創傷治癒の進行状況を評価するために 4 週間待つ代わりに、臨床医はいつか 1 枚のスマートフォンの熱画像を使用して、治癒しないリスクのある糖尿病性足部潰瘍を特定し、より早く介入できるようになるでしょう。
研究: 初期評価時の糖尿病関連足潰瘍治癒の自動予測。画像クレジット: Fernando Avendano/Shutterstock.coメートル
糖尿病関連の足潰瘍 (DFU)は、重大な罹患率と早期死亡率を伴う糖尿病の重篤な合併症です。最近の論文では、 糖尿病科学と技術ジャーナル の暫定的な実現可能性についての報告 AIスマートフォンベースの熱画像プラットフォームを使用し、この症状が最初に現れたときに治癒の可能性を予測し、タイムリーな管理上の決定を導きます。
糖尿病性足潰瘍にはなぜ早期の治癒予測が必要なのか
慢性糖尿病関連足部潰瘍(DFU)の可能性が高い現在の臨床マーカーは、4 週間の標準治療での創傷面積の減少が 50% 未満であることです。しかし、これは、創傷サイズの縮小に基づく治癒遅延の信頼できる指標が最初の訪問からわずか 1 か月後に得られることを意味し、標的を絞った介入が遅れる可能性があります。
通常、視覚検査と連続創傷の評価は、四肢の灌流の客観的な測定と感染の重症度および四肢の脅威の評価によって補完されます。遠隔地の患者にとって、足の専門センターへの長距離移動を繰り返すことは、費用、苦痛、健康状態の点で負担となる可能性があります。
熱画像は、微小循環障害や組織の生存率を特定するために使用することもでき、治癒結果の予測性能を向上させるのに役立ちます。ただし、研究者は罹患した足の温度をもう一方の足と比較することが多く、環境変数 (周囲温度、湿度、気流など) や、糖尿病でよく見られるように両足が罹患している場合には誤差が生じる可能性があります。
著者らは、初診時に撮影された 1 枚の非接触熱画像から 12 週間の治癒を予測するプラットフォームである TherMUL を開発しました。
AI が糖尿病性足部潰瘍内の熱パターンを分析
TherMUL は、FLIR One サーマル カメラを中心に構築されたスマートフォン ベースのシステムです。約20cm離れたところから撮影した熱画像と標準カラー画像のペアを撮影します。影響を受けた足を他の足と比較することを避けます。
代わりに、グレーレベルの共起行列 (GLCM) 特徴。モデル開発中、研究者はカラー画像上で創傷領域を手動で特定しましたが、予備評価では自動化された創傷特定が使用されました。最も重要な特徴は、エネルギー、均一性、二乗和 (分散) でした。著者らはこれらを、傷の温度がどの程度均一か不均一であるかに関連付けています。
温度の不均一さは、炎症、感染症、または灌流不足を反映している可能性があります。逆に、均質性は、局所的な虚血や感染が少なく、均一な組織代謝を反映している可能性があります。
研究者が AI をトレーニングして 12 週間の治癒結果を予測
著者らは、メルボルンにある2つの足の専門クリニックで前向き観察コホート研究を実施した。参加者は、糖尿病および保護感覚の喪失を伴う末梢神経障害を患う成人でした。彼らは、潰瘍を虚血の程度が低く、創傷、虚血、足の感染症による感染の重症度が高いものに限定しました(Wi-Fi)分類。
ベースライン画像はデブリードマンの前に撮影されました。結果は、モデルとは無関係に足病医と内分泌学者によって判断され、12週間で完全治癒でした。予測モデルは、12 週間の治癒結果が確立された後、ベースライン画像を使用して遡及的に開発されました。
線形サポート ベクター マシンは、56 人の参加者からの 68 個の潰瘍のデータを使用して開発されました。このうち、44人は治癒したが、24人は治癒せず、うち2人は切断となった。研究者らは、5 分割交差検証を繰り返してモデルのパフォーマンスを評価しました。これらのフォールドにはそれぞれ、約 55 のトレーニング サンプルと 13 のテスト サンプルが含まれていました。
トレーニング セットには、約 36 個の治癒サンプルと 19 個の非治癒サンプルが含まれていました。クラスの不均衡を調整するために、著者らは合成少数派オーバーサンプリング手法を適用しました (リモート) 修復されていないグループの合成サンプルを生成し、オーバーサンプリングを有効にしますが、トレーニング フォールド内でのみ可能です。
TherMUL は潰瘍治癒の予測において中程度の精度を示しています
テスト中、モデルには平均値がありました。 AUC 0.635 であり、中程度の予測パフォーマンスを示しています。未治癒の潰瘍を検出する感度は 75.8%、治癒した潰瘍を識別する特異性は 53% でした。平均精度は 61% でした。
したがって、このモデルは、最終的に治癒した潰瘍のほぼ半数を非治癒として誤って分類したにもかかわらず、治癒の可能性が低い潰瘍を識別する点では優れていました。トレーニング フォールドでは、パフォーマンスが若干高く、AUC は 0.717 でした。
7 つの未確認の潰瘍 (4 つは治癒し、3 つは未治癒) の別のセットを使用して、予備的な実行可能性チェックを実行しました。モデルは 7 つのうち 5 つを正しく分類しました。モデルは、治癒した潰瘍の 1 つは治癒せず、未治癒の潰瘍の 1 つは治癒すると予測しました。ただし、この小さなサンプルでは、他の患者集団におけるモデルのパフォーマンスについての最終的な結論は得られません。
スマートフォンによる画像処理により専門治療へのアクセスが改善される可能性がある
著者らは、モデルのパフォーマンスは中程度であると説明しています。彼らは、これにより、繰り返し画像化することなく、最初の訪問時にポイントオブケア予測が早期に実現可能であることが示されたと述べている。彼らは、このツールが臨床上の意思決定をサポートし、臨床医の判断を補完するものであると提示しています。
彼らによれば、このようなツールは田舎や遠隔地で特に役立つ可能性があるという。特に、GLCM の特徴は解釈可能であるため、臨床医が予測を理解し、モデルに対する適切なレベルの信頼を築くのに役立ちます。
さらに、この設計は、時間の経過に伴う画像化部位の温度の変化や非対称性の長期的な評価に依存する以前の熱画像ツールに比べて、潜在的な利点を提供します。これにより、拡張性が向上し、患者が繰り返し撮影する負担が軽減される可能性があります。
サンプルが少なく、設定が制御されているため、幅広い適用性が制限される
このモデルはいくつかの制限の下で動作しました。データは管理された診療室からのみ得られたものであり、周囲の温度、湿度、空気の流れの変化が考慮されていないため、家庭や地域ベースの環境での適用が制限される可能性があります。
著者らは、創傷領域の輪郭を描く際の評価者間の合意を正式に評価しなかった。虚血および感染の重症度が低い神経障害性潰瘍に限定されることにより、より複雑な DFU に対する所見の一般化も制限されます。サンプルは小さいため、著者らは外部検証を備えた、より大規模でより多様なデータセットを求めています。
TherMUL を臨床上の意思決定に使用することで患者の転帰が改善されるかどうかを確立するには、さらなる研究が必要です。
AI を活用したサーマルイメージングにより、個別の創傷ケアが期待できます
この研究は、最初の臨床評価で取得した単一の画像を使用して DFU 治癒状態を予測する実現可能性を実証しており、複数回のフォローアップ訪問にわたる縦断画像に依存する既存のアプローチに比べて実質的な進歩を示しています。
将来の研究には、WIfI などの確立された予測因子との比較が含まれる必要があります。
さらに、著者らは、予測精度を向上させる可能性があるために、熱的特徴を年齢、糖尿病の期間、喫煙、神経障害の状態などの定期的に収集される変数と組み合わせる必要があると提案しています。最後に、彼らは、専門家によって検証されたDFU非治癒に対する複数レベルのリスクグレード(つまり、低、中、高)により、このツールの臨床的関連性が高まる可能性があると提案しています。






/2026/11/18/6afdea9ac3fea003420443.jpg)

Leave a Reply