A Comprehensive Scoping Review on the Use of Point‐Of‐Care Infrared Thermography Devices for Assessing Various Wound Types
Notice bibliographique
Résumé
This scoping review investigates the use of point-of-care infrared thermography devices for assessing various wound types. A comprehensive search across four databases yielded 76 studies published between 2010 and 2024 that met the inclusion criteria. The review highlights thermography applications in burns, surgical wounds, diabetic foot ulcers, pressure injuries, and other lower limb wounds. Key findings indicate its effectiveness in detecting early signs of inflammation and healing delays, facilitating timely interventions. The technology shows promise in accurately predicting wound healing trajectories and assessing treatment outcomes. Recent advancements have made thermographic devices more affordable and user-friendly, expanding their clinical potential. However, challenges persist, including reimbursement, training requirements, and integration with electronic medical records (EMRs), with EMR integration identified as a critical barrier to widespread adoption. While preliminary findings are promising, the current evidence base is constrained by small sample sizes, retrospective study designs, and limited consideration of skin tone variability. Large, prospective studies are essential to validate the clinical utility of thermography in wound care and to inform the development of standardised protocols that support equitable, bias-reduced assessment across diverse populations. Addressing these gaps is critical for advancing research, enhancing clinician training, and improving patient outcomes in wound care. Overall, point-of-care thermography demonstrates significant potential to enhance wound assessment and monitoring, thereby elevating care quality and patient outcomes.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».