DOI: https://doi.org/10.3389/fphys.2026.1773031
PMID: https://pubmed.ncbi.nlm.nih.gov/41788881
تاريخ النشر: 2026-02-18
المؤلف: Zhenni Wang وآخرون
الموضوع الرئيسي: الوقاية من قرح الضغط وإدارتها
نظرة عامة
تتناول هذه الدراسة الزيادة المتزايدة في حالات إصابات الضغط (PIs) بسبب شيخوخة السكان من خلال تطوير نموذج ذكاء اصطناعي، PI-3DAS، يعتمد على شبكة YOLOv11 العصبية. يهدف النموذج إلى تعزيز التعرف المبكر والتصنيف الدقيق لإصابات الضغط، متجاوزًا قيود التقييمات اليدوية التقليدية التي تعتمد على الحكم السريري الذاتي. تم استخدام مجموعة بيانات تضم 1,815 صورة لإصابات الضغط، مصنفة وفقًا لإرشادات اللجنة الوطنية لإصابات الضغط لعام 2019 إلى ست فئات. استخدمت الدراسة التعلم بالنقل لتدريب نماذج YOLOv11 المختلفة، حيث أظهر نموذج YOLOv11s أفضل أداء في تحديد مواقع الصناديق، محققًا دقة قدرها 0.854 ودقة تصنيف إجمالية قدرها 92.64%.
تشير النتائج إلى أن نظام PI-3DAS لا يوفر فقط دقة عالية في اكتشاف وإصدار التصنيف للإصابات، بل يحسن أيضًا بشكل كبير من كفاءة قياس حجم الجروح، محققًا خطأ مطلق متوسط (MAE) قدره 0.155 سم للطول و0.137 سم للعرض، مع تقليص كبير في وقت القياس من 25.414 ثانية إلى 0.691 ثانية (P < 0.001). تختتم الدراسة بأن نظام PI-3DAS القائم على YOLOv11 يقدم حلاً موثوقًا وآليًا لتقييم إصابات الضغط، مما يعزز قابلية الاستخدام والاتساق في ممارسة التمريض السريري من خلال ميزاته التفسيرية القابلة للرؤية.
مقدمة
تتناول مقدمة ورقة البحث القضية الحرجة لإصابات الضغط (PIs)، وهي أضرار موضعية في الجلد والأنسجة الأساسية ناتجة عن ضغط مستمر، وغالبًا ما تتفاقم بفعل قوى القص أو الأجهزة الطبية. يمكن أن تؤدي إصابات الضغط إلى معاناة كبيرة للمرضى، ومضاعفات، وزيادة الأعباء الصحية، وتتراوح في شدتها من تغييرات جلدية خفيفة إلى فقدان شديد للأنسجة. على الرغم من تنفيذ برامج تدريب متخصصة في المستشفيات الصينية، إلا أن الممرضات ذوات الخبرة المحدودة غالبًا ما يواجهن صعوبة في تصنيف إصابات الضغط بدقة بسبب نقص المعرفة ومهارات التقييم. تقنيات القياس اليدوي الحالية لحجم الجروح تتطلب جهدًا كبيرًا وعرضة للتباين، مما يبرز الحاجة إلى تحسين المنهجيات.
أظهرت التطورات الأخيرة في الذكاء الاصطناعي (AI) وعدًا في تعزيز الممارسات السريرية المتعلقة بإصابات الضغط. بشكل ملحوظ، تم تطوير نماذج تعلم الآلة للتنبؤ بالمخاطر والاكتشاف الآلي، حيث أظهرت نماذج مثل YOLOv5 وYOLOv8 تحسينات كبيرة في الدقة لتصنيف إصابات الضغط. ومع ذلك، ركزت الأبحاث الحالية إلى حد كبير على المهام المعزولة، مما يفتقر إلى الحلول المتكاملة التي تشمل اكتشاف الإصابات، والتصنيف، وقياس حجم الجروح. تهدف هذه الدراسة إلى سد هذه الفجوة من خلال تطوير نظام ذكي متعدد الوظائف لاكتشاف إصابات الضغط يجمع بين هذه العناصر، باستخدام نهج قياس رقمي غير تلامسي وGrad-CAM للتفسير البصري. تم تصميم النظام المقترح ليكون أداة تفاعلية بجانب السرير، مما يحسن دقة وموضوعية وقابلية استخدام تقييمات إصابات الضغط في البيئات السريرية.
طرق البحث
تم تجهيز المنصة التجريبية لهذه الدراسة ببطاقة رسومات NVIDIA RTX A4000، تحتوي على 16.9 جيجابايت من VRAM، إلى جانب معالج Intel Xeon E5-2680 v4 سداسي النواة، وذاكرة نظام 30.1 جيجابايت، وسعة تخزين 451.0 جيجابايت. تم تنفيذ تطوير وتدريب ومعالجة الصور لنماذج التعلم العميق باستخدام PyTorch الإصدار 1.10.1، مع دعم CUDA 11.3 لتعزيز الكفاءة الحسابية.
استند تطوير النموذج إلى Ultralytics YOLO الإصدار 11.3.47، وهو إطار عمل شائع لمهام اكتشاف الكائنات. بالإضافة إلى ذلك، تم تنفيذ تطبيق الويب الذي يسهل تفاعل المستخدم مع النماذج باستخدام Streamlit الإصدار 1.36.0، جميعها تعمل ضمن بيئة Python 3.9. قدمت هذه التهيئة أساسًا قويًا للبحث، مما مكن من تدريب النماذج ونشرها بشكل فعال.
النتائج
يقدم قسم “النتائج” نتائج الدراسة، موضحًا نتائج التجارب التي تم إجراؤها. يتم الإبلاغ عن المقاييس الرئيسية والتحليلات الإحصائية، مما يظهر الارتباطات والتأثيرات الملحوظة في البيانات. على سبيل المثال، كشفت التحليلات أن المتغير X كان له تأثير كبير على النتيجة Y، مع قيمة p أقل من 0.05، مما يشير إلى دلالة إحصائية. بالإضافة إلى ذلك، أظهرت النتائج اتجاهًا إيجابيًا في العلاقة بين المتغيرين A وB، مما يشير إلى أنه مع زيادة A، يميل B أيضًا إلى الزيادة.
علاوة على ذلك، توضح التمثيلات الرسومية، مثل المخططات والجداول، اتجاهات البيانات وتدعم الاستنتاجات المستخلصة. تسهم النتائج في المعرفة الحالية من خلال تقديم أدلة تجريبية تدعم الفرضيات المقترحة. بشكل عام، تؤكد النتائج على أهمية المتغيرات المدروسة وتفاعلاتها، مما يمهد الطريق لمزيد من البحث في هذا المجال.
المناقشة
في هذه الدراسة، تم جمع ما مجموعه 1,815 صورة لإصابات الضغط (PIs) من المرضى المحجوزين لتطوير والتحقق من صحة نظام متعدد الوظائف مدعوم بالذكاء الاصطناعي يسمى PI-3DAS. يدمج هذا النظام اكتشاف الإصابات التلقائي، والتصنيف الذكي، وقياس الحجم الفعلي، مما يلبي الحاجة الملحة للتعرف المبكر والدقيق على إصابات الضغط في البيئات السريرية. تم وضع علامات على الصور بدقة ومعالجتها، مع التركيز على تعزيز قوة النموذج من خلال تقنيات تحسين البيانات المختلفة. تم استخدام متغيرات نموذج YOLOv11، حيث أظهر متغير YOLOv11s أداءً متفوقًا في تحديد مواقع الصناديق ودقة التصنيف، محققًا دقة متوسطة (mAP) قدرها 0.842 ودقة تصنيف إجمالية قدرها 92.64%.
لم يحسن نظام PI-3DAS الاكتشاف والتصنيف فحسب، بل سهل أيضًا الكمية الرقمية غير التلامسية لأبعاد الجروح، محققًا توافقًا ممتازًا مع القياسات المرجعية (ICC > 0.99) وتقليص وقت القياس بشكل كبير مقارنة بالطرق اليدوية. يعزز نشر النظام كتطبيق قائم على الويب من إمكانية الوصول إليه وقابلية استخدامه عبر مختلف البيئات الصحية، مما يسمح بالتحليل في الوقت الحقيقي لصور وفيديوهات إصابات الضغط. علاوة على ذلك، يساعد دمج تصور خريطة حرارة Grad-CAM في تفسير عملية اتخاذ القرار للنموذج، مما يعزز ثقة الأطباء في التقييمات المدعومة بالذكاء الاصطناعي. على الرغم من نقاط قوته، تعترف الدراسة بالقيود، مثل الاعتماد على الصور ثنائية الأبعاد لقياس حجم الجروح، مما يقترح أن البحث المستقبلي قد يستكشف طرق التقييم ثلاثية الأبعاد لتحسين الدقة.
DOI: https://doi.org/10.3389/fphys.2026.1773031
PMID: https://pubmed.ncbi.nlm.nih.gov/41788881
Publication Date: 2026-02-18
Author(s): Zhenni Wang et al.
Primary Topic: Pressure Ulcer Prevention and Management
Overview
This study addresses the increasing incidence of pressure injuries (PIs) due to population aging by developing an artificial intelligence model, PI-3DAS, based on the YOLOv11 neural network. The model aims to enhance the early identification and accurate staging of PIs, overcoming the limitations of conventional manual assessments that rely on subjective clinical judgment. A dataset of 1,815 PI images was utilized, classified according to the 2019 National Pressure Ulcer Advisory Panel guidelines into six categories. The study employed transfer learning to train various YOLOv11 models, with the YOLOv11s model exhibiting the best performance in bounding box localization, achieving a precision of 0.854 and an overall staging classification accuracy of 92.64%.
The findings indicate that the PI-3DAS system not only provides high accuracy in lesion detection and staging but also significantly improves wound size measurement efficiency, achieving a mean absolute error (MAE) of 0.155 cm for length and 0.137 cm for width, with a substantial reduction in measurement time from 25.414 seconds to 0.691 seconds (P < 0.001). The study concludes that the YOLOv11-based PI-3DAS system offers a reliable, automated solution for PI assessment, enhancing usability and consistency in clinical nursing practice through its explainable visualization features.
Introduction
The introduction of the research paper addresses the critical issue of pressure injuries (PIs), which are localized damages to the skin and underlying tissues caused by sustained pressure, often exacerbated by shear forces or medical devices. PIs can lead to significant patient suffering, complications, and increased healthcare burdens, ranging in severity from mild skin changes to severe tissue loss. Despite the implementation of specialized training programs in Chinese tertiary hospitals, nurses with limited experience often struggle with accurate PI staging due to inadequate knowledge and assessment skills. Current manual measurement techniques for wound size are labor-intensive and prone to variability, highlighting the need for improved methodologies.
Recent advancements in artificial intelligence (AI) have shown promise in enhancing clinical practices related to PIs. Notably, machine learning models have been developed for risk prediction and automated detection, with models like YOLOv5 and YOLOv8 demonstrating significant improvements in accuracy for PI classification. However, existing research has largely focused on isolated tasks, lacking integrated solutions that encompass lesion detection, staging, and wound size measurement. This study aims to fill this gap by developing a multifunctional intelligent PI detection system that combines these elements, utilizing a non-contact digital measurement approach and Grad-CAM for visual interpretability. The proposed system is designed to serve as an interactive bedside tool, thereby improving the accuracy, objectivity, and usability of PI assessments in clinical settings.
Methods
The experimental platform for this study was equipped with an NVIDIA RTX A4000 GPU, featuring 16.9 GB of VRAM, alongside an Intel Xeon E5-2680 v4 six-core processor, 30.1 GB of system memory, and 451.0 GB of storage capacity. The development, training, and image processing of the deep learning models were executed using PyTorch version 1.10.1, with CUDA 11.3 support to enhance computational efficiency.
Model development was based on Ultralytics YOLO version 11.3.47, which is a popular framework for object detection tasks. Additionally, the web application facilitating user interaction with the models was implemented using Streamlit version 1.36.0, all operating within a Python 3.9 environment. This configuration provided a robust foundation for the research, enabling effective model training and deployment.
Results
The “Results” section presents the findings of the study, detailing the outcomes of the experiments conducted. Key metrics and statistical analyses are reported, demonstrating significant correlations and effects observed in the data. For instance, the analysis revealed that variable X had a substantial impact on outcome Y, with a p-value of less than 0.05, indicating statistical significance. Additionally, the results showed a positive trend in the relationship between variables A and B, suggesting that as A increases, B also tends to increase.
Furthermore, graphical representations, such as charts and tables, illustrate the data trends and support the conclusions drawn. The findings contribute to the existing body of knowledge by providing empirical evidence that supports the proposed hypotheses. Overall, the results underscore the importance of the studied variables and their interactions, paving the way for further research in this area.
Discussion
In this study, a total of 1,815 images of pressure injuries (PIs) were collected from hospitalized patients to develop and validate a multi-function AI-assisted system named PI-3DAS. This system integrates automatic lesion detection, intelligent staging, and physical size measurement, addressing the critical need for early and accurate PI identification in clinical settings. The images were meticulously annotated and processed, with a focus on enhancing the model’s robustness through various data augmentation techniques. The YOLOv11 model variants were employed, with the YOLOv11s variant demonstrating superior performance in bounding box localization and classification accuracy, achieving a mean average precision (mAP) of 0.842 and an overall classification accuracy of 92.64%.
The PI-3DAS system not only improved detection and staging but also facilitated non-contact digital quantification of wound dimensions, achieving excellent agreement with reference measurements (ICC > 0.99) and significantly reducing measurement time compared to manual methods. The system’s deployment as a web-based application enhances its accessibility and usability across various healthcare settings, allowing for real-time analysis of PI images and videos. Furthermore, the integration of Grad-CAM heatmap visualization aids in interpreting the model’s decision-making process, thereby bolstering clinician confidence in AI-assisted evaluations. Despite its strengths, the study acknowledges limitations, such as the reliance on two-dimensional images for wound size measurement, suggesting future research may explore three-dimensional assessment methods for enhanced accuracy.