Клинические признаки и симптомы неточны, а методы выявления бактерий могут отнимать много времени и быть недоступными, поэтому диагноз может быть субъективным и зависеть от опыта врача. Инфекция может затормозить заживление или распространиться по организму, если ее не лечить быстро, подвергая здоровье пациента серьезной опасности.
«Лечение ран — одна из самых дорогостоящих и недооцениваемых угроз для пациентов и нашей системы здравоохранения в целом, — сказал Роберт Фрейзер из Западного университета и Swift Medical Inc., соответствующий автор исследования, опубликованного в Frontiers in Medicine. — Врачам нужны более совершенные инструменты и данные, чтобы наилучшим образом обслуживать своих пациентов, которые испытывают ненужные страдания».
Ученые разработали устройство под названием Swift Ray 1, которое можно подключить к смартфону и программному обеспечению Swift Skin and Wound. С его помощью можно делать фотографии медицинского качества, инфракрасные термографические изображения (которые измеряют температуру тела) и бактериальные флуоресцентные изображения (которые выявляют бактерии с помощью фиолетового света).
Ни одного из этих изображений будет недостаточно для выявления одной только инфекции. Клинический осмотр отличается низкой точностью, как и термография, измеряющая изменения температуры, вызванные воспалением и инфекцией. Бактериальная флуоресценция позволяет видеть только поверхность раны, которая естественным образом загрязнена бактериями, поэтому необходимы дополнительные методы, чтобы отличить загрязнение от инфицированной раны.
Исследования показали, что бактериологическая визуализация помогает руководить работой врачей по удалению нежизнеспособных тканей, но сама по себе она не может выявить инфекцию. Термография дает представление о воспалительных изменениях и изменениях кровообращения, происходящих под кожей.
Ученые стремились объединить эти методы, чтобы разработать метод, который не требовал бы множества дорогостоящих устройств, устранял бы недостатки каждого метода визуализации и мог бы обеспечить объективную оценку заживления ран.
Для тестирования своего устройства они привлекли 66 раненых пациентов. В их ранах не было признаков дальнейшего распространения инфекции, они не содержали инородных тел и ранее не лечились антибиотиками или факторами роста. Раны пациентов были открыты, очищены и высушены перед визуализацией, а затем за ними был обычный уход. Из 66 ран 20 считались невоспаленными, 26 были воспалены, а 20 инфицированы.
Исследователи провели анализ главных компонентов и использовали алгоритм, называемый кластеризацией ближайших k-соседей, чтобы выяснить, может ли модель машинного обучения точно идентифицировать эти различные категории ран. Они обнаружили, что модель может очень хорошо идентифицировать все три раны с общей точностью 74%. При различении инфицированных и неинфицированных ран модель правильно идентифицировала 100% инфицированных ран и 91% неинфицированных ран.
«Это было пилотное исследование, и планируются последующие исследования», — предупредил Фрейзер. — В будущем для валидации в разных популяциях потребуются пациенты с большим количеством типов ран».