DOI: https://doi.org/10.1016/j.artmed.2024.102826
PMID: https://pubmed.ncbi.nlm.nih.gov/38579438
تاريخ النشر: 2024-03-11
المؤلف: Ali Yeganeh وآخرون
الموضوع الرئيسي: مراقبة العمليات الإحصائية المتقدمة
نظرة عامة
تقدم ورقة البحث إطار عمل جديد لمراقبة العمليات متعددة المراحل (MPM) مصمم لتطبيقات الرعاية الصحية، مع التركيز بشكل خاص على نتائج الجراحة. غالبًا ما تفشل طرق مراقبة العمليات الإحصائية التقليدية (SPM)، مثل مخططات التحكم، في السيناريوهات الصحية المعقدة التي تتميز بمراحل متعددة وبيانات غير متجانسة. لمعالجة هذه القيود، يقترح المؤلفون نهج مخطط التحكم الذكي (ICC) الذي يدمج تقنيات التعلم الآلي، وبالتحديد الانحدار باستخدام دعم المتجهات (SVR)، لتعزيز اكتشاف الظروف غير الطبيعية في عمليات الرعاية الصحية. من خلال محاكاة مونت كارلو، يظهر إطار عمل ICC أداءً متفوقًا مقارنة بمخططات التحكم الإحصائية التقليدية، مثل EWMA و Hotelling’s $T^2$، خاصة في تحديد أنماط خارج السيطرة (OOC) المختلفة.
توضح التطبيق العملي للطريقة المقترحة ICC باستخدام بيانات حقيقية من جراحة سرطان الغدة الدرقية ذات المرحلتين، مما يظهر فعاليتها في مراقبة نتائج المرضى. تشير النتائج إلى أن نهج ICC يمكنه بنجاح اكتشاف الشذوذ في بيانات المرضى، مما يشير إلى إمكانية تطبيقه بشكل أوسع خارج الحالة المحددة المدروسة. تشمل اتجاهات البحث المستقبلية دمج مخططات التحكم CUSUM في إطار عمل ICC واستكشاف أنماط OOC المختلفة للتدريب، بالإضافة إلى التحقيق في تأثير طرق تقدير المعلمات المختلفة على نتائج المراقبة العامة. تملأ هذه الدراسة فجوة كبيرة في الأدبيات المتعلقة بتطبيق تقنيات MPM في الرعاية الصحية، مما يمهد الطريق لتحسين سلامة المرضى والكشف المبكر عن الظروف السلبية.
مقدمة
في مقدمة ورقة البحث هذه، يناقش المؤلفون أهمية أدوات مراقبة العمليات الإحصائية (SPM) في التصنيع، مع تسليط الضوء على مخططات التحكم كأكثر الطرق فعالية لمراقبة جودة العمليات. تساعد مخططات التحكم في تحديد إشارات خارج السيطرة (OOC) من خلال تحليل إحصائيات العملية مقابل حدود التحكم المحددة مسبقًا. بينما كانت تركز تقليديًا على مراحل العملية الفردية، أدت التطورات في تكنولوجيا المستشعرات إلى ظهور مراقبة العمليات متعددة المراحل (MPM)، التي تعالج العمليات التي تتطلب مراحل متعددة لإنتاج منتج نهائي. يشير المؤلفون إلى دراسات مختلفة استخدمت نماذج الفضاء الحالة (SSMs) لتعزيز تطوير مخططات التحكم لـ MPM، مما يظهر فعاليتها في نمذجة الأنظمة الديناميكية.
تستكشف الورقة أيضًا التحديات التي تواجه العمليات الصحية، والتي غالبًا ما تتضمن مراحل متعددة وبيانات غير متجانسة. كانت مخططات التحكم السابقة في الرعاية الصحية تركز بشكل أساسي على النتائج النهائية، متجاهلة تعقيدات المراقبة متعددة المراحل. يهدف المؤلفون إلى معالجة هذه التحديات من خلال اقتراح مخطط تحكم جديد يدمج تقنيات التعلم الآلي مع SSMs لتحسين اكتشاف التحولات خارج السيطرة (OOC). يحددون مساهماتهم، بما في ذلك تطوير إطار عمل شامل لـ MPM للرعاية الصحية، وتقديم مخطط تحكم قائم على التعلم الآلي، وتقييم طريقتهم من خلال دراسات المحاكاة وتطبيقات البيانات الحقيقية. تم هيكلة الورقة لتوفير استكشاف شامل لهذه الموضوعات، مع تخصيص الأقسام اللاحقة للمقدمات اللازمة، والمخطط المقترح، وتقييمات الأداء، والتطبيقات العملية.
نقاش
في قسم النقاش من الورقة، يحدد المؤلفون الإطار لمراقبة العمليات الصحية متعددة المراحل، مع التركيز بشكل خاص على جراحات سرطان الغدة الدرقية. يؤكدون على أهمية مخططات مراقبة العمليات الإحصائية (SPM)، التي تعتبر ضرورية لاكتشاف الأسباب القابلة للتخصيص لتباين العمليات. يميز المؤلفون بين مرحلتين من SPM: المرحلة الأولى، التي تتضمن المراقبة غير المتصلة لإنشاء نموذج تحت السيطرة (IC)، والمرحلة الثانية، التي تركز على المراقبة في الوقت الحقيقي لتحديد الظروف خارج السيطرة (OOC). يبرزون أن مخططات التحكم، وخاصة مخططات المتوسط المتحرك المرجح أسيًا (EWMA) ومخططات المجموع التراكمي (CUSUM)، تتفوق على مخططات شيوارت التقليدية في اكتشاف التحولات الصغيرة في معلمات العملية.
يقدم المؤلفون نماذج الفضاء الحالة الخطية (SSMs) كإطار قوي لالتقاط ديناميات العمليات الصحية، مما يسمح بدمج المتغيرات الكامنة وعوامل الخطر التي تؤثر على نتائج المرضى. يوضحون التطبيق المحدد لـ SSMs على جراحة سرطان الغدة الدرقية، حيث تعتبر مراقبة مستويات ثيروغلوبولين المصل (TG) مؤشر أداء حاسم. تستخدم الدراسة بيانات من 94 مريضًا لتطوير نهج مراقبة ذي مرحلتين، يدمج كل من المتغيرات القرار وعوامل الخطر. تهدف المنهجية المقترحة إلى تعزيز اكتشاف إشارات OOC من خلال الجمع بين SSMs وتقنيات التعلم الآلي، مما يسهل التدخلات الطبية في الوقت المناسب للمرضى الذين يظهرون ظروفًا غير مستقرة.
DOI: https://doi.org/10.1016/j.artmed.2024.102826
PMID: https://pubmed.ncbi.nlm.nih.gov/38579438
Publication Date: 2024-03-11
Author(s): Ali Yeganeh et al.
Primary Topic: Advanced Statistical Process Monitoring
Overview
The research paper presents a novel framework for Multistage Process Monitoring (MPM) tailored for healthcare applications, particularly focusing on surgical outcomes. Traditional Statistical Process Monitoring (SPM) methods, such as control charts, often fall short in complex healthcare scenarios characterized by multiple stages and non-homogeneous data. To address this limitation, the authors propose an Intelligent Control Charting (ICC) approach that integrates machine learning techniques, specifically Support Vector Regression (SVR), to enhance the detection of unnatural conditions in healthcare processes. Through Monte Carlo simulations, the ICC framework demonstrates superior performance compared to conventional statistical control charts, such as EWMA and Hotelling’s $T^2$, particularly in identifying various out-of-control (OOC) patterns.
The practical application of the proposed ICC method is illustrated using real data from a two-stage thyroid cancer surgery, showcasing its effectiveness in monitoring patient outcomes. The findings indicate that the ICC approach can successfully detect anomalies in patient data, suggesting its broader applicability beyond the specific case studied. Future research directions include integrating CUSUM control charts into the ICC framework and exploring different OOC patterns for training, as well as investigating the impact of various parameter estimation methods on the overall monitoring results. This study fills a significant gap in the literature regarding the application of MPM techniques in healthcare, paving the way for improved patient safety and early detection of adverse conditions.
Introduction
In the introduction of this research paper, the authors discuss the significance of Statistical Process Monitoring (SPM) tools in manufacturing, highlighting control charts as the most effective method for monitoring process quality. Control charts help identify Out-Of-Control (OOC) signals by analyzing process statistics against predefined control limits. While traditionally focused on single process stages, advancements in sensor technology have led to the emergence of Multistage Process Monitoring (MPM), which addresses processes requiring multiple stages to produce a final product. The authors reference various studies that have utilized State Space Models (SSMs) to enhance control chart development for MPM, demonstrating their effectiveness in modeling dynamic systems.
The paper further explores the challenges faced in healthcare processes, which often involve multiple stages and non-homogeneous data. Previous control charts in healthcare primarily focused on end-stage results, neglecting the complexities of multistage monitoring. The authors aim to address these challenges by proposing a novel control chart that integrates machine learning techniques with SSMs to improve detection of OOC shifts. They outline their contributions, including the development of a comprehensive MPM framework for healthcare, the introduction of a machine learning-based control chart, and the evaluation of their method through simulation studies and real data applications. The paper is structured to provide a thorough exploration of these topics, with subsequent sections dedicated to the necessary preliminaries, the proposed control chart, performance evaluations, and practical applications.
Discussion
In the discussion section of the paper, the authors outline the framework for monitoring multistage healthcare processes, specifically focusing on thyroid cancer surgeries. They emphasize the importance of Statistical Process Monitoring (SPM) control charts, which are essential for detecting assignable causes of process variability. The authors differentiate between two phases of SPM: Phase I, which involves off-line monitoring to establish an in-control (IC) model, and Phase II, which focuses on real-time monitoring to identify out-of-control (OOC) conditions. They highlight that control charts, particularly Exponentially Weighted Moving Average (EWMA) and Cumulative Sum (CUSUM) charts, outperform traditional Shewhart-type charts in detecting small shifts in process parameters.
The authors introduce Linear State Space Models (SSMs) as a robust framework for capturing the dynamics of healthcare processes, allowing for the integration of latent variables and risk factors that influence patient outcomes. They detail the specific application of SSMs to thyroid cancer surgery, where the monitoring of serum ThyroGlobulin (TG) levels serves as a critical performance indicator. The study utilizes data from 94 patients to develop a two-stage monitoring approach, incorporating both decision variables and risk factors. The proposed methodology aims to enhance the detection of OOC signals through a combination of SSMs and machine learning techniques, ultimately facilitating timely medical interventions for patients exhibiting unstable conditions.