993 Validating a Novel Machine Learning Tool for Objective Measurement of Clinical Burn Scar Assessment
Notice bibliographique
Résumé
Abstract Introduction Hypertrophic scars are a common and challenging sequelae of burn injuries, often carrying functional and psychosocial impairment. Unfortunately, there lacks standardization in clinical burn scar assessment. Typical scoring systems such as the Patient and Observer Scar Assessment Scale (POSAS) are based on subjective observations which leaves room for bias and interrater variability. Alternative methods that measure objective features (e.g., size, thickness, colour, and elasticity) show promise, though they require tools that are costly and time prohibitive. Herein we evaluate the validity of a novel objective measurement tool that utilizes smartphone photography and machine learning (ML) to generate quantitative scar measures. Methods Burn patients recruited at a single centre underwent scar assessment using validated objective tools: ultrasound, pigmentation, and skin elasticity measurement devices. In tandem with the POSAS, we validated and trained our novel artificial intelligence-based tool with 2D colour images and video capture, with objective assessments as the best available gold standard. Results Ongoing collection and analyses on 60 burn scars are being conducted. Preliminary machine learning size and pigmentation analyses are at par with the device assessments. POSAS scores positively correlate with objective and ML model measures. Promising preliminary data demonstrates that the ML model can perform size and pigmentation analysis. Additional training and alterations to the algorithm are required to produce measurements of lesion thickness and elasticity. Conclusions This proof-of-concept study highlights the potential for ML models in burn scar assessment. Further development of this ML pipeline will allow for quick and accessible assessments of hypertrophic scars with mobile devices. Our approach could represent an alternative method for clinicians to track scar progression in patients with geographical barriers. Applicability of Research to Practice With the apparent lack of accessible objective assessments for burn scars, this project addressed the barrier to provide clinicians with concrete measures. Accurately tracking the progression of burn scars in response to therapies can dictate patients care plan. As there is a widespread use of smart device photography in the charting of burn scars, incorporating ML technology proves feasible to the workflow. Once fully developed, loading our algorithm within an app or tool on smart devices will make objective burn scar assessments available and consistent across different sites. Funding for the Study N/A
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 | 0,004 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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) | 0,003 | 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 ».