Wykrywanie i klasyfikacja odleżyn z wykorzystaniem deep learning
Autor: Arleta Czarnik
Data: 02.02.2022
Model deep learning to metoda wykorzystująca sztuczną inteligencję, która daje możliwość automatycznego wykrywania i klasyfikacji odleżyn na wczesnym etapie z 97-procentową skutecznością. Model powstał na podstawie obrazów odleżyn uporządkowanych zgodnie z systemem klasyfikacji NPIAP.
Odleżyny są istotnym problemem zdrowotnym, ich występowanie negatywnie wpływa na jakość życia pacjentów i zwiększa koszty opieki. W przypadku braku odpowiedniego leczenia odleżyny mogą doprowadzić do śmierci. Pielęgniarki jako członkowie zespołu opieki zdrowotnej, którzy ściśle i stale monitorują stan zdrowia pacjenta, odgrywają kluczową rolę w zapobieganiu odleżynom, a także w ich leczeniu.
Obecnie w ochronie zdrowia, podobnie jak w wielu innych dziedzinach, coraz częściej wykorzystuje się sztuczną inteligencję. Jej zastosowanie ma na celu rozwiązywanie złożonych problemów poprzez matematyczne symulowanie sposobu działania mózgu z wykorzystaniem komputerów. Artykuł, który ukazał się w czasopiśmie „Health Problems of Civilization”, jest przeglądem informacji na temat modelu deep learning opracowanego do wykrywania i klasyfikacji odleżyn.
Deep learning może działać na wielu typach danych. Konwolucyjne sieci neuronowe (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 model deep learning z wykorzystaniem CNN. Opracowywany model CNN ma 97-procentową skuteczność w wykrywaniu i klasyfikowaniu odleżyn, a im więcej obrazów zostanie zebranych i wykorzystanych w CNN, tym większe będzie prawdopodobieństwo trafnej prognozy.
Model deep learning daje możliwość automatycznego wykrywania i klasyfikacji odleżyn na wczesnym etapie oraz dokładnej i szybkiej interwencji. Jego wykorzystanie może sprawić, że wzrośnie jakość opieki pielęgniarskiej, zmniejszy się częstość występowania odleżyn oraz obciążenie ekonomiczne związane z tym problemem zdrowotnym.
Pełna treść artykułu: Atınç Yilmaz, Hamiyet Kızıl, Umut Kaya, Rıdvan Çakır, Melek Demiral. Prediction and classification of pressure injuries by deep learning. Health Prob Civil 2021; 15 (4): 328-335.
Obecnie w ochronie zdrowia, podobnie jak w wielu innych dziedzinach, coraz częściej wykorzystuje się sztuczną inteligencję. Jej zastosowanie ma na celu rozwiązywanie złożonych problemów poprzez matematyczne symulowanie sposobu działania mózgu z wykorzystaniem komputerów. Artykuł, który ukazał się w czasopiśmie „Health Problems of Civilization”, jest przeglądem informacji na temat modelu deep learning opracowanego do wykrywania i klasyfikacji odleżyn.
Deep learning może działać na wielu typach danych. Konwolucyjne sieci neuronowe (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 model deep learning z wykorzystaniem CNN. Opracowywany model CNN ma 97-procentową skuteczność w wykrywaniu i klasyfikowaniu odleżyn, a im więcej obrazów zostanie zebranych i wykorzystanych w CNN, tym większe będzie prawdopodobieństwo trafnej prognozy.
Model deep learning daje możliwość automatycznego wykrywania i klasyfikacji odleżyn na wczesnym etapie oraz dokładnej i szybkiej interwencji. Jego wykorzystanie może sprawić, że wzrośnie jakość opieki pielęgniarskiej, zmniejszy się częstość występowania odleżyn oraz obciążenie ekonomiczne związane z tym problemem zdrowotnym.
Pełna treść artykułu: Atınç Yilmaz, Hamiyet Kızıl, Umut Kaya, Rıdvan Çakır, Melek Demiral. Prediction and classification of pressure injuries by deep learning. Health Prob Civil 2021; 15 (4): 328-335.
