这项前瞻性队列研究评估了烧伤、慢性溃疡和手部重建伤口的数字伤口特征、热成像及局部炎症标志物。多模态模型显示出适度的内部验证区分能力，相较于临床评估并无显著提升，仅支持探索性风险分层，且在临床应用前需进行外部验证。
需要JoVE订阅才能观看此内容。 请登录或开始免费试用
研究文章
烧伤、溃疡及手部重建中延迟愈合的早期数字与炎症标志物：一项前瞻性队列研究
93 次观看
⸱
2026年9月11日
本文内容
摘要
摘要
烧伤、慢性溃疡和手部软组织重建伤口的延迟愈合评估方法各不相同，但这些患者通常由同一伤口治疗团队管理。本项前瞻性单中心队列研究评估了标准化的数字伤口特征、热成像和局部炎症标志物是否能够增强对这三类伤口早期延迟愈合风险的预测能力。研究纳入2024年1月1日至2025年12月31日期间成年患者，采集基线伤口照片、热成像图像及伤口液体样本。延迟愈合根据预先设定的伤口类型特异性标准进行定义。构建了包含临床因素、数字特征、炎症标志物、基线综合模型以及第7天更新模型的多种预测模型，所有模型均强制纳入伤口类型变量，并通过1000次自助法抽样进行内部验证。共纳入168例患者（烧伤57例，慢性溃疡70例，手部软组织重建伤口41例），其中59例（35.1%）符合延迟愈合标准。延迟愈合伤口更深，腐肉和坏死组织更多，渗出评分更高，伤口与参照区域温差更大，白细胞介素-6（IL-6）浓度更高；其他多项差异则不够明确。临床模型、基线综合模型和早期更新模型的表观AUC分别为0.691、0.717和0.715；经乐观偏倚校正后的AUC分别为0.632、0.660和0.649。基线综合模型相较于临床模型并未显著提升判别能力（ΔAUC 0.026；DeLong p = 0.400），加入第7天面积缩小情况后亦未改善基线综合模型表现（ΔAUC -0.002；p = 0.662）。因此，这些模型显示出有限的内部验证性能，尚不具备临床应用准备条件。目前，它们主要作为早期风险分层的假设生成框架。在实际应用前，仍需进行独立的外部验证和前瞻性影响评估。
引言
延迟愈合的伤口在烧伤、慢性溃疡以及术后软组织重建中仍然是一个临床难题。这些情况在病因和预期愈合时间上各不相同，但三级伤口诊疗服务通常需要在早期做出相同的决策：哪些伤口需要更密切的监测、更早的专科评估或升级评估。烧伤可能需要及时清创或植皮1,2，慢性溃疡则反映了灌注、压力、神经病变、感染和代谢因素之间的相互作用3,4，而重建手术后的伤口可能因裂开、感染或皮瓣/移植物受损而失败。只有在明确保留伤口类型并评估其异质性而非忽略其差异的情况下，统一的预测模型才具有临床相关性。
慢性溃疡呈现出一个不同但同样棘手的问题。这些伤口常常由于灌注受损、感染、神经病变、压力、水肿、代谢性疾病或局部过度炎症而持续不愈。大规模的慢性伤口建模研究表明，伤口层面的因素，如面积、深度、持续时间、部位和病因，对愈合预测具有重要影响3。在糖尿病足溃疡中，早期伤口面积的百分比变化已被证明可预测后续的完全愈合情况，其中4周时的面积缩小程度可作为识别仅靠标准治疗难以愈合伤口的实用基准4。然而，等待数周以判断伤口是否有所反应，对于存在高感染风险、组织丢失或重建失败风险的伤口而言，可能过于缓慢。
数字化伤口评估为早期评估提供了更客观的方法。标准化的伤口摄影和校准后的平面测量法在量化伤口面积和表面变化方面，比单纯的视觉估计更为一致5。基于图像的测量还可提取额外的伤口床特征，包括腐肉百分比、坏死组织、红斑、渗出物相关表现以及纹理异质性。基于智能手机和ImageJ的数字化测量方法 increasingly 被评估为在临床及接近临床环境中进行伤口面积评估的实用工具6。然而，目前大多数常规伤口评估仍仅依赖面积缩小情况，可能遗漏在愈合延迟之前即已出现的早期组织质量变化。
热成像为伤口评估提供了另一种无创的维度。局部温度变化可能反映炎症活动、灌注改变、细菌负荷或组织应激，具体取决于伤口类型和发生时间。已有研究探索利用热纹理分析来预测静脉性腿部溃疡的愈合轨迹，提示热异质性可能包含超出伤口大小的预后信息7。近期综述也指出，即时热成像作为伤口监测的辅助手段具有前景，尤其是在结合临床表现和影像学特征进行解读时，而非作为独立的诊断检测手段8。对于异质性伤口人群，热评估因此可能有助于捕捉在常规照片中不可见的生理信号。
尽管病因不同，但三种伤口类型在修复过程中均存在可量化的共同环节：组织负荷、炎症激活、基质更新、局部灌注以及伤口面积的早期变化。伤口渗出液中的细胞因子可反映局部组织反应9,10，而基质金属蛋白酶-9（MMP-9）可反映蛋白酶活性及细胞外基质的降解情况，并已发现与糖尿病足溃疡愈合不良相关11。这些共有的生物学过程为采用统一模型进行研究提供了生物学依据，但并不能证明各类型伤口之间的预测因子效应完全相同。
大多数已发表的研究集中于单一伤口类型或单一测量领域，而混合型伤口诊所则使用共用的成像设备和标准化的评估流程。因此，采用整合模型可能减少工作流程的碎片化，但其临床价值取决于模型设定的透明度、内部验证、校准以及明确的亚组评估。12伤口类型特异性的结果和相互作用分析是必要的保障措施，因为不同伤口的愈合时间不可互换。
尽管组织修复具有共同的生理过程，但在常规临床环境中，针对不同伤口人群的多模态评估整合仍存在空白。我们假设，一种新型的汇总模型——通过结合早期临床、数字化、热成像及炎症特征并根据伤口类型进行调整——相较于仅依赖标准临床评估的方法，能够更有效地实现对愈合延迟的早期预测，同时明确保留病因学异质性。因此，本研究的主要目标是评估这些早期特征与延迟愈合之间的关联，并比较预先设定的临床模型与多模态模型。分析还进一步评估了各伤口类别内的模型表现、伤口类型与预测因子之间的交互作用，以及模型对基线后治疗暴露的敏感性。鉴于本研究采用单中心开发设计，所有性能估计均被视为探索性结果，并仅进行内部验证，尚不具备直接应用条件。若经外部验证，该框架最终可能通过识别高风险伤口以实现早期专科干预，并优化混合伤口服务中的资源分配，从而影响临床决策。
访问受限。请登录或开始试用以查看此内容。
方案
本研究在启动前已通过北部战区总医院伦理委员会审查和批准（批准编号 Y(2023)455；批准日期 2023 年 11 月 11 日）。由于本研究为严格观察性且非干预性研究，伦理委员会豁免了书面知情同意的要求。临床记录、伤口照片、热成像图像、伤口液或拭子标本以及生物标志物数据均去标识化，并以唯一的研究编号进行编码；重新识别密钥单独保存，仅授权的研究人员可访问。所用全部试剂、设备、热成像相机型号及软件名称/版本/RRID 均列于材料表中。
研究设计与研究环境
本项前瞻性观察性队列研究于2024年1月1日至2025年12月31日期间，在一家三级教学医院的烧伤与整形外科及手外科单元开展。在首次创面评估时或术后48小时内，连续筛查患有烧伤创面、慢性溃疡或手部软组织重建创面的成年患者。报告遵循《加强流行病学中观察性研究报告规范》（STROBE）的建议13。筛查、入组、基线评估、随访及分析流程见图1。
在2024年1月1日至2025年12月31日期间，共筛查了196名患有烧伤创面、慢性溃疡或手部软组织重建创面的患者。排除28名患者后（其中12名不符合纳入标准，6名缺乏完整的基线影像资料，5名无可用的液体或拭子样本，5名拒绝随访），最终纳入168名患者，并将其分类为烧伤创面、慢性溃疡或手部软组织重建创面。所有纳入患者均接受基线标准化创面摄影、热成像及创面液体生物标志物采样，随后在第7天、第14天、第21天、第28天/第4周以及第12周进行计划内的评估。最终根据愈合情况将患者分为及时愈合组和延迟愈合组进行分析，延迟愈合的广义定义为未达到特定创面类型的闭合里程碑，或需要非计划性外科干预。
参与者
纳入患者的年龄范围为18至85岁，须存在一个临床上可识别的目标伤口且具有可测量的创面床，并预计能够完成至少4周的随访。研究包含三类伤口：烧伤创面、慢性溃疡和手部软组织重建创面。这些生物学上不同病因的伤口被合并分析，以反映混合性伤口三级诊疗服务的实际运行情况，并捕捉组织修复过程中共有的可测量指标；同时通过预先设定的亚组分析和交互作用分析明确处理病因异质性问题（详见统计分析部分）。烧伤创面包括浅表部分皮层厚度、深层部分皮层厚度和全层皮肤烧伤，根据临床需要采取保守敷料治疗、分期清创或植皮处理。慢性溃疡包括糖尿病足溃疡、静脉性下肢溃疡、压力性溃疡以及持续超过4周未愈合的创伤性溃疡。手部软组织重建创面包括局部皮瓣修复后创面、皮肤移植后创面、肌腱暴露创面的覆盖以及软组织缺损重建后的创面。
如果患者存在恶性伤口、活动性系统性自身免疫性疾病、在过去30天内接受过全身性皮质类固醇或免疫抑制治疗、在过去3个月内接受过化疗、患有需要紧急血运重建的严重外周动脉疾病、基线伤口影像不完整、无法获取伤口液体或伤口拭子样本，或在首次结局评估前失访，则被排除在外。
对于有多个伤口的患者，在基线成像前选择一个目标伤口。目标伤口定义为面积最大、组织受累最深或临床上对愈合延迟最为关注的伤口。在整个研究过程中均追踪同一个目标伤口。
研究时间线与评估时间安排
基线评估定义为T0。对于烧伤和慢性溃疡患者，T0为入组后首次标准化伤口评估时间点。对于手部软组织重建患者，T0定义为术后第1至第3天，在可行的情况下，于常规换药前进行。
在第7天±2天、第14天±3天、第21天±2天（用于评估烧伤上皮化）、第28天±5天以及第12周±7天进行随访评估。在第21天评估烧伤创面的上皮化情况。在第4周评估慢性溃疡的早期面积缩小情况，并在第12周评估其完全愈合情况。手部重建创面在术后第28天评估其稳定闭合、伤口裂开、皮瓣或移植物受损、感染以及是否需要计划外再次手术等情况。固定的评估时间表见Table 1。
标准化伤口摄影与数字化伤口测量
使用配备4800万像素主摄像头的商用智能手机拍摄伤口照片，手机位置位于伤口平面正上方约30 cm处，且与伤口平面垂直。在无菌区域外的伤口平面上放置一根2 cm的无菌一次性尺子和一张颜色校准卡。关闭闪光灯，采用固定的临床照明，图像分辨率至少为3024像素 × 4032像素。若图像出现运动模糊、伤口边界不完整、反光过强、缺少尺子或颜色校准卡，或拍摄角度大于约15°，则需在敷料覆盖前重新拍摄。
使用开源图像分析软件进行图像预处理。将图像旋转至统一方向，裁剪至目标伤口及周围参考皮肤区域，并利用2 cm标尺进行比例缩放。在组织分割前，使用色卡的中性色块对颜色进行归一化。通过标尺、伤口边缘解剖标志以及保存的多边形掩膜，对各次随访中的图像感兴趣区域进行对齐。由两名经过培训且对愈合状态设盲的评估人员独立勾画伤口边界。若面积估算值差异超过10%，则由第三名评估人员重复测量，并采用两个最接近估算值的平均值14。基线数字特征包括伤口面积、周长、圆形度、腐肉百分比、坏死组织百分比、红斑指数、渗出液评分和纹理熵。在颜色归一化后，使用图像分析软件中的色调–饱和度–亮度（Hue–Saturation–Brightness）颜色阈值工具对腐肉和坏死组织进行分割。根据标准化操作规程，由两名经过培训且设盲的评估人员针对每幅图像交互式优化阈值，以在归一化的真彩色图像上达成视觉共识作为最终接受标准。随后手动校正敷料残留、血渍、镜面反光及非伤口像素。所有编辑均保存在软件的感兴趣区域集合中。纹理熵通过软件内的灰度共生矩阵插件，基于灰度图像计算获得，像素距离设为1，方向分别为0°、45°、90°和135°，最终取四个方向的平均值。
第7天的伤口面积缩小率按如下公式计算：
(1)
负值表示伤口扩大。基线伤口面积的可靠性采用组内相关系数 [ICC(2,1)] 进行评估，该方法为双向随机效应、绝对一致性模型，并结合个体水平的自助法 95% 置信区间。
热成像与温度衍生特征
使用与智能手机兼容的商用红外热成像相机连接同一部智能手机采集热成像图像。皮肤表面成像时，发射率设定固定为0.98。每次成像前，根据制造商提供的自动校准程序对设备进行校准。伤口暴露于室温空气中5分钟后进行图像采集。实验环境温度维持在22–25 °C，相对湿度维持在40–60%。成像前15分钟内未进行伤口清洁、冲洗、局部抗菌药物应用或清创处理。
记录了三个区域：创面床、创缘周围1 cm内的周围皮肤，以及对侧或邻近的完整参考皮肤。主要的热变量为创面-参考温度差，通过从创面床感兴趣区域的平均像素温度中减去完整参考皮肤感兴趣区域的平均像素温度计算得出。预先规定温度差≥2.0 °C为高温风险模式。由于温度对炎症、灌注、环境及近期操作均敏感，因此将红外热成像视为一种辅助手段7,8。
采用标准的开源编程语言和计算机视觉库提取热成像纹理熵。将热成像帧裁剪至与照片相同的视野范围；利用伤口边缘标志点和相机叠加图像对伤口掩膜进行配准，并在提取前进行目视检查。伤口区域内的像素强度被归一化至完整皮肤参考区域。未能通过对焦、视野范围、稳定性或配准检查的热成像帧将被重复采集或排除。热成像纹理分析为探索性分析7。
伤口液及局部炎症标志物采集
在T0时间点，于清创、冲洗、清创术或局部用药前采集局部炎症样本。当伤口渗出液充足时，使用无菌人造丝拭子轻轻放置在伤口床表面30秒（不引起出血）收集伤口液。对于相对干燥的伤口，先用200 µL无菌生理盐水湿润伤口床，然后等待60秒后采集拭子。每根拭子放入含有0.05%吐温-20的1.0 mL磷酸盐缓冲液中，涡旋振荡60秒，随后在4 °C条件下以3,000 × g离心10分钟。将上清液分装后储存在−80 °C。样本在检测前仅允许解冻一次。
局部炎症因子检测 panel 包括白细胞介素-6（IL-6）、白细胞介素-8（IL-8/CXCL8）、肿瘤坏死因子-α（TNF-α）和基质金属蛋白酶-9（MMP-9）。所有生物标志物均采用市售的酶联免疫吸附测定（ELISA）试剂盒进行检测。实验操作严格按照试剂盒制造商的说明书进行。具体而言，一抗孵育在室温（20–25 °C）下进行，持续 2 小时。标准曲线范围和最低检测限分别为：IL-6 为 3.1–300 pg/mL 和 0.7 pg/mL；IL-8/CXCL8 为 1.5 pg/mL 和 7.5 pg/mL；TNF-α 为 0.5 pg/mL 和 5.5 pg/mL；MMP-9 为 31.2 pg/mL 和 2,000 pg/mL。每个样本均设复孔检测，当变异系数超过 15% 时需重复实验。细胞因子浓度以 pg/mL 表示，MMP-9 以 ng/mL 表示。采用标准化的伤口拭子方法对局部微环境进行表征15。
采用二辛可宁酸蛋白测定法测定每份伤口液洗脱液中的总蛋白浓度。主要分析使用标志物的绝对浓度。敏感性分析则使用经总蛋白浓度标准化后的生物标志物浓度，以减少渗出液稀释的影响。
在临床条件允许时，于T0时间点采集外周血样本，用于白细胞（WBC）计数、C反应蛋白、血清白蛋白、血红蛋白、空腹血糖和糖化血红蛋白检测。当临床怀疑感染或存在脓性渗出物时，进行伤口细菌培养。
临床伤口评估与治疗记录
每次随访时，均记录伤口深度、渗出水平、坏死组织、腐肉、肉芽组织、上皮化、伤口周围红斑、气味及疼痛情况。伤口深度分级如下：1级，表皮或浅层真皮受累；2级，全层皮肤或皮下组织受累，但无肌腱、骨骼、关节囊或植入物暴露；3级，深层组织受累，伴有肌腱、骨骼、关节囊、植入物暴露或皮瓣/移植组织受损。
渗出液评分从0到4（0 = 无；1 = 极少量；2 = 中等量；3 = 大量；4 = 过多或需要非计划性更换敷料）。基线临床感染的定义为存在脓性分泌物，或以下体征中至少出现两项：疼痛加剧、局部发热、红斑、肿胀、恶臭、肉芽组织生长延迟、组织易碎或全身炎症反应。
治疗方案未由研究方案指定。随访记录中记录了患者是否接受了全身性抗生素治疗 >72小时，负压伤口治疗，术后T0时间点的清创术、植皮或皮瓣修整，或非计划性再次手术。由于提供的分析数据集中未包含确切的起止日期，因此无法对这些事件与各次影像学检查及采样访视之间的时间关系进行建模。这些基线后的指标仅用于敏感性分析，未纳入主要的基线模型中。
结局定义与判定
主要结局为愈合延迟，根据预先规定的伤口类型特异性标准进行定义。对于烧伤创面，愈合延迟定义为受伤后21天内未能实现完全上皮化、因保守治疗失败而需计划外植皮，或因持续存在非活性组织而需反复手术清创。对于慢性溃疡，愈合延迟定义为第4周时创面面积减少不足50%，或第12周时未能实现完全闭合。对于手部软组织重建创面，愈合延迟定义为术后第28天未能实现稳定的创面闭合、创面裂开、皮瓣或移植物坏死需进一步干预、在T0时间点后出现新发或加重的手术部位感染并需全身性抗生素治疗，或计划外的翻修手术。
完全闭合的定义为在连续两次随访中，溃疡面实现完全上皮覆盖，且无需引流或敷料保护。慢性溃疡延迟愈合是指 <4周时面积减少50%或12周时未完全闭合。MMP-9被保留作为候选预测因子，因为伤口液中MMP-9水平升高与糖尿病足溃疡愈合不良相关11.
结局裁定由两名对数字特征值和生物标志物浓度不知情的临床医生进行。分歧由第三位资深伤口专家解决。预先指定的延迟愈合标准总结如下 表 2.
预测时间点与候选预测因子对照
预设了两个预测时间点。基线模型仅使用T0时可获得的变量，包括临床变量、基线数字伤口特征、基线热成像特征以及基线炎症标志物。早期更新模型 additionally 包含了第7天的伤口面积缩小情况。这种区分避免将第7天的信息作为基线预测因子处理。
最终的分析队列包括168名患者和59例延迟愈合事件。基线联合模型包含六个预先指定的连续性/有序预测因子以及两个伤口类型指示变量；早期模型增加了第7天的面积缩小率。该事件与参数比例有限，因此对系数和亚组估计值的解释持谨慎态度，并报告了自助法乐观校正结果。
数据管理与缺失数据
临床数据被录入一个安全的基于网络的电子数据采集平台。每位患者被分配一个研究识别编号。可识别信息与分析数据集分开存储。图像文件根据研究识别编号、伤口类型和访视时间点进行重命名（例如，W023_T0_photo 和 W023_D7_thermal）。
分析前进行了范围检查，极端值在验证后予以保留，而非自动删除。模型预测变量的缺失率低于5%：白蛋白、第7天面积缩小率、红斑和IL-6各自有3个缺失值，腐肉有3个缺失值，MMP-9有6个缺失值。连续型预测变量采用队列中位数进行填补，分类变量采用众数进行填补。主要结局指标无缺失。
统计分析
采用标准的开源统计与数据分析软件包重复进行分析。连续变量以均值 ± 标准差（SD）表示，并采用 Welch 独立样本 t 检验 进行比较；分类变量以 n (%) 表示，根据情况采用 Fisher 精确检验或卡方检验进行比较。p 值为双侧检验结果。
在模型拟合之前预先确定预测因子，而非根据单变量p值进行筛选。全程采用逻辑回归分析。伤口类型以慢性溃疡和手部重建指标表示，烧伤伤口作为参照。连续型预测因子按预先规定进行标准化处理。
评估了五个预先指定的模型：临床模型、数字伤口特征模型、炎症标志物模型、基线联合模型和早期更新联合模型。采用DeLong 95%置信区间（CIs）的AUC值来总结区分度。计算了校准截距、校准斜率和Brier评分。内部验证采用1000次自助法抽样来估计经乐观校正后的AUC、校准性能和Brier评分。研究遵循《个体预后或诊断多变量预测模型透明报告规范》（TRIPOD）指南16。
从患者水平的预测概率中计算了阈值范围为0.10至0.60的经验决策曲线。采用DeLong检验比较相关的AUC值。使用合并模型的预测结果，分别在烧伤（n = 57）、慢性溃疡（n = 70）和手部重建（n = 41）亚组中评估模型性能。预测因子与伤口类型之间的交互作用逐个添加，并通过双自由度似然比检验进行评估。亚组分析和交互作用分析均为探索性分析。
可重复的工作流程如图2所示。匿名的患者水平数据、数据字典、患者水平预测结果、回归系数、受试者工作特征（ROC）/校准/决策曲线原始数据表，以及用于重新生成分析结果和图表的Python脚本均作为补充文件提供。
敏感性分析
进行了五项敏感性分析：排除基线临床感染后重新拟合模型；评估慢性溃疡在12周时未愈合的合并模型预测效果；将IL-6和MMP-9替换为log(1 + 浓度)；将这些生物标志物除以总创面液蛋白；以及加入五项基线后治疗指标。对经治疗调整的分析解释为混杂因素评估，而非有效的基线预测模型，因为治疗方案是根据临床严重程度选择的，且部分治疗与结局标准存在重叠。
访问受限。请登录或开始试用以查看此内容。
结果
患者筛选与结局分类
2024年1月1日至2025年12月31日期间，共筛查了196名烧伤创面、慢性溃疡或手部软组织重建创面的患者。其中28名患者被排除：12名不符合纳入标准，6名缺乏完整的基线创面影像，5名无法提供可用的创面液体或创面拭子样本，5名拒绝随访。最终共有168名患者被纳入研究，并纳入最终分析（图1）。
在纳入的168例患者中，57例为烧伤创面，70例为慢性溃疡，41例为手部软组织重建创面。根据固定的评估时间表（表1）和预设的结局指标标准（表2），可重复的伤口类型特异性结局算法将109例患者（64.9%）分类为及时愈合，59例患者（35.1%）分类为延迟愈合。
基线临床、数字及热成像伤口特征
预先设定的分析工作流程...
访问受限。请登录或开始试用以查看此内容。
讨论
基于患者水平的分析得出了谨慎的结论。在描述性比较中，愈合延迟的伤口更深，且表现出更大的组织负荷、渗出量、温度差异、基线感染水平和IL-6水平，但大多数预先设定的多变量系数估计不精确。基线和早期多模态模型经乐观校正后的AUC分别为0.660和0.649，相较于临床模型并未实现显著改善。这些发现符合更广泛的观点，即炎症、基质转换和组织重塑在修复过程中相互作用17,18,19,20，但尚不足以确立一个可在临床部署的预测模型。
影像学发现支持标准化测量，同时也揭示了一个重要的可重复性差距。校准摄影可改善面积测量5,6,14，而热成像可能捕捉到常规图像中...
访问受限。请登录或开始试用以查看此内容。
披露
作者无任何利益冲突需要披露。
致谢
作者感谢中国北部战区总医院烧伤整形科以及中国武警辽宁省总队医院外科二科的临床医护人员在患者筛选和创面成像方面提供的协助。作者同时感谢参与本研究的患者。本研究未从任何公共、商业或非营利机构获得特定资助。
访问受限。请登录或开始试用以查看此内容。
材料
| 姓名 | 公司 | 目录编号 | 评论 |
|---|---|---|---|
| BCA 蛋白检测试剂盒 | Thermo Fisher Scientific | 23225 | - |
| FLIR ONE Pro 热成像相机 | FLIR Systems | 435-0006-03 | - |
| FIJI 的 GLCM 纹理插件 | FIJI/ImageJ 社区 | v0.4 | - |
| 人 IL-6 Quantikine ELISA 检测试剂盒 | R&D Systems | D6050 | - |
| 人 IL-8/CXCL8 Quantikine ELISA 检测试剂盒 | R&D Systems | D8000C | - |
| 人 MMP-9 ELISA 检测试剂盒 | Abcam | ab100610 | - |
| 人 TNF-α Quantikine ELISA 检测试剂盒 | R&D Systems | DTA00D | - |
| iPhone 14 Pro | Apple | — | - |
| 磷酸盐缓冲液 (PBS) | Thermo Fisher Scientific | 10010023 | - |
| 无菌人造丝棉签 | Puritan Medical Products | 25-806 1WR | - |
| Tween-20 | Sigma-Aldrich | P1379 | - |
| X-Rite ColorChecker Classic Mini 色卡 | Calibrite / X-Rite | MSCCVPR-MINI | - |
| FIJI / ImageJ | 美国国立卫生研究院 | 1.54j | SCR_002285 |
| scikit-learn | scikit-learn 开发团队 | 1.9.0 | SCR_002577 |
| REDCap | 范德堡大学 | 14.0.9 | SCR_003282 |
| SciPy | SciPy 开发团队 | 1.18.0 | SCR_008058 |
| Python | Python 软件基金会 | 3.12.13 | SCR_008394 |
| Matplotlib | Matplotlib 开发团队 | 3.11.1 | SCR_008624 |
| NumPy | NumPy 开发团队 | 2.5.1 | SCR_008628 |
| OpenCV | OpenCV 团队 | 4.9.0 | SCR_015526 |
| Statsmodels | Statsmodels 开发团队 | 0.14.6 | SCR_016074 |
| Seaborn | Seaborn 开发团队 | 0.13.2 | SCR_018132 |
| pandas | pandas 开发团队 | 3.0.5 | SCR_018214 |
| scikit-image | scikit-image 开发团队 | 0.22.0 | SCR_021340 |
参考文献
- Rowan MP, et al. Burn wound healing and treatment: review and advancements. Crit Care. 2015;19(1):243.
- Ji S, Xiao S, Xia Z. Consensus on the treatment of second-degree burn wounds (2024 edition). Burns Trauma. 2024;12:tkad061.
- Cho SK, Mattke S, Gordon H, Sheridan M, Ennis W. Development of a model to predict healing of chronic wounds within 12 weeks. Adv Wound Care. 2020;9(9):516–24.
- Sheehan P, Jones P, Caselli A, Giurini JM, Veves A. Percent change in wound area of diabetic foot ulcers over a 4-week period is a robust predictor of complete healing in a 12-week prospective trial. Diabetes Care. 2003;26(6):1879–82.
- Kientzy M, et al. Accuracy of digital measurement for quantitative and qualitative indicators of wound healing and repair: a systematic review protocol. BMJ Open. 2024;14(5):e085969.
- Tanner J, et al. Digital wound monitoring with artificial intelligence to prioritise surgical wounds in cardiac surgery patients for priority or standard review: protocol for a randomised feasibility trial (WISDOM). BMJ Open. 2024;14(9):e086486.
- Monshipouri M, et al. Thermal imaging potential and limitations to predict healing of venous leg ulcers. Sci Rep. 2021;11(1):13239.
- Fridberg M, Bafor A, Iobst CA, Laugesen B. The role of thermography in assessment of wounds: a scoping review. Injury. 2024;55(11):111833.
- Saleh K, Sonesson A, Persson K, Riesbeck K, Schmidtchen A. Inflammation biomarkers and correlation to wound status after full-thickness skin grafting. Front Med. 2019;6:159.
- Rembe JD, et al. Immunomarker profiling in human chronic wound swabs reveals IL-1β/IL-1RA and CXCL8/CXCL10 ratios as potential biomarkers for wound healing, infection status and regenerative stage. J Transl Med. 2025;23(1):407.
- Liu Y, et al. Increased matrix metalloproteinase-9 predicts poor wound healing in diabetic foot ulcers. Diabetes Care. 2009;32(1):117–9.
- Efthimiou O, et al. Developing clinical prediction models: a step-by-step guide. BMJ. 2024;386:e078276.
- von Elm E, et al. The Strengthening the Reporting of Observational Studies in Epidemiology (STROBE) statement: guidelines for reporting observational studies. Ann Intern Med. 2007;147(8):573–7.
- Sharun K, Dhama K, Tiwari R. Comparative assessment of smartphone-based digital wound area measurement and ImageJ-based digital image analysis. Narra J. 2025.
- Rembe JD, et al. Assessment and monitoring of the wound micro-environment in chronic wounds using standardized wound swabbing for individualized diagnostics and targeted interventions. Biomedicines. 2024;12(10):2187.
- Collins GS, Reitsma JB, Altman DG, Moons KGM. Transparent reporting of a multivariable prediction model for individual prognosis or diagnosis: the TRIPOD statement. Ann Intern Med. 2015;162(1):55–63.
- Wallace HA, Basehore BM, Zito PM. Wound healing phases. StatPearls. Treasure Island (FL): StatPearls Publishing; 2023.
- Landén NX, Li D, Ståhle M. Transition from inflammation to proliferation: a critical step during wound healing. Cell Mol Life Sci. 2016;73(20):3861–85.
- Schultz GS, Ladwig G, Wysocki A. Extracellular matrix: review of its roles in acute and chronic wounds. Principles of Wound Healing. Adelaide: University of Adelaide Press; 2011.
- Almadani YH, Vorstenbosch J, Davison PG, Murphy AM. Wound healing: a comprehensive review. Semin Plast Surg. 2021;35(3):141–4.
- Sibbald RG, Elliott JA, Persaud-Jaimangal R. Wound bed preparation 2021. Adv Skin Wound Care. 2021;34(4):183–95.
- Harries RL, Bosanquet DC, Harding KG. Wound bed preparation: TIME for an update. Int Wound J. 2016;13(Suppl 3):8–14.
- Gao M, et al. Regulation of inflammation during wound healing: the function of mesenchymal stem cells and strategies for therapeutic enhancement. Front Pharmacol. 2024;15:1345779.
- Mikosiński J, Kruk-Jeromin J, Drobnik J. Longitudinal evaluation of biomarkers in wound fluids from chronic venous leg ulcers. Acta Derm Venereol. 2022;102:adv00667.
- Trengove NJ, et al. Analysis of the acute and chronic wound environments: the role of proteases and their inhibitors. Wound Repair Regen. 1999;7(6):442–52.
- Fu K, Zheng Q, Wei H. Role of matrix metalloproteinases in diabetic foot ulcers. Front Pharmacol. 2022;13:1050630.
- Collins GS, et al. Evaluation of clinical prediction models: from development to external validation. BMJ. 2024;384:e074819.
- Binuya MAE, Engelhardt EG, Schats W, Schmidt MK, Steyerberg EW. Methodological guidance for the evaluation and updating of clinical prediction models: a systematic review. BMC Med Res Methodol. 2022;22(1):316.
- Saelmans A, et al. Implementation and updating of clinical prediction models: a systematic review. Mayo Clin Proc Digit Health. 2025;3(3):100228.
访问受限。请登录或开始试用以查看此内容。