Empowering Patients and Caregivers to Use AI and Computer Vision for Wound Monitoring: A Feasibility Study (Preprint)
Notice bibliographique
Résumé
BACKGROUND Chronic wounds affect 1-2% of the global population, and pose significant health and quality-of-life challenges for patients and caregivers. Advances in artificial intelligence (AI) and computer vision (CV) technologies present new opportunities for enhancing wound care, particularly through remote monitoring and patient engagement. A Digital Wound Care Solution (DWCS) that objective wound tracking using AI/CV was redesigned as a patient-facing mobile application to empower patients and caregivers to actively participate in wound monitoring and management. OBJECTIVE This study aimed to evaluate the feasibility, usability, and preliminary clinical outcomes of the Patient Connect application in enabling patients and caregivers to remotely capture and share wound data with healthcare providers. METHODS A feasibility study was conducted at two outpatient clinics in Canada between May 2020 and February 2021. Twenty-eight patients with chronic wounds were recruited and trained to use the Patient Connect app for wound imaging and secure data sharing with their care teams. Wound images and data were analyzed using AI/CV models integrated into the app. Clinicians reviewed the data to inform treatment decisions during follow-up visits or remotely. Key metrics included app usage frequency, patient engagement, and wound closure rates. RESULTS Participants captured a median of 13 wound images per wound, with images submitted every 8 days on average. The study cohort included patients with diabetic ulcers, venous ulcers, pressure injuries, and post-surgical wounds. A median wound closure rate of 80% was achieved across all patients, demonstrating the app’s clinical potential. Feedback from patients and clinicians highlighted the app’s usability, data security features, and ability to enhance remote monitoring. CONCLUSIONS The Patient Connect application effectively engaged patients and caregivers in chronic wound care, demonstrating feasibility and promising clinical outcomes. By enabling secure, remote wound monitoring through AI/CV technology, the app has the potential to improve patient adherence, enhance care accessibility, and optimize clinical workflows. Future studies should focus on evaluating its scalability, cost-effectiveness, and broader applicability in diverse healthcare settings.
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 | 0,010 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,002 |
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 ».