XiaoMi-AI文件搜索系统
World File Search System远程手术
基于图像的手术伤口感染识别的机器学习方法：范围审查
背景：手术部位感染 (SSI) 频发，对患者和医疗保健系统造成影响。目前，由于需要临床医生进行手动评估，远程监控手术伤口受到限制。基于机器学习 (ML) 的方法近期已用于解决术后伤口愈合过程的各个方面，并可用于提高远程手术伤口评估的可扩展性和成本效益。目的：本综述旨在概述用于从图像中识别手术伤口感染的 ML 方法。方法：我们按照 JBI（乔安娜·布里格斯研究所）方法对用于 SSI 视觉检测的 ML 方法进行了范围界定审查。纳入了任何术后背景下的参与者的手术伤口感染识别报告。未涉及 SSI 识别、手术伤口或未使用图像或视频数据的研究被排除在外。我们于 2022 年 11 月在 MEDLINE、Embase、CINAHL、CENTRAL、Web of Science 核心合集、IEEE Xplore、Compendex 和 arXiv 中搜索了相关研究。对检索到的记录进行了双重筛选以确定是否符合条件。使用数据提取工具绘制相关数据图表，以叙述方式描述并使用表格呈现。对 TRIPOD（个体预后或诊断的多变量预测模型透明报告）指南的使用情况进行了评估，并使用 PROBAST（预测模型偏倚风险评估工具）评估偏倚风险 (RoB)。结果：总共有 10 条筛选出的独特记录符合资格标准。在这些研究中，临床背景和手术程序各不相同。所有论文都开发了诊断模型，但没有一篇进行外部验证。使用传统 ML 和深度学习方法从大多为彩色的图像中识别 SSI，所用图像的数量从不到 50 张到数千张不等。此外，至少有4项研究报告了10个TRIPOD项目，但少于4项研究报告了15个项目。PROBAST评估显示，9项研究被认定为总体RoB较高，1项研究的RoB总体不明确。结论：基于机器学习的图像识别手术伤口感染的研究仍属新兴领域，需要标准化报告。未来应解决与图像采集、模型构建和数据源差异相关的局限性。