《npj Digital Medicine》多模态神经网络助力术后伤口远程监测：大幅减负且精准如初

为解决远程监测数据增多致医护负担加重及 SSI 诊断难题，英国 NHS Lothian 研究人员开展多模态神经网络用于术后伤口远程监测研究。结果显示该模型诊断性能佳且可减负担，对推动医疗数字化意义重大，值得一读。

　　

在当今数字化时代，医疗领域的数字化转型正进行得如火如荼。政府和医疗机构都逐渐意识到，数字化转型可不是可有可无的选项，而是未来医疗发展的必由之路。通过数字化手段，不仅能鼓励大家养成更健康的生活方式，还能对各种健康状况进行更高效的监测和管理，为人们的健康保驾护航。就拿外科手术来说，术后远程监测的数字化健康干预（DHIs）越来越受到关注，它就像一双无形的 “电子眼”，能及时发现患者恢复过程中的异常情况，快速识别患者恢复不佳或潜在的术后并发症，从而让医护人员迅速采取措施，这对于降低患者的发病率和死亡率至关重要。尤其在现在患者出院越来越早的趋势下，很多原本在医院里才会出现的并发症，现在可能会在家里发生，这时候远程监测就显得更加重要了。

然而，理想很丰满，现实却很骨感。虽然 DHIs 潜力巨大，但在实际的医疗系统中，它的潜能还远远没有发挥出来。随着远程监测收集到的患者数据越来越多，也越来越复杂，这可给医护人员带来了沉重的负担。大量的数据需要他们去仔细审查和处理，可要是没有足够的人手，也没有有效的决策辅助工具，这些 DHIs 想要融入日常临床实践，简直比登天还难。不过，DHIs 也带来了新的机遇，比如利用自动化评估来减轻医护人员的负担。已经有研究显示，神经网络模型可以利用多模态数据（就像是把患者的各种信息，比如症状描述、伤口图片等整合在一起）进行诊断，甚至有可能超越临床医生的诊断能力。但目前在外科手术的远程监测中，还没有证据表明这些模型能真正发挥作用。

手术部位感染（SSI）是术后常见的并发症之一，它对患者的健康影响很大，不仅会增加患者的发病率和死亡率，还会让患者在医疗资源的使用上花费更多。通过远程伤口监测来进行 SSI 的监测，能更早地发现感染迹象，减少患者不必要的就医次数，提高医疗质量。不过，SSI 的症状有时很难和手术切口的正常炎症反应区分开来，医生需要综合考虑患者自己说的症状、伤口的视觉情况以及触摸的感觉等多方面因素才能做出准确诊断。而且，要是只依靠患者报告的结果测量（PROMs）来判断，误诊的概率还挺高。所以，为了解决这些问题，英国 NHS Lothian 的研究人员在《npj Digital Medicine》期刊上发表了一篇名为《Automated assessment of surgical wounds using multimodal neural networks for remote postoperative monitoring》的论文 。他们通过研究发现，开发的多模态神经网络模型在预测 SSI 方面表现出色，和临床医生的分诊水平不相上下，而且在外部验证中也展现出了良好的性能。同时，模拟使用该模型还能大幅减少医护人员的工作时间，这对于缓解医护人员的压力、提高医疗效率有着重要意义。

为了开展这项研究，研究人员主要运用了以下几种关键技术方法：

• 数据来源：分析了两项前瞻性干预研究的多模态患者生成数据，这两项研究分别是 “Tracking wound infection with smartphone technology”（TWIST）和 “ImplementatioN of Remote Surgical wOund Assessment during the coviD - 19 pandEmic”（INROADE），涉及在两家医院接受胃肠道手术的成年患者。

• 神经网络建模：分别针对患者报告的症状和伤口图像，利用神经网络框架进行模型开发。对于患者报告的症状，使用多层感知器（MLP）模型，并和多变量逻辑回归进行对比；对于伤口图像，则运用卷积神经网络（CNN）模型。最后，通过后期融合的方式将这两种模型结合起来，形成多模态神经网络。

• 模拟实施策略：对不同的自动化评估实施场景进行模拟，包括 “混合评估”（先通过自动化排除低风险伤口，再进行临床审查）和完全自动化评估，以此来探究其在远程术后伤口监测护理路径中的医疗影响。

下面我们来详细看看这项研究的结果：

• 患者数据和症状报告：在参与研究的 423 名患者中，“TWIST” 试验里有 52.7%（223/423）的患者，“INROADE” 研究中有 47.3%（200/423）的患者接受了干预。两个研究中的患者在一些特征上有相似之处，但 “INROADE” 研究中的患者年龄更大，接受开放性或更复杂手术的比例更高，30 天内 SSI 的发生率也明显更高。在所有患者中，75.4%（319/423）的患者提交了临床审查的回复。而且，患者报告的 SSI 症状差异很大，大部分患者要么没报告症状，要么只报告了单一症状。虽然 48 小时内确诊 SSI 的比例不高，但根据 PROMs 远程审查怀疑 SSI 的比例相对较高。

• 模型预测性能：研究人员发现，无论是使用 MLP 模型还是逻辑回归方法，都能非常准确地预测医生基于远程审查对 SSI 的怀疑。不过，预测 48 小时内确诊 SSI 的准确性相对较低，但两种方法在排除远程审查中无 SSI 怀疑的 PROMs 方面，和医生的表现相当。对于伤口图像，独立的 CNN 模型在开发数据中预测远程分诊怀疑 SSI 的表现很好，但在外部验证时有所下降。而结合了 MLP 和 CNN 模型的多模态神经网络，在预测基于 PROMs 和伤口图像远程审查怀疑 SSI 方面，无论是在开发数据还是外部验证中，都表现出色，而且在预测 48 小时内确诊 SSI 方面，和临床医生的分诊水平相当。

• 模拟实施效果：研究人员将基线路径（全面临床评估）和自动化评估的两种策略（“混合评估” 和完全自动化评估）进行了对比。以预测 SSI 概率≤20% 为示例阈值进行分析，发现两种自动化评估方法在识别 48 小时内确诊 SSI 方面都有很好的区分度，失败率也很低，和临床医生审查的效果相当。“混合评估” 策略能显著减少医护人员分诊回复的工作时间，而且对 48 小时内确诊 SSI 的特异性更高，能减少建议当面审查的患者数量。完全自动化评估虽然能完全减轻医护人员审查回复的负担，对识别 48 小时内确诊 SSI 最敏感，但建议当面审查的患者数量较多，可能会给医疗服务带来不必要的负担。

从研究结论和讨论部分来看，这项研究意义非凡。随着手术需求的不断增加，SSI 带来的负担也越来越重，而这项研究中的自动化评估方法为缓解医疗服务压力提供了新的途径。研究人员通过神经网络，找到了自动评估 PROMs 和手术伤口图像的新方法，能识别出 SSI “低风险” 的伤口。最终的多模态模型在识别 48 小时内确诊 SSI 的伤口方面，和临床医生的审查效果一样好，而且在外部验证中表现稳定。模拟结果显示，自动排除 “低风险” 伤口能减少超过 80% 的医护人员工作时间，同时还能保持较低的失败率。

不过，这项研究也存在一些局限性。比如，开发数据集中的事件发生率较低，这和患者的依从性有关，也和研究中缺乏对患者回复的直接临床验证有关。参与临床研究的医院服务的主要是白人种族人群，其他种族背景的患者参与较少，这可能会影响模型对不同肤色患者伤口的识别能力。而且，患者用智能手机拍摄的图像质量参差不齐，CNN 模型对图像质量要求较高，这也在一定程度上影响了模型性能。另外，自动化评估只利用了某一时刻的信息，没有考虑到术后 SSI 风险的变化情况。

尽管如此，这项研究还是为医疗领域的数字化转型提供了重要的参考。它展示了自动化评估在远程术后伤口监测中的巨大潜力，能在不影响医疗质量的前提下，减轻医护人员的负担，让医疗资源能更合理地分配给那些真正需要的患者。随着医疗数字化的不断推进，要想让这些方法更好地融入医疗护理路径，还需要所有利益相关者的共同参与，确保它们能以安全、透明、可接受的方式被应用到实际临床中。相信在未来，这些技术会不断完善，为医疗健康事业带来更多的惊喜和改变，让患者能享受到更优质、高效的医疗服务。