Labmedya - Laboratuvar ve Sağlık Gazetesi

Sistem üç öğrenme bileşenini seçici rota optimizasyonuyla birleştirdi. Yakın kopyaları kontrol edilmiş tıbbi atık görüntü veri setinde eğitilen kalibre edilmiş evrişimli sinir ağı topluluğu, her hastane için enfeksiyon riski katsayısı üretti. Makine öğrenmesi tahminleyicisi hastane düzeyindeki atık oluşumunu öngördü ve doğrulama hatası güvenlik tamponu olarak modele eklendi. Akıllı kutu sinyalleri gerçek cihazlardan değil, simülasyonla üretildi.

Dikkat mekanizmalı ve güvenlik maskeli VF-MODRL derin pekiştirmeli öğrenme çözücüsü, hangi hastanelerin atığının hemen toplanacağına ve hangilerinin güvenle ertelenebileceğine karar verdi. Kapasiteli araç filosu için maliyet, enfeksiyon riski ve yüke bağlı emisyonlar birlikte en aza indirildi. Pakistan’ın Peşaver kentini temsil eden 49 hastanelik simüle ağ üzerinde sabit program referansıyla karşılaştırma yapıldı.

Optimize rotalar mesafe, yakıt tüketimi ve emisyonları yaklaşık yüzde 73’e kadar, günlük maliyeti ise yaklaşık yüzde 40 azalttı. Beş eğitim başlangıcında birleşik amaç değeri 3,19 ± 0,18 oldu; bu sonuç NSGA-II karşılaştırıcısından yaklaşık yüzde 32 daha düşüktü. Ablasyon analizleri güvenlik maskesinin uygulanabilir rotaları koruduğunu gösterdi. Ancak bütün girdiler simüle edildi ve canlı saha kurulumu yapılmadı.

Bu nedenle sonuçlar gerçek hastanelerde aynı tasarrufun garanti edildiği biçiminde yorumlanmamalı. Kamera sınıflandırmasının farklı atık ortamlarında doğrulanması, sensör arızaları, mahremiyet, kutu doluluk hataları, araç trafiği ve biyolojik risk protokolleri saha denemelerinde sınanmalı. Yöntem gerçek verilerle doğrulanırsa sağlık atığı yönetiminde maliyet ve karbon yükünü birlikte azaltan operasyonel bir araç olabilir.

Kaynak : https://www.nature.com/articles/s41598-026-67140-6