Стерилизация псо: Отделение последипломного образования КОГПОБУ «Кировский медицинский колледж»

Содержание

Оказание услуг по стерилизации медицинских изделий для нужд ФГБУ «Центр реабилитации».

























Наименование Кол-во Цена за ед. Стоимость, ₽

Газовая стерилизация. Упаковка, стерилизация мелкого инструментария (1 упаковка- 5шт.).

ОКПД2
86.90.19.190  
Услуги в области медицины прочие, не включенные в другие группировки



34,40


34,40

Газовая стерилизация. Стерилизация стоматологического слюноотсоса (10 шт. в упаковке)

ОКПД2
86.90.19.190  
Услуги в области медицины прочие, не включенные в другие группировки



39,30


39,30

Газовая стерилизация. Упаковка, стерилизация эндоскопа.

ОКПД2
86.90.19.190  
Услуги в области медицины прочие, не включенные в другие группировки



1 562,20


1 562,20

Упаковка в крепированную бумагу (один слой).

ОКПД2
86.90.19.190  
Услуги в области медицины прочие, не включенные в другие группировки



21,90


21,90

Упаковка, стерилизация перевязочного материала, ватных шариков, марлевых салфеток, палочек с ватой (1 упаковка)

ОКПД2
86.90.19.190  
Услуги в области медицины прочие, не включенные в другие группировки



28,00


28,00

ПСО, упаковка, стерилизация шприца и двух игл

ОКПД2
86.90.19.190  
Услуги в области медицины прочие, не включенные в другие группировки



42,90


42,90

ПСО, упаковка, стерилизация инструментов ЛОР (комплект от 5 до 10 шт.).

ОКПД2
86.90.19.190  
Услуги в области медицины прочие, не включенные в другие группировки



50,20


50,20

Упаковка, стерилизация больших кюветов, банок.

ОКПД2
86.90.19.190  
Услуги в области медицины прочие, не включенные в другие группировки



42,20


42,20

Газовая стерилизация. Упаковка стерилизация набора для имплантации.

ОКПД2
86.90.19.190  
Услуги в области медицины прочие, не включенные в другие группировки



703,90


703,90

Стерилизация биксов

ОКПД2
86.90.19.190  
Услуги в области медицины прочие, не включенные в другие группировки



15,60


15,60

Упаковка, стерилизация мед. изделия: глазные пипетки (в упак.-10 шт.), ст. палочки (в упак.-10 шт.)

ОКПД2
86.90.19.190  
Услуги в области медицины прочие, не включенные в другие группировки



36,00


36,00

Упаковка, стерилизация деревянных шпателей (упак.-от 5 до 10 шт.)

ОКПД2
86.90.19.190  
Услуги в области медицины прочие, не включенные в другие группировки



31,00


31,00

Газовая стерилизация. Стерилизация одного сложного инструмента.

ОКПД2
86.90.19.190  
Услуги в области медицины прочие, не включенные в другие группировки



73,40


73,40

ПСО упаковка, стерилизация стоматологического набора 2-3 инструмента.

ОКПД2
86.90.19.190  
Услуги в области медицины прочие, не включенные в другие группировки



44,50


44,50

ПСО, упаковка, стерилизация, хирургического набора

ОКПД2
86.90.19.190  
Услуги в области медицины прочие, не включенные в другие группировки



54,90


54,90

ПСО, упаковка, стерилизация одного инструмента

ОКПД2
86.90.19.190  
Услуги в области медицины прочие, не включенные в другие группировки



33,40


33,40

ПСО упаковка, стерилизация стоматологического набора инструменты + лоток.

ОКПД2
86.90.19.190  
Услуги в области медицины прочие, не включенные в другие группировки



51,90


51,90

ПСО, упаковка, стерилизация лаб. пипеток (упак.- 10 шт.)

ОКПД2
86.90.19.190  
Услуги в области медицины прочие, не включенные в другие группировки



42,00


42,00

Упаковка, стерилизация белья

ОКПД2
86.90.19.190  
Услуги в области медицины прочие, не включенные в другие группировки



41,90


41,90

ПСО упаковка, стерилизация стоматологического набора 4 инструмента.

ОКПД2
86.90.19.190  
Услуги в области медицины прочие, не включенные в другие группировки



50,30


50,30

ПСО, упаковка, стерилизация гинекологического набора (до5-ти инструментов).

ОКПД2
86.90.19.190  
Услуги в области медицины прочие, не включенные в другие группировки



50,20


50,20

Газовая стерилизация. Стерилизация одного катетера.

ОКПД2
86.90.19.190  
Услуги в области медицины прочие, не включенные в другие группировки



27,60


27,60

Газовая стерилизация. Упаковка, стерилизация набора СОД хирургический набор инструментария.

ОКПД2
86.90.19.190  
Услуги в области медицины прочие, не включенные в другие группировки



846,90


846,90

Ника-Неодез, средство для ПСО, стерилизации и дезинфекции


У нас можно купить оптом и в розницу средство Ника-Неодез, концентрат для ПСО, стерилизации и дезинфекции. Если вам нужна на Нику-Неодез оптовая цена пришлите заявку с вашими реквизитами. Также просим оставлять про Нику-Неодез ваши отзывы.


Действующие вещества:


Алкилдиметилбензиламмоний хлорид (АДБАХ) + N-алкилэтилбензиламмоний хлорид 9.5 %, Полигексаметиленгуанидин гидрохлорид (ПГМГ) 6 %, ПАВы.


Форма выпуска:


жидкий концентрат в бутылках 1л и канистрах 5л.


Срок годности:


в упаковке — 3 года, в рабочем растворе — 14 дней.


Дополнительная информация:


Средство для ПСО, стерилизации и дезинфекции, в том числе биологического материала.


Заявленный показатель активности водородных ионов (pH): от 2.5 до 3.5


Особые свойства:


  • Не вызывает коррозии металлов;

  • Сохранение свойств при замораживании/размораживании;

  • Не обесцвечивает ткани;

  • Не фиксирует органические загрязнения;

  • Не агрессивно по отношению к объектам обработки.


Класс опасности: при введении в желудок — 3; при нанесении на кожу — 4; рабочего раствора — 4.


Активно в отношении:


  • Бактерии — Mycobacterium tuberculosi, Возбудители ВБИ, Грамотрицательные бактерии, Грамположительные бактерии;

  • Вирусы — ВИЧ, Гепатита В, Полиомиелит;

  • Возбудители особо опасных инфекций — Сибирская язва, Туляремия, Холера, Чума;

  • Патогенные грибы — Дерматофитон, Кандида, Трихофитон;

  • Спороцидные свойства;


Сфера применения дезсредства согласно инструкции:


  • Акушерские стационары,

  • ЛПУ,

  • Клинические лаборатории,

  • Станции переливания крови,

  • Бактериологические лаборатории,

  • Детские учреждения (детсады, школы и т.п.),

  • Пенитенциарные учреждения,

  • Инфекционные очаги,

  • Предприятия общественного питания,

  • Предприятия продовольственной торговли,

  • Потребительские рынки,

  • Коммунальные объекты (бани, бассейны, гостиницы, общественные туалеты и т.п.),

  • Парикмахерские,

  • Косметические и (или) массажные салоны,

  • Прачечные,

  • Санитарный транспорт,

  • Отделения неонатологии,

  • Спортивные и культурно-оздоровительные комплексы,

  • Диагностические лаборатории.


Объекты обработки (инструкция на дезсредство № 10; 11 от 2007):


  • Баки накопительные автономных туалетов,

  • Белье нательное,

  • Белье постельное,

  • Бытовые кондиционеры,

  • Воздух в помещениях,

  • Вращающиеся стоматологические инструменты,

  • Выделения больного (моча, фекалии, мокрота),

  • Гибкие эндоскопы,

  • Жесткая мебель,

  • Жесткие эндоскопы,

  • Игрушки,

  • ИМН из металлов, резин на основе натурального и силиконового каучука, стекла, пластмасс,

  • ИМН обычные,

  • ИМН одноразовые перед утилизацией,

  • Инструменты к эндоскопам,

  • Инструменты парикмахерских, массажных, косметических салонов,

  • Инструменты стоматологические,

  • Инструменты хирургические,

  • Кровь,

  • Крышные кондиционеры,

  • Лабораторная посуда,

  • Мед. отходы из текстильных материалов (ватные и марлевые тампоны, марля, бинты),

  • Мокрота,

  • Моча,

  • Мусоросборочное оборудование, мусоропроводы,

  • Ножи, разделочные доски, разделочные столы, тара,

  • Обувь,

  • Поверхности в помещениях,

  • Поверхности приборов и аппаратов,

  • Предметы для мытья посуды,

  • Предметы личной гигиены,

  • Предметы обстановки,

  • Предметы ухода за больными,

  • Резиновые и полипропиленовые коврики,

  • Санитарно-техническое оборудование,

  • Санитарный транспорт,

  • Системы вентиляции и кондиционирования воздуха,

  • Спецодежда,

  • Сплит-системы, мультизональные сплит-системы,

  • Столовая посуда,

  • Стоматологические материалы (оттиски из альгината, силикона, полиэфирной смолы, зубопротезные заготовки, артикуляторы),

  • Уборочный инвентарь,

  • Фекалии,

  • Фекально-мочевая взвесь.


Роспотребнадзор: свидетельство о регистрации дезсредства смотреть на официальном сайте fp.crc.ru.

Вебинар. PRO дезинфекцию и стерилизацию

Теория


Блок «Дезинфекция и предстерилизационная очистка»


1. Что такое дезинфекция

• Дезинфекция поверхностей, рабочей одежды, воздуха. Какие виды бывают

• Дезинфекция рук (своих и клиента): мыло и антисептики

• Самые важные выдержки из новых СанПиН

• Виды дезинфекции изделий медицинского назначения (ИМН)


2. Как читать инструкцию к применению дезинфицирующих средств

• Какие пункты являются самыми важными в инструкции: где их искать

• Как быстро находить необходимые режимы

• Вы научитесь сравнивать инструкции к дезинфекторам и выбирать оптимальный для себя вариант


3. Как рассчитать концентрацию раствора

• Самая простая формула, которая позволит вам за 1 минуту рассчитывать концентрат на любой литраж готового к применению раствора


4. Ручной метод дезинфекции. Бокс. Механизированный метод дезинфекции и ПСО. Ультразвуковая мойка

• что нужно для дезинфекции инструментов ручным и механизированным способами

• как правильно развести раствор для ручного и механизированного методов дезинфекции

• выбор ультразвуковой мойки: как подобрать оптимальный вариант по объему, цене и мощности. Личные рекомендации преподавателя

• как погружать инструменты в раствор для полной их обработки

• как быстро и эффективно промыть инструменты от дезинфектора


5. Что лучше: бокс или УЗ-мойка?

• все «плюсы» и «минусы» обоих методов

• на что опираться в выборе метода дезинфекции


К урокам прилагаются чек-листы в PDF-формате.


Блок «Стерилизация»


1. Сушка инструмента перед стерилизацией

• почему это важно

• 2 способа быстрой сушки инструментов


2. Разрешенные новым СанПиНом способы и методы стерилизации

• все способы стерилизации инструментов

• способы стерилизации инструментов в бьюти-сфере, которые подходят по новому СанПиН: разберем простой пошаговый алгоритм обработки и самые важные требования

• выбор идеального сухожара. Принцип его работы

• выбор идеального автоклава. Принцип его работы

• как узнать, что стерилизатор пригоден для использования


3. Крафт-пакеты: как выбрать и как пользоваться

• виды крафт-пакетов: как разобраться в многообразии

• как правильно пользоваться крафт-пакетом, как его запаковывать

• что необходимо писать на крафт-пакете

• как правильно загружать крафт-пакеты в стерилизатор


4. Для чего нужны индикаторы?

• виды индикаторов и разница между ними

• какими индикаторами должны пользоваться бьюти-мастера

• как правильно закладывать индикаторы


Бонус!

• Ржавчина на инструменте

• 14 причин появления ржавчины на инструменте

• Очистка инструмента от ржавчины


Бонус! Вся правда о китайских сухожарах, «хлебницах» или «гробиках»


ПОДАРОК К КУРСУ!


Каждый участник получает подробное пособие по обработке инструмента (текстовый формат), которое навсегда останется с вами.


Формат и процесс обучения: Старт обучения – 6 октября.

Доступ к курсу — 90 дней.

Уроки предоставляются в записи: вы можете пересматривать их неограниченное количество раз в течение доступа. При необходимости вы можете менять скорость воспроизведения урока для более легкого усвоения материала.


После прохождения вебинара всем участникам выдается электронный диплом лицензированной школы ParisNail (при условии успешного прохождения тестирования).

Азопирамовая проба 🧪| Предстерилизационная очистка

Азопирамовая проба 🧪 это способ проверки качества предстерилизационной очистки (ПСО) инструментов. Мы проверяем, не остались ли на инструментах даже после дезинфекции и ПСО следы крови и биологических жидкостей.

Мы часто получаем вопросы: в каком случае необходимо проводить азопирамовую пробу? В том случае, если процедура связана с нарушением целостности кожного покрова. Вы должны производить все три этапа очистки инструмента: дезинфекция, ПСО, стерилизация.

Обычно это касается косметологов и мастеров ногтевого сервиса. Но если вы парикмахер и ножницами нечаянно поранили клиента, вы также должны провести все три этапа обработки инструмента.

Подробнее смотрите в нашем видеоролике 👇

СКОЛЬКО ИНСТРУМЕНТОВ ПРОВЕРЯТЬ

Контроль качества ПСО осуществляется ежедневно с каждой партии обрабатываемых инструментов. Отбирается 1% инструментов, но не менее 3 единиц. Например, если у вас одновременно происходит обработка 100 инструментов, вы должны поставить пробу на трех из них.

Для проведения пробы мы возьмем азопирам комплект. Его преимущества перед комплектом из сухих реагентов в том, что срок годности готового раствора составляет 1 месяц при комнатной температуре и 2 месяца в холодильнике. Для работы не нужно искать этиловый спирт, на который требуется разрешение и журнал расходования

ПРИГОТОВЛЕНИЕ РАСТВОРА АЗОПИРАМ

Смешиваем содержимое двух емкостей – это готовый, но еще не рабочий раствор азопирама.

Есть два варианта использования готового раствора.

  1. Нанести на чистую салфетку пипеткой три капли раствора азопирамовой пробы и три капли 3%-ой перекиси водорода.
  2. Смешать в отдельной емкости в равных пропорциях готовый раствор и перекись водорода – получится рабочий раствор. Срок его использования – не более часа.

ПРОВЕДЕНИЕ АЗОПИРАМОВОЙ ПРОБЫ

ВАЖНО! Инструменты должны быть чистые и сухие! Температура инструментов должна быть комнатной. Не допускается проведение пробы на горячих предметах.

Протираем салфеткой режущие элементы инструмента или те его части, которые контактируют с биологическими жидкостями или кровью.

Если инструмент имеет выемки или шероховатости (фрезы, ложка Уно, петля косметологическая), средство используется в виде капель. Для этого мы в равных долях смешаем азопирам с 3%-й перекисью водорода и наносим пипеткой 2-3 капли на инструмент. Это необходимо для того, чтобы раствор прошел по всем каналам и стыкам деталей инструмента.

ВРЕМЯ ПРОВЕДЕНИЯ АЗОПИРАМОВОЙ ПРОБЫ

1 минута. Не больше и не меньше. В течение этого времени раствору дают возможность стечь на чистую белую салфетку. Это условие одно из самых важных.

Результат, полученный через более длительное время, не считается действительным.

РЕЗУЛЬТАТЫ АЗОПИРАМОВОЙ ПРОБЫ

  • Фиолетовый цвет – ПСО проведена некачественно и на инструментах остались следы крови или биологической жидкости.
  • Бурый цвет – на инструментах есть ржавчина или хлорсодержащие окислители.
  • Розовый цвет – на инструментах есть остатки моющих средств.

Окрашивание, наступившее позже одной минуты после обработки, не учитывается при анализе результатов.
В нашем примере на видео реактив не дал положительных результатов, поэтому считаем, что инструмент прошел ПСО, можно приступить к стерилизации.

ЖУРНАЛ ПСО

После проведения пробы остатки раствора необходимо удалить с инструмента независимо от результата. Для этого предметы нужно сполоснуть водой или протереть тампоном, смоченным водой, и снова просушить.

Важный момент! При длительном хранении готового раствора следует проверить его на пригодность. Для этого на кровяное пятно необходимо нанести 2-3 капли раствора. Если в течение минуты пятно окрашивается в фиолетовый цвет, то раствор пригоден к использованию.

Результаты всех проведенных проб фиксируются в специальном журнале учета качества предстерилизационной очистки. Его заполнение проверяет Роспотребнадзор во время проверки. Внимание! В журнал заносится только ОТРИЦАТЕЛЬНАЯ проба. О том, как заполнять журнал, вы можете прочитать здесь.

Если проба показала наличие загрязнений, вся партия инструментов должна пройти повторную обработку – дезинфекцию и ПСО, затем проба проводится повторно.

Источник: Компания «Чистовье»

Дезинфекция и стерилизация инструментов для маникюра

Этапы дезинфекции и стерилизации без применения ультразвуковой мойки

1. Дезинфекция. После проведения процедуры, все ручные инструменты и вращающиеся которые использовались в работе помещаются в специальный контейнер с готовым рабочим раствором. Время экспозиции зависит от концентрации раствора (например, если это 1% «ОПТИМАКС-ПРОФ» время экспозиции 60 минут см. табл. в инструкции).

ВАЖНО: Использование ультразвуковой мойки сокращает время экспозиции вдвое.

2. ПСО. Так как используется ультразвуковая мойка и раствор «ОПТИМАКС-ПРОФ» который сочетает в себе роль дезинфектора и моющего средства, то очистка осуществляется одновременно химически и механически — грязь растворяется в дезинфицирующем средстве.

Остается только промыть инструменты под проточной водой в течение 2-3 минут,

тщательно вытереть стерильной тканевой или одноразовой салфеткой и высушить при комнатной температуре. Только полностью высушенный инструмент готов к следующему этапу обработки – стерилизации.

3. Стерилизация. В крафт-пакеты помещаются только ручные и вращающиеся инструменты и отправляются в сухожаровый шкаф. Время выдержки 60 мин, при температуре 180-200°C.

 

 

 

Этапы дезинфекции и стерилизации c применением ультразвуковой мойки

    1. Дезинфекция. После проведения процедуры, все ручные инструменты и вращающиеся которые использовались в работе помещаются в ультразвуковую мойку с готовым рабочим раствором. Время экспозиции зависит от концентрации раствора (например, если это 3% «ОПТИМАКС-ПРОФ» время экспозиции в ультразвуковой мойке занимает 8 минут. см. табл. в инструкции).

ВАЖНО: использование ультразвуковой мойки – сокращает время экспозиции вдвое!

      2. ПСО. Так как используется ультразвуковая мойка и раствор «ОПТИМАКС-ПРОФ» который сочетает в себе роль дезинфектора и моющего средства, то очистка осуществляется одновременно химически и механически — грязь растворяется в дезинфицирующем средстве.

Остается только промыть инструменты под проточной водой в течение 2-3 минут,

тщательно вытереть стерильной тканевой или одноразовой салфеткой и высушить при комнатной температуре. Только полностью высушенный инструмент готов к следующему этапу обработки – стерилизации.

       3. Стерилизация. В крафт-пакеты помещаются только ручные и вращающиеся инструменты и отправляются в сухожаровый шкаф. Время выдержки 60 мин, при температуре 180-200°C.

 

 

Важно: на всех этапах дезинфекции и стерилизации использовать перчатки!

 

 

Давайте рассмотрим, что будет если пропустить один из этапов очистки инструментов:

Если пропустить 1 этап дезинфекцию – остается опасность распространения инфекции в окружающей среде во время очистки инструмента.

Если пропустить 2 этап предстерилизационную очистку – оставшаяся грязь не удаляется после стерилизации, а еще больше фиксируется на инструментах, что значительно портит их рабочие характеристики.

Если пропустить 3 этап стерилизацию – поверхность инструментов остается нестерильной, и споры микроорганизмов могут «прорасти» через определенный период времени.

Невероятно важным этапом в обеззараживании является тщательная обработка рук клиента и мастера антисептиком. Так же важно помнить, о том, что пилки и бафы должны быть индивидуальны для каждого клиента. Для эффективной работы мастера лучше всего иметь несколько наборов инструментов, ведь зачастую все этапы очистки занимают достаточно продолжительное время.

 

Более подробно каждый этап дезинфекции и стерилизации разбираем на БАЗОВЫХ КУРСАХ. 

 

(PDF) Оптимизация роя частиц для планирования работы операционных залов с учетом стерилизации медицинских устройств

Оптимизация роя частиц для планирования работы операционных 55

Представленный процесс должен быть адаптирован для среды реального времени. Действительно, в этой статье

мы подробно описали проблему планирования, учитывая, что каждое хирургическое вмешательство уже известно, но в реальном случае процедуры назначаются хирургами через время после

времени.Мы можем представить себе, например, чтобы запланировать операцию на

в конце каждого дня с учетом уже запланированных.

Некоторые аспекты фармацевтического сектора все еще могут быть изучены для улучшения

целых больничных комплексов, выполняющих функции заказа лекарств, межузловой трансляции

, управления запасами и так далее. Рассматривая более общие аспекты

аптеки и больницы, мы можем включить каждое логистическое решение в полную логистику, охватывающую весь контекст больничной группы.

Справочные документы

1. Беруль, Б., Грюндер, О., Баракат, О., Аужулат, О., Люстиг, Х .: Заказ

desventions chirurgicales d’un hopital avec Prize en compte de l’´ этап

стерилизация в контекстном множестве сайтов (2016)

2. Кардоен, Б., Демельмеестер, Э., Белиген, Дж .: Оптимизация многоцелевой задачи

определения последовательности физических случаев. Int. J. Prod. Экон. 119 (2), 354–366 (2009)

3. Cardoen, B., Demeulemeester, E., Beli¨en, J .: Секвенирование хирургических случаев в условиях дневного ухода —

: точный подход по отраслям и ценам. Comput. Опер. Res. 36 (9),

2660–2669 (2009)

4. Cardoen, B., Demeulemeester, E., Belien, J .: Планирование операционной и планирование

: обзор литературы. Евро. J. Oper. Res. 201 (3), 921–932 (2010)

5. Клерк М., Кеннеди Дж .: Рой-взрыв частиц, стабильность и конвергенция в

многомерном сложном пространстве. IEEE Trans.Evol. Comput. 6 (1), 58–73 (2002)

6. Клерк, М., Сиарри, П .: Une nouvelle m´etaheuristique pour l’optimisation di cile: la

m´ethode des essaims speculaires. J3eA, 3: 007 (2004)

7. Декстер, Ф., Блейк, Дж. Т., Пеннинг, Д.Х., Слоан, Б., Чанг, П., Любарски, Д.А.: Используйте

линейного программирования для оценки воздействия изменений. в операционной

больничного времени распределение времени на периоперационные переменные затраты. Анестезиология 96 (3), 718–

724 (2002)

8.Декстер, Ф., Эпштейн, Р.Х .: Планирование случаев в амбулаторном центре. Анестезиол.

Clin. North Am. 21 (2), 387–402 (2003)

9. Декстер, Ф., Макарио, А .: Когда высвободить выделенное рабочее время для повышения эффективности

операционной. Анест. Анальг. 98 (3), 758–762 (2004)

10. Декстер, Ф., Макарио, А., Трауб, Р.Д .: Какой алгоритм для планирования дополнительных электрооборудования

максимизирует использование операционной? Использование алгоритмов упаковки контейнеров,

нечетких ограничений в управлении операционной.Анестезиология 91 (5), 1491–1500

(1999)

11. Фей, Х., Мескенс, Н., Чу, Ч .: Задача планирования и составления расписания для операционного зала с использованием открытого расписания. стратегия. Comput. Ind. Eng. 58 (2), 221–230

(2010)

12. Грэм, Р.Л., Лоулер, Е.Л., Ленстра, Дж. К., Кан, А.Р .: Оптимизация и приближение

в детерминированном упорядочивании и планировании: обзор. Анна. Дискретная математика.

5, 287–326 (1979)

13.Гине, А., Шаабан, С .: Планирование операционных. Int. J. Prod. Экон. 85 (1),

69–81 (2003)

[email protected]

Исследование производительности системы нечеткого вывода (PSOFIS) на основе алгоритма оптимизации роя частиц (PSO) в сочетании с CFD-моделированием для прогнозирования потока жидкости

, 1, 2, 3 , 4, 5 , 6 , 7, 8 , 9 , 6 и 10

Мейсам Бабанежад

1 Институт исследований и разработок, Университет Дуй Тан, Дананг, 550000 Вьетнам

2 Факультет электротехники и электроники, Университет Дуй Тан, Дананг, 550000 Вьетнам

3 Департамент искусственного интеллекта, Shunderman Industrial Strategy Co., Тегеран, Иран

Иман Бехроян

4 Факультет машиностроения и энергетики, Университет Шахида Бехешти, Тегеран, Иран

5 Кафедра вычислительной гидродинамики, Shunderman Industrial Strategy Co., Тегеран, Иран

Али Тагвайе Нахджири

6 Департамент нефтяной и химической инженерии, Научно-исследовательский отдел, Исламский университет Азад, Тегеран, Иран

Азам Марджани

7 Департамент управления развитием науки и технологий, Университет Тон Дык Тханг, Хо Ши Мин, Вьетнам

8 Факультет прикладных наук, Университет Тон Дык Тханг, Хошимин, Вьетнам

Машалла Резаказеми

9 Факультет химической инженерии и материаловедения, Технологический университет Шахруд, Шахруд, Иран

Амир Гейдаринасаб

6 Департамент нефти и химии Отделение инженерии, науки и исследований, Исламский университет Азад, Тегеран, Иран

Саид Ширазян

10 Лаборатория компьютерного моделирования лекарственных средств, Южно-Уральский государственный университет, проспект Ленина 76, Челябинск, Россия 454080

1 Институт Исследования и разработки, Университет Дуй Тан, Дананг, 550000 Вьетнам

2 Факультет электротехники и электроники, Университет Дуй Тан, Дананг, 550000 Вьетнам

3 Департамент искусственного интеллекта, Shunderman Industrial Strategy Co., Тегеран, Иран

4 Факультет машиностроения и энергетики, Университет Шахида Бехешти, Тегеран, Иран

5 Департамент вычислительной гидродинамики, Shunderman Industrial Strategy Co., Тегеран, Иран

6 Департамент Нефтяная и химическая инженерия, Отделение науки и исследований, Исламский университет Азад, Тегеран, Иран

7 Департамент управления развитием науки и технологий, Университет Тон Дык Тханг, Хошимин, Вьетнам

8 Факультет прикладных наук Наук, Университет Тон Дык Тханг, Хошимин, Вьетнам

9 Факультет химии и материаловедения, Технологический университет Шахруд, Шахруд, Иран

10 Лаборатория компьютерного моделирования лекарственных средств Южно-Уральского государственного университета, Проспект Ленина, 76, Челябинск, Россия 454080

Автор, ответственный за переписку.

Поступила в редакцию 26 августа 2020 г .; Принято 2021 4 января.

Открытый доступ Эта статья находится под международной лицензией Creative Commons Attribution 4.0, которая разрешает использование, совместное использование, адаптацию, распространение и воспроизведение на любом носителе или любом формате при условии, что вы указали соответствующий оригинал Автор (ы) и источник предоставляют ссылку на лицензию Creative Commons и указывают, были ли внесены изменения. Изображения или другие сторонние материалы в этой статье включены в лицензию Creative Commons для статьи, если иное не указано в кредитной линии для материала.Если материал не включен в лицензию Creative Commons для статьи и ваше предполагаемое использование не разрешено законодательными актами или превышает разрешенное использование, вам необходимо получить разрешение непосредственно от правообладателя. Чтобы просмотреть копию этой лицензии, посетите http://creativecommons.org/licenses/by/4.0/.

Abstract

Здесь механистически моделируется и моделируется реактор типа пузырьковой колонны с неравновесным тепловым режимом между воздухом и водой с помощью метода CFD.Более того, комбинация обучающего модуля адаптивной сети (AN) с системой нечеткого вывода (FIS) в качестве метода искусственного интеллекта, вызывающего ANFIS, уже показала потенциал в оптимизации подхода CFD. Хотя система нечеткого вывода (PSOFIS), основанная на методе искусственного интеллекта оптимизации роя частиц (PSO), имеет хорошую основу для оптимизации других областей исследований, исследований по сотрудничеству этого метода с CFD не проводилось. PSOFIS может уменьшить все трудности и упростить расследование, исключив дополнительное моделирование CFD.Фактически, после достижения наилучшего интеллекта все прогнозы могут быть сделаны с помощью PSOFIS вместо огромных вычислительных усилий, необходимых для моделирования CFD. Первой целью этого исследования является разработка PSOFIS для использования в приложении подхода CFD. Второй — провести сравнение между PSOFIS и ANFIS для точного прогнозирования результатов CFD. В настоящем исследовании данные CFD изучаются PSOFIS для прогнозирования скорости воды внутри пузырьковой колонны. Значения входных чисел, размеров роя и весов инерции исследуются для получения наилучшего интеллекта.После достижения наилучшего интеллекта отпадает необходимость в уточнении сетки в области CFD. Плотность сетки может быть увеличена, а новые прогнозы могут быть сделаны более простым способом с помощью PSOFIS с гораздо меньшими вычислительными усилиями. Для убедительной проверки результаты PSOFIS по предсказанию скорости жидкости сравниваются с результатами ANFIS. Было показано, что для тех же параметров нечеткого множества прогнозы PSOFIS ближе к CFD по сравнению с ANFIS. Номер регрессии (R) PSOFIS (0.98) был немного больше, чем у ANFIS (0,97). PSOFIS показал мощный потенциал в увеличении плотности сетки с 9477 до 774 468 и точные прогнозы для новых узлов независимо от моделирования CFD.

Тематические термины: Химическая инженерия, Машиностроение, Вычислительные науки

Введение

Для многофазных реакций были спроектированы и эксплуатируются различные типы реакторов, среди которых реакторы с барботажной колонной вызвали огромный интерес в экологическая, биофармацевтическая, нефтехимическая, очистка сточных вод и т. д. 1 5 . Эти универсальные химические / биохимические реакторы могут дать преимущества в результате приличного тепломассообмена, простоты эксплуатации и т. Д. 6 , 7 . Существует множество исследований газо-водяных систем для оценки гидродинамических характеристик этих реакторов 8 , 9 , и очень важно создать моделирование и оценить параметры потока жидкости внутри барботажных колонн для улучшения технологического процесса. понимание.В этом контексте можно использовать подход к разработке процессов на основе моделей для интенсификации и улучшений процессов. Полученные данные могут значительно помочь инженерам и исследователям в проектировании, оптимизации, эксплуатации и т. Д. 1 , 10 .

Вычислительная гидродинамика (CFD) 11 — это точный подход к изучению двухфазного потока жидкости в барботажных колоннах и анализа взаимодействий между фазами, то есть газом и жидкостью. Моделирование CFD использовалось в различных исследованиях 12 14 для оценки этих типов реакторов, содержащих водяные и воздушные системы.Из-за наличия двух фаз внутри реактора и взаимодействия между ними почти во всех исследованиях рассматривалась модель CFD Эйлера и только массоперенос в реакторе как внутри реактора, так и между фазами 7 , 15 17 . Согласно литературным данным, нет никаких исследований CFD, учитывающих неравновесные тепловые условия между воздухом и водой в реакторе с пузырьковой колонной. Это тематическое исследование впервые рассматривается в данной статье. Разница температур между воздухом и водой добавляет уравнения энергии к моделированию CFD, чтобы построить комплексную методологию моделирования.Учет межфазного теплообмена между газом и жидкостью усложняет CFD-моделирование реактора и требует более сложных методов.

Кроме того, согласно литературным источникам, методы искусственного интеллекта (AI) являются полезными способами для расширения приложений моделирования CFD 18 22 . В нескольких исследованиях уже сообщалось об использовании модели ANFIS с CFD для прогнозирования характеристик потока жидкости в различных обстоятельствах. 23 28 .Хотя метод PSOFIS уже был исследован для оптимизации данных во многих инженерных аспектах 29 32 , нет исследований, которые применяли PSOFIS в сотрудничестве с моделированием CFD. Например, Ши и Эберхарт 29 сообщили о потенциале PSOFIS, сравнив экспериментальные данные. Hu et al. 30 выполнили PSOFIS для минимизации потерь мощности в системах распределения электроэнергии.Мы подробно исследовали влияние параметров PSOFIS на лучший интеллект. Таким образом, в данной работе для помощи в моделировании CFD выбран метод AI для алгоритма оптимизации роя частиц (PSO), основанный на нечеткой системе вывода (PSOFIS). Чтобы добиться наиболее точного предсказания алгоритма, исследуются значения входных чисел, размеров роя и весов инерции. PSOFIS также впервые тестирует увеличение плотности сетки. Проведено дополнительное сравнение результатов PSOFIS и ANFIS в отношении точности методов.

Методология

Геометрия реактора

Здесь рассматривается цилиндрическая колонна диаметром 29 см и длиной 2 м для вычислительных задач и понимания процесса. В этом реакторе имеющаяся газовая фаза (воздух) направляется в столб воды снизу. Скорость воздуха и температура воздуха равны 0,02 м / с и 400 K соответственно, а температура воды — 295 K.

Метод CFD

Двухфазная модель Эйлера – Эйлера использовалась в этой работе со стандартным двумя уравнениями k- ε модель турбулентности.В этом подходе моделирования жидкости следующие уравнения выводятся для каждой фазы внутри реактора 12 :

Уравнение энергии используется для расчета межфазного теплообмена между воздухом и водой 33 .

Уравнение энергии фазы k :

∂ρk∈kHk∂t + ∇.ρk∈kuk, iHk = ∇∈kk + kt∇Tk + QI.

3

Импульсные межфазные взаимодействия представляют собой сумму силы сопротивления и турбулентной дисперсии, определяемые следующим образом:

FI = Ftd + FdFtd = -Ctdρwaterk∇∈water,

4

, где k и C td — турбулентная кинетическая энергия воды на единицу массы и коэффициент турбулентной дисперсии соответственно.Значение 0,3 учитывается для коэффициента турбулентной дисперсии на основе исследования 22 .

Fd = 18CDaifρkuk, i → -ui, k → uk, i → -ui, k →,

5

Коэффициент сопротивления Шиллера-Наумана 34 , 35 Коэффициент лобового сопротивления ( C D ) принято для межфазного взаимодействия уравнений количества движения, а для межфазного коэффициента теплопередачи ( h ) между воздушным пузырем и водой используется уравнение Ранца-Маршалла 36 .Следует отметить, что воздух считается несжимаемой жидкостью, а форма пузыря должна быть сферической. Таким образом, межфазная область ( a , если ) задается следующим образом:

В этом исследовании была выбрана стандартная модель турбулентности k-ε. Ключевые математические модели, используемые в данной работе, взяты из литературы 37 42 :

∂∂t∈kρkkk + ∇ · ∈kρkuk, ikk = ∇ · μktσk∇kk + Gk-ρkεk,

8

∂∂t∈kρkεk + ∇ · ρkεkuk, i = ∇ · μktσε∇εk + εkkkC1εGk-C2ερkεk,

9

Gk = μkt (∇uk, i + uk, i) T,

раздел test and validation

В процессе испытаний на независимость от сети для моделирования реактора используются две схемы расположения ячеек: первая с 9477 узлами, а вторая с 18 954 узлами.Результаты CFD сравнивались для скорости воды и воздуха, и отклонение составило менее 0,04%. Для меньших вычислительных затрат в данном исследовании была принята первая плотность сетки. Для проверки моделирования CFD результаты прогнозов удержания газа сравниваются с экспериментом Yu и Kim 43 и численными результатами Basha et al. 34 (рис.).

Подтверждение настоящего исследования CFD по сравнению с экспериментом Ю и Ким и численным исследованием Basha et al.

Оптимизация роя частиц

Оптимизация роя частиц (PSO) — это алгоритмы на основе популяции, которые генерируют и используют случайные переменные. Этот алгоритм основан на коллективном поведении животных, таких как группы птиц или рыб. В этом методе популяция животных и возможные решения известны как рой и частицы, соответственно 44 . Алгоритм PSO основан на коллективном поведении людей в сообществе (рис.).Это означает, что здесь есть несколько индивидуумов, а именно частицы, которые ищут лучшее место в качестве целевой или выходной переменной для предсказания в сообществе. Каждая частица имеет свою скорость, и она выполняет свой собственный итеративный поиск, чтобы найти лучшее место. Лучшее место известно как решение или прогноз выходной переменной. В процессе поиска каждой отдельной частицы на поиск нового места влияют два фактора; первое — лучший опыт частицы до этой итерации; последнее — лучший опыт среди всех частиц вместе взятых.

Схема алгоритма PSO.

Оптимальное местоположение, найденное для частицы, записывается и называется pbest. Наилучшее определение местоположения по целым частицам называется gbest . Принимая pbest , gbest и скорость каждой частицы, правило обновления для их местоположения выглядит следующим образом: 45 47 :

Vt + 1 = Wt × Vt + C1 × rand × pbest-xt + C2 × rand × gbest-xt,

12

где W представляет собой вес инерции, показывающий влияние вектора скорости fr Vt на новый вектор, C1 и C2 обозначают константы ускорения, а rand представляет случайную функцию в диапазоне 0, 1 и xt обозначают текущее расположение детали.

В таблице приведены параметры алгоритмов PSO, которые используются в этом исследовании. Значения размера роя и веса инерции корректируются для достижения наилучшего интеллекта, в то время как коэффициент демпфирования веса инерции, персональные и глобальные коэффициенты обучения были зафиксированы в модели.

Таблица 1

Параметры алгоритма оптимизации роя частиц.

Параметры алгоритма PSO
Размер роя 60, 80, 100, 120
Инерционный вес (0–1) 0.85, 0,9, 0,95, 1
Коэффициент демпфирования инерционного веса 0,99
Коэффициент личного обучения (0–2) 1
Общий коэффициент обучения (0–2) 2

Система нечеткого вывода (FIS)

FIS — это нечеткая машина в терминах концепций нечетких правил «если – то» и теории нечетких множеств. В этом интеллектуальном подходе, если — то правила, представленные Такаги и Сугено, выполняются 48 .В этом исследовании x-координация, y-координация и z-координация используются для достижения скорости жидкой фазы в качестве выходных данных. Функция k-го правила:

Подробная процедура описана в другом месте 17 19 , 48 .

Параметры нечеткого множества описаны в таблице. Всего имеется 9477 данных, созданных с помощью моделирования CFD. 76% сгенерированных данных изучаются, и прогноз выполняется после 400 итераций. Нечеткая кластеризация C-средних принята как тип кластера.Тип функции принадлежности — гауссовский. Количество кластеров, правил и выходной функции принадлежности — всего 30.

Таблица 2

Параметры системы нечеткого вывода.

9046 9045 9045 9045 Итерация данных 90 метод кластеризации
Параметры системы нечеткого вывода
Процент данных для обучения (P) 76%
Количество данных 9477
FCM кластеризация
Функция принадлежности (MF) Gaussmf
Количество кластеров (NC) 30
Количество правил и выходных MFs 30496 и обсуждение

Двухфазный поток воздуха и воды внутри химического реактора барботажного типа моделируется методом CFD.Воздух нагнетается в барботажную колонну с водой 49 . Впервые в этом исследовании температура воздуха (127 ° C) отличается от температуры воды (23 ° C). В результате отсутствует тепловое равновесие между воздухом и водой. Это требует дополнительного управляющего уравнения энергии для моделирования CFD. Все основные уравнения (т.е. масса, импульс, энергия, модель турбулентности) рассматриваются в рамках Эйлера-Эйлера для моделирования процесса.Это означает, что уравнения решаются для каждой фазы отдельно и связаны друг с другом в исходных условиях. Таким образом, при решении двухфазных CFD-моделей трехмерное моделирование с учетом влияния турбулентного потока требует огромных вычислительных затрат. Система нечеткого вывода (PSOFIS) на основе алгоритма PSO была выбрана для упрощения моделирования CFD.

На рисунке показана блок-схема алгоритма PSO, разработанного для этого исследования. PSOFIS изучает данные CFD, сгенерированные численным моделированием, для прогнозирования конкретной переменной в качестве результата (цели).В настоящем исследовании выходным значением является скорость жидкой фазы (т.е. воды). Координаты x, y и z расположения узлов воды являются входными данными. 76% всех данных CFD (т.е. 9477 данных) обучаются PSOFIS, тогда как 100% данные CFD используются при тестировании. Регрессия принята как показатель достижения наилучшего интеллекта. Различные входные числа (например, 1, 2 и 3), размеры роя (например, 60, 80, 100 и 120) и веса инерции (например, 0,85, 0,9, 0,95 и 1) проверяются для достижения наилучшего интеллекта.На рисунке показано влияние входных чисел на число регрессии. По мере увеличения количества входных данных числа регрессии увеличиваются как для обучения, так и для тестирования. Наилучший интеллект достигается, когда входное число равно 3 (т. Е. R = 0,98).

Схема комбинации алгоритма PSO и системы нечеткого вывода.

Процессы обучения PSOFIS с учетом изменения количества входов.

Аналогичный тест на чувствительность выполняется для влияния размеров роя и весов инерции, когда входное число равно 3.На рисунке показаны процессы обучения PSOFIS с учетом изменений в размере роя при количестве входов 3. Согласно этому рисунку, при увеличении размера роя с 60 до 100 значение R увеличивается с 0,97 до 0,98. Однако при дальнейшем увеличении размера роя до 120 не наблюдается значительных изменений в значении R.

Процессы обучения PSOFIS с учетом изменений размера роя при количестве входов 3.

На рисунке показаны процессы обучения PSOFIS с учетом изменение инерционного веса при размере роя 100 и количестве входов 3.Что касается этой цифры, при увеличении веса инерции с 0,85 до 1 значение R увеличивается с 0,97 до 0,98. Следовательно, лучший интеллект может быть получен для входного числа 3, размера роя 100 и веса инерции 1.

Процессы обучения PSOFIS с учетом изменений в весе инерции, когда размер роя равен 100, а количество входов равно 3.

Для большей проверки интеграция адаптивной сети с системой нечеткого вывода, называемой ANFIS, используется для изучения результатов CFD для моделирования скорости воды внутри реактора. 49 .Результаты PSOFIS сравниваются с ANFIS. Следует отметить, что для аналогичных условий настройки все параметры нечеткого множества ANFIS такие же, как и в PSOFIS (см. Таблицу). Согласно рис., Значение R у PSOFIS (0,98) немного больше, чем у ANFIS (0,97). Рисунок иллюстрирует картину скорости жидкой фазы в обоих методах ANFIS и PSOFIS. Увеличивая графики, видно, что прогнозы PSOFIS соответствуют результатам CFD с большей совместимостью по сравнению с ANFIS.

Сравнение лучшего результата методов PSOFIS и ANFIS.

Динамика скорости жидкой фазы различными методами.

Структура FIS, основанная на процессе обучения PSO, схематично показана на рис. Функция принадлежности является гауссовой, как показано в полях ввода справа. Количество кластеров для каждого входа, количество правил в скрытом слое и количество функций принадлежности для выхода равны 30. Тип кластера — нечеткая полукластеризация.

Структура FIS с использованием алгоритма PSO в качестве тренера в процессе обучения.

На рисунках a – c показано сравнение предсказаний CFD и PSOFIS скорости воды для каждого входа. Как видно, нет противоречия между результатами обоих методов. Так как результаты получены для времени 30 с, как и следовало ожидать, скорость воды выше на более низких высотах колонны (т. Е. Z = 0,1 и 0,2 м), а скорость демпфируется для достижения нуля на более высоких высотах (т. Е. Z = 0,9 м).

( a ) Проверка процесса обучения PSOFIS после достижения наивысшего интеллекта PSOFIS на основе первого ввода.( b ) Проверка процесса обучения PSOFIS после достижения наивысшего интеллекта PSOFIS на основе второго ввода. ( c ) Подтверждение процесса обучения PSOFIS после достижения наивысшего интеллекта PSOFIS на основе третьего входа.

После достижения наилучшего интеллекта скорость воды может быть найдена для большего количества узлов в области столбцов без уточнения сетки в области CFD. Фактически, уточнение сетки может быть выполнено в PSOFIS с гораздо меньшими вычислительными затратами.На рисунке показано увеличение плотности сетки с 9477 до 774 468 узлов с использованием метода PSOFIS.

Восстановленный домен с 9477 на 774 468.

Результаты прогнозов PSOFIS скорости воды показаны на рис. Новые прогнозы метода PSOFIS снова согласуются с результатами CFD. Более того, дополнительные прогнозы скорости воды в большем количестве узлов показаны на рис. A – c.

( a ) Прогноз скорости жидкой фазы PSOFIS в 774 468 узлах на основе первого ввода.( b ) Прогнозирование скорости жидкой фазы с помощью PSOFIS в 774 468 узлах на основе второго ввода. ( c ) Прогноз скорости жидкой фазы PSOFIS в 774 468 узлах на основе третьего входа.

Выводы

Двухфазный поток воздуха и воды внутри барботажного колонного реактора с неравновесным тепловым режимом между воздухом и водой моделировался методом CFD. Горячий воздух с температурой 127 ° C закачивался в толщу воды с температурой 23 ° C.Двухфазная модель CFD Эйлера была реализована для турбулентного течения внутри пузырьковой колонны. Алгоритм искусственного интеллекта и, в частности, система нечеткого вывода (PSOFIS), основанная на алгоритме оптимизации роя частиц (PSO), была использована для помощи в таком сложном CFD-моделировании. Сокращение количества симуляций CFD позволяет сэкономить много вычислительных затрат, усилий и времени. Как только достигается лучший интеллект, больше нет необходимости в моделировании.

PSOFIS использовался для прогнозирования скорости воды в положениях узлов x, y и z в колонне.Число регрессии считалось показателем наилучшего интеллекта. Для получения наилучшего интеллекта были исследованы правильные значения входных чисел, размеров роя и весов инерции. Для большей проверки была использована интеграция адаптивной сети с системой нечеткого вывода (ANFIS) для изучения данных CFD. Результаты PSOFIS сравнивались с ANFIS для тех же параметров нечеткого множества.

При лучшем интеллекте PSOFIS скорость воды была найдена для дополнительных узлов без уточнения сетки в области CFD.Фактически, уточнение сетки может быть выполнено в PSOFIS с гораздо меньшими вычислительными затратами.

Результаты этого исследования резюмируются следующим образом:

  • Наилучший интеллект обнаружен для входного числа 3, размера роя 100 и веса инерции 1, где число регрессии составляет около 0,98.

  • Прогнозы PSOFIS соответствуют результатам CFD с большей совместимостью по сравнению с ANFIS. Номер регрессии (R) PSOFIS (0.98) было больше, чем у ANFIS (0,97).

  • Сравнение прогнозов скорости воды с помощью CFD и PSOFIS не показывает противоречия между результатами обоих методов.

  • Прогноз скорости воды показывает логический тренд за счет увеличения высоты колонны. Как и ожидалось, скорость воды выше на более низких высотах столба (т. Е. Z = 0,1 и 0,2 м), а скорость демпфируется для достижения нуля на более высоких высотах (т. Е. Z = 0,9 м).

  • Увеличивая плотность ячеек пузырьковой колонны с 9477 до 774 468 с помощью метода PSOFIS, новый прогноз метода PSOFIS охватывает все результаты CFD с дополнительными прогнозами скорости воды в большем количестве узлов в домене.

Благодарности

Саид Ширазян выражает признательность за поддержку со стороны Правительства Российской Федерации (Закон 211, контракт 02.A03.21.0011) и Министерства науки и высшего образования Российской Федерации (Грант ДВГУ-2020-0019 ).

Вклад авторов

МБ: Концептуализация, Моделирование, Написание-черновик. И.Б .: Моделирование, анализ, валидация. А.Т.Н .: Методология, Программное обеспечение. А.М .: Надзор. М.Р .: Написание-рецензия, Редакция.A.H.b: Анализ, проверка. С.С .: Надзор, Финансирование, Моделирование.

Конкурирующие интересы

Авторы заявляют об отсутствии конкурирующих интересов.

Сноски

Примечание издателя

Springer Nature сохраняет нейтралитет в отношении юрисдикционных претензий на опубликованных картах и ​​принадлежностей организаций.

Ссылки

1. Rollbusch P, et al. Барботажные колонны работали в промышленных условиях — текущее понимание проектных параметров.Chem. Англ. Sci. 2015; 126: 660–678. DOI: 10.1016 / j.ces.2014.11.061. [CrossRef] [Google Scholar] 2. Дудукович М.П., ​​Ларачи Ф., Миллс ПЛ. Многофазные каталитические реакторы: взгляд на текущие знания и будущие тенденции. Катал. Ред. 2002; 44: 123–246. DOI: 10,1081 / CR-120001460. [CrossRef] [Google Scholar] 3. Ге В., Ли Дж. Макромасштабные явления, воспроизводимые в микроскопических системах — псевдочастичное моделирование псевдоожижения. Chem. Англ. Sci. 2003. 58: 1565–1585. DOI: 10.1016 / S0009-2509 (02) 00673-5. [CrossRef] [Google Scholar] 4.Wu Y, Gidaspow D. Гидродинамическое моделирование синтеза метанола в газожидкостных барботажных колонных реакторах. Chem. Англ. Sci. 2000. 55: 573–587. DOI: 10.1016 / S0009-2509 (99) 00313-9. [CrossRef] [Google Scholar] 5. Смит Дж. С., Валсарадж К. Т.. Реакторы барботажные колонны для очистки сточных вод. 3. Экспериментальная очистка растворителем пирена и пентахлорфенола из искусственных сточных вод. Ind. Eng. Chem. Res. 1997; 36: 903–914. DOI: 10.1021 / ie9605241. [CrossRef] [Google Scholar] 6. Анастасиу А., Пассос А., Муза А. Пузырьковые колонны с мелкопористым барботером и неньютоновской жидкой фазой: прогнозирование удержания газа.Chem. Англ. Sci. 2013; 98: 331–338. DOI: 10.1016 / j.ces.2013.05.006. [CrossRef] [Google Scholar] 7. Ван Т., Ван Дж. Численное моделирование массопереноса газ-жидкость в пузырьковых колоннах с помощью связанной модели CFD-PBM. Chem. Англ. Sci. 2007. 62: 7107–7118. DOI: 10.1016 / j.ces.2007.08.033. [CrossRef] [Google Scholar]

8. Монахан, С. М. Анализ динамики жидкости и воды в воздушно-водяных пузырьковых колоннах (2007).

9. Монахан С.М., Фокс РО. Линейный анализ устойчивости двухжидкостной модели пузырьковых колонн воздух-вода.Chem. Англ. Sci. 2007. 62: 3159–3177. DOI: 10.1016 / j.ces.2007.03.021. [CrossRef] [Google Scholar] 10. Кришна Р., Си С. Проектирование и расширение суспензионного реактора с барботажной колонной Фишера-Тропша. Топливный процесс. Technol. 2000. 64: 73–105. DOI: 10.1016 / S0378-3820 (99) 00128-9. [CrossRef] [Google Scholar] 11. Аль-Баали АА-Г, Фарид ММ. Стерилизация продуктов в ретортных пакетах. Берлин: Спрингер; 2006. С. 33–44. [Google Scholar] 12. Ян П. и др. Численное моделирование характеристик пузырьков в пузырьковых колоннах с различной вязкостью жидкости и поверхностным натяжением с использованием связанной модели CFD-PBM.Chem. Англ. Res. Des. 2020; 154: 47–59. DOI: 10.1016 / j.cherd.2019.11.030. [CrossRef] [Google Scholar] 13. Bhusare V, Dhiman M, Kalaga DV, Roy S, Joshi JB. CFD-моделирование пузырьковой колонны с внутренними элементами и без них с использованием OpenFOAM. Chem. Англ. J. 2017; 317: 157–174. DOI: 10.1016 / j.cej.2017.01.128. [CrossRef] [Google Scholar] 14. Pourtousi M, Sahu J, Ganesan P. Влияние межфазных сил и моделей турбулентности на прогнозирование структуры потока внутри пузырьковой колонны. Chem. Англ. Процесс. 2014; 75: 38–47. DOI: 10.1016 / j.cep.2013.11.001. [CrossRef] [Google Scholar] 15. Wehinger GD, Peeters J, Muzaferija S, Eppinger T, Kraume M. Численное моделирование вертикальной волновой динамики жидкой пленки. Chem. Англ. Sci. 2013; 104: 934–944. DOI: 10.1016 / j.ces.2013.10.027. [CrossRef] [Google Scholar] 16. Лю Ю., Хинрихсен О. Исследование замыканий турбулентности CFD – PBM на основе моделей k – ε и напряжения Рейнольдса для гетерогенных потоков в пузырьковой колонне. Comput. Жидкости. 2014; 105: 91–100. DOI: 10.1016 / j.compfluid.2014.09.023. [CrossRef] [Google Scholar] 17.Бабанежад М., Нахджири А.Т., Резаказеми М., Ширазян С. Разработка интеллектуального алгоритма в виде обзора машинного обучения над большими данными, созданными методом Эйлера-Эйлера, для моделирования гидродинамики пузырькового колонного реактора. САУ Омега. 2020; 5: 20558. DOI: 10.1021 / acsomega.0c02784. [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar] 18. Бабанежад М., Пишнамази М., Марджани А., Ширазян С. Предсказание пузырькового потока с помощью рандомизированного искусственного обучения нейронных ячеек и нечетких систем на основе k – ε турбулентности и набора данных модели Эйлера.Sci. Отчет 2020; 10: 1–12. DOI: 10.1038 / s41598-019-56847-4. [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar] 19. Бабанежад М., Нахджири А.Т., Ширазян С. Изменения в количестве функций принадлежности для прогнозирования объемной доли газа в двухфазном потоке с использованием кластеризации с разбиением по сетке метода ANFIS. САУ Омега. 2020; 5: 16284–16291. DOI: 10.1021 / acsomega.0c02117. [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar] 20. Зейнали М., Мазлан С.А., Чой С.Б., Имадуддин Ф., Хамдан Л.Х. Влияние поршня и магнитных катушек на полевые характеристики демпфирования смешанного магнитореологического демпфера.Smart Mater. Struct. 2016; 25: 055010. DOI: 10.1088 / 0964-1726 / 25/5/055010. [CrossRef] [Google Scholar] 21. Pourtousi M, Zeinali M, Ganesan P, Sahu JN. Прогнозирование структуры многофазного потока внутри реактора с трехмерной барботажной колонной с использованием комбинации CFD и ANFIS. RSC Adv. 2015; 5: 85652–85672. DOI: 10.1039 / c5ra11583c. [CrossRef] [Google Scholar] 22. Pourtousi M, Sahu JN, Ganesan P, Shamshirband S, Redzwan G. Комбинация вычислительной гидродинамики (CFD) и адаптивной нейронечеткой системы (ANFIS) для прогнозирования гидродинамики пузырькового столба.Пудра Технол. 2015; 274: 466–481. DOI: 10.1016 / j.powtec.2015.01.038. [CrossRef] [Google Scholar] 23. Нгуен К., Бабанежад М., Тагвайе Нахджири А., Резаказеми М., Ширазян С. Прогнозирование теплового распределения и потока жидкости в области с мульти-твердыми структурами с использованием кубической интерполированной модели псевдочастиц. PLoS ONE. 2020; 15: e0233850. DOI: 10.1371 / journal.pone.0233850. [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar] 24. Бабанежад М., Тагвайе Нахджири А., Резаказеми М., Ширазян С. Разработка интеллектуального алгоритма в виде обзора машинного обучения над большими данными, созданными методом Эйлера-Эйлера, для моделирования гидродинамики пузырькового колонного реактора.САУ Омега. 2020; 5: 20558. DOI: 10.1021 / acsomega.0c02784. [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar] 25. Варол Ю., Коджа А., Озтоп Х. Ф., Авчи Э. Анализ системы нечеткого вывода на основе адаптивных сетей (ANFIS) для оценки поля потока, вызванного плавучестью, в частично обогреваемых треугольных корпусах. Эксперт Syst. Прил. 2008; 35: 1989–1997. DOI: 10.1016 / j.eswa.2007.08.073. [CrossRef] [Google Scholar] 26. Варол Й, Авджи Э, Коджа А, Озтоп ВЧ. Прогнозирование полей потока и распределения температуры из-за естественной конвекции в треугольном корпусе с использованием адаптивной сетевой системы нечеткого вывода (ANFIS) и искусственной нейронной сети (ANN) Int.Commun. Тепломассообмен. 2007. 34: 887–896. DOI: 10.1016 / j.icheatmasstransfer.2007.03.004. [CrossRef] [Google Scholar] 27. Нгуен К., Бехроян И., Резаказеми М., Ширазян С. Прогнозирование скорости жидкости внутри пузырькового колонного реактора с использованием алгоритма ANFIS на основе входных данных CFD. Араб. J. Sci. Англ. 2020; 45: 7487. DOI: 10.1007 / s13369-020-04611-6. [CrossRef] [Google Scholar] 28. Нгуен К., Тагвайе Нахджири А., Резаказеми М., Ширазян С. Тепловая и потоковая визуализация квадратного источника тепла в наножидкостном материале с кубической интерполированной псевдочастицей.САУ Омега. 2020; 5: 17658. DOI: 10.1021 / acsomega.0c02173. [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]

29. Shi, Y. & Eberhart, R.C. In Proc. 2001 Конгресс по эволюционным вычислениям (IEEE Cat. No. 01TH8546) 101–106 (IEEE).

30. Ху В., Чен З, Бак-Йенсен Б., Ху Й. Нечеткая адаптивная оптимизация роя частиц для минимизации потерь мощности в распределительных системах с использованием оптимального отклика на нагрузку. IET Gener. Трансм. Дистриб. 2014; 8: 1–10. DOI: 10.1049 / iet-gtd.2012.0745. [CrossRef] [Google Scholar] 31.Нешат М. FAIPSO: Нечеткая адаптивная оптимизация роя информированных частиц. Neural Comput. Прил. 2013; 23: 95–116. DOI: 10.1007 / s00521-012-1256-z. [CrossRef] [Google Scholar] 32. Никнам Т., Мохаррад HD, Найерипур М. Новая нечеткая адаптивная оптимизация роя частиц для негладкой экономической диспетчеризации. Энергия. 2010; 35: 1764–1778. DOI: 10.1016 / j.energy.2009.12.029. [CrossRef] [Google Scholar] 33. Laborde-Boutet C, et al. CFD-моделирование явления гидродинамического / теплового взаимодействия в пузырьковой колонне с внутренними устройствами.Айче Дж. 2010; 56: 2397–2411. [Google Scholar] 34. Баша ОМ, Венг Л., Мэн З., Морси Б.И. Моделирование CFD с экспериментальной проверкой внутренней гидродинамики в пилотном реакторе с пузырьковой колонной. Int. J. Chem. Reactor Eng. 2016; 14: 599–619. DOI: 10.1515 / ijcre-2015-0165. [CrossRef] [Google Scholar] 35. Закон D, Battaglia F, Heindel TJ. Проверка модели для потоков пузырькового столба с низкой и высокой приведенной скоростью газа. Chem. Англ. Sci. 2008. 63: 4605–4616. DOI: 10.1016 / j.ces.2008.07.001. [CrossRef] [Google Scholar] 36.Ляо Ю., Креппер Э., Лукас Д. Базовая концепция закрытия для моделирования пузырькового потока с фазовым переходом: механистическая модель для коэффициента межфазной теплопередачи. Nucl. Англ. Des. 2019; 348: 1–13. DOI: 10.1016 / j.nucengdes.2019.04.007. [CrossRef] [Google Scholar] 37. Боле М., Джоши Дж., Рамкришна Д. CFD-моделирование пузырьковых колонн с использованием моделирования баланса населения. Chem. Англ. Sci. 2008; 63: 2267–2282. DOI: 10.1016 / j.ces.2008.01.013. [CrossRef] [Google Scholar] 38. Díaz ME и др. Численное моделирование газожидкостного потока в пузырьковой колонне лабораторного масштаба: влияние распределения пузырьков по размерам и сил отсутствия сопротивления.Chem. Англ. J. 2008; 139: 363–379. DOI: 10.1016 / j.cej.2007.08.015. [CrossRef] [Google Scholar] 39. Экамбара К., Дхотре М. Моделирование пузырьковой колонны с помощью CFD. Nucl. Англ. Des. 2010; 240: 963–969. DOI: 10.1016 / j.nucengdes.2010.01.016. [CrossRef] [Google Scholar] 40. Nakhjiri AT, Roudsari MH. Моделирование и моделирование процесса естественной конвекции теплопередачи в пористых и непористых средах. Прил. Res. J. 2016; 2: 199–204. [Google Scholar] 41. Fan W, Yuan L, Li Y. CFD Моделирование структуры потока в реакторе с барботажной колонной для формирования аэробных гранул и его развития.Environ. Technol. 2019; 40: 3652–3667. DOI: 10.1080 / 09593330.2018.1484522. [PubMed] [CrossRef] [Google Scholar] 42. Бехроян И., Ганесан П., Хе С., Сивасанкаран С. Сравнительное исследование CFD-моделей при кипении недогретого потока наножидкостей в вертикальной трубе. Нумер. Теплопередача A Appl. 2018; 73: 55–74. DOI: 10.1080 / 10407782.2017.1420299. [CrossRef] [Google Scholar] 43. Yu YH, Kim SD. Характеристики пузырьков в радиальном направлении трехфазных псевдоожиженных слоев. Варенье. Inst. Chem. Англ. DOI 1988: 10.1002 / aic.6

217.[CrossRef] [Google Scholar] 44. Неджах Н., де Маседо Мурель Л. Интеллектуальные системы роя. Берлин: Спрингер; 2006. [Google Scholar] 45. Shi Y, Eberhart RC. Ежегодная конференция по эволюционному программированию. Берлин, Гейдельберг: Спрингер; 1994. С. 591–600. [Google Scholar]

46. Ши, Ю. и Эберхарт, Р. В , 1998 г., Международная конференция IEEE по процедурам эволюционных вычислений. Всемирный конгресс IEEE по вычислительному интеллекту (каталожный номер 98TH8360) 69–73.

47. Nguyen NT, Kim C-G, Janiak A.Интеллектуальные информационные системы и системы баз данных. Берлин: Спрингер; 2011. [Google Scholar] 48. Такаги Т., Сугено М. Нечеткая идентификация систем и ее приложения к моделированию и управлению. IEEE Trans. Syst. Человек Киберн. 1985; 1: 116–132. DOI: 10.1109 / TSMC.1985.6313399. [CrossRef] [Google Scholar] 49. Бабанежад М. Высокопроизводительное гибридное моделирование химических реакторов с использованием системы нечеткого вывода на основе дифференциальной эволюции. Sci. Отчет 2020; 10 (1): 21304. DOI: 10,1038 / s41598-020-78277-3. [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]

перерабатывающих компаний: смотрите, прежде чем прыгать | 1997-03-01 | AHC Media: Издательство по непрерывному медицинскому образованию | Relias Media

Услуга для конкретного продукта

Около 35 лет назад производители шовных материалов предоставляли своим клиентам повторную стерилизацию и переупаковку неиспользованных шовных материалов, упакованных в фольгу.Но десять лет назад одна такая компания обнаружила, что бесплатно обрабатывает 15% проданного шовного материала на сумму 75 миллионов долларов. Компания прекратила этот убыточный процесс, и тогда были основаны компании по оказанию бесплодных услуг по переработке.

Некоторые компании взимают с больниц половину первоначальной стоимости товара за свои услуги. Артур Гудрич , вице-президент расположенной в Хьюстоне компании по предоставлению услуг стерильной обработки SRS, говорит: «SRS использует систему ценообразования на основе затрат плюс.Но сама по себе цена не должна определять выбор компании больницей ».

Hospital Peer Review спросил у Гудрича и Бонни Барнард из Infection Prevention & Management Associates в Хьюстоне, как директору по обеспечению качества следует выбирать компанию. «Убедитесь, что ваш отдел проводит тщательное расследование в отношении компании, которую вы выбираете для переработки», — говорит Барнард. «Посмотрите на опыт компании в инспекциях FDA. Попросите сотрудников центрального отдела обработки стерильных продуктов вашей больницы посетить предприятие компании, чтобы убедиться, что используемые ими процессы действительны.»

Они должны проводить интенсивные визуальные проверки функциональности и целостности. Они также должны проверить биологические и химические индикаторы. Должен быть достигнут определенный уровень стерилизации. Все процедуры повторной стерилизации, выполняемые перерабатывающей компанией, должны соответствовать тем же стандартам, что и процедуры, выполняемые в больнице.

«Некоторые перерабатывающие компании даже не зарегистрированы в FDA», — предупреждает Гудрич. «После обращения в FDA спросите у других больниц рекомендации.»

По словам Гудрича, компании нужно задать восемь вопросов:

• Когда компания начала обслуживать медицинское сообщество?

• Какие конкретные услуги предлагаются?

• Зарегистрирована ли компания в Управлении по санитарному надзору за качеством пищевых продуктов и медикаментов США?

• Стерилизация проводится на предприятии или по контракту?

• Какие типы систем стерилизации используются?

• Связана ли компания с какими-либо отраслевыми надзорными организациями?

• С какими ассоциациями поставщиков поддерживает компания?

• Какой вид и в каком размере осуществляется страхование ответственности производителя?

Институт ECRI выступает против предложенного запрета операций по стерилизации оксидом этилена (EtO)

ПЛИМУТСКОЕ ЗАСЕДАНИЕ, Па., 7 ноября 2019 г. / PRNewswire / — Институт ECRI, ведущая в стране независимая некоммерческая организация по безопасности пациентов, выступает против полного запрета коммерческой стерилизации оксидом этилена (EtO), поскольку это может привести к повсеместной нехватке стерильных медицинских устройств. Более пятидесяти процентов всех стерильных медицинских устройств, закупаемых в Соединенных Штатах, стерилизованы EtO.

«Даже частичный запрет на оксид этилена может помешать оказанию медицинской помощи в Соединенных Штатах, поскольку важнейшие медико-хирургические материалы внезапно станут недоступны», — сказал Маркус Шабакер, доктор медицинских наук, президент и генеральный директор Института ECRI.

Больницы по всей стране начали сообщать о нехватке медицинского оборудования после того, как крупный стерилизационный завод в Иллинойсе был закрыт из-за давления на окружающую среду в штате. Законодатели Иллинойса в настоящее время рассматривают полный запрет стерилизации EtO. Эти действия последовали за отчетом Агентства по охране окружающей среды (EPA) от 2016 года о возможных рисках для здоровья от выбросов EtO.

«Хотя проблемы, связанные со здоровьем окружающей среды, безусловно, необходимо решать, законодатели и общественность должны знать, что запрет на оксид этилена может серьезно повлиять на безопасное оказание медицинской помощи», — сказал Шабакер.«Без доступа к медикаментам многие операции и процедуры были бы невозможны».

Более 50 лет промышленность медицинских устройств полагалась на оксид этилена для стерилизации чувствительных к температуре и влажности одноразовых медицинских устройств, таких как шприцы, пакеты для внутривенных вливаний и перевязочные материалы для ран, а также спасательные устройства, такие как стенты и катетеры. Эти материалы и упаковка для медицинских изделий были разработаны для стерилизации EtO. В настоящее время институт ECRI не знает безопасных альтернативных коммерческих методов стерилизации, которые могли бы немедленно заменить EtO.

Эта тема обсуждается на заседании общественного консультативного комитета Управления по санитарному надзору за качеством пищевых продуктов и медикаментов (FDA) Группы по больницам общего профиля и устройствам личного пользования Консультативного комитета по медицинским устройствам, 6-7 ноября 2019 г.

Чтобы узнать больше, свяжитесь с Институтом ECRI по телефону [адрес электронной почты], (610) 825-6000 или посетите www.ecri.org.

Социальный обмен
[адрес электронной почты защищен] _ Институт выступает против предложенного запрета # этиленоксид (#EtO) # операций по стерилизации, ссылается на нехватку устройств и риски для #patient care

Об институте ECRI

ECRI Institute — независимая некоммерческая организация, повышающая безопасность, качество и экономическую эффективность медицинской помощи во всех медицинских учреждениях.Сочетание научно-обоснованных исследований, тестирования медицинских устройств и знаний о безопасности пациентов делает ECRI уникально уважаемым руководителями и агентствами здравоохранения во всем мире. Более 50 лет Институт ECRI неизменно придерживается принципов прозрачности и строгой политики в отношении конфликта интересов. Организация заработала репутацию надежного голоса беспристрастной, основанной на исследованиях уверенности для десятков тысяч членов по всему миру, использующих ее решения для минимизации рисков и улучшения ухода за пациентами.

Институт

ECRI располагает единственными лабораториями по тестированию медицинских устройств в Северной Америке и Азиатско-Тихоокеанском регионе, где биомедицинские инженеры проводят независимые практические испытания устройств на предмет безопасности и удобства использования человеческого фактора. Институт ECRI обозначен как Центр доказательной практики Агентством США по исследованиям и качеству в области здравоохранения. PSO Института ECRI внесен в список сертифицированных на федеральном уровне организаций по безопасности пациентов Министерством здравоохранения и социальных служб США.

Посетите www.ecri.org и подпишитесь на @ECRI_Institute, чтобы узнать больше.

ИСТОЧНИК ECRI Institute

Ссылки по теме

https://www.ecri.org

Институт ECRI выявил 10 основных проблем безопасности пациентов за 2018 год

Ежегодно Институт ECRI — некоммерческая организация, которая исследует подходы к улучшению ухода за пациентами, — определяет ТОП-10 проблем безопасности пациентов. В этом списке указаны ключевые области для «поддержки организаций здравоохранения в их усилиях по проактивному выявлению угроз безопасности пациентов и реагированию на них.Список за 2018 год выглядит следующим образом (позиции, выделенные жирным шрифтом , — новые в годовом списке):

  1. Ошибки диагностики
  2. Безопасность опиоидов на всем протяжении лечения
  3. Координация внутренней помощи
  4. Обходные пути
  5. Включение информационных технологий здравоохранения в программы безопасности пациентов
  6. Управление поведенческим здоровьем в отделениях неотложной помощи
  7. Готовность к чрезвычайным ситуациям при любых опасностях
  8. Очистка / дезинфекция / стерилизация устройств
  9. Вовлеченность пациентов и санитарная грамотность
  10. Лидерство в обеспечении безопасности пациентов

Согласно отчету ECRI, при выборе списка этого года Институт ECRI опирался как на данные о событиях и проблемах, так и на экспертное заключение.С 2009 года, когда была создана Организация по безопасности пациентов (PSO) Института ECRI, ECRI и ее партнерские PSO получили более 2 миллионов отчетов о событиях. Список не обязательно отражает проблемы, которые возникают наиболее часто или являются наиболее серьезными, поскольку процесс синтезировал данные из этих различных источников:

  • Обзор событий в базе данных PSO Института ECRI
  • Анализы основных причин и запросы на исследования, проведенные членами PSO
  • Темы, отраженные в еженедельных уведомлениях Healthcare Risk Control Alerts (HRC)
  • Голосование группы экспертов изнутри и за пределами Института ECRI

В этом списке указаны проблемы, которые могут быть высокоприоритетными по таким причинам, как новые риски, существующие проблемы, которые меняются из-за новых технологий или моделей оказания помощи, а также постоянные проблемы, которые требуют особого внимания или создают новые возможности для вмешательства.

Медицинские офисы должны постоянно оценивать эти целевые области для улучшения, а также разрабатывать стратегии для решения проблем. Например, диагностические ошибки часто связаны с системными ошибками, такими как несоответствующее и неэффективное использование электронных медицинских карт (выбор неправильного шаблона, обходные пути) и невозможность отслеживания лаборатории, диагностической визуализации и направлений. Безопасность лекарств продолжает оставаться главной проблемой даже в офисах с передовыми технологиями. Медицинские офисы имеют возможность внести существенный вклад в улучшение коммуникации за счет включения некоторых простых стратегий, включая обсуждения, обновление блок-схем и контрольных списков, использование метода обратного обучения для обеспечения понимания пациентом инструкций и эффективное использование порталов для пациентов для улучшения коммуникации.

SVMIC рекомендует вам загрузить брифинг для руководства ECRI Institute для получения более подробной информации и стратегий по снижению этих рисков. Посетите svmic.com для получения дополнительных ресурсов по управлению рисками.

По материалам: 10 основных проблем безопасности пациентов для организаций здравоохранения, 2018 г. © ECRI Institute | www.ecri.org.

Консультации по качеству: Cardinal Health напоминает некоторые хирургические халаты

При выпуске:
Cardinal Health Jan.21 уведомил клиентов о срочном отзыве медицинских устройств, связанных с отдельными производственными партиями одноразовых и нестерильных неармированных хирургических халатов Cardinal, неармированных хирургических халатов Cardinal и неармированных хирургических халатов RoyalSilk. Некоторые из пострадавших халатов были изготовлены в местах, где не поддерживались надлежащие условия окружающей среды, как того требует закон, и в результате Cardinal не может предоставить гарантии, что указанные коды изделий и номера партий были должным образом стерилизованы.

Распределение пострадавших халатов происходило в период с 1 сентября 2018 г. по 10 января 2020 г. Затронутые больницы должны выявить и разделить пораженные участки. Наборы Cardinal Health Presource Kits не являются частью этого отзыва, но они будут предметом отдельных полевых действий позднее, сообщила компания. Комплекты, содержащие пострадавшие халаты, следует хранить отдельно от других принадлежностей и не использовать.

Наше мнение:
Обеспечение высококачественного ухода за пациентами является высшим приоритетом для больниц и систем здравоохранения Америки.Чтобы обеспечить такую ​​помощь, больницы полагаются на производителей и дистрибьюторов устройств, которые ежедневно предоставляют должным образом стерилизованное оборудование, в том числе хирургические халаты, для жизненно важных процедур. В данном случае неспособность Cardinal Health выполнить и обеспечить требуемые законом условия окружающей среды на своем контрактном производственном предприятии заставила больницы по всей стране изо всех сил пытаться приобрести необходимые хирургические халаты для ухода за пациентами. Мы по-прежнему обеспокоены отсутствием прозрачности в отношении потенциального заражения и продолжаем оказывать давление на Cardinal Health и Управление по санитарному надзору за качеством пищевых продуктов и медикаментов (FDA) по этому вопросу, поскольку это критически важно для любых необходимых усилий по анализу, которые должны предпринимать больницы.Кроме того, нас беспокоит то, что это потенциальное заражение могло продолжаться почти 18 месяцев без обнаружения. Мы призываем Cardinal Health и FDA пересмотреть свой надзор за контрактными производителями, уделяя особое внимание тому, почему они не смогли быстрее выявить эту потенциальную опасность. AHA продолжает поддерживать связь с Cardinal Health и государственными учреждениями для решения проблемы и смягчения последствий сбоев в цепочке поставок. Мы продолжим предоставлять дополнительную информацию по мере ее поступления.

Основные выводы

  • Объявлен отзыв некоторых хирургических халатов Cardinal Health Association of the Advancement of Medical Instrumentation (AAMI) Level 3 и RoyalSilk.
  • Пострадавшие платья были розданы в период с 1 сентября 2018 г. по 10 января 2020 г.
  • Пострадавшие халаты следует идентифицировать по коду изделия и номеру партии, а затем разделять.
  • Конкретная информация о типе опасности для окружающей среды и потенциальном загрязнении пока не разглашается.
  • Комплекты

  • Cardinal Health Presource Kits не являются частью этого отзыва, но те, которые содержат пострадавшие халаты, должны быть отделены. и не используется.

См. Полную информацию в ключевом ресурсе ниже.

Неинвазивное определение уровня глюкозы в крови in vivo с использованием ближнего инфракрасного спектра на основе модели PSO-2ANN

Abstract

ИСТОРИЯ:

Для повышения уровня ухода за диабетиками необходимо разработать неинвазивный метод определения глюкозы в крови.

ЦЕЛЬ:

Чтобы уменьшить количество сигналов в ближнем инфракрасном диапазоне, рассмотрите нелинейную взаимосвязь между концентрацией глюкозы в крови и сигналом в ближнем инфракрасном диапазоне и скорректируйте индивидуальные различия и физиологическую динамику глюкозы, 2 искусственные нейронные сети (2ANN ) в сочетании с оптимизацией роя частиц (PSO), названной PSO-2ANN.

МЕТОД:

Две искусственные нейронные сети (ИНС) используются в качестве базовой структуры модели PSO-ANN, а весовые коэффициенты двух ИНС, которые представляют собой разницу между индивидуальным и ежедневным физиологическим правилом, оптимизируются с помощью оптимизации роя частиц. (PSO).

РЕЗУЛЬТАТЫ:

Сетка ошибок Кларка показывает, что прогнозы уровня глюкозы в крови распределены в регионах A и B, анализ Бланда-Альтмана показывает, что прогнозы и измерения хорошо согласуются.

ВЫВОДЫ:

Модель PSO-2ANN представляет собой стратегию нелинейной калибровки с точностью и надежностью с использованием спектроскопии 1550 нм, которая может корректировать индивидуальные различия и физиологическую динамику глюкозы.

1.Введение

Согласно исследованию Международной федерации диабета, к концу 2015 года количество случаев диабета во всем мире достигло 4.15 сотен миллионов, а уровень распространенности составил 9,09%. Нарушение метаболизма глюкозы — главное клиническое проявление диабета [1]. Эпидемиологические данные выявили сильную связь между концентрацией глюкозы в крови, сердечно-сосудистыми заболеваниями, артериосклерозом и смертностью [2, 3]. Кроме того, тяжелое нарушение метаболизма глюкозы может привести к острым осложнениям, таким как кетоацидоз и диабетическое гипергликемическое гиперосмолярное состояние (ГГС).

Подход к полному излечению диабета не найден.Метод поддержания нормального уровня глюкозы в крови в клинике — частое обнаружение в сочетании с медикаментозной терапией. Палец-укол — самый популярный метод определения глюкозы в крови [4], который улучшает уровень контроля, но имеет некоторые недостатки, такие как инфекция, инвазивность, высокая стоимость и т. Д. Необходимо разработать неинвазивный метод определения глюкозы в крови. Технология обнаружения спектроскопии в ближнем инфракрасном диапазоне (NIR) является одним из многообещающих неинвазивных методов определения уровня глюкозы в крови из-за низкой стоимости, высокой точности и неинвазивности.

Исследователи во всем мире уделяют большое внимание неинвазивной технологии определения уровня глюкозы в крови NIR. Например, Унникришна Менон и др. измерил отраженный свет в ближней инфракрасной области через кончик пальца до и после перекрытия кровотока и предсказал наличие глюкозы в крови [5]. Ядав и др. Разработан, разработал прототип для неинвазивного определения глюкозы в крови в ближнем инфракрасном диапазоне и заявил, что технология обнаружения в ближнем инфракрасном диапазоне является многообещающей для неинвазивного определения глюкозы в крови [6].

Точность неинвазивной модели глюкозы в крови является ключом к клиническому применению. Чуа и др. собрали 290 наборов NIR-сигналов в диапазоне от 1500 до 1800 нм и применили двухэтапную регрессионную модель частичных наименьших квадратов (PLS) для прогнозирования уровня глюкозы в крови, которая показывает, что точность модели повышается [7]. Ямакоши и др. собрали 100 наборов данных спектра NIR между 900 нм и 1700 нм с помощью спектрографа и посчитали, что машина опорных векторов является наиболее точной на основе анализа контраста анализа основных компонентов (PCA), PLS и SVM [8].Создана модель, сочетающая параллельный факторный анализ и множественную линейную регрессию, которая является более точной и устойчивой, чем множественная линейная регрессия [9]. Каждый из методов имеет свои преимущества, но имеет некоторые недостатки: (1) большее количество независимых переменных может собирать больше информации, в то время как большее количество независимых переменных может вызывать избыточность информации; (2) Спектрометры с высокой точностью и высокой скоростью противодействуют продвижению неинвазивного определения уровня глюкозы в крови в домашних условиях; (3) Фундаментальной концепцией технологии неинвазивного определения глюкозы в крови NIR является закон Бера-Ламберта, который применим к тканям человека в идеальных условиях.Однако неинвазивное определение уровня глюкозы в крови в ближнем ИК-диапазоне не полностью согласуется с законом Бера-Ламберта, и связь между сигналом ближнего ИК-диапазона и измерением уровня глюкозы в крови является как линейной, так и нелинейной; (4) Эти методы не учитывают разницу между индивидуальным и повседневным физиологическим режимом.

Ficorella et al. указал, что наилучшие характеристики с точки зрения чувствительности и разрешения достигаются при длине волны 1550 нм [10]. Чтобы уменьшить количество независимых переменных, наша исследовательская группа спроектировала и разработала оптическую подсистему неинвазивного определения уровня глюкозы в крови с использованием 1550-нм NIR-спектра [11].Модель PSO-ANN создана с учетом нелинейной зависимости между концентрацией глюкозы в крови и поглощением 1550 нм и корректировкой индивидуальных различий и физиологической динамики глюкозы. Две искусственные нейронные сети (ИНС) используются в качестве базовой структуры модели PSO-ANN, а весовые коэффициенты двух ИНС, которые представляют собой разницу между индивидуальным и ежедневным физиологическим правилом, оптимизируются с помощью оптимизации роя частиц (PSO).

Рисунок 1.

Структурная схема системы.

2. Материалы и методы

2.1 Сбор экспериментальных данных

БИК-сигнал на длине волны 1550 нм измеряется оптической подсистемой неинвазивного определения глюкозы в крови, разработанной нашей исследовательской группой, структура которой показана на рис. 1. 1550 нм БИК-сигнал несет информацию о концентрации глюкозы в крови человека [11]. Измерение концентрации глюкозы в крови является минимально инвазивным, поэтому добровольцы информируются о конкретном процессе и риске до эксперимента, а сбор данных проводился с согласия добровольцев, что соответствует этическим стандартам. One Touch Ultra Easy (в сочетании с тест-полосками One Touch Sure Step Test Strips) используется для измерения концентрации глюкозы в крови. Процедура эксперимента заключалась в следующем: (1) Включите питание оптической подсистемы и установите ее в положение готовности; (2) Вымойте руку добровольца с мылом и вытяните ее, чтобы она высохла; (3) Поместите левый указательный палец в испытательную комнату, осторожно касаясь поверхности коллиматора. Управляйте сбором данных с помощью программного обеспечения экспериментальной системы и получите сигнал NIR 1550 нм; (4) Повторите шаг 3 трижды, чтобы записать БИК-сигналы с длиной волны 1550 нм и получить среднее значение трех измерений; (5) Стерилизуйте палец 75% спиртом и измерьте концентрацию глюкозы в крови с помощью прибора One Touch Ultra Easy и тест-полоски после того, как спирт полностью испарится; (6) Запишите значения измерения уровня глюкозы в крови.

Наконец, было собрано 14 наборов данных. В котором 1-й набор данных (data_1) содержит 6 данных, 2-й набор данных (data_2) содержит 6 данных, 3-й набор данных (data_3) содержит 5 данных, 4-й набор данных (data_4) содержит 6 данных, 5-й набор данных (data_5) содержит 6 данных, 6-й набор данных (data_6) содержит 6 данных, 7-й набор данных (data_7) содержит 6 данных, 8-й набор данных (data_8) содержит 3 данных, 9-й набор данных (data_9) содержит 9 данных, 10-й набор данных (data_10) содержит 9 данных, 11-й набор данных (data_11) содержит 8 данных, 12-й набор данных (data_12) содержит 9 данных, 13-й набор данных (data_13) содержит 6 данных, а 14-й набор данных (data_14) содержит 8 данных.- значение прогноза.

2.2.2 Относительная частота ошибок

Относительная частота ошибок (RER) — это отношение абсолютной ошибки между значениями прогноза и значениями измерений к значениям измерений; формула выглядит следующим образом:

2.2.3 Коэффициент корреляции

Коэффициент корреляции — это отношение ковариации между значениями прогноза и измеренными значениями к произведению стандартных отклонений; формула имеет следующий вид:

(3)

r = ∑i = 1N (yi-y¯) ⁢ (yi ^ -y ^ ¯) ∑i = 1N (yi-y¯) 2⋅∑i = 1N (yi ^ -y ^ ¯) 2

y¯ — это среднее значение измерений, а y ^ ¯ — среднее значение прогнозируемых значений.Коэффициент корреляции является важным индикатором корреляции между двумя дисперсиями, но метод часто может быть введен в заблуждение из-за ложных корреляций, особенно при наличии нелинейностей. Таким образом, вывод может быть неточным, если переоценить влияние коэффициента корреляции. В этом тезисе коэффициент корреляции рассматривается только как вспомогательный показатель.

2.3 Теория модели ИНС

Как описано в части 1, существует нелинейная зависимость между концентрацией глюкозы в крови и соответствующим поглощением в ближнем ИК-диапазоне.Искусственная нейронная сеть (ИНС) не только очерчивает линейную связь, но также и нелинейную связь [12], поэтому может быть создана модель, включающая ИНС, которая состоит из входного слоя, скрытого слоя и выходного слоя.

2.4 Теория модели PSO-2ANN

Модель ИНС могла бы уловить нелинейную взаимосвязь между концентрацией глюкозы в крови и поглощением в ближнем ИК-диапазоне 1550 нм, но модель ИНС со стационарной структурой и некоторыми параметрами не может показать адекватную прогностическую способность нового наборы данных.Как правило, модель неинвазивного определения уровня глюкозы в крови требует корректировки с учетом индивидуальных различий (например, цвета кожи) и физиологической динамики глюкозы. В модели ИНС необходимо скорректировать множество параметров, которые мешают продвижению в домашних условиях неинвазивного измерения уровня глюкозы в крови. Для преодоления вышеуказанных недостатков предлагается модель PSO-2ANN. Модель PSO-ANN создана с учетом нелинейной зависимости между концентрацией глюкозы в крови и поглощением 1550 нм и корректировкой индивидуальных различий и физиологической динамики глюкозы.Две искусственные нейронные сети (ИНС) со стационарной структурой и определенными параметрами используются в качестве базовой структуры модели PSO-ANN, а весовые коэффициенты двух ИНС, которые представляют индивидуальные различия и физиологическую динамику глюкозы, оптимизируются путем оптимизации роя частиц ( PSO) [13].

3. Результаты

3.1 Модель ИНС

3.1.1 Построение модели ИНС

В ходе эксперимента было получено четырнадцать наборов данных. Три сети были установлены с помощью 3 наборов данных (data_9, data_10, data_12), размеры выборки которых велики, чтобы предоставить больше информации.Чтобы улучшить характеристики сетей, три сети были обучены с помощью NIR-сигнала 1550 нм (обозначенного PD) и обратного сигнала (обозначенного 1 / PD) в качестве независимых переменных и концентраций глюкозы в крови в качестве зависимых переменных. Полный процесс описан ниже.

  • (1) Определение входных нейронов и выходных нейронов: поскольку существует 1 независимая переменная и 1 зависимая переменная, есть 1 нейрон как на входном, так и на выходном уровнях.

  • (2) Определение скрытых нейронов: количество скрытых нейронов определяется синтетическим анализом RMSE каждого набора данных и сложности модели.

Таблица 1

RMSE Net11, Net12 и Net13 (независимая переменная — PD)

Количество скрытых нейронов Net11 Net12 Net13
1

0.40356 0,53772 1,11492
2 0,18944 0,53772 1,07037
3 0,16151 0,25181
2.17E-02
5 0.14032 2.19E-16 1.29E-24
6 9.65E-15 3.76E-16 3.32E-26
7 2.73E-18 1.67E-21 4.80E-25
8 5.07E-19 1.87E-21 9.13E-24
9 2.77E-19 1.47E-24 3.06E-24
10 1.05E-25 3.66E-21 4.16E-16

9049

Таблица 1 показывает среднеквадратичные значения трех сетей с различным количеством скрытых нейронов, независимой переменной которых является PD.Данные в столбце 2 показывают, что тенденция изменения RMSE Net11 мала, когда количество скрытых нейронов больше 6; данные в столбце 3 и столбце 4 были проанализированы аналогичным образом. Окончательные числа скрытых нейронов Net11, Net12 и Net13 были последовательно установлены на 6, чтобы облегчить сравнение параметров.

Как и выше, номера скрытых нейронов Net21, Net22 ​​и Net23, независимая переменная которых равна 1 / PD, были последовательно установлены на 5.

Были определены структуры Net11, Net12, Net13, Net21, Net22 ​​и Net23. после того, как количество входных нейронов, скрытых нейронов и выходных нейронов были подтверждены.IHW, Hb, HOW и Ob представляют весовые коэффициенты входного слоя для скрытого слоя, пороговые значения скрытого слоя, весовые коэффициенты скрытого слоя для выходного слоя и пороговые значения выходного слоя. После обучения с помощью приложения Neural Net Fitting в MATLAB R2014a параметры Net11, Net12 и Net13 приведены в таблице 2. Net21, Net22 ​​и Net23 аналогичны, поэтому мы не будем рассматривать их снова.

3.1.2 Оценка модели ИНС

После создания Net11, Net12, Net13, Net21, Net22 ​​и Net23 производительность модели ИНС была оценена с использованием следующих индексов с 14 наборами данных в качестве тестовых данных.

3.1.2.1. RMSE и коэффициент корреляции (p)

Во-первых, на основе соответствующего анализа каждой сети, это исследование показало, что производительность прогнозирования шести сетей является низкой для новых наборов данных, что свидетельствует о недостаточной устойчивости модели ИНС. Далее, ИНС с 1 / PD в качестве независимой переменной более точна, чем ИНС с PD в качестве независимой переменной, как показывает отдельное сравнение Net11 и Net21, Net12 и Net22, Net13 и Net23.

Таблица 2

Параметры Net11, Net12 и Net13 (независимая переменная — PD)

.09

9046,98

9046,98

Net11 Net12 Net13
IHW Hb HOW3 HOW3 HOW3 HOW3

Hb HOW Ob IHW Hb HOW Ob
7,73 -9,08 -4,11 7,73 2,36 0,83 -8,51 8,29 0,62 0,01
8,48 -4,94

-0,02 -0,02 -0,02
-8,43 4,95 0,33
-8,43 1,25 -0,69 -17,14 -17,14 .36 1,76 -1,06
-21,60 -19,78 -17,28 6,39 -1,80 -6,98 2,05
-34,18 -30,83 9,78 8,64 7,07 2,83

-9.64 -9,61 15,17 -8,88 -8,45 2,64 -19,60 -16,96 3,96
Таблица 3

Сравнительный анализ RMSE и p

9121

27

90_0,40

00

90_997 2,07 4984

Сеть Независимая переменная — PD Независимая переменная — 1 / PD
Net11 Net12 327 Net13 Net23
RMSE

п

RMSE

п

RMSE

п

RMSE

п

RMSE

п

RMSE

п

data_1 9.39 0,31 2,86 0,36 1,22 NaN 1,67 -0,31 2,85 -0,19 0,53 -03,22 ,303 2,26 -0,31 0,80 NaN 2,24 0,11 2,25 -0,02 0,80 0,00
data_3 0,55 3,15 0,56 1,65 NaN 1,76 0,11 3,15 0,32 1,10 90_2

0,28 0,28 NaN 0,72 NaN 3,14 -0,32 2,08 -0,30 0,93 -0,30
data_5 2.73 0,69 1,91 0,86 3,53 0,79 1,49 0,88 0,79 0,74 3,37 90_2

0,70
NaN 0,92 NaN 3,63 -0,52 2,26 -0,39 0,97 -0,40
data_7 0.75 0,23 3,08 -0,29 0,88 -0,74 1,14 0,91 1,79 0,57 0,97 1 0462

0,99 0,94 3,72 0,99 1,23 0,89 0,95 0,98 3,69 1,00
data_3 1,00 1,45 0,12 1,85 0,36 0,00 1,00 1,25 -0,22 2,12 90_462

0,17 2,12 90_462

0,17
0,17
0,00

1,00 1,93 -0,27 2,67 0,56 0,00 1,00 2,46 -0,30
data_11 1.77 0,07 1,97 0,30 2,05 0,10 1,96 0,18 1,81 0,41 2,40 0,21 0,21
-0,20 0,00 1,00 2,45 -0,25 2,56 -0,16 0,00 1,00
data_13 1.95 -0,17 1,51 -0,14 2,07 0,84 1,63 -0,42 1,20 -0,54 4,01 -0,01 2,11 0,17 2,46 -0,18 2,07 0,12 2,34 -0,04
Таблица 4

Анализ относительной ошибки

5992 .21%

18,89%

9099%

9099%

17997

17,27

3.1.2.2. RER

Данные в таблице 4 показывают, что точность прогнозирования 6 сетей низкая. ИНС с 1 / PD в качестве независимой переменной является более точной, чем ИНС с PD в качестве независимой переменной на основе отдельных сравнений Net11 и Net21, Net12 и Net22, а также Net13 и Net23, что согласуется с результатами выше.

3.1.2.3. EGA

Анализ сетки ошибок Кларка (EGA) является «золотым стандартом» и учитывает 4 фактора — абсолютные значения прогноза глюкозы в крови, абсолютное отклонение между прогнозами и измерениями, относительную разницу в этих отклонениях и клиническую значимость разница [14].Клинически значения, распределенные в регионах A и B, приемлемы, в то время как значения, распределенные в других регионах, неприемлемы. EGA проиллюстрированы Net12 и Net22 ​​для сравнительного анализа. На рисунке 2 показано, что прогнозы Net12 распределены в регионах A, B, C и D, в то время как прогнозы Net22 ​​распределены в регионах A, B и D. Процент каждого региона в EGA представлен в таблице 5 для четкий сравнительный анализ. Модель ИНС не может делать все прогнозы, распределенные в регионах A и B.ИНС с 1 / PD в качестве независимой переменной была более точной. Таким образом, 1 / PD будет впоследствии использоваться как независимая переменная.

Таблица 5

Статистическая таблица анализа сетки ошибок Clarke

Сеть Независимая переменная — PD Независимая переменная — 1 / PD
Net11 Net12 Net13 Net

Net23
data_1 78.21% %
data_3 77,27% 26,25% 13,74% 14,68% 26,21% 9,14%
data_4
data_4 17,33% 7,75%
data_5 22,73% 15,90% 29,45% 12,40% 6,56% 7,67% 30,29% 18,84% 8,11%
data_7 6,27% 25,68% 7,30% 9,5993

data_8 9.22% 8,25% 30,99% 10,28% 7,93% 30,79%
data_9 12,05% 15,44% —
данные_10 9,83% 16,07% 8,94% 19,64%
данные_11 14,72% 14,72% 14,72% .06% 13,54% 9,98% 17,23%
data_14 14,49% 33,43% 17,57% 20,53%

Нетто22

%

Сети Независимая переменная — PD Независимая переменная — 1 / PD
Net11 Net12 Нетто23
А 67.74% 37,63% 53,76% 39,78% 45,16% 53,76%
B 26,88% 56,99% 41,94%
C 1,08% 1,08% 0,00% 1,08% 0,00% 0,00%
D 4,30% 4,3099% 4,3099% % 4.30% 4,30%
E 0,00% 0,00% 0,00% 0,00% 0,00% 0,00%
Рисунок 2.

Сетка ошибок Кларка Анализ Net12 и Net22.

3.2 Модель PSO-2ANN

3.2.1 Построение модели PSO-2ANN

Две сети, которые являются более точными среди Net21, Net22 ​​и Net23, обученных с 1 / PD в качестве независимой переменной, были взяты в качестве подмодулей, а Весовые коэффициенты этих двух были оптимизированы PSO.Процесс алгоритма модели PSO-2ANN выглядит следующим образом: (1) Выбор подмодулей: данные в таблицах 3 и 4 показывают, что производительность прогнозирования Net22 ​​хуже для всех экспериментальных наборов данных; таким образом, двумя субмодулями были Net21 и Net23; (2) Топологическая структура PSO-2ANN: Net21 и Net23 — два подмодуля модели PSO-2ANN, обозначаемые Net, Net = a1 ∗ Net21 + (1 — a1) ∗ Net23; (3) Оптимизация параметра a1: RMSE между измерениями и прогнозами уровня глюкозы в крови является целевой функцией.Параметр a1 — это вектор положения частицы, пространство решений которой находится между 0 и 1. Новый вектор положения частицы определяется ее опытом и информацией, разделяемой другими частицами. Первые данные в каждом наборе данных используются как данные обучения, а остальные — как данные тестирования.

Таблица 6

Показатели оценки PSO-2ANN

%

96

%

1,00

1,0022
Набор данных RMSE RER

п

data_1 0.69 5,73% -0,26
data_2 0,88 7,31% 0,46
data_3 1,39 11,5846

-0,39
данные_5 1,51 12,55% 0,88
данные_6 1,06 8_,82% -0,54

7,99% -0,32
data_8 1,29 10,78% 1,00
data_9 0,02 0,16% 0,02 0,16% 0,47
data_11 1,77 14,77% 0,18
data_12 0,08 0,68% 90_462

1,00
10,18% 0,57
data_14 2,26 18,87% -0,23
Рисунок 3.

Сетка ошибок Кларка

PSO-2ANN.

3.2.2 Оценка модели PSO-ANN

3.2.2.1. RMSE, RER и p

Производительность модели PSO-2ANN была выше, чем у модели ИНС, независимо от того, оценивалась ли она с помощью RMSE, RER или p на основе сравнительного анализа, как показано в таблицах 3, 4 и 6.Кроме того, модель PSO-2ANN способна преодолевать индивидуальные различия и физиологическую динамику глюкозы.

3.2.2.2. EGA

На рисунке 3 представлена ​​сетка ошибок Кларка модели PSO-2ANN. Процент предсказаний, распределенных в области A, составляет 64%, процент предсказаний, распределенных в области B, составляет 29%, а процент предсказаний, распределенных в критической линии между регионами A и D, составляет 7%. Согласно результатам статистического анализа, предикторы PSO-2ANN соответствуют требованиям клинической точности.

Рисунок 4.
Рис. 5.

График Бланда-Альтмана для прогнозов и измерений уровня глюкозы в крови.

3.3 Надежность модели PSO-2ANN

3.3.1 Оценка случайной корреляции

Чжао из Тяньцзиньского университета указал, что случайная корреляция может иметь место при моделировании уровня глюкозы в крови [15]. Для дальнейшей проверки достоверности и надежности модели PSO-2ANN было проведено исследование случайной корреляции во время моделирования PSO-2ANN с помощью методов случайных чисел.Поскольку диапазон экспериментальных данных был от 0 до 25, матрица случайных чисел 1000 × была сгенерирована функцией rand в MATLAB R2014a, обозначенной A. Оптимальный параметр a1 был получен путем обучения с A (1: 100,1 ) как входной вектор и A (1: 100,2) как целевой выход PSO-2ANN; оставшаяся часть матрицы использовалась в качестве набора для тестирования. Этот эксперимент был повторен 10 раз с RMSE в качестве индикатора оценки. На рисунке 4 показано, что существующая вероятность случайной корреляции в неинвазивной модели уровня глюкозы в крови на основе PSO-2ANN мала, что означает, что PSO-2ANN имеет высокую надежность.

3.3.2 Анализ Бланда-Альтмана

Метод Бланда-Альтмана — популярный метод оценки согласованности медицинских инструментов [16]. Результаты анализа Бланда-Альтмана между предсказаниями модели PSO-2ANN и измерениями показаны на рис. 5. Среднее значение и стандартное отклонение разницы между предсказаниями и измерениями составляют 0,0678 ммоль / л и 1,1497 ммоль / л, соответственно. Предел согласия 95% составляет [-2,1856 ммоль / л, 2,3212 ммоль / л]. 95,7% баллов находились в пределах 95% согласия, что было клинически приемлемым.

4. Обсуждение

Как показано выше, модель PSO-2ANN способна неинвазивно определять уровень глюкозы в крови, используя инвазивную концентрацию глюкозы в крови для ежедневной калибровки весового коэффициента. Повышенная надежность, обеспечиваемая моделью PSO-2ANN, может быть объяснена двумя основными факторами. Во-первых, соотношение между концентрацией глюкозы в крови и поглощением на длине волны 1550 нм может отличаться из-за индивидуальных различий (например, цвета кожи). Две ИНС с разной структурой и параметрами используются в качестве субмодулей модели PSO-2ANN, которая может обеспечивать различную взаимосвязь между концентрацией глюкозы в крови и поглощением на длине волны 1550 нм.Во-вторых, каждая модель ИНС обучается с помощью набора данных в разные дни, чтобы изучить правило физиологической динамики глюкозы.

Наконец, следует отметить, что, хотя применение модели PSO-2ANN повышает точность и надежность прогнозирования, она страдает некоторыми недостатками. Во-первых, экспериментальные наборы данных получены от 6 здоровых субъектов, диапазон которых невелик. таким образом, применимость PSO-2ANN к диабетикам требует дальнейшей проверки. Во-вторых, на концентрацию глюкозы в крови влияют многие факторы, такие как температура окружающей среды, частота пульса, артериальное давление и температура пальцев.В исследовании учитывается только поглощение на длине волны 1550 нм.

5. Заключение

БИК-сигнал с длиной волны 1550 нм используется для прогнозирования концентрации глюкозы в крови из-за его чувствительности и разрешения по глюкозе в крови.

Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *