伤口护理中的增强决策:评估深度学习模型对压力损伤分期的临床实用性
Jemin Kim1, Changyoon Lee2, Sungchul Choi2
1Department of Dermatology, Yongin Severance Hospital, Yonsei University College of Medicine, Gyeonggi-do, Republic of Korea.
International journal of medical informatics
|October 22, 2023
概括
一个新的卷积神经网络 (CNN) 模型准确地分类压力损伤 (PI). 它的使用显著改善了临床决策和医疗保健专业人员对PI分期的一致性.
科学领域:
- 医疗成像医学成像
- 医疗保健中的人工智能
- 皮肤病学 皮肤病学
背景情况:
- 精确的压力损伤 (PI) 阶段确定对于有效的伤口护理治疗至关重要.
- 住院护理机构往往缺乏对PI分期的专业知识,这凸显了对改进诊断工具的需求.
研究的目的:
- 开发一个卷积神经网络 (CNN) 模型来分类压力损伤 (PI).
- 评估是否实施CNN模型可以提高医生在PI分期中的决策准确性.
主要方法:
- 在3,098张临床图像 (2,614张内部,484张外部) 上进行了CNN的训练和验证,以对PI和相关皮肤病进行分类.
- 一项由两部分组成的调查评估了CNN对24名皮肤科医生,护士和医学学生的PI分类决定的影响.
主要成果:
- 美国有线电视新闻网在内部数据集上达到0.793的top-1准确度,在外部数据集上达到0.717的准确度.
- 在CNN实施后,PI分期的参与者准确性提高了17.1% (从0.501到0.672).
- 参与者之间的一致性随着CNN的使用显著增加,弗莱斯的 κ从0.414上升到0.641.
结论:
- 开发的CNN模型有效地对PI和相关皮肤病进行了分类.
- 整合CNN模型增加了临床决策,提高了咨询准确性和专业间一致性.
