eISSN: 2354-0265
ISSN: 2353-6942
Health Problems of Civilization Physical activity: diseases and issues recognized by the WHO
Bieżący numer Archiwum Online first O czasopiśmie Rada naukowa Recenzenci Bazy indeksacyjne Prenumerata Kontakt Zasady publikacji prac Standardy etyczne i procedury
Panel Redakcyjny
Zgłaszanie i recenzowanie prac online
4/2021
vol. 15
 
Poleć ten artykuł:
Udostępnij:
RÓŻNE
streszczenie artykułu:
Artykuł przeglądowy

Wykrywanie i klasyfikacja odleżyn z wykorzystaniem deep learning

Atınç Yilmaz
1
,
Hamiyet Kızıl
2
,
Umut Kaya
3
,
Rıdvan Çakır
1
,
Melek Demiral
2

1.
Department of Computer Engineering, Beykent University, Istanbul, Turkey
2.
Department of Nursing, Beykent University, Istanbul, Turkey
3.
Department of Computer Engineering, Ayvansaray University, Istanbul, Turkey
Health Prob Civil. 2021; 15(4): 328-335
Data publikacji online: 2021/12/16
Pełna treść artykułu Pobierz cytowanie
 
Metryki PlumX:
Odleżyny są problemem zdrowotnym, który negatywnie wpływa na jakość życia pacjenta i powoduje poważne koszty opieki. W przypadku braku odpowiedniego leczenia i opieki może to doprowadzić do śmierci pacjenta. Pielęgniarki odgrywają kluczową rolę w zapobieganiu, opiece i leczeniu odleżyn jako członkowie zespołu opieki zdrowotnej, którzy ściśle i stale monitorują stan zdrowia danej osoby. Obecnie w dziedzinie zdrowia, podobnie jak w wielu innych dziedzinach, coraz częściej wykorzystuje się sztuczną inteligencję. Sztuczna inteligencja jest metodą, która ma na celu rozwiązywanie złożonych problemów poprzez matematyczne symulowanie sposobu działania mózgu z wykorzystaniem komputerów. Niniejszy artykuł jest przeglądem zaprojektowanym w celu podzielenia się informacjami na temat modelu deep learning opracowanego do wykrywania i klasyfikacji odleżyn. Deep learning może działać na wielu typach danych. Konwolucyjne sieci neuronowe (ang. convolutional neural networks, CNN) preferują obrazy, ponieważ mogą obsługiwać macierze 2D. Obrazy, uporządkowane zgodnie z systemem klasyfikacji odleżyn według National Pressure Injury Advisory Panel (NPIAP), zostały przekształcone w "Deep Learning Model" z wykorzystaniem CNN. Opracowywany model CNN ma 97% skuteczności w wykrywaniu i klasyfikowaniu odleżyn, a im więcej obrazów zostanie zebranych i wykorzystanych w CNN, tym większe będzie prawdopodobieństwo trafnej prognozy. Ten model deep learning daje możliwość automatycznego wykrywania i klasyfikacji odleżyn, które są wskaźnikiem jakości zdrowia, na wczesnym etapie oraz dokładnej i szybkiej interwencji. W tym kontekście oczekuje się, że jakość opieki pielęgniarskiej wzrośnie, zmniejszy się częstość występowania odleżyn oraz obciążenie ekonomiczne związane z tym problemem zdrowotnym.

Pressure injuries are a serious medical problem that both negatively affects the patient's quality of life and results in significant healthcare costs. In cases where a patient doesn’t receive appropriate treatment and care, death may result. Nurses play critical roles in the prevention, care, and treatment of pressure injuries as members of the healthcare team who closely monitor the health status of the patient. Today, the use of artificial intelligence is becoming more prevalent in healthcare, as in many other areas. Artificial intelligence is a method that aims to solve complex problems by using computers to mathematically simulate the way the brain works. In this article, we compile and share information about a deep learning model developed for the detection and classification of pressure injuries. Deep learning can operate on many types of data. Convolutional Neural Networks (CNN) prefer images because they can handle 2D arrays. In this case, the images, annotated according to the National Pressure Injury Advisory Panel pressure injury classification system, have been fed into a deep learning model using CNN. The developed CNN model has a 97% success in detecting and classifying pressure injuries, and as more images are collected and fed into the CNN, the prediction accuracy will increase. This deep learning model allows for the automatic detection and classification of pressure injuries, an indicator of health outcomes, at an early stage and for quick and accurate intervention. In this context, it is expected that the quality of nursing care will increase, the prevalence of pressure injury will decrease, and the economic burden of this health problem will decrease.
słowa kluczowe:

deep learning, pressure ulcers, artificial intelligence, nursing care


© 2024 Termedia Sp. z o.o.
Developed by Bentus.