Is my wound infected? A study on the use of hyperspectral imaging to assess wound infection
Notice bibliographique
Résumé
Introduction: Clinical signs and symptoms (CSS) of infection are a standard part of wound care, yet they can have low specificity and sensitivity, which can further vary due to clinician knowledge, experience, and education. Wound photography is becoming more widely adopted to support wound care. Thermography has been studied in the medical literature to assess signs of perfusion and inflammation for decades. Bacterial fluorescence has recently emerged as a valuable tool to detect a high bacterial load within wounds. Combining these modalities offers a potential objective screening tool for wound infection. Methods: A multi-center prospective study of 66 outpatient wound care patients used hyperspectral imaging to collect visible light, thermography, and bacterial fluorescence images. Wounds were assessed and screened using the International Wound Infection Institute (IWII) checklist for CSS of infection. Principal component analysis was performed on the images to identify wounds presenting as infected, inflamed, or non-infected. Results: The model could accurately predict all three wound classes (infected, inflamed, and non-infected) with an accuracy of 74%. They performed best on infected wounds (100% sensitivity and 91% specificity) compared to non-inflamed (sensitivity 94%, specificity 70%) and inflamed wounds (85% sensitivity, 77% specificity). Discussion: Combining multiple imaging modalities enables the application of models to improve wound assessment. Infection detection by CSS is vulnerable to subjective interpretation and variability based on clinicians' education and skills. Enabling clinicians to use point-of-care hyperspectral imaging may allow earlier infection detection and intervention, possibly preventing delays in wound healing and minimizing adverse events.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 tête enseignante, 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 ».