milan米兰体育 多模式机器学习通过医疗保健工作量影响评估来预测手术部位感染

引用

McLean KA、Sgro A、Brown LR、Buijs LF、Mountain KE、Shaw CA、Drake TM、Pius R、Knight SR、Fairfield CJ、Skipworth RJE、Tsaftaris SA、Wigmore SJ、Potter MA 和 Bouamrane M (2025) 通过多模式机器学习预测手术部位感染对医疗工作量的影响 评估。npj 数字医学，8，艺术。编号：121。https://doi.org/10.1038/s41746-024-01419-8

摘要
远程监控对于医疗保健数字化转型至关重要，但是，随着收集的数据不断增加，这给医疗保健提供者带来了更大的审核和响应负担。这项研究开发了一种多模式神经网络，可以自动评估来自远程术后伤口监测的患者生成的数据。 两项涉及成人胃肠手术患者的介入研究收集了术后 30 天的伤口图像和患者报告的结果测量 (PROM)。结合 PROM 和图像的神经网络可在 48 小时内预测手术部位感染 (SSI) 的诊断。用于预测 48 小时内确认的 SSI 的多模态神经网络模型与临床医生分类相当（0.762 [0.690-0.835] vs 0.777 [0.721-0.832]），在外部验证方面具有出色的性能。模拟使用表明工作人员时间减少了 80%（51.5 至 9.1 小时），且不影响诊断准确性。这种多模式方法可以有效支持远程监控，减轻提供者的负担，同时确保高质量的术后护理。

关键字
机器学习；手术部位感染；远程术后监测；远程医疗；围手术期医学

注释
其他作者： Ewen M Harrison 和 TWIST 合作者 [K. Baweja、W.A.剑桥、V.Chauhan、K.Czyzykowska、M.Edirisooriya、A.Forsyth、B.Fox、J.Fretwell、C.Gent、A.Gherman、L.Green、J.Grewar、S.Heelan、D.Henshall、C.Iiuoma、S.Jayasangaran、C.Johnston、E.Kennedy、D.Kremel、J.Kung、 J。 Kwong、C. Leavy、J. Liu、S. Mackay、A. MacNamara、S. Mowitt、E. Musenga、N. Ng、Z. H. Ng、S. O’Neill、M. Ramage、J. Reed、A. Riad、C. Scott、V. Sehgal、A. Sgrò、L. Steven、B. Stutchfield、S. Tominey、W. Wilson、M. Wojtowicz & J.杨]

期刊
npj 数字医学：第 8 卷

• 多模式机器学习通过医疗工作量影响评估来预测手术部位感染