Use of a bacterial fluorescence imaging device: wound measurement, bacterial detection and targeted debridement
Notice bibliographique
Résumé
Objective: Diagnostics which provide objective information to facilitate evidence-based treatment decisions could improve the chance of wound healing. Accurate wound measurements, objective bacterial assessment, and the regular, consistent tracking of these parameters are important aspects of wound care. This study aimed to assess the accuracy, clinical incorporation and documentation capabilities of a handheld bacterial fluorescence imaging device (MolecuLight i:X). Method: Benchtop wound models with known dimensions and clinical wound images were repeatedly measured by trained clinicians to quantify accuracy and intra/inter-user coefficients of variation (COV) of the imaging device measurement software. In a clinical trial of 50 wounds, wound dimensions were digitally measured and fluorescence images were acquired to assess for the presence of bacteria at moderate-to-heavy loads. Finally, fluorescence imaging was implemented into the routine assessment of 22 routine diabetic foot ulcers (DFU) to determine appropriate debridement level and location based on bacterial fluorescence signals. Results: Wound measurement accuracy was >95% (COV <3%). In the clinical trial of 50 wounds, 72% of study wounds demonstrated positive bacterial fluorescence signals. Levine sampling of wounds was found to under-report bacterial loads relative to fluorescence-guided curettage samples. Furthermore, fluorescence documentation of bacterial presence and location(s) resulted in more aggressive, fluorescence-targeted debridement in 17/20 DFUs after standard of care debridement failed to eliminate bacterial fluorescence in 100% of DFU debridements. Conclusion: The bacterial fluorescence imaging device can be readily implemented for objective, evidenced-based wound assessment and documentation at the bedside. Bedside localisation of regions with moderate-to-heavy bacterial loads facilitated improved sampling, debridement targeting and improved wound bed preparation.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».