A carregar...
Publicação
Risk Prediction Analysis for Post-Surgical Complications in Cardio-Thoracic Surgery
| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 8.57 MB | Adobe PDF |
Autores
Orientador(es)
Resumo(s)
The detection of wound infections in post cardio-thoracic surgery patients is a critical and
challenging issue in postoperative care, due to the high risk of Surgical Site Infections (SSIs)
associated with the complexity and invasiveness of these procedures. Early identification
of infection risks can significantly improve patient outcomes and reduce healthcare costs.
This thesis, part of the CardioFollow.AI project, a digital telemonitoring service to
track the recovery of cardio-thoracic surgery patients, aims to develop an AI-based system
for automatic infection risk prediction from patient-submitted wound images. Building
upon prior work, this study expands the dataset from 34 to 110 patients and extends the
monitoring period from 30 to 90 days, thereby providing a more comprehensive basis for
model development.
The proposed system integrates a computer vision pipeline centered on YOLOv8 for
wound detection and classification. Two classification strategies were evaluated: a binary
model distinguishing between infection risk and non-risk, and a multi-class model that
simultaneously predicts wound type (chest, leg, or drain) and infection risk. Data aug-
mentation techniques were implemented to address class imbalance and improve model
generalization, while the Optuna framework was used for automated hyperparameter
optimization. In addition, a temporal analysis module was integrated to visualize wound
progression over time.
The object detection model achieved a final mean IoU of 94.7%, Dice Coefficient of
97.3%, and a Precision of 98.0%. The binary classification approach with data augmentation
yielded the highest predictive performance with an F1-score of 98.8% and Kappa score
of 0.775, while the multi-class model offered additional clinical detail with slightly lower
F1-score, 95.7%, and a Kappa score of 0.902. These results demonstrate the feasibility
and clinical relevance of using AI-powered image analysis for early SSI detection and
postoperative wound monitoring, paving the way for future integration into telehealth
platforms.
A deteção de infeções em feridas cirúrgicas de pacientes submetidos a cirurgia cardio- torácica constitui um desafio nos cuidados pós-operatórios, devido ao elevado risco de infeções do sítio cirúrgico (SSIs), associado à complexidade e invasividade destes procedi- mentos. A identificação precoce de sinais de infeção pode melhorar significativamente os resultados clínicos dos pacientes e reduzir os custos associados aos cuidados de saúde. Esta dissertação, desenvolvida no âmbito do projeto CardioFollow.AI, um serviço digital de telemonitorização que acompanha a recuperação de pacientes após cirurgia cardio-torácica, tem como objetivo desenvolver um sistema baseado em Inteligencia Ar- tificial capaz de identificar o risco de infeção a partir de imagens de feridas submetidas pelos próprios pacientes. Dando continuidade ao trabalho anterior, este estudo alarga o conjunto de dados piloto de 34 para 110 doentes e estende o período de monitorização de 30 para 90 dias, proporcionando uma base mais robusta para o desenvolvimento do modelo. O sistema proposto integra um pipeline de Computer Vision centrado no modelo YOLOv8 para deteção e classificação de feridas. Foram avaliadas duas estratégias de classificação: um modelo binário, que distingue entre a presença e ausência de sinais de risco de infeção; e um modelo multiclasse, que prevê simultaneamente o tipo de ferida (torácica, perna ou dreno) e o risco de infeção. Para lidar com o desequilíbrio entre classes e melhorar a generalização do modelo, foram aplicadas técnicas de aumento de dados, bem como o framework Optuna para uma otimização automática dos hiperparâmetros. Adicionalmente, foi integrado um módulo de análise temporal para visualizar a progressão das feridas ao longo do tempo. O modelo de deteção obteve uma IoU média de 94.7%, um Dice Coefficient de 97.3% e uma Precision de 98.0%. Na etapa de classificação, a abordagem binária com aumento de dados revelou o melhor desempenho, apresentando um F1-score de 98.8% e um Kappa score de 0.775. Por sua vez, o modelo multiclasse ofereceu maior detalhe clínico, com um F1-score ligeiramente inferior, 95.7%, mas com um Kappa score mais elevado, 0.902. Estes resultados demonstram a viabilidade e a relevância clínica da utilização da análise de imagem assistida por inteligência artificial na deteção precoce de SSIs e no acompanhamento remoto de feridas cirúrgicas, abrindo caminho para a futura integração destes sistemas em plataformas de telemedicina.
A deteção de infeções em feridas cirúrgicas de pacientes submetidos a cirurgia cardio- torácica constitui um desafio nos cuidados pós-operatórios, devido ao elevado risco de infeções do sítio cirúrgico (SSIs), associado à complexidade e invasividade destes procedi- mentos. A identificação precoce de sinais de infeção pode melhorar significativamente os resultados clínicos dos pacientes e reduzir os custos associados aos cuidados de saúde. Esta dissertação, desenvolvida no âmbito do projeto CardioFollow.AI, um serviço digital de telemonitorização que acompanha a recuperação de pacientes após cirurgia cardio-torácica, tem como objetivo desenvolver um sistema baseado em Inteligencia Ar- tificial capaz de identificar o risco de infeção a partir de imagens de feridas submetidas pelos próprios pacientes. Dando continuidade ao trabalho anterior, este estudo alarga o conjunto de dados piloto de 34 para 110 doentes e estende o período de monitorização de 30 para 90 dias, proporcionando uma base mais robusta para o desenvolvimento do modelo. O sistema proposto integra um pipeline de Computer Vision centrado no modelo YOLOv8 para deteção e classificação de feridas. Foram avaliadas duas estratégias de classificação: um modelo binário, que distingue entre a presença e ausência de sinais de risco de infeção; e um modelo multiclasse, que prevê simultaneamente o tipo de ferida (torácica, perna ou dreno) e o risco de infeção. Para lidar com o desequilíbrio entre classes e melhorar a generalização do modelo, foram aplicadas técnicas de aumento de dados, bem como o framework Optuna para uma otimização automática dos hiperparâmetros. Adicionalmente, foi integrado um módulo de análise temporal para visualizar a progressão das feridas ao longo do tempo. O modelo de deteção obteve uma IoU média de 94.7%, um Dice Coefficient de 97.3% e uma Precision de 98.0%. Na etapa de classificação, a abordagem binária com aumento de dados revelou o melhor desempenho, apresentando um F1-score de 98.8% e um Kappa score de 0.775. Por sua vez, o modelo multiclasse ofereceu maior detalhe clínico, com um F1-score ligeiramente inferior, 95.7%, mas com um Kappa score mais elevado, 0.902. Estes resultados demonstram a viabilidade e a relevância clínica da utilização da análise de imagem assistida por inteligência artificial na deteção precoce de SSIs e no acompanhamento remoto de feridas cirúrgicas, abrindo caminho para a futura integração destes sistemas em plataformas de telemedicina.
Descrição
Palavras-chave
Cardio-thoracic Surgery Surgical Site Infections Image Analysis Computer Vision Object Detection YOLOv8