傷口智慧護理輔助系統之初探

  

傷口智慧護理輔助系統之初探

薛招治、鄭宇岑、林志隆、薛元毓、陳建旭、陳芃婷*

        全球人口老化問題日趨嚴重,美國人口普查局調查顯示,2019年全國高齡族群占比為16%,預估將於2040年達到21.6%。根據國家發展委員會與行政院主計處統計報告,台灣65歲以上的高齡人口在109年已達15.67%,並將於十年後超越23.9% (圖一)。人口高齡化、全球糖尿病和肥胖症以及反覆感染問題,使得傷口護理市場規模持續成長,預計將於2024年達到$150-220億美元/年1成為臨床、社會和經濟挑戰。

 

圖一

圖一、台灣65歲以上人口總量百分比2

 
        血液循環較差且患有多種慢性疾病的高齡長者,其傷口癒合速度緩慢,成為慢性傷口的高風險族群。慢性傷口護理困難,需長時間用藥且病情容易反覆,稍有不慎則造成組織壞死、患部擴大甚至於需要進行截肢等風險。

        本研究彙整醫生(五人)、護理師(五人)以及照顧服務員(二人)等利害關係人意見,以及其傷口照護的流程於圖二。診療醫生進一步表示,例行視診評估費時且冗長,且不易判斷各種傷口的復原走勢,加重了醫療資源與人力的負擔。此外,為處理各種併發症,慢性傷口患者時常需要反覆住院,造成患者心理與生活品質面臨龐大的壓力,亦對家屬的經濟造成沉重的負擔。新冠流行使前往醫療院所進行傷口照護窒礙難行,若有輔助工具來協助傷口護理則可以透過視訊看診來強化居家之傷口護理的成效。

        慢性傷口照護之困難在於患部經過妥善治療後,會基於病患本身的慢性疾病(例如糖尿病所引發之神經性傷口潰瘍),導致傷口無正常癒合,而停留在發炎期或增生的階段。若能適時地根據傷口的癒合程度來選擇合適的藥物及敷料,將有助於傷口癒合的效率。然而,目前臨床處置仍仰賴醫護人員目測與回診時的手寫紀錄,除了無法客觀與科學地判斷與追蹤傷口復原的情況外,亦嚴重影響患部復原的效率。一個可輔助醫護快速精準得知傷口復原狀態、並且分析及紀錄傷口的時序性變化之工具,將能減少視診所需的時間,以及幫助病患得到適切的照護。

 

圖二

圖二、照護流程圖

 

        目前針對傷口測量及評估的醫療器材的適應症為:慢性傷口、糖尿病足部潰瘍以及燒傷傷口。其採用的技術有以下五種(表一),(1)電腦應用程式或手持設備、(2)行動裝置軟體、(3)光學成像、(4)光譜學或高光譜成像以及(5)AI人工智慧應用。3在新冠疫情期間加速了傷口護理、人工智慧以及遠距醫療的結合,4,5除了行之有年的測量傷口尺寸設備之外,透過人工智慧輔助判斷傷口復原程度的醫療器材,也在後疫情的現在逐漸上市。

 

表一

         

目前關於傷口評估的技術,本研究利用傷口(wound)以及圖像(image, view, picture, 3D, 2D, photo OR graphic)等關鍵字,針對美國專利資料庫進行資料查找,截至2022年11月22日止,共檢索有129筆專利,剔除非檢索標的之專利,最終剩餘116筆專利。再進一步在前述的專利中,限縮檢索具AI概念關鍵字(learning OR intelligence),將116筆傷口評估技術分為75筆一般性傷口診療輔助系統及41筆AI人工智慧應用之技術,以此專利數據說明傷口診療輔助系統技術發展趨勢以及相關企業技術布局概況。

        圖三為傷口診療輔助系統技術專利歷年申請概況,其中藍底為一般性傷口診療輔助系統,紅底為AI人工智慧應用之傷口診療輔助系統,可發現自2005年起,關於傷口診療輔助系統的技術發展逐漸增加,並在2017年達申請巔峰,而近年來開始關注AI人工智慧應用之傷口診療輔助系統,布局於AI應用領域的領導廠商,圖四顯示Healthy.io 申請件數明顯多於其他申請人,顯示此公司對於AI與傷口診療輔助系統的強烈企圖。

       Healthy.io公司成立於2013年,主要透過智慧型手機針對腎臟疾病,泌尿道感染和懷孕併發症的跡象進行傷口測量和追蹤。官網介紹傷口診療輔助系統產品使用可分為三個階段,首先利用智慧型手機或平板電腦,以及兩個校正貼紙透過鏡頭進行傷口掃描,從多個且不同角度的傷口橫斷面建構3D傷口橫斷面圖,接著,透過自動測量和組織分佈,快速且一致性地記錄傷口變化情形,最後,醫護人員即可透過中控系統調閱傷口復原期間所有的3D圖檔,以追蹤傷口復原狀態。

        本研究以美國專利編號US 11494909 B2 Cross section views of wounds為例,說明Healthy.io公司如何應用AI人工智慧於傷口診療輔助系統(圖五),即透過兩張校正貼紙(Fig. 4B的紅框),利用智慧型手機進行傷口拍攝(Fig. 4A)確認傷口組織癒合程度,並同時確保即便使用不同裝置進行傷口拍攝,也不會造成判斷落差;接著,利用多張傷口橫截面圖像,產生3D傷口橫截圖(流程如Fig. 11),並根據不同組織類型區分傷口受創程度,再將不同時間點拍攝的傷口圖像分割成網狀像素格(Fig. 13A與13B),依照時間排序,進而觀察不同時間點不同組織分布狀態,以確認傷口癒合程度(Fig. 23)。

        

圖三、四、五

 
參考文獻
  1. Sen, C. K. (2019). Human Wounds and Its Burden: An Updated Compendium of Estimates. Adv Wound Care (New Rochelle), 8(2), 39-48. https://doi.org/10.1089/wound.2019.0946
  2. 行政院主計總處-109年國情統計通報 https://www.dgbas.gov.tw/public/Data/0421160424J9NIEKQ.pdf
  3. Chan, K. S., & Lo, Z. J. (2020). Wound assessment, imaging and monitoring systems in diabetic foot ulcers: A systematic review. Int Wound J, 17(6), 1909-1923. https://doi.org/10.1111/iwj.13481
  4. Anisuzzaman, D. M., Wang, C., Rostami, B., Gopalakrishnan, S., Niezgoda, J., & Yu, Z. (2022). Image-Based Artificial Intelligence in Wound Assessment: A Systematic Review. Adv Wound Care (New Rochelle), 11(12), 687-709. https://doi.org/10.1089/wound.2021.0091
  5. Chemello, G., Salvatori, B., Morettini, M., & Tura, A. (2022). Artificial Intelligence Methodologies Applied to Technologies for Screening, Diagnosis and Care of the Diabetic Foot: A Narrative Review. Biosensors (Basel), 12(11). https://doi.org/10.3390/bios12110985

 

作者資訊

薛招治

國立屏東科技大學企業管理系 副教授

cchsueh@mail.npust.edu.tw

鄭宇岑

國立成功大學醫療器材國際創新碩士班 碩士生

christinacheng.biome@bme.ncku.edu.tw

林志隆

國立成功大學電機工程學系 教授

cllin@mail.ncku.edu.tw

薛元毓

國立成功大學醫學院 臨床副教授

yyhsueh@mail.ncku.edu.tw

陳建旭

國立成功大學規劃設計學院工業設計學系 教授/院長

chenhsu@mail.ncku.edu.tw

陳芃婷  *通訊作者

國立成功大學生物醫學工程學系&醫療器材國際創新碩士班 教授

chen@ncku.edu.tw