Обоснование. Инфекции области хирургического вмешательства — это распространённые послеоперационные осложнения, которые нередко развиваются после выписки пациента из стационара. Своевременная диагностика и выбор оптимальной тактики лечения — залог клинического успеха и экономической эффективности лечения инфекций области хирургического вмешательства. Методы компьютерного зрения и искусственного интеллекта продемонстрировали свою эффективность в отношении анализа хронических ран, однако их применимость для оценки послеоперационных ран остаётся малоизученной.

Цель исследования. Сравнительный анализ различных моделей машинного обучения при решении задачи классификации изображений хирургических ран на наличие или отсутствие инфекции области хирургического вмешательства у пациентов травматолого-ортопедического профиля.

Методы. В исследование включали пациентов в возрасте ≥18 лет, госпитализированных в два клинических центра для выполнения эндопротезирования суставов, металлоостеосинтеза, декомпрессивно-стабилизирующих операций на позвоночнике и других вмешательств либо для лечения инфекции области хирургического вмешательства после указанных операций. Для распознавания инфекции использованы модели, созданные с применением методов машинного обучения: метод опорных векторов (SVM), логистическая регрессия (LR), «случайный лес» (RF), свёрточная нейронная сеть на основе архитектуры VGG-16 (VGG-16 + CNN), а также модель с механизмом внимания (YOLO 11s-cls).

Результаты. Основную группу составили 183 пациента с инфекцией области хирургического вмешательства, контрольную — 115 пациентов без неё. В исследование включено 512 изображений хирургических ран (292 с инфекцией области хирургического вмешательства и 220 без неё), полученных от 298 пациентов. После аугментации обучающая выборка составила около 2500 изображений. Лучшие метрики на тестовой выборке имела модель YOLO 11s-cls: чувствительность, точность и F1-score составили 91,2, 91 и 89% соответственно, однако по показателям чувствительности, специфичности и точности различия между данной моделью и нейросетью VGG-16 + CNN были статистически незначимы. Для остальных моделей чувствительность варьировала от 69,6 (RF) до 87% (VGG-16 + CNN), точность — от 68 (RF) до 85% (VGG-16 + CNN), F1-score — от 66 (RF) до 83% (VGG-16 + CNN).

Заключение. Подтверждена перспективность использования методов машинного обучения для дистанционного мониторинга состояния хирургических ран у пациентов травматолого-ортопедического профиля. Разработанные модели могут быть использованы для создания мультимодальной системы оценки и мониторинга раневой инфекции после хирургических вмешательств.

论证：手术部位感染是常见的术后并发症，通常在患者出院后发生。及时诊断和选择最佳治疗策略是确保手术部位感染治疗临床成功和经济有效性的关键。计算机视觉和人工智能方法在慢性伤口分析方面已展现有效性，但其在术后伤口评估中的应用研究仍不足。

目的：比较不同机器学习模型在分类创伤骨科患者手术部位感染图像任务中的表现。

方法：研究纳入了年龄≥18岁、在两个临床中心接受手术治疗的患者，包括关节置换术、金属骨合成术、脊柱减压稳定手术及其他干预措施，或因上述手术后发生手术部位感染需治疗的患者。使用以下机器学习方法构建的模型进行感染识别：支持向量机（SVM）、逻辑回归（LR）、随机森林（RF）、基于VGG-16架构的卷积神经网络（VGG-16+CNN）以及带注意力机制的YOLO 11s-cls模型。

结果：主要组包括183例手术部位感染患者，对照组为115例无感染患者。研究包含298名患者的512张手术伤口图像（其中292张存在手术部位感染，220张无感染）。数据增强后训练集包含约2500张图像。YOLO 11s-cls模型在测试集上取得最佳指标：敏感性、准确率和F1分数分别为91.2%、91%和89%，但与VGG-16+CNN神经网络在敏感性、特异性和准确率方面的差异无统计学意义。其他模型的敏感性在69.6%（RF）至87%（VGG-16+CNN）之间，准确率在68%（RF）至85%（VGG-16+CNN）之间，F1分数在66%（RF）至83%（VGG-16+CNN）之间。

结论：证实了使用机器学习方法对创伤骨科患者手术伤口状态进行远程监测的可行性。开发的模型可用于创建评估和监测术后伤口感染的多模态系统。