Akupunktur iğnesi yerleştirme işleminin otomatik olarak izlenmesi için derin öğrenme modelinin geliştirilmesi: Geleneksel akupunktur uygulamalarında güvenliğin artırılması.

Akupunktur iğnesi yerleştirmenin otomatik izlenmesi için derin öğrenme modeli geliştirme: Geleneksel akupunktur uygulamalarında güvenliği artırma. Lin Shun-Ku, Su Chien-Kun, Mercado Melnard Rome C, Peng Syu-Jyun BMC tamamlayıcı tıp ve terapiler ÖZET GİRİŞ: Akupunktur yaygın olarak uygulanan geleneksel bir terapidir, ancak özellikle iğne kırılması ve tutulması gibi güvenlik endişeleri, enfeksiyonlar, organ yaralanması veya kronik ağrı gibi komplikasyonlara yol açabilen kritik konular olmaya devam etmektedir. Bu çalışma, akupunktur iğnesi yerleştirmeyi izlemek, iğne kırılması durumlarını tespit etmek ve iğne tutulmasını önlemek için derin öğrenme modeli geliştirmeyi ve sonuç olarak hasta güvenliğini ve tedavi sonuçlarını iyileştirmeyi amaçlamaktadır. YÖNTEMLER: YOLOv8 mimarisine dayalı bir derin öğrenme modeli, ticari bir görüntü kütüphanesinden alınan 192 görüntü ve gerçek dünya akupunktur seansları sırasında yakalanan 73 klinik görüntüden oluşan bir veri kümesi kullanılarak eğitildi. Görüntüler kırpma ve açıklama yoluyla ön işleme tabi tutuldu ve model genelleştirilebilirliğini artırmak için zenginleştirildi. Sağlam performansı garantilemek için beş katlı çapraz doğrulama kullanıldı. Model değerlendirme ölçütleri, %50 (mAP@50) ve %50-95 (mAP@50-95) Kesişim Noktası Birleşim Noktası (IoU) eşiklerinde hassasiyet, geri çağırma, F1 puanı ve ortalama hassasiyet (mAP) içeriyordu. BULGULAR: Model, %88,0 ortalama hassasiyet ve %82,9 geri çağırma elde ederek güçlü bir performans gösterdi. Ortalama hassasiyet, mAP@50'de %88,6 ve mAP@50-95'te %62,9 idi ve bu da çeşitli senaryolarda akupunktur iğnelerini tespit etmede yüksek güvenilirlik gösteriyordu. Bu sonuçlar, uygulayıcı deneyimi veya hasta demografisinden bağımsız olarak, iğne kırılması ve tutulmasıyla ilişkili riskleri en aza indirerek modelin klinik güvenliği artırma potansiyelini vurgulamaktadır. SONUÇ: Önerilen YOLOv8 tabanlı derin öğrenme modeli, akupunkturda gerçek zamanlı iğne izleme için güvenilir bir yöntem sunmaktadır. Klinik iş akışlarına entegrasyonu, özellikle yetersiz hizmet alan bölgelerde veya daha az deneyimli uygulayıcıların bulunduğu ortamlarda güvenliği ve verimliliği artırabilir. Gelecekteki araştırmalar, modeli daha büyük, daha çeşitli veri kümeleriyle doğrulamalı ve çeşitli sağlık hizmetleri ortamlarındaki uygulamasını incelemelidir. DENEME KAYDI: Uygulanamaz; bu çalışma, kayıt gerektiren bir sağlık hizmeti müdahalesini içermemektedir. Veri toplama, kurumsal onay (TCHIRB-11310004) ile etik standartlara uymuştur.