veya düşük sinyal kalitesi tespit edilirse kaydı durdurun ve normal sinyal iletimini yeniden sağladıktan sonra veri toplama işlemini tekrarlayın.
  3. Veri toplamanın üçüncü aşaması
    1. Eğitimli gözlemcinin, katılımcı tarafından uygulanacak hata paternini gösterdiğinden emin olun.
    2. Eğitimli gözlemcinin sırasıyla Hata Paterni 1, 2, 3 ve 4'ü uyguladığından emin olun.
      1. Hata Paterni 1–4'ü sırayla ardışık katılımcılara atayın ve 4. katılımcıdan sonra döngüyü tekrarlayın.
    3. Eğitimli gözlemcinin, aşağıdaki şekilde tanımlanan hata paternlerini gösterdiğinden emin olun:
      1. Hata Paterni 1: Adım 1 için sadece avuç içlerini kaplayın ve kalan el yüzeylerini atlayın. Adım 2 için başparmakları hariç tutarak parmak uçlarını ovun. Adım 3 için başparmakları rotasyonel ovma yapmadan ileri geri hareket ettirin.
      2. Hata Paterni 2: Adım 1 için sol elin dorsum kısmının kaplanmasını atlayın. Adım 2 için serçe parmakları ve başparmakları hariç tutarak sadece işaret, orta ve yüzük parmağı uçlarını ovun. Adım 3 için başparmakların sadece kısmi rotasyonel ovmasını gerçekleştirin.
      3. Hata Paterni 3: Adım 1 için sağ elin dorsum kısmının kaplanmasını atlayın. Adım 2 için sadece sağ elin parmak uçlarını ovun. Adım 3 için sadece sağ başparmağın rotasyonel ovmasını gerçekleştirin.
      4. Hata Paterni 4: Adım 1 için sadece avuç içlerini kaplayın. Adım 2 için ters veya yanlış bir hareket paterni kullanarak parmak uçlarını ovun. Adım 3 için sadece sol başparmağın rotasyonel ovmasını gerçekleştirin.
    4. "Eğitimli gözlemci tarafından yapılan pratik demonstrasyonu takiben, tam tekniğin en az 15 s sürmesi için üç adımın her birini en az 5 s boyunca uygulayın."
    5. Katılımcıya 3 adımlı HH tekniğini 10 kez tekrarlamasını söyleyin.
    6. 3 adımlı HH tekniğinin her bir adımının doğruluğunu değerlendirin.
    7. Her HH adımından sonra zamansal işaretleyici IMU'yu kullanarak zamansal işaretleyiciler oluşturun.
    8. Veri toplama oturumu boyunca gerçek zamanlı sinyal iletimini izleyin. Paket kaybı, sensör bağlantısının kesilmesi veya düşük sinyal kalitesi tespit edilirse kaydı durdurun ve normal sinyal iletimini yeniden sağladıktan sonra veri toplama işlemini tekrarlayın.
  4. Bileğe takılan IMU'yu katılımcının bileğinden nazikçe çıkarın.
  5. Fazla alkol bazlı el dezenfektanını kağıt havlularla silin.
  6. Çalışma yüzeyini temizleyin ve kullanılan kağıt havluları atık kutusuna atın.
  7. Katılımcı talep ederse veya ihtiyaç bildirirse nemlendirici krem teklif edin.
  8. Katılımcıya katkıları için teşekkür edin.

Sonuçlar

Klinik veri toplama protokolü planlandığı gibi uygulanmış ve kayıtlı tüm katılımcılardan, planlanan tüm HH uygulamaları sırasında bileğe takılan atalet sinyalleri başarıyla alınmıştır. Ortaya çıkan veri seti 50 katılımcıyı ve 3 adımlı HH tekniğinin 1.500 tam uygulamasını (katılımcı başına 30 uygulama) içermektedir. Bu veriler, her uygulama için üç sıralı adıma ayrıştırıldığında, toplamda 4.500 hareket segmenti elde edilmiştir.

Klinik test uygulaması

Her katılımcı, 10'ar HH uygulamasından oluşan birbirini izleyen üç blok (katılımcı başına toplam 30 uygulama) gerçekleştirmiş ve her HH uygulaması, 3 aşamalı teknik için tanımlanan sıralı üç adımdan oluşmuştur. İlk blok, doğru hareketlerin sözlü açıklamasının ardından; ikinci blok, doğru hareketlerin sözlü açıklaması ve görsel gösteriminin ardından; üçüncü blok ise sağlık hizmetleri uygulamasında gözlemlenen yaygın hata modellerini yansıtan yanlış hareketlerin gösteriminin ardından gerçekleştirilmiştir. Yanlış hareket bloğu için önceden tanımlanmış dört hata modeli kullanılmış ve her bir hata tipinin kohort düzeyinde karşılaştırılabilir temsilini sağlamak amacıyla dengeli bir dağıtım şeması (yani ardışık katılımcılar arasında döngüsel modeller) kullanılarak katılımcılara atanmıştır.

50 katılımcının tamamı üç veri toplama aşamasını başarıyla tamamlamış ve bu durum 3 adımlı HH tekniğinin 1.500 kez eksiksiz uygulanmasıyla sonuçlanmıştır. Veri toplama sırasında, eğitimli gözlemci her bir uygulamayı değerlendirmiş ve önceden tanımlanmış değerlendirme kriterlerine göre Adım 1, Adım 2 ve Adım 3'ün doğruluğunu kaydetmiştir. Eş zamanlı olarak, ardışık HH adımları arasındaki geçişleri belirtmek için yardımcı IMU kullanılarak zamansal işaretleyiciler oluşturulmuştur. Bu prosedür, kaydedilen tüm uygulamalar için gözlemci tabanlı anotasyonlardan ve zamansal referanslardan oluşan eksiksiz bir set sağlamış, böylece sonraki segmentasyon ve veri seti oluşturma işlemlerine olanak tanımıştır.

Zamansal adım sınırlandırması

Tüm oturumlara, adım sınırları için harici bir zamansal referans oluşturmaktan sorumlu iş birlikçi bir araştırmacı eşlik etmiştir. Bu referans, anotasyon için ayrılmış ikinci bir IMU kullanılarak oluşturulmuş olup, ardışık adımlar arasındaki geçişler de dahil olmak üzere her adımın başlangıcını ve bitişini belirtmek için elle hafifçe vurulmuştur. Bu vurma olayları, zaman kodlu bir işaretleyici sinyali üretmiş ve bu sinyal daha sonra - her bir HH yürütmesi için - Adım 1, Adım 2 ve Adım 3'ün zamansal kapsamını belirlemek için kullanılmıştır.

Kaydedilen tüm HH yürütmeleri için zamansal işaretleyiciler başarıyla oluşturuldu. Vuruşla tetiklenen olaylar, yardımcı IMU sinyalinde belirgin pikler oluşturarak Adım 1, Adım 2 ve Adım 3 arasındaki geçişlerin net bir şekilde tanımlanmasını sağladı. Bu zamansal referanslar, gözlemci notlarının bileğe takılan IMU kayıtlarıyla senkronize edilmesi için tekrarlanabilir bir mekanizma sağladı ve sonraki sinyal segmentasyonunun temelini oluşturdu.

Sinyal işleme ve segmentasyon

Vuruş kaynaklı olayları güvenilir bir şekilde tanımlamak için filtreleme işlemleri ve tepe noktası tespit mantığını içeren, zamansal işaretleyici IMU akışını işlemek üzere Python tabanlı bir algoritma geliştirilmiştir. Sinyal işleme, Python 3.9.19 (Anaconda dağıtımı, Windows 11) ile Spyder IDE sürüm 6.0.5'te uygulanan özel geliştirilmiş bir Python betiği kullanılarak gerçekleştirilmiştir. IMU sinyalleri, 25 Hz frekansında elde edilen jiroskop açısal hız kanalını geri kazanmak için otomatik ayırıcı algılama ve yerel ayara duyarlı sayısal ayrıştırma kullanılarak Python'da sınırlanmış metin dosyalarından aktarılmıştır. Sinyal, zamansal zarfını korurken yüksek frekanslı gürültüyü zayıflatmak amacıyla tam dalga doğrultulmuş ve tek boyutlu bir Gauss çekirdeği (σ ≈ 60 ms) ile düzeltilmiştir. Ayrık olaylar daha sonra minimum belirginlik (maksimum genliğin %5'i), minimum tepe noktaları arası mesafe ve minimum tepe genişliği ile kısıtlanmış otomatik bir tepe noktası tespit prosedürü ile tanımlanmıştır. Tespit edilen tepe noktaları daha sonra bileğe takılan IMU kayıtlarının Adım 1, Adım 2 ve Adım 3 hareket örneklerine göre segmentasyonu için zamansal referanslar olarak kullanılmış ve 1.500 yürütmeyi (4.500 segmentlenmiş adım örneği) kapsayan adım çözünürlüklü bir veri seti elde edilmiştir.

Şekil 5, üç ardışık HH yürütmesi için zamansal segmentasyon prosedürünü (toplam dokuz adım) göstermektedir; burada filtrelenmiş ayağa dayalı zamansal işaretçi IMU sinyali, adım sınırı olayları olarak kullanılan karşılık gelen saptanan pikler ve HH performansı sırasında kaydedilen senkronize bilek tipi IMU sinyali yer almaktadır. Veri toplama aşamasından açıklama eklenmiş adım düzeyindeki veri setinin oluşturulmasına kadar olan tüm iş akışı Şekil 3'te özetlenmiştir.

Segmentasyon prosedürü, kaydedilen tüm HH yürütmelerine başarıyla uygulanmıştır. Tespit edilen zamansal işaretleyici olaylar, adım sınırlarının güvenilir bir şekilde tanımlanmasını ve ardından bileğe takılan IMU kayıtlarının Adım 1, Adım 2 ve Adım 3 örneklerine bölümlenmesini sağlamıştır. Elde edilen veri seti, her hareket örneği için gözlemci tarafından oluşturulan açıklamalarla eşleştirilerek sonraki algoritma eğitimi ve doğrulaması için gerekli olan referans etiketleri sağlamıştır. Şekil 5, zamansal işaretleyici olaylar, tespit edilen pikler ve ortaya çıkan hareket sınırları arasındaki uyumu göstererek, önerilen veri toplama ve segmentasyon protokolünün başarılı uygulamasını örneklendirmektedir.

Elde edilen veri seti ve alt akış kullanım alanı

Elde edilen veri seti, üç farklı edinim koşulu (sözlü talimat, sözlü ve görsel demonstrasyon ile talimatlandırılmış hata modelleri) altında üç HH adımının doğru ve kasıtlı olarak yanlış gerçekleştirilmelerini bir araya getirmekte olup, adım düzeyindeki zamansal sınırlar yardımcı IMU işaretleyici sinyali tarafından sağlanmaktadır. Bu veri seti, giyilebilir IMU verilerini kullanan adım bazlı sınıflandırma modellerinin geliştirilmesine ve değerlendirilmesine olanak tanımakta ve uzun vadeli pratik amacı olarak, klinik ortamlarda HH uygulaması sırasında sağlık profesyonellerine gerçek zamanlı geri bildirim sağlanmasını mümkün kılmayı hedeflemektedir. Tüm çıkarımlar, protokolün uygulanabilirliğinin gösterilmesi ve sonraki algoritmik modellemeye uygun, büyük ve adım bazlı olarak bölümlenmiş bir veri setinin başarıyla oluşturulmasıyla sınırlıdır.

figure-results-1
Şekil 1: Üç aşamalı el hijyeni (EH) tekniğinin gösterimi. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

figure-results-2
Şekil 2: Bileğe takılan el hijyeni izleme cihazının prototipi. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

figure-results-3
Şekil 3: Veri edinimi, işleme ve segmentasyon iş akışı. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

figure-results-4
Şekil 4: Önerilen yöntemin şematik gösterimi. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

figure-results-5
Şekil 5: Üç ardışık üç aşamalı el hijyeni uygulamasının adım sınırı tespiti ve segmentasyonu. Bir katılımcıdan kaydedilen bileğe takılı atalet ölçüm birimi (IMU) sinyali mavi renkle, filtrelenmiş dokunma tabanlı zamansal işaretleyici IMU sinyali ise turuncu renkle gösterilmiştir. El hijyeni adımları arasındaki geçişleri belirlemek için kullanılan dokunma kaynaklı pikler kırmızı dairelerle belirtilmiştir. Her bir el hijyeni uygulaması içindeki bireysel adımlar 1, 2 ve 3 olarak etiketlenmiştir. Örnekleme amacıyla dokuz ardışık adım (üç tam el hijyeni uygulaması) gösterilmiştir. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayınız.

Tartışma

Bu çalışma, altın standart bir gözlemsel etiketleme sürecini, giyilebilir atalet algılaması ve tekrarlanabilir bir zamansal segmentasyon stratejisiyle birleştirerek, adım adım HH tekniği değerlendirmesinin kriter geçerliliğini ele almaktadır. Devamındaki tartışma, çalışma kapsamı ve protokol yürütümü ile veri seti oluşturma yoluyla elde edilen kanıtlarla tutarlı kalarak, metodolojik seçimleri yorumlamakta ve beklenen bilimsel katkıları özetlemektedir.

Yorumlama ve katkı

Temel bir katkı, hem doğru performansı hem de temsili yanlış kalıpları içeren kontrollü koşullar altında, 3 adımlı HH tekniği için adım çözünürlüklü bir giyilebilir sensör veri kümesi oluşturmanın fizibilitesinin gösterilmesidir. Veri kümesinin boyutu (50 katılımcı, 1.500 tam HH uygulaması, 4.500 adım segmenti), HH'yi tek ve farklılaşmamış bir aktivite olarak ele almak yerine, hareket (adım) düzeyinde model geliştirme ve değerlendirmeyi desteklemektedir.

Edinimleri açıkça üç bölüme (sözlü talimat, sözlü ve görsel gösterim ile yönlendirilen hatalı örüntüler) ayırarak çalışma; öğretim bağlamının ve hata indüksiyonunun, adım düzeyindeki kinematiği ve ardından gelen algoritmik ayrımı nasıl etkilediğini analiz etmek için tutarlı bir temel oluşturur19.

Metodolojik değerlendirmeler

İkinci bir IMU'nun harici bir zamansal işaretleyici olarak kullanılması ve adım sınırlarında dokunma tabanlı belirtilerin uygulanması, post hoc, sübjektif ve yalnızca videoya dayalı analizlere güvenmeyen bir adım belirleme mekanizması sağlar. Python ile uygulanan sonraki tepe noktası belirleme ve segmentasyon algoritması, bu sınır ipuçlarını tutarlı bir işlem hattına dönüştürür; bu durum, yoğun zamansal etiketleme ve adım bazlı doğruluk sınıflandırması için temel teşkil eder.

Dört yanlış kalıbın katılımcılar arasında dengeli bir şekilde dağıtılmış olması, tek bir hata modunun aşırı temsil edilmesi riskini azaltarak "yanlış" sınıfının iç yapısını güçlendirir. Sınıflandırma hedefinin genel anomali tespiti değil, adıma özgü doğruluk olması nedeniyle bu durum özellikle önem taşımaktadır.

Kritik protokol adımları

Önerilen protokolün kritik bir yönü, gözlemci tabanlı değerlendirme ile giyilebilir sensörden elde edilen atalet sinyalleri arasındaki zamansal uyumun korunmasıdır. Bu hedef, birbiriyle ilişkili dört aşamaya dayanmaktadır. İlk olarak, kayıt sırasında hiçbir ilgili hareket bilgisinin kaybolmamasını sağlamak için senkronize IMU sinyallerinin güvenilir şekilde elde edilmesi esastır. İkinci olarak, bu değerlendirmeler sonraki makine öğrenimi geliştirme aşamaları için kullanılan temel doğrulama (ground-truth) etiketlerini oluşturduğundan, eğitimli gözlemcinin önceden tanımlanmış değerlendirme kriterlerini tutarlı bir şekilde uygulaması gerekir. Üçüncü olarak, yardımcı IMU ile oluşturulan zamansal işaretleyiciler, ardışık el hijyeni adımları arasındaki geçişleri doğru bir şekilde belirtmeli; böylece gözlemsel değerlendirme ile giyilebilir sensör kayıtları arasında senkronizasyon sağlanmalıdır. Son olarak, bölümlendirme hataları etiketli veri setinin kalitesini doğrudan etkileyeceği ve sonraki algoritma eğitimi ile doğrulamasına hataları aktarabileceği için, bireysel hareket örneklerini doğru şekilde izole etmek adına başarılı pik tespiti ve sinyal bölümlendirmesi temel öneme sahiptir. Bu aşamalar hep birlikte, gelecekteki algoritma geliştirme çalışmaları içinle tekrarlanabilir, doğru şekilde açıklanmış ve güvenilir bir referans veri seti oluşturmak için gereken metodolojik temeli kurmaktadır.

Protokol mevcut çalışma boyunca başarıyla uygulanmış olsa da, gelecekteki uygulamalarda veri seti kalitesini sağlamak için bazı pratik faktörler göz önünde bulundurulmalıdır. Başarılı bir veri toplama ve ardından gelen sinyal segmentasyonu sağlamak için IMU'lar ile toplama uygulaması arasında kararlı bir iletişim ve güvenilir zamansal işaretleyici oluşturma önemlidir. Bu nedenle, eksik veya belirsiz zamansal işaretleyiciler içeren kayıtlar görsel olarak incelenmeli ve gerektiğinde yeniden alınmalıdır. Ayrıca, bu notasyonlar sonraki makine öğrenimi geliştirme süreci için temel gerçekliği (ground truth) oluşturduğundan, tutarlı gözlemci etiketlemesi esastır. Son olarak, segmentlere ayrılmış sinyallerin referans veri setine dahil edilmesinden önce, tespit edilen hareket sınırlarının beklenen el hijyeni adımlarıyla uyuştuğunu onaylamak için görsel doğrulama yapılması önerilir.

Geçerlilik ve genellenebilirlik

Kriter geçerliliği perspektifinden bakıldığında, temel soru, IMU sinyallerinden çıkarılan adım düzeyindeki doğruluğun, burada veri toplama sırasındaki eğitimli gözlemle temsil edilen bağımsız bir dış kritere karşılık gelip gelmediğidir. Bu tasarım, model hedefini dolaylı vekiller yerine, yorumlanabilir bir davranışsal yapı olan üç adımın her birinin doğru uygulanmasıyla hizalar. Ayrıca, eğitim etiketlerinin tanımlandığı aynı ayrıntı düzeyinde uyumun raporlanmasına olanak tanır. Ancak kriter geçerliliği sadece modele değil, aynı zamanda kriterin kendi güvenilirliğine ve tutarlılığına da bağlıdır. Buna göre, gözlemci prosedürleri, her bir adım için doğruluk tanımlarının netliği ve sınır sinyallerinin tutarlılığı, gözlemlenen herhangi bir uyumun ne kadar savunulabilir olduğunu belirleyen kritik unsurlardır.

Pratik etkiler

Mevcut çalışma, klinik uygulamadaki gerçek zamanlı geri bildirim performansını değerlendirmemektedir. Bunun yerine, sonraki makine öğrenimi geliştirmeleri için referans veri setini oluşturmak amacıyla kullanılan veri toplama, açıklama ekleme (annotasyon) ve zamansal segmentasyon protokolünü kurmakta ve doğrulamaktadır. Buna göre, bu çalışmanın doğrulanmış sonucu, gerçek zamanlı izleme sisteminin kendisinden ziyade veri toplama protokolüdür. Otomatik hareket sınıflandırması, gerçek zamanlı izleme ve geri bildirim işlevleri, projenin sonraki aşamalarının hedefleri olmaya devam etmektedir ve mevcut çalışmada değerlendirilmemiştir. Adım adım değerlendirme paradigması, uygulanabilir geri bildirimi destekleyebildiği için klinik açıdan anlamlıdır: hangi spesifik adımın hatalı olduğunu belirlemek, tüm bir HH denemesi için tek bir geçer/kal etiketi sağlamaktan genellikle operasyonel olarak daha yararlıdır.

Üç bölümlü protokol, eğitimin ve gösterimin teknik uygulama modellerini nasıl şekillendirdiğine yönelik gelecekteki analizler için bir temel oluşturmakta olup, bu durum eğitim stratejilerine ve adıma özel geri bildirim mesajlarının tasarımına rehberlik edebilir20. Gelecekteki gerçek zamanlı uygulamalara aktarıldığında, bileğe takılan bir yaklaşım, sürekli yüz yüze denetim gerektirmeden el hijyeni teknik değerlendirmesinin sıklığını ve standardizasyonunu artırarak doğrudan gözlemi tamamlayabilir.

El hijyeni tekniğinin değerlendirilmesinde referans standart olmaya devam eden geleneksel doğrudan gözlemle5 karşılaştırıldığında, önerilen protokol, objektif hareket seviyesinde açıklamalar oluşturmak için uzman değerlendirmesini, senkronize giyilebilir algılamayla ve zamansal işaretleyici tabanlı segmentasyonla birleştirir. Giyilebilir IMU tabanlı sistemler, ön işleme, segmentasyon, özellik çıkarma ve sınıflandırmadan oluşan yapılandırılmış sinyal işleme hatlarını destekledikleri için insan hareket analizi için yerleşik bir yaklaşım haline gelmiştir21. Dahası, güncel incelemeler, giyilebilir sensörlerin ve diğer elektronik izleme sistemlerinin el hijyeni değerlendirmesinde artan kullanımına dikkat çekerken, aynı zamanda geleneksel gözlem yöntemlerini tamamlama potansellerini de vurgulamıştır22. Bu bağlamda, mevcut protokol, el hijyeni tekniğini bireysel adım seviyesinde değerlendirebilen makine öğrenimi algoritmalarının gelecekteki geliştirilmesini ve doğrulanmasını destekleyen yüksek kaliteli, açıklanmış bir veri seti oluşturmak için özel olarak tasarlanmıştır.

Sınırlamalar ve gelecek yönelimler

Veri toplama işlemleri kontrollü bir ortamda gerçekleştirilmiş ve talimatla oluşturulmuş hatalı paternler dahil edilmiştir; hata dağılımının rutin klinik uygulamaya göre temsil gücü ihtiyatla yorumlanmalıdır. Operasyonel uygulama iddialarında bulunmadan önce gerçek dünya koşulları altında harici doğrulama yapılması gerekecektir23. Ek olarak, tek bir eğitimli gözlemcinin kullanılması ve dokunma tabanlı sınır sinyallemesine güvenilmesi, potansiyel sistematik yanlılık ve zamanlama değişkenliği kaynakları oluşturmaktadır. Bu faktörler sonraki çalışmalarda (örneğin, sınır tespit sağlamlığının ve gözlemci tutarlılığının değerlendirilmesi) nicelendirilmelidir.

Gelecekteki çalışmalar şu konulara öncelik vermelidir: (1) yapay zeka sınıflandırma modellerinin geliştirilmesi, (2) model çıktıları ile hareket düzeyindeki gözlemsel kriter arasında resmi uyum analizlerinin yürütülmesi, (3) farklı kullanıcı gruplarının ve sensör yerleşimlerinin değerlendirilmesi ve (4) gerçekçi klinik iş akışlarında gerçek zamanlı izleme ve adım adım geri bildirim performansının doğrulanması. Buna göre; otomatik izleme, kullanılabilirlik, gecikme, verimlilik veya klinik ölçeklenebilirlik ile ilgili tüm ifadeler, mevcut çalışma tarafından kanıtlanmış sonuçlar olarak değil, gelecek hedefleri olarak yorumlanmalıdır. Benzer şekilde, önerilen sistemin el hijyeni uyumu veya enfeksiyon önleme üzerindeki potansiyel etkisi, gelecekteki klinik doğrulamalar yoluyla belirlenecektir.

Açıklamalar

Yazarlar, bu çalışma ile ilgili herhangi bir çıkar çatışması olmadığını beyan ederler.

Teşekkürler

Yazarlar, CNPq'den (Brezilya Ulusal Bilimsel ve Teknolojik Gelişim Konseyi) aldıkları finansal destek için minnettar olduklarını belirtirler.

Malzemeler

Bu makalede kullanılan malzemelerin listesi
AdŞirketKatalog numarasıYorumlar
Yapışkan bantSCOTCH5802Referans IMU'nun tabureye sabitlenmesi
Alkol bazlı el antiseptiği (%70)Giovanna Babby-El hijyeni ürünü
BSL Capture UFSCar uygulamasıLSBio/UFSCar-IMU veri toplama için akıllı telefon uygulaması
Atalet Ölçüm Birimi (IMU) (2 adet)WitMotionWT901BLECLBir bileğe takılan IMU ve bir zamansal işaretleyici IMU
Dizüstü bilgisayarASUSS46CVeri izleme ve işleme
Dizüstü bilgisayarAppleMacBook Air M1Veri izleme ve işleme
Nemlendirici kremNIVEA-HH uygulaması sonrası katılımcı konforu
Kağıt havluSNOB-El kurutma ve temizleme
Python segmentasyon betiğiÖzel geliştirilmiş-IMU sinyalleri için tepe noktası tespiti ve zamansal segmentasyon algoritması
Akıllı telefonXIAOMIREDMI 13IMU veri toplama
Akıllı telefon tutucu--Toplama sırasında akıllı telefon konumlandırma
Islak mendilPampers-Katılımcı ellerinin ve çalışma yüzeyinin temizlenmesi

Kaynaklar

  1. World Health Organization. Global report on infection prevention and control: executive summary [Internet]. Geneva: World Health Organization; 2022. Available from: https://cdn.who.int/media/docs/default-source/integrated-health-services-(ihs)/ipc/ipc-global-report/who_ipc_global-report_executive-summary.pdf
  2. World Health Organization. WHO research agenda for hand hygiene in health care 2023–2030: summary. Geneva: World Health Organization; 2023. Available from: https://iris.who.int/bitstream/handle/10665/367527/9789240073715-eng.pdf
  3. Valim MD, et al. Efficacy of the multimodal strategy for hand hygiene compliance: an integrative review. 2019;72(2):552-565.
  4. Toney-Butler TJ, Gasner A, Carver N. Hand hygiene. In: StatPearls [Internet]. Treasure Island (FL): StatPearls Publishing; 2023. Available from: https://www.ncbi.nlm.nih.gov/books/NBK470254/
  5. World Health Organization. WHO guidelines on hand hygiene in health care: first global patient safety challenge Clean Care is Safer Care. Geneva: World Health Organization; 2009: WHO/IER/PSP/2009/01.
  6. World Health Organization. Interim recommendations on obligatory hand hygiene against transmission of COVID-19. Geneva: World Health Organization; 2020. Available from: https://www.who.int/publications/m/item/interim-recommendations-on-obligatory-hand-hygiene-against-transmission-of-covid-19
  7. Price L, et al. Comparing the effectiveness of hand hygiene techniques in reducing the microbial load and covering hand surfaces in healthcare workers: updated systematic review. Am J Infect Control. 2022;50(10):1079-1090.
  8. Tschudin-Sutter S, et al. Simplifying the WHO "how to hand rub" technique: three steps are as effective as six—results from an experimental randomized crossover trial. Clin Microbiol Infect. 2017;23(6):409-414.
  9. Tschudin-Sutter S, et al. Simplifying the World Health Organization protocol: 3 steps versus 6 steps for performance of hand hygiene in a cluster-randomized trial. Clin Infect Dis. 2019;69(4):614-620.
  10. Stadler RN, Tschudin-Sutter S. What is new with hand hygiene? Curr Opin Infect Dis. 2020;33(4):327-232.
  11. Valim MD, et al. The impact of an effective 3-step hand hygiene technique in reducing potentially pathogenic microorganisms found on nursing professionals' hands. J Infect Dev Ctries. 2023;17(8):1088-1098.
  12. Valim MD, et al. Adherence to hand hygiene technique: an observational study. Acta Paul Enferm. 2024;37:eAO0001262.
  13. Campbell JC, Hindle A, Stroulia E. The art and science of analyzing software data. Burlington (MA): Morgan Kaufmann; 2013.
  14. Cunha CM, Neto OPA, Stackfleth R. Main psychometric evaluation methods of the validity of measuring instruments. Rev Aten Saúde. 2016;14(47):75-83.
  15. Pasquali L. Psicometria. Rev Esc Enferm USP. 2009;43:992-999.
  16. Boyce JM, Pittet D. Guideline for hand hygiene in health care settings: recommendations of the Healthcare Infection Control Practices Advisory Committee and the HICPAC/SHEA/APIC/IDSA Hand Hygiene Task Force. MMWR Recomm Rep. 2002;51(RR-16):1-45.
  17. Ramachandra S, Hoelzemann A, Van Laerhoven K. Transformer networks for data augmentation of human physical activity recognition. arXiv. 2021. arXiv:2109.04054.
  18. Brasil. Conselho Nacional de Saúde. Resolução nº 466, de 12 de dezembro de 2012. Brasília: Conselho Nacional de Saúde; 2012.
  19. Dirgová Luptáková I, Kubovčík M, Pospíchal J. Wearable sensor-based human activity recognition with transformer model. Sensors (Basel). 2022;22(5):1911.
  20. Srigley JA, Furness CD, Baker GR, Gardam M. Quantification of the Hawthorne effect in hand hygiene compliance monitoring using an electronic monitoring system: a retrospective cohort study. BMJ Qual Saf. 2014;23(12):974-980.
  21. Ghasemzadeh H, Ostadabbas S, Guenterberg E, Pantelopoulos A. Wireless medical-embedded systems: a review of signal-processing techniques for classification. IEEE Sens J. 2013;13(2):423-437.
  22. Wang Y, Xu C, Xiang W, et al. Electronic monitoring systems for hand hygiene: systematic review of technology. J Med Internet Res. 2021;23(11):e27880.
  23. Gould DJ, Moralejo D, Drey N, Chudleigh JH. Interventions to improve hand hygiene compliance in patient care. Cochrane Database Syst Rev. 2010;(9):CD005186.

Yeniden basım ve izinler

Etiketler

Gerçek Zamanlı Geri BildirimAtalet SensörleriAlgoritma ValidasyonuSekans ModeliSağlık ÇalışanlarıEnfeksiyon Önleme

Bu makale yayımlandı

Video yakında

Bize Ulaşın
Kütüphaneye Öner

Gizlilik

Kullanım Koşulları

Politikalar

Telif Hakkı © 2026 MyJoVE Corporation. Tüm hakları saklıdır.