npj Digital Medicine：自动化评估显著提升远程术后伤口监测的诊断效率

在外科领域，人们对远程术后监测的数字健康干预措施越来越感兴趣。这被视为一种途可以促进对患者恢复不良或潜在术后并发症的快速识别和适当反应的途径。然而，人们普遍承认，数字健康干预措施的潜力尚未在医疗保健系统中实现。有早期证据表明，神经网络模型利用多模态数据，有可能达到或超过临床医生的诊断能力，尽管需要进一步的研究来验证这些发现在临床环境中的有效性。

手术部位感染（surgical-site infections，SSI）作为一种最常见的术后并发症，是一个有希望的初步目标，它与发病率、死亡率和患者医疗保健利用率的实质性影响相关。SSI的症状可能很难与手术切口引起的预期炎症区分开来，临床医生需要考虑患者报告的症状以及视觉或触觉证据来进行诊断。这可能包括局部疼痛、肿胀（水肿）、发红（红斑）、发热或脓液，以及对感染的全身反应（发热）。这种多模态评估被认为对患者和临床医生进行远程术后伤口监测至关重要，特别是有证据表明，单独使用患者报告的结局指标（patient-reported outcome measures，PROMs）可能会导致较高的误报率。因此，本研究旨在开发一个神经网络框架，用于对患者生成的多模态数据进行自动化评估，以根据其SSI风险预测是否需要亲自复查。此外，本研究还旨在评估如何在远程术后伤口监测途径中有效实施自动化评估的策略。

本研究共纳入423名接受干预的患者：其中52.7%（n＝223/423）来自“利用智能手机技术追踪伤口感染”（TWIST）试验，47.3%（n＝200/423）来自“新冠疫情期间远程手术伤口评估的实施”（INROADE）研究。总体共收集了1,545份包含患者报告结局（PROMs）的反馈。在临床研究中，共收集了2,615张图像。本研究构建了多模态神经网络，结合了各自的MLP和卷积神经网络（convolutional neural network，CNN）模型。

图1：（a）TWIST和INROADE研究中的所有患者，（b）多模态神经网络框架的所有组件

本研究结合了用于PROMs和图像的神经网络，以在48小时内预测手术部位感染（SSI）的诊断。结果显示，无论是在INROADE研究中使用多层感知器（multilayer perceptron，MLP）模型（0.988，95% CI：0.983–0.993）还是逻辑回归方法（0.984，95% CI：0.978–0.991），临床医生基于远程审查对SSI的怀疑几乎可以完全准确地预测，且在外部验证中模型性能相当。值得注意的是，这两种方法在“排除”远程审查中无疑似SSI的PROMs方面均表现出与临床医生相当的性能。在开发数据中，该多模态神经网络模型在48小时内预测确诊SSI的能力与临床医生分诊相当（0.762 [0.690–0.835] vs 0.777 [0.721–0.832]），并在外部验证中表现出色。

图2：在48小时内，对PROMs和伤口图像进行评估的不同方法对于预测疑似和确诊SSI的诊断准确性

此外，在临床评估之前，使用自动化评估筛选出“低风险”反应，可显著减少混合评估途径中分类反应所需的工作人员工时（9.1小时（-82.4%））。与全面的临床评估相比，48小时内诊断出的SSI的特异性也显著提高（0.944 [95% CI：0.932–0.955]与0.894 [95% CI：0.878–0.909]），从而显著减少了面对面复查的建议次数（115次（7.4%）与197次（12.8%），P<0.001）。

总体而言，本研究表明，在远程术后伤口监测途径中，这种多模态方法可以有效地支持远程监测，减轻提供者负担，同时确保高质量的术后护理。

原始出处：

McLean, K.A., Sgrò, A., Brown, L.R. et al. Multimodal machine learning to predict surgical site infection with healthcare workload impact assessment. npj Digit. Med. 8, 121 (2025). https://doi.org/10.1038/s41746-024-01419-8