A Deep Learning Framework for Predicting Pressure Ulcers Using Convolutional and Recurrent Neural Networks

Abstract

욕창은 피부와 기저 조직에 대한 손상으로, 주로 피부에 대한 장기간의 압력으로 인해 발생한다. 이러한 상처는 치료에 상당한 어려움을 초래하여 시간과 경제적 손실을 초래할 뿐만 아니라 환자의 불편함과 사망률을 증가시킨다. 결과적으로 의료 시스템의 부담을 완화하기 위해 예방 간호에 대한 강조가 증가하고 있다. 이러한 문제의 시급성에도 불구하고 욕창에 대한 딥러닝 알고리즘 기반의 예측은 아직 충분히 연구되지 않고 있다. 본 연구에서는 합성곱 신경망(CNN)과 순환 신경망(RNN)을 사용하여 욕창 발생을 예측하는 새로운 딥러닝 프레임워크를 제안한다. 우리의 데이터 세트는 환자의 랩 테스트 데이터, 피처로서의 랩 코드 및 욕창의 존재를 나타내는 라벨로 구성된다. 제안하는 딥러닝 모델을 위한 데이터 세트를 최적화하기 위해 시계열 데이터를 위한 데이터 보간 및 데이터 전처리를 수행한다. 또한 라벨이 없는 문제를 해결하기 위해 보편적인 사전 훈련(universal pre-training)을 제안한다. 우리의 접근 방식은 원하는 예측 시점 며칠 전의 데이터를 기반으로 개별 환자의 욕창 발생을 예측하여 개선된 예방 조치 및 환자 결과에 대한 가능성을 보여준다.;Pressure ulcers (PUs) are injuries to the skin and underlying tissue, predominantly resulting from prolonged pressure on the skin. These wounds pose significant challenges in treatment, leading to considerable time and economic losses, as well as increased patient discomfort and mortality rates. Consequently, there is a growing emphasis on preventive nursing to alleviate the burden on healthcare systems. Despite the urgency of this issue, deep learning-based prediction methods for PUs remain underexplored. In this study, we propose a novel deep learning framework to predict the occurrence of PUs by employing convolutional neural networks (CNNs) and recurrent neural networks (RNNs). Our dataset comprises patient lab test data, lab codes as features, and labels indicating the presence of PUs. To optimize the dataset for deep learning models, we performed data preprocessing through cleansing, interpolation, and generating sequence inputs for both CNNs and RNNs. In addition, we propose a universal pretraining to solve the unlabeling problem. Our approach predicts the development of PUs in individual patients based on data from several days prior to the desired prediction point, demonstrating the potential for improved preventive measures and patient outcomes.