使用人工智能提高诊断成像的准确性:在压力损伤中评估瘤组织的方法

科学领域:

• 医疗信息学 医疗信息学
• 医疗保健中的人工智能
• 伤口护理技术 伤口护理技术

背景情况:

• 在临床实践中,准确的压力损伤评估,特别是使用DESIGN-R®尺度的死组织评估,至关重要.
• 该研究解决了提高压力损伤评估诊断一致性和准确性的需要.
• 研究人工智能 (AI) 的整合,以改善死组织的客观评估.

研究的目的:

• 开发和评估人工智能模型,用于压力损伤中死组织的分类.
• 为了比较分类分类模型 (CCM) 和二进制分类模型 (BCM) 的性能,用于死组织评估.
• 根据DESIGN-R®尺度来确定AI在标准化压力损伤评估方面的潜力.

主要方法:

• 一项回顾性观察性研究利用电子病历和伤口照片 (2014-2022年).
• 两种监督深度学习模型,CCM和BCM,被开发用于死组织分类 (n0,N3,N6).
• 模型性能使用标准分类指标进行评估,包括回忆,准确性,精度和F-1分数.

主要成果:

• 与分类分类模型 (CCM) 相比,二进制分类模型 (BCM) 在所有死类别 (n0: 0.9074,N3: 0.9884,N6: 1.0000) 中实现了更高的召回率.
• 该BCM表现出优越的整体性能,准确度为0.8711,精度为0.8418,F-1得分为0.8508.
• 在所有评估的绩效指标中,BCM的表现始终优于CCM.

结论:

• 人工智能,特别是二元分类方法,显著提高了压力损伤中死组织的评估.
• 该BCM显示强大的潜力作为一个可靠的工具,以协助临床医生在客观和标准化的压力损伤评估.
• 这种人工智能驱动的方法支持对压力损伤管理的DESIGN-R®框架的一致应用.