Risk Factor Forecasting System for Pressure Injuries Through Artificial Neural Network

Authors

Keywords:

Artificial Neural Network, Braden Scale, Embedded Electronics, Pressure Injuries

Abstract

The appearance of pressure injuries is very common in patients bedridden for a long time due to a surgical procedure or a recovery process caused by an accident. Many studies have been carried out to monitor and prevent this condition, but the methodology used requires the direct or indirect intervention of a health professional to classify the risk of wound development. This study aims to demonstrate the development of a system capable of predicting the risk factor for the development of pressure injuries through the analysis of the Braden Scale parameters inserted by a health professional on an electronic interface, where through an algorithm based on artificial neural networks, which is responsible for processing, it will be possible to carry out the classification of the risk factor for pressure injuries. To acquire the friction and shear parameters, force sensors were used in a matrix architecture, together with a signal conditioning circuit as well as a control and communication drive via USB with the computer for sending data, as well as a graphical interface for entry of other parameters by the health professional.

Downloads

Download data is not yet available.

Author Biographies

Bruno Medina Pedroso, Universidade de Mogi Das Cruzes

Possui graduação em Tecnologia em Automação Industrial (2009) pela Universidade de Mogi das Cruzes, Licenciatura em Eletrônica (2010) pela Faculdade de Tecnologia de São Paulo, Pós-graduação em Automação Industrial (2012) pela Faculdade Senai Armando de Arruda Pereira, Extensão em Sistemas Eletrônicos para Controle (2016) pela Faculdade Senai Anchieta, Mestrado em Engenharia Biomédica (2015) pela Universidade de Mogi das Cruzes, atualmente é Doutorando em Engenharia Biomédica com linha de pesquisa na área de Inteligência Artificial aplicada à Bioengenharia. Possui experiência na área de controle e automação, programação aplicada e sistemas inteligentes.

João Vitor Sartori Guazzelli, Universidade de São Paulo

Aluno de graduação da Escola Politécnica da Universidade de São Paulo, em formação em Engenharia Elétrica (2021)Possui formação de nível técnico em Mecatrônica (2019). Possui experiência na área de programação de sistemas eletrônicos embarcados em diversas linguagens.

Alessandro Pereira da Silva, Universidade de Mogi Das Cruzes

Possui graduação em Engenharia da Computação (2003) pela Universidade de Mogi das Cruzes, Mestrado em Engenharia Biomédica (2007) pela Universidade de Mogi das Cruzes, Doutorado em Engenharia Biomédica (2009) pela Universidade de Mogi das Cruzes. Possui experiência na área de Engenharia Biomédica com ênfase em processamento de sinais e imagens médicas, atuando na subárea de tecnologia assistiva.

Silvia Regina Matos da Silva Boschi, Universidade de Mogi Das Cruzes

Possui graduação em Fisioterapia (1988) pela Pontifícia Universidade Católica de Campinas, Mestrado em Engenharia Biomédica (2003) pela Universidade de Mogi das Cruzes, Doutorado em Engenharia Biomédica (2011) pela Universidade de Mogi das Cruzes, Pós-doutorado em Engenharia Biomédica (2016) pela Pontifícia Universidade Católica de São Paulo. Possui experiência na área de Fisioterapia com ênfase em Neurologia Infantil.

Silvia Cristina Martini, Universidade de Mogi Das Cruzes

Possui graduação em Matemática (1995) pela Universidade Federal de São Carlos, Mestrado em Engenharia Elétrica (1999) pela Universidade de São Paulo, Doutorado em Engenharia Elétrica (2004), Pósdoutorado em Engenahria Elétrica (2004) pela Universidade de São Paulo. Possui experiência com sistemas em ambiente virtual para ensino e aprendizagem, processamento de imagens médicas.

Terigi Augusto Scardovelli, Universidade de Mogi Das Cruzes

Possui graduação em Engenharia da Computação (2003) pela Universidade de Mogi das Cruzes, Mestrado em Engenharia Biomédica (2007) pela Universidade de Mogi das Cruzes, Doutorado em Engenharia Biomédica (2010) pela Universidade de Mogi das Cruzes. Possui experiência na área de Engenharia Biomédica com ênfase em processamento de imagens, modelagem, animação e desenvolvimento de jogos computadorizados na subárea de tecnologia assistiva.

References

M. J. Carvalho, “Úlceras por pressão: proposta de prevenção por meio de um colchão de látex natural (Hevea Brasiliensis) sensorizado”, Dissertação de Mestrado, Universidade de Brasília, Distrito Federal – Brasil. 2014.

N. M. B. Rogenski and V. L. C. G. Santos, “Estudo sobre a incidência de úlceras por pressão em um hospital universitário. Revista Latino-Americana de Enfermagem”, v. 13, n.4, p. 474-480, 2005.

L. Blanes, I. S. Duarte, J. A. Calil and L. M. Ferreira, “Avaliação clínica e epidemiológica das úlceras por pressão em pacientes internados no Hospital São Paulo”. Rev Assoc Med Bras, v. 50, n. 2, p. 182-7, 2004.

F. G. Marchione, L. M. Q. Araújo and L. V. Araújo, “Approaches that use software to support the prevention of pressure ulcer: a systematic review”. International journal of medical informatics, v. 84, n. 10, p. 725-736, 2015.

C. L.A. Santos, “Sistema automático de prevenção de úlceras por pressão”. 62 f. Tese de Doutorado. Universidade da Madeira, Ilha da Madeira - Portugal. 2009.

M. C. Mishu and J. W. Shroeder, “Modelling of Pressure Ulcer (PU) Risk Prediction System”. Science and Information Conference, 2015.

J. Ling and W. Yingin, “Wireless ECG monitoring system based on OMAP. In: Computational Science and Engineering”. International Conference on. IEEE, p. 1002-1006. 2009.

J. Mcneil, D. Sen, Y. Mendelson, et al. Wearable wireless sensor patch for continuous monitoring of skin temperature, pressure, and relative humidity. Proceedings - IEEE International Symposium on Circuits and Systems, p. 7–10, 2017.

A. F. Filho, M. A. Fumagalli, N. E. M. T. Theodório and F. Rubio, “Desenvolvimento de um dispositivo para a prevenção de ulceras por pressão em cadeirantes”. Revista Brasileira de Inovação Tecnológica em Saúde”, ISSN: 2236-1103, v. 3, n. 1, 2013.

D. Hay, M. Falgenhauer, J. Morak, K. Wipfler, V. Willner, W. Liebhart and G. Schreier, “An eHealth System for Pressure Ulcer Risk Assessment Based on Accelerometer and Pressure Data”. Journal of Sensors, v. 2015, 2015.

J. Lioret, A. Canovas, S. Sendra and L. Parra, “A smart communication architecture for ambient assisted living”. IEEE Communications Magazine, v. 53, n. 1, p. 26-33, 2015.

A. Dermirhan, “Neuroimage-based clinical prediction using machine learning tools.” International Journal of Imaging Systems and Technology, v. 27, n. 1, p. 89–97, 2017.

S. Dutta, B. C. S. Manideep, S. Rai, V. Vijayarajan. A comparative study of deep learning models for medical image classification. IOP Conference Series: Materials Science and Engineering, v. 263, n. 4, p. 0–9, 2017.

M. Elmogy, B. Garcia-Zapiran, A. S. Elmaghraby, A. El-Baz. “An Automated Classification Framework for pressure ulcer tissues based on 3d Convolutional Neural Network.” Proceedings - International Conference on Pattern Recognition, ICPR, p. 20-24, 2018.

A. N. Miyadaira. “Microcontroladores PIC18: Aprenda e programe em linguagem C” 3nd ed. São Paulo, Érica, 2012, sec XXI, pp. 1-400.

Y. W. Paranhos, V. L. C. G. Santos. Avaliação de risco por risco para úlceras por pressão por meio da escala de Braden, na língua portuguesa. III Congresso Brasileiro de Estomaterapia. v33. 1999.

A. P. Braga, A. C. P. L. F. Carvalho. and T. Bernarda. “ Redes Neurais Artificiais: Teoria e Aplicações”. 2nd ed. Rio de Janeiro, LTC, 2016, sec. XXI, pp. 3-226.

M. C. Mishu, J. W. Schroeder. Modelling of pressure ulcer (PU) risk prediction system. Proceedings of the 2015 Science and Information Conference, SAI 2015, p. 650–656, 2015.

H. Chen, B.Yang, D. Liu, et al. Using Blood Indexes to Predict Overweight Statuses : An Extreme Learning Machine- Based Approach. Journal Plos One p. 1–18, 2015.

C. G. Raji, S. S. V. Chandra. Long-Term Forecasting the Survival in Liver Transplantation Using Multilayer Perceptron Networks. IEEE Transactions on Systems, Man, and Cybernetics, v. 47, n. 8, p. 2318–2329, 2017.

B. Ramsay, E. V. D. Knaap. Confusion Matrix-based Feature Selection Sofia Visa Algorithm for Confusion Matrix-based. Proceedings of the Twenty-second Midwest Artificial Intelligence and Cognitive Science Conference. p. 120–127, 2011.

J. Vives, E. Quiles, E. Garcia. AI Techniques Applied to Diagnosis of Vibrations Failures in Wind Turbines. IEEE Latin America Transactions, v.18. n.8. August. 2020.

Published

2021-10-18

How to Cite

Medina Pedroso, B., Sartori Guazzelli, J. V. ., Pereira da Silva, A. ., Matos da Silva Boschi, S. R. ., Cristina Martini, S. ., & Augusto Scardovelli, T. . (2021). Risk Factor Forecasting System for Pressure Injuries Through Artificial Neural Network. IEEE Latin America Transactions, 100(XXX). Retrieved from https://latamt.ieeer9.org/index.php/transactions/article/view/5803