Improved detection of clinically relevant wound bacteria using autofluorescence image‐guided sampling in diabetic foot ulcers
Notice bibliographique
Résumé
Clinical wound assessment involves microbiological swabbing of wounds to identify and quantify bacterial species, and to determine microbial susceptibility to antibiotics. The Levine swabbing technique may be suboptimal because it samples only the wound bed, missing other diagnostically relevant areas of the wound, which may contain clinically significant bacteria. Thus, there is a clinical need to improve the reliability of microbiological wound sampling. To address this, a handheld portable autofluorescence (AF) imaging device that detects bacteria in real time, without contrast agents, was developed. Here, we report the results of a clinical study evaluating the use of real-time AF imaging to visualise bacteria in and around the wound bed and to guide swabbing during the clinical assessment of diabetic foot ulcers, compared with the Levine technique. We investigated 33 diabetic foot ulcers (n = 31 patients) and found that AF imaging more accurately identified the presence of moderate and/or heavy bacterial load compared with the Levine technique (accuracy 78% versus 52%, P = 0·048; adjusted diagnostic odds ratio 7·67, P < 0·00022 versus 3·07, P = 0·066) and maximised the effectiveness of bacterial load sampling, with no significant impact on clinical workflow. AF imaging may help clinicians better identify the wound areas with clinically significant bacteria, and maximise sampling of treatment-relevant pathogens.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».