使用表皮下水分测量来诊断和治疗深部组织损伤的方法

相关申请的交叉引用

本申请要求于2021年3月9日提交的美国临时申请第63/158,713号和于2022年3月3日提交的美国临时申请第63/316,218号的权益，该美国临时申请中的每一个申请通过引用全文并入本文中。

技术领域

本公开提供了用于测量患者的表皮下水分来确定受损组织以进行临床干预的系统、设备和计算机可读介质。本公开还提供了用于确定受损组织的方法。本公开进一步提供了用于确定包括针对深部组织损伤的预防措施和治疗的适当临床干预的方法。

背景技术

皮肤是人体最大的器官。它很容易遭受不同类型的损坏和损伤。当皮肤及其周围组织无法重新分配外部压力和机械力时，可能会形成压疮(也称为压力性损伤或褥疮)。无论是在急性还是长期护理环境中，在全球范围内，压疮构成了重大的健康和经济问题。在美国和欧盟，每年约有250万人受到压疮的影响。在长期和重症监护环境中，高达25％的老年和行动不便的患者会出现压疮。美国每年约有60,000名患者因压疮感染和其他并发症而死亡。

大多数压疮发生在骨突出处，那里用于受压的组织较少，并且血管网络内的压力梯度发生了改变。将压疮分类为四个阶段中的一个阶段，这四个阶段是从目前公认的最早阶段，其中皮肤保持完整，但可能在骨突出处呈现红色(第1阶段)，到最后阶段，其中组织破裂和骨质疏松，肌腱或肌肉暴露(第4阶段)。除了四个阶段的压疮外，还有一种独特形式的溃疡，称为深部组织损伤(DTI)或深部组织压力损伤(DTPI)。例如，参见“深部组织损伤”，国家压疮咨询小组(NPUAP)白皮书，可在npiap.com(2004)上获得。DTI是对于完整皮肤下的皮下组织的压力相关的损伤。这些损伤具有较深的瘀伤的外观，并且从骨突出旁边的肌肉层开始，向外向表皮层发展。由于DTI的病因学原因，通常很难将DTI准确地分为上述4个阶段中的任何一个阶段。DTI也可能在相对较短的时间段内发展，并且常常迅速恶化为第3阶段和第4阶段溃疡。

目前，DTI的诊断是通过目视检查完好皮肤局部变色的紫色或栗色区域或由于底层软组织损伤而导致的充满血液的水泡。因此，很难检测到深色肤色的个体的DTI。此外，DTI的目视检查也可能导致对第1阶段或第2阶段溃疡的错误分类，这并不体现真实的损伤和潜在的危害性。

为了及时有效地治疗压疮，临床医生需要能够准确识别DTI的存在，并且将其与溃疡的早期阶段区分开来。但目前检测压疮的标准是目视检查，主观性强、不可靠、不及时、缺乏特异性。

发明内容

本公开提供并且包括用于检测深部组织损伤(DTI)的系统、设备和方法。在一方面，本公开提供了1)一种用于在深部组织损伤(DTI)可见于患者的皮肤上之前对该DTI进行检测的方法，其包括：a)以预定频率在患者的皮肤上的某个位置处获得一组SEMδ值；b)对所获得的组中的SEMδ值中的每一者应用预定权重；c)计算N个最久(least-recent)加权的SEMδ值的第一平均SEMδ值；d)计算M个最近(most-recent)加权的SEMδ值的第二平均SEMδ值；e)将第一平均SEMδ值与第二平均SEMδ值之间的差值与预定阈值进行比较；以及f)当差值大于预定阈值时，确定患者的皮肤上的该位置处存在DTI。在一方面，所获得的SEMδ值的组包括至少五个各自相隔一天取得的SEMδ值。在一方面，预定权重在0至2的范围内。在一方面，预定权重随时间单调递增。在一方面，N>M。在一方面，N为4并且M为2。在一方面，预定阈值为在0至1范围内的实数。在一方面，最近的SEMδ值是通过K个最近的SEMδ值的线性外推来获得的。在一方面，K为3。在一方面，预定阈值为0.7。在一方面，患者的皮肤上的位置选自由以下项组成的组：头后部、骶骨、肩部、肘部、下背部、尾骨、臀部、髋部、膝盖内侧、脚后跟以及它们的组合。

本公开还提供了一种用于训练神经网络以在深部组织损伤(DTI)可见于患者的皮肤上之前检测该损伤的计算机实现方法，其包括：a)对于已诊断出具有DTI的第一多个患者中的每个患者，在形成DTI之前且直至形成DTI之时以预定频率在患者的皮肤上的某个位置处获得第一组表皮下水分(SEM)δ值；b)对于尚未诊断出具有DTI的第二多个患者中的每个患者，以预定频率在患者的皮肤上的相同位置处获得第二组SEMδ值；c)将一组权重应用于所获得的SEMδ值的第一组和第二组中的SEMδ值中的每一者；d)创建训练集，该训练集包括第一多个患者和第二多个患者中的所有患者的第一组加权的SEMδ值和第二组加权的SEMδ值；以及e)使用训练集来训练神经网络。在一方面，经训练的神经网络输出一组优化权重，包括针对形成DTI之前的每个时间点的优化权重，并且其中优化权重随时间单调递增。在一方面，该方法进一步包括以下步骤：a)对于第一多个患者和第二多个患者中的每个患者，i)计算一组SEMδ值中的N个最久加权的SEMδ值的第一平均SEMδ值；ii)计算该组SEMδ值中的M个最近加权的SEMδ值的第二平均SEMδ值；iii)计算第一平均SEMδ值与第二平均SEMδ值之间的差值；iv)将第一平均SEMδ值与第二平均SEMδ值之间的差值与阈值进行比较；b)创建训练集，该训练集包括第一多个患者中的第一组差值和第二多个患者中的第二组差值；以及c)使用训练集来训练神经网络。在一方面，预定频率为每天一次。在一方面，第一组和第二组SEMδ值包括至少六个各自相隔一天取得的SEMδ值。在一方面，N+M＝6。在一方面，N＝4并且M＝2。在一方面，患者的皮肤上的位置选自由以下项组成的组：头后部、骶骨、肩部、肘部、下背部、尾骨、臀部、髋部、膝盖内侧、脚后跟以及它们的组合。

本公开还提供了一种用于训练神经网络以在深部组织损伤(DTI)可见于患者的皮肤上之前检测该损伤的计算机实现方法，其包括：a)对于经历DTI的第一多个患者中的每个患者，在形成DTI之前且直至形成DTI之时以预定频率在患者的皮肤上的某个位置处获得第一组表皮下水分(SEM)δ值；b)对于未经历DTI的第二多个患者中的每个患者，以预定频率在患者的皮肤上的相同位置处获得第二组SEMδ值；c)将一组权重应用于所获得的SEMδ值的第一组和第二组中的SEMδ值中的每一者；d)对于第一多个患者和第二多个患者中的每个患者，i)计算一组SEMδ值中的N个最久加权的SEMδ值的第一平均SEMδ值；ii)计算该组SEMδ值中的M个最近加权的SEMδ值的第二平均SEMδ值；iii)计算第一平均SEMδ值与第二平均SEMδ值之间的差值；以及iv)将第一平均SEMδ值与第二平均SEMδ值之间的差值与阈值进行比较；e)创建训练集，该训练集包括第一多个患者中的第一组差值和第二多个患者中的第二组差值；以及f)使用训练集来训练神经网络。在一方面，经训练的神经网络输出a)一组优化权重，包括针对形成DTI之前的每个时间点的优化权重，其中该优化权重随时间单调递增；b)优化阈值；c)N的值；以及d)M的值。在一方面，预定频率为每天一次。在一方面，第一组和第二组SEMδ值包括至少六个各自相隔一天取得的SEMδ值。在一方面，N+M＝6。在一方面，N＝4并且M＝2。在一方面，患者的皮肤上的位置选自由以下项组成的组：头后部、骶骨、肩部、肘部、下背部、尾骨、臀部、髋部、膝盖内侧、脚后跟以及它们的组合。在一方面，该组优化权重和优化阈值用于预测深部组织损伤的发生。

本公开提供并且包括用于识别DTI组织的非暂态计算机可读介质。非暂态计算机可读介质可以包括存储在其上的指令，该指令当在处理器上执行时，可以进行以下步骤：a)以预定频率在患者的皮肤上的某个位置处获得一组SEMδ值；b)对所获得的组中的SEMδ值中的每一者应用预定权重；c)计算N个最久加权的SEMδ值的第一平均SEMδ值；d)计算M个最近加权的SEMδ值的第二平均SEMδ值；e)将第一平均SEMδ值与第二平均SEMδ值之间的差值与预定阈值进行比较；以及f)当差值大于预定阈值时，确定患者的皮肤上的该位置处存在DTI。在一方面，所获得的SEMδ值的组包括至少五个各自相隔一天取得的SEMδ值。在一方面，预定权重在0至2的范围内。在一方面，预定权重随时间单调递增。在一方面，N>M。在一方面，N为4并且M为2。在一方面，预定阈值为在0至1范围内的实数。在一方面，最近的SEMδ值是通过K个最近的SEMδ值的线性外推来获得的。在一方面，K为3。在一方面，预定阈值为0.7。在一方面，患者的皮肤上的位置选自由以下项组成的组：头后部、骶骨、肩部、肘部、下背部、尾骨、臀部、髋部、膝盖内侧、脚后跟以及它们的组合。

本公开提供并且包括用于识别DTI组织的非暂态计算机可读介质。非暂态计算机可读介质可以包括存储在其上的指令，该指令当在处理器上执行时，可以进行以下步骤：a)对于已诊断出具有DTI的第一多个患者中的每个患者，在形成DTI之前且直至形成DTI之时以预定频率在患者的皮肤上的某个位置处获得第一组表皮下水分(SEM)δ值；b)对于尚未诊断出具有DTI的第二多个患者中的每个患者，以预定频率在患者的皮肤上的相同位置处获得第二组SEMδ值；c)将一组权重应用于所获得的SEMδ值的第一组和第二组中的SEMδ值中的每一者；d)创建训练集，该训练集包括第一多个患者和第二多个患者中的所有患者的第一组加权的SEMδ值和第二组加权的SEMδ值；以及e)使用训练集来训练神经网络。在一方面，经训练的神经网络输出一组优化权重，包括针对形成DTI之前的每个时间点的优化权重，并且其中优化权重随时间单调递增。在一方面，该方法进一步包括以下步骤：a)对于第一多个患者和第二多个患者中的每个患者，i)计算该组SEMδ值中的N个最久加权的SEMδ值的第一平均SEMδ值；ii)计算该组SEMδ值中的M个最近加权的SEMδ值的第二平均SEMδ值；iii)计算第一平均SEMδ值与第二平均SEMδ值之间的差值；iv)将第一平均SEMδ值与第二平均SEMδ值之间的差值与阈值进行比较；b)创建训练集，该训练集包括第一多个患者中的第一组差值和第二多个患者中的第二组差值；以及c)使用训练集来训练神经网络。在一方面，预定频率为每天一次。在一方面，第一组和第二组SEMδ值包括至少六个各自相隔一天取得的SEMδ值。在一方面，N+M＝6。在一方面，N＝4并且M＝2。在一方面，患者的皮肤上的位置选自由以下项组成的组：头后部、骶骨、肩部、肘部、下背部、尾骨、臀部、髋部、膝盖内侧、脚后跟以及它们的组合。

本公开提供并且包括用于识别DTI组织的非暂态计算机可读介质。非暂态计算机可读介质可以包括存储在其上的指令，该指令当在处理器上执行时，可以进行以下步骤：a)对于经历DTI的第一多个患者中的每个患者，在形成DTI之前且直至形成DTI之时以预定频率在患者的皮肤上的某个位置处获得第一组表皮下水分(SEM)δ值；b)对于未经历DTI的第二多个患者中的每个患者，以预定频率在患者的皮肤上的相同位置处获得第二组SEMδ值；c)将一组权重应用于所获得的SEMδ值的第一组和第二组中的SEMδ值中的每一者；d)对于第一多个患者和第二多个患者中的每个患者，i)计算该组SEMδ值中的N个最久加权的SEMδ值的第一平均SEMδ值；ii)计算该组SEMδ值中的M个最近加权的SEMδ值的第二平均SEMδ值；iii)计算第一平均SEMδ值与第二平均SEMδ值之间的差值；以及iv)将第一平均SEMδ值与第二平均SEMδ值之间的差值与阈值进行比较；e)创建训练集，该训练集包括第一多个患者中的第一组差值和第二多个患者中的第二组差值；以及f)使用训练集来训练神经网络。在一方面，经训练的神经网络输出a)一组优化权重，包括针对形成DTI之前的每个时间点的优化权重，其中该优化权重随时间单调递增；b)优化阈值；c)N的值；以及d)M的值。在一方面，预定频率为每天一次。在一方面，第一组和第二组SEMδ值包括至少六个各自相隔一天取得的SEMδ值。在一方面，N+M＝6。在一方面，N＝4并且M＝2。在一方面，患者的皮肤上的位置选自由以下项组成的组：头后部、骶骨、肩部、肘部、下背部、尾骨、臀部、髋部、膝盖内侧、脚后跟以及它们的组合。在一方面，该组优化权重和优化阈值用于预测深部组织损伤的发生。

本公开提供并且包括一种用于预测深部组织损伤(DTI)的计算机实现方法，该方法包括：经由输入装置接收与患者相关联的多个表皮下水分(SEM)δ值；经由处理器将多个SEMδ值输自动入到经训练的模型中以接收概率值，其中该模型配置成预测对应于未来发生患者发展DTI的概率值，并且其中该模型是基于包括来自一组患者的SEMδ数据的一组训练数据来训练的；以及经由输出装置基于概率值输出对未来发生患者发展DTI的预测。在一方面，训练模型包括以下步骤：经由输入装置接收一组训练数据，该组训练数据包括：1)与一组患者相关联的多个表皮下水分(SEM)δ值，和2)阈值，其中该组患者中的每个患者具有已知的深部组织损伤(DTI)状态，其中该阈值为在0与1之间的数字；经由处理器将训练数据自动输入到优化算法中以接收多个最优权重值；以及经由处理器使用多个最优权重值来自动更新模型。在一方面，优化算法配置成：生成多个在0与2之间的递增的随机数作为多个权重值；将训练数据和多个权重值输入到模型中以接收与该组患者相关联的一组预测的深部组织损伤(DTI)状态；将预测的DTI状态和与该组患者相关联的已知的DTI状态进行比较；基于比较来计算真阳性率(TPR)和假阳性率(FPR)，其中该TPR计算为该组患者中预测的DTI状态与其已知的DTI状态匹配的患者的百分比，并且该FPR计算为该组患者中预测的DTI状态与其已知的DTI状态不匹配的患者的百分比；重复步骤a)至d)预定次数作为迭代次数；从来自迭代的所有经计算的TPR和FPR中识别最优TPR和FPR；以及输出与经识别的最优TPR和FPR相关联的多个最优权重值。在一方面，多个SEMδ值包括来自预测深部组织损伤(DTI)的日期之前预定天数的SEMδ读数。在一方面，识别最优TPR和FPR包括最小化1-TPR+FPR的目标函数以及满足TPR>>FPR的约束。在一方面，输入装置为SEM扫描仪。在一方面，SEM扫描仪通过电缆或通过无线技术连接至计算机。在一方面，DTI发生在选自由头后部、骶骨、肩部、肘部、下背部、尾骨、臀部、髋部、膝盖内侧、脚后跟以及它们的组合组成的组的位置处。

本公开提供并且包括一种用于评定患者的深部组织损伤(DTI)的风险的方法，该方法包括：获得与患者相关联的多个表皮下水分(SEM)δ值；将多个SEMδ值输入到经训练的模型中以接收概率值，其中该模型配置成预测对应于未来发生患者发展DTI的概率值，其中该模型是基于包括一组患者的SEMδ数据的一组训练数据来训练的；基于概率值输出对患者未来DTI发生可能性的预测；基于预测的未来DTI发生可能性来评定患者发展DTI的风险。在一方面，预测的未来发生被分类为无DTI、低DTI可能性、高DTI可能性或疑似DTI。在一方面，该方法进一步包括基于所评定的DTI的风险为患者选择干预。在一方面，干预包括以下各项中的至少一项：减压、改变患者的体位、改变患者的支撑表面、提供低摩擦衬垫床垫、提供硅胶垫、提供后跟靴、清洁和包扎伤口、去除受损组织、涂抹外用乳膏、涂抹防护霜、施加神经肌肉刺激、给药以及手术。在一方面，DTI发生在选自由头后部、骶骨、肩部、肘部、下背部、尾骨、臀部、髋部、膝盖内侧、脚后跟以及它们的组合组成的组的位置处。在一方面，该方法进一步包括生成或更新执行该方法的报告。在一方面，该方法进一步包括将报告传送给患者或临床医生。在一方面，该方法进一步包括将报告存储在非暂态计算机可读存储介质上。在一方面，该方法进一步包括在计算机显示器上显示报告。

本公开提供并且包括一种非暂态计算机可读存储介质，其包括用于由装置的一个或多个处理器执行的一个或多个程序，该一个或多个程序包括指令，该指令当由该一个或多个处理器执行时，使得该装置进行根据前述实施例中任一项的方法。在一方面，非暂态计算机可读存储介质进一步包括通过进行前述实施例中的任一项的方法所生成的报告。

本公开提供并且包括一种电子装置，包括：一个或多个处理器；存储器；和一个或多个程序，其中该一个或多个程序包括指令，该指令当由该一个或多个处理器执行时，使得该装置进行前述实施例中任一实施例的方法。在一方面，电子装置进一步包括一个或多个显示器，用于呈现通过执行前述实施例中的任一项的方法生成的报告。

附图说明

本文参考附图仅通过举例来描述本公开的一些方面。现在详细地具体参考附图，应当强调的是，所示出的细节是通过举例并且出于本公开的实施例的说明性讨论的目的。在这方面，结合附图所进行的描述使可以如何实践本公开的方面对本领域的技术人员显而易见。

图1A：根据本公开的示例性设备，包括一个同轴电极。

图1B：使用根据本公开的示例性设备来测量SEMδ值以便检测潜在DTI的示例性方法的图示。

图2A：取自已诊断出具有DTI的患者(左)和未诊断出具有DTI的患者(右)的样本SEMδ值。

图2B：根据本公开的用于检测DTI的示例性方法的图示。

图3：取自患者的样本SEMδ值。

图4：划分数据用于进行处理的示例性方法。

图5A：根据本公开的用于预测DTI的示例性方法的流程图。

图5B：根据本公开的用于优化权重的示例性方法的流程图。

图6：根据本公开的样本优化权重和阈值。

图7：根据本公开的用于预测DTI形成的示例性方法。

图8：根据本公开的示例性预测和检测方法的结果。

图9：根据本公开的一方面的示例性系统。

具体实施方式

此描述不旨在是可以实施本公开的所有不同方式或可以添加到本公开的所有特征的详细目录。例如，关于一个实施例示出的特征可以并入其他实施例中，并且关于特定实施例示出的特征可以从该实施例删除。因此，本公开设想了，在本公开的一些实施例中，可以排除或省略本文阐述的任何特征或特征组合。另外，根据本公开，对本文中所建议的各个实施例的许多变化和添加对于本领域技术人员来说将是显而易见的，所述许多变化和添加对不背离本公开。在其他情况下，未详细示出熟知的结构、接口和过程，以免不必要地模糊本发明。本说明书的任何部分都不旨在被解释为对本发明的全部范围的任何部分予以否认。因此，以下描述旨在展示本公开的一些特定实施例，而不是穷举地指定其所有排列、组合和变化。

除非另有定义，否则本文使用的所有技术和科学术语具有与本公开所属领域的普通技术人员通常理解的相同含义。本文中，在描述本公开时使用的术语仅是出于描述特定实施例的目的并且不旨在限制本公开。

本文引用的所有出版物、专利申请、专利和其它参考文献均通过全文引用的方式并入以用于与参考所存在于的句子和/或段落有关的教导。对本文所采用的技术的引用旨在指代本领域中通常理解的技术，包含对那些技术的变化或对本领域技术人员将会显而易见的等效技术的取代。

除非上下文另外指示，否则明确意图是可以以任何组合使用本文描述的本公开的各种特征。此外，本公开还设想，在本公开的一些实施例中，可以排除或省略本文阐述的任何特征或特征组合。

本文所公开的方法包括用于实现所描述的方法的一个或多个步骤或动作。方法步骤和/或动作可以彼此互换，而不背离本发明的范围。换言之，除非正确操作实施例需要步骤或动作的特定顺序，否则在不背离本发明的范围的情况下，可以修改特定步骤和/或动作的顺序和/或使用。

如在本公开的说明书和所附权利要求中所使用的，除非上下文清楚地指示，否则单数形式“一个(a)”、“一种(an)”和“所述(the)”旨在同样包含复数形式。

如本文所用，“和/或”是指并且涵盖相关联的所列项的中的一个或多个项的任何和所有可能的组合，以及当在替代方案(或)中解释时组合的缺乏。

如本文所用的术语“约”或“大约”当指可测量的值(诸如长度、频率、SEMδ值等)时，意在涵盖指定量的±20％、±10％、±5％、±1％、±0.5％或甚至±0.1％的变化。

如本文所用，如“介于X与Y之间”和“介于约X与Y之间”等短语应被解释为包含X和Y。如本文所用，如“介于约X与Y之间”等短语意为“介于约X与约Y之间”并且如“从约X到Y”等短语意为“从约X至约Y”。

如本文所用，术语“示例性”用于意指“充当实例、例子或说明”。描述为“示例性”的任何方面不一定理解为比其他方面优选或有利，也不意味着排除本领域普通技术人员已知的等效结构和技术。相反，使用“示例性”一词旨在以具体方式呈现概念，并且所公开的主题不限于此类实例。

如本文所用，术语“表皮下水分”或“SEM”是指在表皮下方的皮肤组织中的水分的量。SEM可包括细胞内液和细胞外液。不受理论的束缚，当皮肤组织受损时，在受伤部位处的炎症会导致血管扩张并且增加流入皮肤组织的血流量。血管通透性也会增加，允许液体、蛋白质和白细胞从循环系统迁移到皮肤组织损伤的部位。液体、细胞和其他物质涌入受伤部位会导致肿胀和发红，并且增加受损皮肤组织中的SEM数量。细胞凋亡和坏死等过程也可能增加受损区域的液体量。例如，可以通过测量生物电容来测量SEM。在一些方面，本文中描述的方法包括获得组织中的SEM值的步骤。在一些方面，本文中描述的方法包括获得皮肤中的SEM值的步骤。在一些方面，本文中描述的方法包括获得皮肤表皮下层中的SEM值的步骤。在一些方面，本文中描述的方法包括获得组织中的SEMδ值的步骤。在一些方面，本文中描述的方法包括获得皮肤中的SEMδ值的步骤。在一些方面，本文中描述的方法包括获得组织中的一组SEM值的步骤。在一些方面，本文中描述的方法包括获得皮肤中的一组SEM值的步骤。在一些方面，本文中描述的方法包括获得组织中的一组SEMδ值的步骤。在一些方面，本文中描述的方法包括获得皮肤中的一组SEMδ值的步骤。在一些方面，一组SEMδ值包括在不同时间取得的多个SEMδ值。在一些方面，一组SEMδ值包括同时取得的多个SEMδ值。

如本文所用，“SEMδ值”或“SEM-Δ值”是指源自在相同组织位置处或不论组织位置如何大约同时获得的SEM测量的两个值之间的计算的差值。

在一方面，这两个值中的每个值是在与另一个值大约相同的时间获得的SEM测量值。在一方面，这两个值中的每个值是由大约同时获得的多个SEM测量值的子集确定的平均值。在一方面，这两个值是SEM测量值和由大约同时获得的多个SEM测量值确定的平均值。在一方面，这两个值是最大SEM测量值和大约同时获得的SEM测量值。在一方面，这两个值是最大SEM测量值和由大约同时获得的多个SEM测量值确定的平均值。在一方面，这两个值是由大约同时获得的多个SEM测量值确定的最大SEM测量值和最小SEM测量值。

在一方面，这两个值中的每个值是在相同组织位置处获得的SEM测量值。在一方面，这两个值中的每个值是由在相同组织位置处获得的多个SEM测量值的子集确定的平均SEM值。在一方面，这两个值是SEM测量值和由在相同组织位置处获得的多个SEM测量值确定的平均值。在一方面，这两个值是最大SEM测量值和在相同组织位置处获得的SEM测量值。在一方面，这两个值是最大SEM测量值和由在相同组织位置处获得的多个SEM测量值确定的平均值。在一方面，这两个值是由在相同组织位置处获得的多个SEM测量值确定的最大SEM测量值和最小SEM测量值。在一方面，在相同组织位置处获得的两个SEM测量是在组织上的空间上不同的位置处进行的测量。在一方面，在相同组织位置处获得的两个SEM测量是在组织上的重叠位置处进行的测量。在一方面，组织位置以解剖部位为中心，包括但不限于胸骨、骶骨、脚后跟、肩胛骨、肘部、耳朵或其他肉质组织。在一方面，在相同组织位置处获得多个SEM测量包括在解剖位置处及其周围进行测量。在一方面，在相同组织位置处获得多个SEM测量包括基于测量图在解剖位置处及其周围进行测量。示例性测量图可以在例如美国专利申请第17/591,139或美国专利第US 9,763,596 B2中找到，其全部内容并入本文中。

在一方面，针对在解剖部位周围的每个空间位置处大约同时测量的若干SEM值来确定平均SEM值。在一方面，SEMδ值是最大平均SEM值与大约同时在解剖部位周围测量的平均SEM值中的每一者之间的差值。在一方面，SEMδ值是大约同时在解剖部位周围测量的最大平均SEM值与最小平均SEM值之间的差值。在一方面，“SEMδ值”还可以是指源自在不同时间在相同组织位置周围获得的测量的两个值之间的计算的差值。在一方面，当两次测量相隔不超过约10小时、相隔不超过约8小时、相隔不超过约6小时、相隔不超过约5小时、相隔不超过约4小时、相隔不超过约3小时、相隔不超过约2小时或相隔不超过约1小时进行时，这两次测量是大约同时获得的。

如本文所用，“组织生物电容”是指用于基于在间质空间中积聚的流体水平增加来检测初始组织损伤的生物物理标志物。不受理论的束缚，组织中的液体含量越高，生物电容值就变得越高。在一些方面，本文中描述的方法包括测量组织中的生物电容的步骤。在一些方面，本文中描述的方法包括测量皮肤的生物电容的步骤。在一些方面，用本文中描述的方法测量的生物电容随组织中的SEM线性变化。在一些方面，用本文中描述的方法测量的生物电容随组织中的SEM非线性变化。

如本文所用，“系统”可以是彼此有线或无线通信的装置的集合。

如本文所用，“询问”是指使用射频能量刺入患者的皮肤。

如本文所用，“患者”可以是人或动物受试者。

如本文所用，“权重”是分配给SEMδ值的数值系数，以表达其在SEMδ值的分布中的相对重要性。不受理论的束缚，权重可以调整SEM测量在不同日期相对于当前日期的贡献。

如本文所用，“神经网络”是包括人工神经元或节点的人工神经网络，其基于连接计算方法使用数学或计算模型来进行信息处理。神经网络可以执行基于示例性输入-输出对将输入映射到输出的函数的监督学习。示例性输入-输出对可以作为“训练集”提供给神经网络。

如本文所用，“电极传感器”是检测电特性的电极。在一方面，电极传感器包括一个电极。在一方面，电极传感器包括两个电极。在一方面，电极传感器包括以同轴配置放置的两个电极。在一方面，电极传感器包括彼此靠近放置的两个电极。

如本文所用，关于病症或疾病的“预防”是一种用于在病症或疾病在患者中显现之前降低其发生风险、或一旦出现病症或疾病，减缓和停止其进展的方法。预防方法包括但不限于：在疾病的早期阶段识别疾病，以便发起及时和适当的管理；在病症或疾病显现之前保护易患该病症或疾病的组织；减少或最小化疾病的后果；以及它们的组合。在一方面，当不形成DTI时，预防DTI。在一方面，当已形成的DTI不恶化时，预防DTI。

如本文所用，关于病症或疾病的“治疗”是用于获得有益或期望的结果(优选包括在患者中显现出病症或疾病之后的临床结果)的方法。关于疾病的有益或期望的结果包括但不限于以下各项中的一项或多项：改善与疾病相关联的病症、治愈疾病、减轻疾病的严重性、延迟疾病的进展、减轻与疾病相关联的一种或多种症状、提高患有疾病的人的生活质量、延长存活期以及它们的组合。同样地，用于本公开的目的，关于病症的有益或期望的结果包括但不限于以下各项中的一项或多项：改善病症、治愈病症、减轻病症的严重性、延迟病症的进展、减轻与病症相关联的一种或多种症状、提高患有病症的人的生活质量、延长存活期以及它们的组合。

在图1A和图1B中示出了根据本公开的示例性设备。应当理解，这些是用于测量表皮下水分的设备的实例。在一些实施例中，根据本公开的设备可以是手持装置、便携式装置、有线装置、无线装置或适合于测量人类患者的一部分的装置。Sarrafzadeh等人的美国专利第9,220,455 B2号和美国专利第9,398,879 B2号以及Tonar等人的美国专利第10,182,740 B2号涉及不同的SEM扫描设备。所有美国专利申请序列第9,220,455 B2号、美国专利申请第9,398,879B2号和第10,182,740B2号均通过引用全文并入本文中。

检测方法

在一方面，本公开提供了一种用于在深部组织损伤(DTI)可见于患者的皮肤上之前对该DTI进行检测的方法，其包括：a)以预定频率在患者的皮肤上的某个位置处获得一组SEMδ值；b)对所获得的组中的SEMδ值中的每一者应用预定权重；c)计算N个最久加权的SEMδ值的第一平均SEMδ值；d)计算M个最近加权的SEMδ值的第二平均SEMδ值；e)将第一平均SEMδ值与第二平均SEMδ值之间的差值与预定阈值进行比较；以及f)当差值大于预定阈值时，确定患者的皮肤上的该位置处存在DTI。在一方面，所获得的SEMδ值的组包括至少五个各自相隔一天取得的SEMδ值。在一方面，预定权重在0至2的范围内。在一方面，预定权重随时间单调递增。在一方面，N>M。在一方面，N为4并且M为2。在一方面，预定阈值为在0至1范围内的实数。在一方面，最近的SEMδ值是通过K个最近的SEMδ值的线性外推来获得的。在一方面，K为3。在一方面，预定阈值为0.7。

在一方面，一组SEMδ值包括在不同时间获得的多个SEMδ值。在一方面，一组SEMδ值包括以预定频率获得的多个SEMδ值。在一方面，预定频率为每月一次、每两周一次、每周一次、每五天一次、每四天一次、每三天一次、每两天一次、每天一次、每24小时一次，每23小时一次、每22小时一次、每21小时一次、每19小时一次、每18小时一次、每17小时一次、每16小时一次、每15小时一次、每14小时一次、每13小时一次、每12小时一次、每11小时一次、每10小时一次、每9小时一次、每8小时一次、每7小时一次、每6小时一次、每5小时一次、每4小时一次、每3小时一次、每2小时一次、每小时一次、每60分钟一次、每30分钟一次、每15分钟一次、每10分钟一次、每5分钟一次、每2分钟一次。在一方面，一组SEMδ值包括每24小时一次获得的10个SEMδ值。在一方面，一组SEMδ值包括每24小时一次获得的9个SEMδ值。在一方面，一组SEMδ值包括每24小时一次获得的8个SEMδ值。在一方面，一组SEMδ值包括每24小时一次获得的7个SEMδ值。在一方面，一组SEMδ值包括每24小时一次获得的6个SEMδ值。在一方面，一组SEMδ值包括每24小时一次获得的5个SEMδ值。在一方面，一组SEMδ值包括每24小时一次获得的4个SEMδ值。在一方面，一组SEMδ值包括每24小时一次获得的3个SEMδ值。在一方面，一组SEMδ值包括每24小时一次获得的2个SEMδ值。

在一方面，将一组权重应用于一组SEMδ值中的每个SEMδ值。在一方面，该组权重是预定的。在一方面，将第一预定权重应用于该组SEMδ值中的第一SEMδ值。在一方面，将第二预定权重应用于该组SEMδ值中的第二SEMδ值。在一方面，应用于该组SEMδ值中的SEMδ值的预定权重是由相对于当前时间获得SEMδ值的时间来确定的。在一方面，与较早时间获得的SEMδ值相比，对最近获得的SEMδ值应用更大的权重。在一方面，与最近获得的SEMδ值相比，对较早时间获得的SEMδ值应用较小的权重。在一方面，预定权重随时间单调递增。在一方面，预定权重在0至2的范围内。在一方面，预定权重为约2、约1.9、约1.8、约1.7、约1.6、约1.5、约1.4、约1.3、约1.2、约1.1、约1.0、约0.9、约0.8、约0.7、约0.6、约0.5、约0.4、约0.3、约0.2、约0.1或约0.0。在一方面，预定权重是从监督学习算法的结果获得的。在一方面，预定权重是从无监督学习算法的结果获得的。

在一方面，平均SEMδ值是由一组SEMδ值来计算的。在一方面，平均SEMδ值是由SEMδ值的子集来计算的。在一方面，第一平均SEMδ值是由N个最久加权的SEMδ值来计算的。在一方面，第二平均SEMδ值是由M个最近加权的SEMδ值来计算的。在一方面，第一平均SEMδ值是由5个最久加权的SEMδ值来计算的，并且第二平均SEMδ值是由最近加权的SEMδ值来计算的。在一方面，第一平均SEMδ值是由4个最久加权的SEMδ值来计算的，并且第二平均SEMδ值是由2个最近加权的SEMδ值来计算的。在一方面，第一平均SEMδ值是由3个最久加权的SEMδ值来计算的，并且第二平均SEMδ值是由3个最近加权的SEMδ值来计算的。在一方面，第一平均SEMδ值是由2个最久加权的SEMδ值来计算的，并且第二平均SEMδ值是由4个最近加权的SEMδ值来计算的。在一方面，第一平均SEMδ值是由1个最久加权的SEMδ值来计算的，并且第二平均SEMδ值是由5个最近加权的SEMδ值来计算的。在一方面，第二平均SEMδ值是由最近加权的SEMδ值来计算的，并且第一平均SEMδ值是由接下来的5个最近加权的SEMδ值来计算的。在一方面，第二平均SEMδ值是由2个最近加权的SEMδ值来计算的，并且第一平均SEMδ值是由接下来的4个最近加权的SEMδ值来计算的。在一方面，第二平均SEMδ值是由3个最近加权的SEMδ值来计算的，并且第一平均SEMδ值是由接下来的3个最近加权的SEMδ值来计算的。在一方面，第二平均SEMδ值是由4个最近加权的SEMδ值来计算的，并且第一平均SEMδ值是由接下来的2个最近加权的SEMδ值来计算的。在一方面，第二平均SEMδ值是由5个最近加权的SEMδ值来计算的，并且第一平均SEMδ值是由下一个最近加权的SEMδ值来计算的。在一方面，N+M＝3。在一方面，N+M＝4。在一方面，N+M＝5。在一方面，N+M＝6。在一方面，N+M＝7。在一方面，N+M＝8。在一方面，N+M＝9。在一方面，N+M＝10。在一方面，N＝1、2、3、4、5、6、7、8、9或10。在一方面，M＝1、2、3、4、5、6、7、8、9或10。在一方面，在风险评定之前预定时间间隔内周期性地获得与患者相关联的多个SEMδ值。在一方面，在风险评定之前预定时间间隔位1天、2天、3天、4天、5天、6天、7天、8天、9天或10天。

在一方面，计算第一平均SEMδ值与第二平均SEMδ值之间的差值。在一方面，将第一平均SEMδ值与第二平均SEMδ值之间的差值与预定阈值进行比较。在一方面，预定阈值为零。在一方面，预定阈值为正值。在一方面，预定阈值为负值。在一方面，第一平均SEMδ值与第二平均SEMδ值之间的正差值指示深部组织损伤。在一方面，第一平均SEMδ值与第二平均SEMδ值之间的非正差值或零差指示没有深部组织损伤。在一方面，最近的SEMδ值的平均值与最久的SEMδ值的平均值之间的正差值指示深部组织损伤。在一方面，最近的SEMδ值的平均值与最久的SEMδ值的平均值之间的非正差值或零差值指示没有深部组织损伤。在一方面，预定阈值为在0至1范围内的实数。在一方面，预定阈值为约0.1、约0.2、约0.3、约0.4、约0.5、约0.6、约0.7、约0.8、约0.9、约1.0。在一方面，当差值大于预定阈值时，确定患者的皮肤上的该位置处存在DTI。

训练方法

在一方面，本公开提供了一种用于训练神经网络以在深部组织损伤(DTI)可见于患者的皮肤上之前检测该损伤的计算机实现方法，其包括：a)对于已诊断出具有DTI的第一多个患者中的每个患者，在形成DTI之前且直至形成DTI之时以预定频率在患者的皮肤上的某个位置处获得第一组表皮下水分(SEM)δ值；b)对于尚未诊断出具有DTI的第二多个患者中的每个患者，以预定频率在患者的皮肤上的相同位置处获得第二组SEMδ值；c)将一组权重应用于所获得的SEMδ值的第一组和第二组中的SEMδ值中的每一者；d)创建训练集，该训练集包括第一多个患者和第二多个患者中的所有患者的第一组加权的SEMδ值和第二组加权的SEMδ值；以及e)使用训练集来训练神经网络。

在一方面，神经网络为单层神经网络。在一方面，神经网络为多层神经网络。在一方面，神经网络包括至少一个隐藏层、至少两个隐藏层、至少三个隐藏层、至少四个隐藏层或至少五个隐藏层。在一方面，神经网络使用监督学习算法。在一方面，神经网络使用无监督学习算法。

在一方面，第一多个患者已被诊断具有DTI。在一方面，对于第一多个患者中的每个患者，在患者的皮肤上的某个位置处获得第一组SEMδ值。在一方面，第一组SEMδ值是在形成DTI之前且直至形成DTI之时以预定频率获得的。在一方面，第二多个患者尚未诊断出具有DTI。在一方面，对于第二多个患者中的每个患者，在患者的皮肤上的某个位置处获得第二组SEMδ值。在一方面，以相同预定频率获得第二组SEMδ值作为第一组SEMδ值。在一方面，一组SEMδ值包括在不同时间获得的多个SEMδ值。在一方面，一组SEMδ值包括以预定频率获得的多个SEMδ值。在一方面，预定频率为每月一次、每两周一次、每周一次、每五天一次、每四天一次、每三天一次、每两天一次、每天一次、每24小时一次，每23小时一次、每22小时一次、每21小时一次、每19小时一次、每18小时一次、每17小时一次、每16小时一次、每15小时一次、每14小时一次、每13小时一次、每12小时一次、每11小时一次、每10小时一次、每9小时一次、每8小时一次、每7小时一次、每6小时一次、每5小时一次、每4小时一次、每3小时一次、每2小时一次、每小时一次、每60分钟一次、每30分钟一次、每15分钟一次、每10分钟一次、每5分钟一次、每2分钟一次、每1分钟一次或每30秒一次。在一方面，一组SEMδ值包括每24小时一次获得的10个SEMδ值。在一方面，一组SEMδ值包括每24小时一次获得的9个SEMδ值。在一方面，一组SEMδ值包括每24小时一次获得的8个SEMδ值。在一方面，一组SEMδ值包括每24小时一次获得的7个SEMδ值。在一方面，一组SEMδ值包括每24小时一次获得的6个SEMδ值。在一方面，一组SEMδ值包括每24小时一次获得的5个SEMδ值。在一方面，一组SEMδ值包括每24小时一次获得的4个SEMδ值。在一方面，一组SEMδ值包括每24小时一次获得的3个SEMδ值。在一方面，一组SEMδ值包括每24小时一次获得的2个SEMδ值。在一方面，患者的皮肤上的位置为有发展DTI风险的区域，包括但不限于脚后跟、膝盖、肘部、骶骨、大腿、头后部、肩部、脊柱底部、臀部、脚趾、耳朵、髋部、腿部或胸廓。

在一方面，将一组权重应用于一组SEMδ值中的每个SEMδ值。在一方面，该组权重是随机的。在一方面，将第一随机权重应用于该组SEMδ值中的第一SEMδ值。在一方面，将第二随机权重应用于该组SEMδ值中的第二SEMδ值。在一方面，应用于该组SEMδ值中的SEMδ值的随机权重是由相对于当前时间获得SEMδ值的时间来确定的。在一方面，与较早时间获得的SEMδ值相比，对最近获得的SEMδ值应用更大的随机权重。在一方面，与最近获得的SEMδ值相比，对较早时间获得的SEMδ值应用较小的随机权重。在一方面，随机权重随时间单调递增。

在一方面，创建训练集，该训练集包括第一多个患者和第二多个患者中的所有患者的第一组加权的SEMδ值和第二组加权的SEMδ值。在一方面，使用训练集来训练神经网络。

在一方面，该方法进一步包括：a)对于第一多个患者和第二多个患者中的每个患者，i)计算该组SEMδ值中的N个最久加权的SEMδ值的第一平均SEMδ值；ii)计算该组SEMδ值中的M个最近加权的SEMδ值的第二平均SEMδ值；iii)计算第一平均SEMδ值与第二平均SEMδ值之间的差值；iv)将第一平均SEMδ值与第二平均SEMδ值之间的差值与阈值进行比较；b)创建训练集，该训练集包括第一多个患者中的第一组差值和第二多个患者中的第二组差值；以及c)使用训练集来训练神经网络。

在一方面，平均SEMδ值是由一组SEMδ值来计算的。在一方面，平均SEMδ值是由SEMδ值的子集来计算的。在一方面，第一平均SEMδ值是由N个最久加权的SEMδ值来计算的。在一方面，第二平均SEMδ值是由M个最近加权的SEMδ值来计算的。在一方面，第一平均SEMδ值是由5个最久加权的SEMδ值来计算的，并且第二平均SEMδ值是由最近加权的SEMδ值来计算的。在一方面，第一平均SEMδ值是由4个最久加权的SEMδ值来计算的，并且第二平均SEMδ值是由2个最近加权的SEMδ值来计算的。在一方面，第一平均SEMδ值是由3个最久加权的SEMδ值来计算的，并且第二平均SEMδ值是由3个最近加权的SEMδ值来计算的。在一方面，第一平均SEMδ值是由2个最久加权的SEMδ值来计算的，并且第二平均SEMδ值是由4个最近加权的SEMδ值来计算的。在一方面，第一平均SEMδ值是由1个最久加权的SEMδ值来计算的，并且第二平均SEMδ值是由5个最近加权的SEMδ值来计算的。在一方面，第二平均SEMδ值是由最近加权的SEMδ值来计算的，并且第一平均SEMδ值是由接下来的5个最近加权的SEMδ值来计算的。在一方面，第二平均SEMδ值是由2个最近加权的SEMδ值来计算的，并且第一平均SEMδ值是由接下来的4个最近加权的SEMδ值来计算的。在一方面，第二平均SEMδ值是由3个最近加权的SEMδ值来计算的，并且第一平均SEMδ值是由接下来的3个最近加权的SEMδ值来计算的。在一方面，第二平均SEMδ值是由4个最近加权的SEMδ值来计算的，并且第一平均SEMδ值是由接下来的2个最近加权的SEMδ值来计算的。在一方面，第二平均SEMδ值是由5个最近加权的SEMδ值来计算的，并且第一平均SEMδ值是由下一个最近加权的SEMδ值来计算的。在一方面，在风险评定之前预定时间间隔内周期性地获得与患者相关联的多个SEMδ值。在一方面，在风险评定之前预定时间间隔位1天、2天、3天、4天、5天、6天、7天、8天、9天或10天。

在一方面，计算第一平均SEMδ值与第二平均SEMδ值之间的差值。在一方面，将第一平均SEMδ值与第二平均SEMδ值之间的差值与阈值进行比较。在一方面，阈值为零。在一方面，阈值为正值。在一方面，阈值为负值。在一方面，第一平均SEMδ值与第二平均SEMδ值之间的正差值指示深部组织损伤。在一方面，第一平均SEMδ值与第二平均SEMδ值之间的非正差值或零差指示没有深部组织损伤。在一方面，最近的SEMδ值的平均值与最久的SEMδ值的平均值之间的正差值指示深部组织损伤。在一方面，最近的SEMδ值的平均值与最久的SEMδ值的平均值之间的非正差值或零差值指示没有深部组织损伤。在一方面，阈值为在0至1范围内的实数。在一些方面，阈值为约0.1、约0.2、约0.3、约0.4、约0.5、约0.6、约0.7、约0.8、约0.9、约1.0。在一方面，当差值大于预定阈值时，确定患者的皮肤上的该位置处存在DTI。

在一方面，创建训练集，该训练集包括第一多个患者中的第一组差值和所述第二多个患者中的第二组差值。在一方面，使用训练集来训练神经网络。

在一方面，经训练的神经网络输出一组优化权重，包括针对形成DTI之前的每个时间点的优化权重。在一方面，优化权重随时间单调递增。在一方面，优化权重在0至2的范围内。在一方面，优化权重为约2、约1.9、约1.8、约1.7、约1.6、约1.5、约1.4、约1.3、约1.2、约1.1、约1.0、约0.9、约0.8、约0.7、约0.6、约0.5、约0.4、约0.3、约0.2、约0.1或约0.0。在一方面，经训练的神经网络输出优化阈值。在一方面，优化阈值为约0.1、约0.2、约0.3、约0.4、约0.5、约0.6、约0.7、约0.8、约0.9、约1.0。

在一方面，本公开提供了一种用于训练神经网络以在深部组织损伤(DTI)可见于患者的皮肤上之前检测该损伤的计算机实现方法，其包括：a)对于经历DTI的第一多个患者中的每个患者，在形成DTI之前且直至形成DTI之时以预定频率在患者的皮肤上的某个位置处获得第一组表皮下水分(SEM)δ值；b)对于未经历DTI的第二多个患者中的每个患者，以预定频率在患者的皮肤上的相同位置处获得第二组SEMδ值；c)将一组权重应用于所获得的SEMδ值的第一组和第二组中的SEMδ值中的每一者；d)对于第一多个患者和第二多个患者中的每个患者，i)计算该组SEMδ值中的N个最久加权的SEMδ值的第一平均SEMδ值；ii)计算该组SEMδ值中的M个最近加权的SEMδ值的第二平均SEMδ值；iii)计算第一平均SEMδ值与第二平均SEMδ值之间的差值；以及iv)将第一平均SEMδ值与第二平均SEMδ值之间的差值与阈值进行比较；e)创建训练集，该训练集包括第一多个患者中的第一组差值和第二多个患者中的第二组差值；以及f)使用训练集来训练神经网络。

在一方面，神经网络为单层神经网络。在一方面，神经网络为多层神经网络。在一方面，神经网络包括至少一个隐藏层、至少两个隐藏层、至少三个隐藏层、至少四个隐藏层或至少五个隐藏层。在一方面，神经网络使用监督学习算法。在一方面，神经网络使用无监督学习算法。

在一方面，第一多个患者已被诊断具有DTI。在一方面，对于第一多个患者中的每个患者，在患者的皮肤上的某个位置处获得第一组SEMδ值。在一方面，第一组SEMδ值是在形成DTI之前且直至形成DTI之时以预定频率获得的。在一方面，第二多个患者尚未诊断出具有DTI。在一方面，对于第二多个患者中的每个患者，在患者的皮肤上的某个位置处获得第二组SEMδ值。在一方面，以相同预定频率获得第二组SEMδ值作为第一组SEMδ值。在一方面，一组SEMδ值包括在不同时间获得的多个SEMδ值。在一方面，一组SEMδ值包括以预定频率获得的多个SEMδ值。在一方面，预定频率为每月一次、每两周一次、每周一次、每五天一次、每四天一次、每三天一次、每两天一次、每天一次、每24小时一次，每23小时一次、每22小时一次、每21小时一次、每19小时一次、每18小时一次、每17小时一次、每16小时一次、每15小时一次、每14小时一次、每13小时一次、每12小时一次、每11小时一次、每10小时一次、每9小时一次、每8小时一次、每7小时一次、每6小时一次、每5小时一次、每4小时一次、每3小时一次、每2小时一次、每小时一次、每60分钟一次、每30分钟一次、每15分钟一次、每10分钟一次、每5分钟一次、每2分钟一次。在一方面，一组SEMδ值包括每24小时一次获得的10个SEMδ值。在一方面，一组SEMδ值包括每24小时一次获得的9个SEMδ值。在一方面，一组SEMδ值包括每24小时一次获得的8个SEMδ值。在一方面，一组SEMδ值包括每24小时一次获得的7个SEMδ值。在一方面，一组SEMδ值包括每24小时一次获得的6个SEMδ值。在一方面，一组SEMδ值包括每24小时一次获得的5个SEMδ值。在一方面，一组SEMδ值包括每24小时一次获得的4个SEMδ值。在一方面，一组SEMδ值包括每24小时一次获得的3个SEMδ值。在一方面，一组SEMδ值包括每24小时一次获得的2个SEMδ值。在一方面，患者的皮肤上的位置为有发展DTI风险的区域，包括但不限于脚后跟、膝盖、肘部、骶骨、大腿、头后部、肩部、脊柱底部、臀部、脚趾、耳朵、髋部、腿部或胸廓。

在一方面，将一组权重应用于一组SEMδ值中的每个SEMδ值。在一方面，该组权重是随机的。在一方面，将第一随机权重应用于该组SEMδ值中的第一SEMδ值。在一方面，将第二随机权重应用于该组SEMδ值中的第二SEMδ值。在一方面，应用于该组SEMδ值中的SEMδ值的随机权重是由相对于当前时间获得SEMδ值的时间来确定的。在一方面，与较早时间获得的SEMδ值相比，对最近获得的SEMδ值应用更大的随机权重。在一方面，与最近获得的SEMδ值相比，对较早时间获得的SEMδ值应用较小的随机权重。在一方面，随机权重随时间单调递增。

在一方面，创建训练集，该训练集包括第一多个患者和第二多个患者中的所有患者的第一组加权的SEMδ值和第二组加权的SEMδ值。在一方面，使用训练集来训练神经网络。

在一方面，平均SEMδ值是由一组SEMδ值来计算的。在一方面，平均SEMδ值是由SEMδ值的子集来计算的。在一方面，第一平均SEMδ值是由N个最久加权的SEMδ值来计算的。在一方面，第二平均SEMδ值是由M个最近加权的SEMδ值来计算的。在一方面，第一平均SEMδ值是由5个最久加权的SEMδ值来计算的，并且第二平均SEMδ值是由最近加权的SEMδ值来计算的。在一方面，第一平均SEMδ值是由4个最久加权的SEMδ值来计算的，并且第二平均SEMδ值是由2个最近加权的SEMδ值来计算的。在一方面，第一平均SEMδ值是由3个最久加权的SEMδ值来计算的，并且第二平均SEMδ值是由3个最近加权的SEMδ值来计算的。在一方面，第一平均SEMδ值是由2个最久加权的SEMδ值来计算的，并且第二平均SEMδ值是由4个最近加权的SEMδ值来计算的。在一方面，第一平均SEMδ值是由1个最久加权的SEMδ值来计算的，并且第二平均SEMδ值是由5个最近加权的SEMδ值来计算的。在一方面，第二平均SEMδ值是由最近加权的SEMδ值来计算的，并且第一平均SEMδ值是由接下来的5个最近加权的SEMδ值来计算的。在一方面，第二平均SEMδ值是由2个最近加权的SEMδ值来计算的，并且第一平均SEMδ值是由接下来的4个最近加权的SEMδ值来计算的。在一方面，第二平均SEMδ值是由3个最近加权的SEMδ值来计算的，并且第一平均SEMδ值是由接下来的3个最近加权的SEMδ值来计算的。在一方面，第二平均SEMδ值是由4个最近加权的SEMδ值来计算的，并且第一平均SEMδ值是由接下来的2个最近加权的SEMδ值来计算的。在一方面，第二平均SEMδ值是由5个最近加权的SEMδ值来计算的，并且第一平均SEMδ值是由下一个最近加权的SEMδ值来计算的。

在一方面，计算第一平均SEMδ值与第二平均SEMδ值之间的差值。在一方面，将第一平均SEMδ值与第二平均SEMδ值之间的差值与阈值进行比较。在一方面，阈值为零。在一方面，阈值为正值。在一方面，阈值为负值。在一方面，第一平均SEMδ值与第二平均SEMδ值之间的正差值指示深部组织损伤。在一方面，第一平均SEMδ值与第二平均SEMδ值之间的非正差值或零差指示没有深部组织损伤。在一方面，最近的SEMδ值的平均值与最久的SEMδ值的平均值之间的正差值指示深部组织损伤。在一方面，最近的SEMδ值的平均值与最久的SEMδ值的平均值之间的非正差值或零差值指示没有深部组织损伤。在一方面，阈值为在0至1范围内的实数。在一些方面，阈值为约0.1、约0.2、约0.3、约0.4、约0.5、约0.6、约0.7、约0.8、约0.9、约1.0。在一方面，当差值大于预定阈值时，确定患者的皮肤上的该位置处存在DTI。

在一方面，创建训练集，该训练集包括第一多个患者中的第一组差值和所述第二多个患者中的第二组差值。在一方面，使用训练集来训练神经网络。

在一方面，经训练的神经网络：输出a)一组优化权重，包括针对形成DTI之前的每个时间点的优化权重，其中该优化权重随时间单调递增；b)优化阈值；c)N的值；以及d)M的值。在一方面，该组优化权重和优化阈值用于预测深部组织损伤的发生。在一方面，优化权重随时间单调递增。在一方面，优化权重在0至2的范围内。在一方面，优化权重为约2、约1.9、约1.8、约1.7、约1.6、约1.5、约1.4、约1.3、约1.2、约1.1、约1.0、约0.9、约0.8、约0.7、约0.6、约0.5、约0.4、约0.3、约0.2、约0.1或约0.0。在一方面，经训练的神经网络输出优化阈值。在一方面，优化阈值为约0.1、约0.2、约0.3、约0.4、约0.5、约0.6、约0.7、约0.8、约0.9、约1.0。在一方面，N+M＝3。在一方面，N+M＝4。在一方面，N+M＝5。在一方面，N+M＝6。在一方面，N+M＝7。在一方面，N+M＝8。在一方面，N+M＝9。在一方面，N+M＝10。在一方面，N＝1、2、3、4、5、6、7、8、9或10。在一方面，M＝1、2、3、4、5、6、7、8、9或10。

在一方面，该组优化权重和优化阈值用于预测深部组织损伤的发生。

计算机可读介质(软件)

本公开的前述方法中的任意方法可以实现为计算机程序过程，该计算机程序过程指定为记录在非暂态计算机可读存储介质或计算机可读介质(CRM)上的一组指令。

在一方面，本公开提供了一种非暂态计算机可读存储介质，其包括用于由装置的一个或多个处理器执行的一个或多个程序，该一个或多个程序包括指令，该指令当由该一个或多个处理器执行时，使得该装置进行本文中公开的方法中的任意方法。

本文还提供了一种非暂态计算机可读存储介质，其包括通过进行本文中公开的方法中的任意方法生成的报告。

计算机可读存储介质的实例包括随机存取存储器(RAM)、只读存储器(ROM)、只读光盘(CD-ROM)、可记录光盘(CD-R)、可重写光盘(CD-RW)、只读数字多功能光盘(例如DVD-ROM、双层DVD-ROM)、各种可记录/可重写DVD(例如DVD-RAM、DVD-RW、DVD+RW等)、闪存存储器(例如，SD卡、迷你SD卡、微型SD卡等)、磁性和/或固态硬盘驱动器、超密度光盘、任何其他光学或磁性介质和软盘。在一些实施例中，计算机可读存储介质为固态装置、硬盘、CD-ROM或任何其他非易失性计算机可读存储介质。

计算机可读存储介质可以存储一组计算机可执行指令(例如，“计算机程序”)，该组计算机可执行指令可由至少一个处理单元执行并且包括用于进行各种操作的指令集。

计算机程序(也称为程序、软件、软件应用程序、脚本或代码)可以以任何形式的编程语言(包括编译或解释语言、声明性或过程性语言)来编写，并且其可以以任何形式来部署，包括作为独立程序或作为模块、部件、子例程、对象或适合在计算环境中使用的其他部件。计算机程序可以但不需要对应于文件系统中的文件。程序可以存储在保存其它程序或数据的文件的一部分中(例如，存储在标记语言文档中的一个或多个脚本)，存储在专用于所讨论的程序的单个文件中，或存储在多个协同文件中(例如，存储一个或多个模块、子程序或代码部分的文件)。计算机程序可以被部署成在一个计算机上或者在位于一个站点或分布在多个站点并且通过通信网络互连的多个计算机上被执行。计算机程序或计算机代码的实例包括诸如由编译器产生的机器代码以及包括由计算机、电子部件或微处理器使用解释器执行的高级代码的文件。

在一些实施例中，本主题公开的多个软件方面可以实现为较大程序的子部分，同时保留本主题公开的不同软件方面。在一些实现方式中，多个软件方面也可以实现为单独的程序。一起实现这里描述的软件方面的单独程序的任何组合都在本主题公开的范围内。在一些实施方式中，当软件程序安装为在一个或多个电子系统上操作时，其定义执行和进行软件程序的操作的一个或多个特定机器实施方式。

本公开提供并且包括用于识别DTI组织的非暂态计算机可读介质。非暂态计算机可读介质可以包括存储在其上的指令，该指令当在处理器上执行时，可以进行以下步骤：a)以预定频率在患者的皮肤上的某个位置处获得一组SEMδ值；b)对所获得的组中的SEMδ值中的每一者应用预定权重；c)计算N个最久加权的SEMδ值的第一平均SEMδ值；d)计算M个最近加权的SEMδ值的第二平均SEMδ值；e)将第一平均SEMδ值与第二平均SEMδ值之间的差值与预定阈值进行比较；以及f)当差值大于预定阈值时，确定患者的皮肤上的该位置处存在DTI。在一方面，所获得的SEMδ值的组包括至少五个各自相隔一天取得的SEMδ值。在一方面，预定权重在0至2的范围内。在一方面，预定权重随时间单调递增。在一方面，N>M。在一方面，N为4并且M为2。在一方面，预定阈值为在0至1范围内的实数。在一方面，最近的SEMδ值是通过K个最近的SEMδ值的线性外推来获得的。在一方面，K为3。在一方面，预定阈值为0.7。在一方面，患者的皮肤上的位置选自由以下项组成的组：头后部、骶骨、肩部、肘部、下背部、尾骨、臀部、髋部、膝盖内侧、脚后跟以及它们的组合。

本公开提供并且包括用于识别DTI组织的非暂态计算机可读介质。非暂态计算机可读介质可以包括存储在其上的指令，该指令当在处理器上执行时，可以进行以下步骤：a)对于已诊断出具有DTI的第一多个患者中的每个患者，在形成DTI之前且直至形成DTI之时以预定频率在患者的皮肤上的某个位置处获得第一组表皮下水分(SEM)δ值；b)对于尚未诊断出具有DTI的第二多个患者中的每个患者，以预定频率在患者的皮肤上的相同位置处获得第二组SEMδ值；c)将一组权重应用于所获得的SEMδ值的第一组和第二组中的SEMδ值中的每一者；d)创建训练集，该训练集包括第一多个患者和第二多个患者中的所有患者的第一组加权的SEMδ值和第二组加权的SEMδ值；以及e)使用训练集来训练神经网络。在一方面，经训练的神经网络输出一组优化权重，包括针对形成DTI之前的每个时间点的优化权重，并且其中优化权重随时间单调递增。在一方面，该方法进一步包括以下步骤：a)对于第一多个患者和第二多个患者中的每个患者，i)计算该组SEMδ值中的N个最久加权的SEMδ值的第一平均SEMδ值；ii)计算该组SEMδ值中的M个最近加权的SEMδ值的第二平均SEMδ值；iii)计算第一平均SEMδ值与第二平均SEMδ值之间的差值；iv)将第一平均SEMδ值与第二平均SEMδ值之间的差值与阈值进行比较；b)创建训练集，该训练集包括第一多个患者中的第一组差值和第二多个患者中的第二组差值；以及c)使用训练集来训练神经网络。在一方面，预定频率为每天一次。在一方面，第一组和第二组SEMδ值包括至少六个各自相隔一天取得的SEMδ值。在一方面，N+M＝6。在一方面，N＝4并且M＝2。在一方面，患者的皮肤上的位置选自由以下项组成的组：头后部、骶骨、肩部、肘部、下背部、尾骨、臀部、髋部、膝盖内侧、脚后跟以及它们的组合。

本公开提供并且包括用于识别DTI组织的非暂态计算机可读介质。非暂态计算机可读介质可以包括存储在其上的指令，该指令当在处理器上执行时，可以进行以下步骤：a)对于经历DTI的第一多个患者中的每个患者，在形成DTI之前且直至形成DTI之时以预定频率在患者的皮肤上的某个位置处获得第一组表皮下水分(SEM)δ值；b)对于未经历DTI的第二多个患者中的每个患者，以预定频率在患者的皮肤上的相同位置处获得第二组SEMδ值；c)将一组权重应用于所获得的SEMδ值的第一组和第二组中的SEMδ值中的每一者；d)对于第一多个患者和第二多个患者中的每个患者，i)计算该组SEMδ值中的N个最久加权的SEMδ值的第一平均SEMδ值；ii)计算该组SEMδ值中的M个最近加权的SEMδ值的第二平均SEMδ值；iii)计算第一平均SEMδ值与第二平均SEMδ值之间的差值；以及iv)将第一平均SEMδ值与第二平均SEMδ值之间的差值与阈值进行比较；e)创建训练集，该训练集包括第一多个患者中的第一组差值和第二多个患者中的第二组差值；以及f)使用训练集来训练神经网络。在一方面，经训练的神经网络输出a)一组优化权重，其包括针对形成DTI之前的每个时间点的优化权重，其中该优化权重随时间单调递增；b)优化阈值；c)N的值；以及d)M的值。在一方面，预定频率为每天一次。在一方面，第一组和第二组SEMδ值包括至少六个各自相隔一天取得的SEMδ值。在一方面，N+M＝6。在一方面，N＝4并且M＝2。在一方面，患者的皮肤上的位置选自由以下项组成的组：头后部、骶骨、肩部、肘部、下背部、尾骨、臀部、髋部、膝盖内侧、脚后跟以及它们的组合。在一方面，该组优化权重和优化阈值用于预测深部组织损伤的发生。

在一方面，患者的皮肤上的位置可以为骨突出。在一方面，患者的皮肤上的位置为胸骨、骶骨、脚后跟、肩胛骨、肘部、耳朵或其他肉质组织。一方面，在解剖部位测量一个SEM值。在一方面，患者的皮肤上的该位置处的平均SEM值是从在该位置处测量的两个、三个、四个、五个、六个、七个、八个、九个、十个或十个以上SEM值获得的。

系统

本公开的前述方法和装置中的任意方法和装置均可以在系统或装置集合中实现。

本公开提供了一种用于预测DTI的系统。在一方面，该系统包括能够进行SEM测量的装置，包括但不限于美国专利第9,398,879B2号中描述的装置。在一方面，该系统包括能够进行SEM测量的装置，包括但不限于美国专利第10,182,740B2号中描述的装置。美国专利申请第9,398,879B2号和第10,182,740B2号两者均通过引用全文并入本文中。在一方面，该系统包括能够进行SEM测量的装置，包括但不限于200型SEM扫描仪(Bruin Biometrics,LLC,Los Angeles,CA)。在一方面，该系统包括能够进行生物电容测量的装置。在一方面，该系统配置成进行本文中描述的方法。在一方面，该系统包括处理器。在一方面，该系统包括非暂态计算机可读介质，其电耦接至处理器并且包括存储在其上的指令，该指令当在处理器上执行时，进行本文中描述的方法的步骤。

在一方面，该系统包括能够进行SEM测量或生物电容测量的装置，该装置包括覆盖层。在一方面，覆盖层可以是双面覆铜层压板以及粘合至铜箔的聚酰亚胺膜的全聚酰亚胺复合材料。在一方面，覆盖层可以包括Pyralux 5mil FR0150。不受理论的限制，该覆盖层的使用可以避免皮肤表面上自然存在的寄生电荷干扰SEM测量的准确度和精确度。

在一方面，本文中公开的方法在一个或多个电子装置中执行，包括：一个或多个处理器；存储器；和一个或多个程序，其中该一个或多个程序包括指令，该指令当由该一个或多个处理器执行时，使得该装置进行前述实施例中任一实施例的方法。装置的实例进一步包括但不限于计算机、平板个人计算机、个人数字助理和蜂窝电话。

在一些实施例中，电子装置可以进一步包括一个或多个显示器。在一些实施例中，电子装置包括一个或多个显示器，用于呈现通过执行前述实施例中的任一项的方法生成的报告。

在一些实施例中，电子装置可以是服务器计算机、客户端计算机、个人计算机(PC)、用户装置、平板PC、膝上型计算机、个人数字助理(PDA)、蜂窝电话或任何能够执行一组顺序或其他指令的机器，这些指令指定该机器要采取的操作。在一些实施例中，电子装置可以进一步包括键盘和指示装置、触摸装置、条形码扫描仪、显示装置和网络装置。

为了提供与用户的交互，本说明书中描述的主题的实现可以在计算机上实现，该计算机具有本文中描述的用于向用户显示信息的显示装置以及虚拟或物理键盘和指示装置，诸如手指、触控笔、鼠标或轨迹球，用户可以通过它们向计算机提供输入。还可以使用其他类装置来提供与用户的交互；例如，提供给用户的反馈可以是任何形式的感觉反馈，诸如视觉反馈、听觉反馈或触觉反馈；并且来自用户的输入可以以任何形式接收，包含声音、速度或触觉输入。

图9示出了根据一个实施例的示例性系统900。在一方面，系统900包括连接到网络的主机计算机。在一方面，系统900包括客户端计算机或服务器。在一方面，系统900可以包括任何合适类型的基于微处理器的装置，诸如个人计算机、工作站、服务器或手持计算装置(便携式电子装置)，诸如电话或平板电脑。如图9所示，在一方面，系统900包括处理器910、输入装置920、输出装置930、存储介质940和通信装置960中的一个或多个。输入装置920和输出装置930通常可以对应于上文描述的那些装置，并且可以与计算机连接或集成。

在一方面，输入装置920为提供输入的任何合适的装置，诸如触摸屏、键盘或小键盘、鼠标或语音识别装置。在一方面，输入装置920为SEM测量装置。在一方面，输出装置930装置提供输出的合适装置，诸如显示器、触摸屏、触觉装置或扬声器。

在一方面，存储装置940为提供存储的任何合适的装置，诸如电、磁或光存储器，包括但不限于RAM、ROM、高速缓存、硬盘驱动器和可移动存储盘。在一方面，通信装置960包括能够通过网络发送和接收信号的任何合适的装置，包括但不限于网络接口芯片或装置、路由器、无线卡以及蓝牙信号发射器和接收器。在一方面，系统900的部件以任何合适的方式单独连接，包括但不限于物理总线、有线、无线、蓝牙连接、红外和无线电信号。

在一方面，可以存储在存储装置940中并且由处理器910执行的软件950包括例如体现本公开的功能的编程(例如，如在上文描述的装置中体现的)。在一方面，软件950在任何非暂态计算机可读存储介质内存储和/或传输，以供指令执行系统、设备或装置使用或与其结合使用，诸如上文描述的那些，其可以获得与指令执行系统、设备或装置的软件相关联的指令并且执行该指令。在一方面，计算机可读存储介质为可以包含或存储供指令执行系统、设备或装置使用或与其结合使用的编程的任何介质，诸如存储装置940。

在一方面，软件950在任何传输介质内传播，以供指令执行系统、设备或装置使用或与其结合使用，诸如上文描述的那些，其可以获得与指令执行系统、设备或装置的软件相关联的指令并且执行该指令。在一方面，传输介质为可以传达、传播或传输供指令执行系统、设备或装置使用或与其结合使用的编程的任何介质。传输可读介质可以包括但不限于电子、磁、光、电磁或红外有线或无线传播介质。

在一方面，系统900可以连接到网络，该网络是任何合适类型的互连通信系统。在一方面，网络可以实现任何合适的通信协议并且可以通过任何合适的安全协议来保护。在一方面，网络包括可以实现网络信号的发送和接收的任何合适布置的网络链路，包括但不限于无线网络连接、T1或T3线路、电缆网络、DSL和电话线。

在一方面，系统900实现适合在网络上操作的操作系统。在一方面，软件950以任何合适的编程语言编写，包括但不限于C、C++、Java或Python。在一方面，例如，体现本公开的功能的应用软件可以部署在不同的配置中，诸如在客户端/服务器布置中或者通过Web浏览器作为基于Web的应用或Web服务。

预防和治疗DTI形成的方法

根据本公开的方法可以防止在患者中形成DTI。基于本文中描述的方法，这些预防方法可以在DTI诊断之前应用于患者。在一方面，可以使用根据本公开的设备在患者的皮肤上的某个位置周围获得至少五个SEMδ测量值。在一方面，使用线性插值来获得最近的SEMδ值的值。在一方面，使用直接测量来获得最近的SEMδ值的值。在一方面，本文中公开的方法用于确定在患者的皮肤上的该位置处是否存在深部组织损伤。一方面，如果本文中公开的方法确定在该位置处存在深部组织损伤，则采取预防措施。在一方面，患者的皮肤上的位置选自由以下项组成的组：头后部、骶骨、肩部、肘部、下背部、尾骨、臀部、髋部、膝盖内侧、脚后跟以及它们的组合。

在一方面，针对DTI形成的预防措施可以在患者入院时、在外科手术之后立即、在患者出院之前或前述的任意组合对患者进行。外科手术可以是侵入性的或非侵入性的，但可能需要患者在相同位置保持一段时间，诸如例如至少1小时。

在一方面，预防措施可以选自由以下项组成的组：至少每两个小时使患者翻身和改变患者的体位；用衬垫保护骨突出；设定具体的翻身和改变体位时间表；提供用于侧卧位的楔块装置；提供压力重新分布支撑表面；管理水分、营养、摩擦和剪切力；减小骨突出的压力；提高翻身频率，包括小幅转移体重；每两小时重新评定一次SEM水平；以及它们的任意组合。

根据本公开的方法可以用于治疗通过本文中描述的方法检测到的患者中的PI。基于本文中描述的方法，这些治疗方法可以在检测到DTI之后应用于患者。在一方面，使用根据本公开的设备在患者的皮肤上的某个位置周围获得至少五个SEMδ测量值。在一方面，使用线性插值来获得最近的SEMδ值的值。在一方面，使用直接测量来获得最近的SEMδ值的值。在一方面，本文中公开的方法用于确定在患者的皮肤上的该位置处是否存在深部组织损伤。在一方面，如果本文中公开的方法确定在该位置处存在深部组织损伤，则进行治疗方法。

根据本公开的方法可以治疗先前存在的DTI。在一方面，治疗方法选自由以下项组成的组：保护皮肤；去除过多的压力点；管理渗出物；闭合并重新生长受损皮肤；保持伤口清洁；减小伤口大小；以及它们的任意组合。

现在已经概括地描述了本发明，通过参考以下实例将更容易理解本发明，这些实例以说明的方式提供，并且除非特别说明，否则不旨在限制本公开。

实例

实例1：获得脚后跟上有和没有DTI的患者的SEMδ值

进行盲法临床试验以测量皮肤和组织发生压力性损伤风险增加的患者的SEMδ值。随时间推移，以每天一次的频率测量患者脚后跟的SEMδ值。每天对患者的深部组织损伤(DTI)进行目视评定。如图2A所示，将患者数据分类为两组，诊断出具有DTI的患者(左图)和尚未诊断出具有DTI的患者(右图)。对于诊断出具有DTI的患者，诊断前5天内的SEMδ值数据与诊断日一致(天数与诊断日一致(第0天))。来自患者的数据用于构建分类算法以检测和预测DTI的形成，如图2B所示。

实例2：对最近的SEMδ值和最久的SEMδ值求平均值

如图3所示，DTI形成前几天内的平均SEMδ值大于之前几天的平均SEMδ值。另一方面，当未诊断出DTI时，所有天数的平均SEMδ值都相似。

因此，DTI诊断前几天的平均SEMδ值和非诊断前几天的平均SEMδ值可以用作分类的标准。特别地，使用以下不等式进行分类：

平均值(SEMδ

平均值(SEMδ

当所获得的SEMδ值满足上述不等式时，模型假设形成了DTI。然后将其与是否诊断出DTI的实际数据进行比较，以确定真阳性率(TPR)和假阳性率(FPR)。

如图4所示，当有6个数据点时，有5种可能的方式来划分数据以确定最近(最后几天)和最久(最初几天)数据。最近的SEMδ值(或最后几天)可以是最近一天、最近两天、最近三天、最近四天和最近五天的平均值。相反，最近的SEMδ值(或最初几天)可以是最久一天、最久两天、最久三天、最久四天和最久五天的平均值。

根据最高真阳性率和最低假阳性率确定的最佳分类是使用2个最近(最后几天)SEMδ值与4个最久(最初几天)SEMδ值来实现的。

实例3：确定权重和阈值

在计算平均SEMδ值之前，为各天分配单调递增的权重(w

平均值(w

其中i＝最后几天，j＝最初几天，如图7所示。

优化算法用于找到提供最佳分类性能的最优权重集，这由真阳性率和假阳性率确定。特别地，该算法试图在TPR>>FPR的约束下最小化(1-TPR+FPR)→0。图5描绘了该算法的步骤的流程图，而图6示出了产生最佳分类结果的权重和阈值。

实例4：预测DTI的形成

从实施例3获得的优化权重和阈值用于评定该方法的预测能力。对于5天的SEMδ值，使用前3天数据的线性插值来预测第6天(第0天)的数据。如图7所示，SEMδ值相应地加权并且用于计算不等式。

实例5：DTI的检测和预测

该方法能够检测DTI，准确率为79％，真阳性率为90％并且假阳性率为21％。该方法还能够预测DTI的形成，准确率为77％，真阳性率为80％并且假阳性率为23％。

虽然已参考特定实施例描述了本发明，但所属领域的技术人员将理解，在不脱离本发明的范围的情况下，可以做出各种改变，并且可以用等效物取代本发明的元件。另外，在不背离本发明的范围的情况下，可以对本发明的教导的特定情况或材料进行许多修改。

因此，希望本发明不限于作为实行本发明设想的最佳模式公开的特定实施例，但是本发明将包含属于所附权利要求书范围和精神内的所有实施例。

实例6：获得骶骨处有和没有DTI的患者的SEMδ值

进行盲法临床试验以测量皮肤和组织发生压力性损伤风险增加的患者的SEMδ值。随时间推移，以每天一次的频率测量患者骶骨的SEMδ值。每天对患者的深部组织损伤(DTI)进行目视评定。将患者数据分类为两组：已诊断出具有DTI的患者和尚未诊断出具有DTI的患者。对于诊断出具有DTI的患者，诊断前几天的SEMδ值数据与诊断日(第0天)一致。来自疑似DTI患者的数据(表1)用于构建分类算法以检测和预测DTI的形成，如图2B所示。

表1：在第0天发现DTI的患者骶骨伤口中心处测量的示例性SEM值。

/>