构建和验证一个人工智能辅助的多功能系统,用于压力损伤识别

科学领域:

• 医疗保健中的人工智能
• 医学成像分析 医学成像分析
• 伤口护理技术 伤口护理技术

背景情况:

• 由于人口老龄化,压力损伤 (PI) 的发病率不断上升,需要改进评估方法.
• 传统的PI评估是主观的,依赖于临床经验,缺乏实时的客观评估.
• 早期识别和准确的分期对于预防PI进展和改善患者预后至关重要.

研究的目的:

• 开发和验证用于自动PI检测,智能分期和伤口大小测量的AI模型.
• 使用人工智能提高PI评估的及时性,准确性和客观性.
• 创建一个系统,以改善临床护理评估和远程PI管理.

主要方法:

• 在来自电子管理系统的1,815张PI图像上训练了YOLOv11神经网络模型 (2021年1月 - 2025年6月).
• 图像被分为NPUAP定义的六个类别:I,II,III,IV阶段,不可分阶段,以及深层组织损伤.
• 集成的ArUco标记识别,通过像素到厘米的转换自动测量伤口大小.

主要成果:

• YOLOv11s模型在界限框定位方面取得了高性能 (精度为0.854,回调为0.766,mAP50为0.842).
• 测试组的整体分期精度达到92.64%,对深层组织损伤的高精度 (96.45%).
• 基于人工智能的伤口尺寸测量显示出高一致性 (ICC> 0.994),并且比手工方法快36.8倍.

结论:

• 基于YOLOv11的PI-3DAS系统提供自动化,准确和一致的PI检测,分期和尺寸量化.
• 该系统显著提高了测量效率,将评估时间从25.4秒缩短到0.7秒.
• 这个AI工具提供了一个便携式解决方案,支持临床护理,治疗后续和远程PI管理.