Artificial Intelligence in Wound Characterization and Measurement: A Systematic Review
Abstract
The use of artificial intelligence (AI) and software tools for wound characterization and measurement has grown significantly, offering more accurate and efficient solutions for clinical assessment. This systematic review examines studies that integrate AI and computational methodologies in wound evaluation, focusing on their effectiveness in improving diagnostic accuracy, monitoring healing progress, and optimizing treatment strategies. The findings highlight the prevalence of machine learning-based approaches, image processing techniques, and digital tools that automate and enhance traditional wound measurement methods. Moreover, the review discusses the challenges related to data standardization, model validation, and clinical adoption. The study provides a comprehensive overview of the current landscape of AI-driven wound assessment and identifies research gaps for future advancements.References
AFONSO, Cristina et al. (2014). Prevenção e tratamento de feridas – da evidência à prática. Primeira Edição, HARTMANN Portugal.
ALDOULAH, ZA, MALIK, H., MOLYET, R., e ALJASEM, M. (2025). SwishRes-U-Net: Uma arquitetura neural profunda para segmentação de feridas crônicas. Biomedical Signal Processing and Control , 100, 107048. Elsevier.
ALONSO, MC, MOHAMMED, HT, FRASER, RD, RAMIREZ GARCIA LUNA, JL e MANNION, D. (2023). Comparação de medidas de área de superfície de ferida obtidas usando tecnologia. .
ANISUZZAMAN, DM et al. (2021). Inteligência Artificial Baseada em Imagens na Avaliação de Feridas: Uma Revisão Sistemática. Advances in Wound Care , 11(12).
BRITO, Karen K. Gonçalves de; e outros. (2013). Feridas crônicas: abordagem da enfermagem na produção científica da pós-graduação. Revista de Enfermagem da UFPE on-line.
CARBINATTO, Fernanda Mansano; AQUINO JÚNIOR, Antonio Eduardo de; BAGNATO, Vanderlei Salvador. (2024). Condutas e inovações nos cuidados com feridas crônicas. São Carlos: Instituto de Física de São Carlos, Universidade de São Paulo.
FERREIRA, F., PIRES, IM, P., V., COSTA, M., e V., MV (2021). Estudo experimental sobre medição de área de feridas com dispositivos móveis. Sensores , 21(17), 5762. MDPI.
FIGUEIREDO, Weslley K. R., et al. (2023) Abordagem Computacional Baseada em Deep Learning para o Diagnóstico de Endometriose Profunda através de Imagens de Ressonância Magnética. SBCAS 2023.
HOWELL, RS, LIU, HH, KHAN, AA e WOODS, JS (2021). Desenvolvimento de um método para avaliação clínica de ferramentas digitais de avaliação de feridas baseadas em inteligência artificial. JAMA Network Open. Associação Médica Americana.
JIMÉNEZ, DR et al. (2025). Métodos de inteligência artificial para assistência diagnóstica e de tomada de decisão em feridas crônicas: RSL. Journal of Medical Systems , 49(1), 29.
KHANI, ME, HARRIS, ZB, OSMAN, OB e SINGER, AJ (2023). Triagem de queimaduras in vivo e previsão do resultado da cicatrização de feridas. Biomedical Optics Express , 14(2), 918-930. Sociedade Óptica da América.
LI, F., WANG, M., WANG, T., e MA, X. (2023). Termografia infravermelha baseada em smartphone para avaliar o progresso na cicatrização de incisão cirúrgica torácica: Um estudo preliminar. International Wound Journal , 20, 2000-2009. Wiley.
LITJENS, G., KOESSELS, T., CAMPS, S., GINHOVEN, R., BALOCH, S., BASTIAENSEN, T., et al. (2017). A survey on deep learning in medical image analysis. Medical Image Analysis, 42, 60-88. Elsevier.
LUCAS, Lucinéia da Silva; MARTINS, Júlia Trevisan; ROBAZZI, Maria Lúcia do Carmo. (2008). Qualidade de vida dos portadores de feridas em membros inferiores - úlcera de perna. Ciência & Enfermagem , 14(2), 39-47.
LO, ZJ, MAK, MHW, LIANG, S., e CHAN, YM (2024). Desenvolvimento de um modelo de inteligência artificial explicável para imagens de feridas vasculares asiáticas. International Wound Journal , 21, e14565. Wiley.
LUSTIG, M., SCHWARTZ, D., BRYANT, R., e GEFEN, A. (2022). Um algoritmo de aprendizado de máquina para detecção precoce de lesões de tecido profundo. International Wound Journal , 19, 1339-1348. Wiley.
MEHL, AA et al. (2020). Mensuração da área da ferida para análise precoce do fator preditivo de cicatriz. Revista Latino-Americana de Enfermagem , 28.
MOHAMMED, HT, BARTLETT, RL, BABB, D., e FRASER, RD (2022). Um estudo de movimento temporal de métodos de inteligência manual. PLOS ONE , 17(7), e0271742. Biblioteca Pública de Ciências.
OLIVEIRA, B.G.R.B.; CASTRO, J.B.A.; ANDRADE, N.C. (2005). Técnicas Utilizadas na Aferição de Feridas e Avaliação do Processo Cicatricial. Saúde Coletiva, ISSN: 1806-3365. Editorial Bolina, São Paulo, Brasil.
PAGE, Matthew J. et al. (2022). A declaração PRISMA 2020: diretriz atualizada para relatar revisões sistemáticas. Epidemiologia e Serviços de Saúde, Volume 31, Número 2. Brasília.
POON, TW e F., MR (2015). Algoritmos para detecção de tamanho e cor de imagens de feridas crônicas de smartphones para aplicações de assistência médica. IEEE Access.
RAMAN, R., VARMA, R., e LAI, T. (2024). Advanced Smart Textiles for Wound Healing: Um sistema de monitoramento de saúde vestível orientado por rede neural para análise preditiva em tempo real. IEEE Access .
RANJAN, R., PARTL, R., e ERHART, R. (2021). A matemática do eritema: Desenvolvimento de modelos de aprendizado de máquina para medição assistida por inteligência artificial. Computadores em Biologia e Medicina , 139, 104952. Elsevier.
REIFS, D., CASANOVA-LOZANO, L., e REIG-BOLAÑO, R. (2023). Validação clínica de algoritmos de visão computacional e inteligência artificial para medição de feridas. Informatics in Medicine Unlocked , 37, 101185. Elsevier.
SANTOS, Joseane Brandão dos et al. (2011). Avaliação e tratamento de feridas: orientações aos profissionais de saúde.
SATTAR, H., BAJWA, IS, e AMIN, RU (2019). Um sistema de monitoramento inteligente de feridas baseado em IoT. IEEE Access , 7, 144500-144510. IEEE.
SHAH, SMAH, RIZWAN, A., e ATTEIA, G. (2023). CADFU para dermatologistas: um novo sistema de diagnóstico de feridas e úlceras crônicas com DHuNeT (Dual-Phase Hyperactive UNet) e algoritmo YOLOv8. Healthcare , 11(21), 2840. MDPI.
WANG, S., ZHANG, Q., e HUANG, W. (2018). Um novo sistema móvel inteligente para gerenciamento de cuidados com feridas crônicas. IEEE Access , 6, 52355-52365. IEEE.
ALDOULAH, ZA, MALIK, H., MOLYET, R., e ALJASEM, M. (2025). SwishRes-U-Net: Uma arquitetura neural profunda para segmentação de feridas crônicas. Biomedical Signal Processing and Control , 100, 107048. Elsevier.
ALONSO, MC, MOHAMMED, HT, FRASER, RD, RAMIREZ GARCIA LUNA, JL e MANNION, D. (2023). Comparação de medidas de área de superfície de ferida obtidas usando tecnologia. .
ANISUZZAMAN, DM et al. (2021). Inteligência Artificial Baseada em Imagens na Avaliação de Feridas: Uma Revisão Sistemática. Advances in Wound Care , 11(12).
BRITO, Karen K. Gonçalves de; e outros. (2013). Feridas crônicas: abordagem da enfermagem na produção científica da pós-graduação. Revista de Enfermagem da UFPE on-line.
CARBINATTO, Fernanda Mansano; AQUINO JÚNIOR, Antonio Eduardo de; BAGNATO, Vanderlei Salvador. (2024). Condutas e inovações nos cuidados com feridas crônicas. São Carlos: Instituto de Física de São Carlos, Universidade de São Paulo.
FERREIRA, F., PIRES, IM, P., V., COSTA, M., e V., MV (2021). Estudo experimental sobre medição de área de feridas com dispositivos móveis. Sensores , 21(17), 5762. MDPI.
FIGUEIREDO, Weslley K. R., et al. (2023) Abordagem Computacional Baseada em Deep Learning para o Diagnóstico de Endometriose Profunda através de Imagens de Ressonância Magnética. SBCAS 2023.
HOWELL, RS, LIU, HH, KHAN, AA e WOODS, JS (2021). Desenvolvimento de um método para avaliação clínica de ferramentas digitais de avaliação de feridas baseadas em inteligência artificial. JAMA Network Open. Associação Médica Americana.
JIMÉNEZ, DR et al. (2025). Métodos de inteligência artificial para assistência diagnóstica e de tomada de decisão em feridas crônicas: RSL. Journal of Medical Systems , 49(1), 29.
KHANI, ME, HARRIS, ZB, OSMAN, OB e SINGER, AJ (2023). Triagem de queimaduras in vivo e previsão do resultado da cicatrização de feridas. Biomedical Optics Express , 14(2), 918-930. Sociedade Óptica da América.
LI, F., WANG, M., WANG, T., e MA, X. (2023). Termografia infravermelha baseada em smartphone para avaliar o progresso na cicatrização de incisão cirúrgica torácica: Um estudo preliminar. International Wound Journal , 20, 2000-2009. Wiley.
LITJENS, G., KOESSELS, T., CAMPS, S., GINHOVEN, R., BALOCH, S., BASTIAENSEN, T., et al. (2017). A survey on deep learning in medical image analysis. Medical Image Analysis, 42, 60-88. Elsevier.
LUCAS, Lucinéia da Silva; MARTINS, Júlia Trevisan; ROBAZZI, Maria Lúcia do Carmo. (2008). Qualidade de vida dos portadores de feridas em membros inferiores - úlcera de perna. Ciência & Enfermagem , 14(2), 39-47.
LO, ZJ, MAK, MHW, LIANG, S., e CHAN, YM (2024). Desenvolvimento de um modelo de inteligência artificial explicável para imagens de feridas vasculares asiáticas. International Wound Journal , 21, e14565. Wiley.
LUSTIG, M., SCHWARTZ, D., BRYANT, R., e GEFEN, A. (2022). Um algoritmo de aprendizado de máquina para detecção precoce de lesões de tecido profundo. International Wound Journal , 19, 1339-1348. Wiley.
MEHL, AA et al. (2020). Mensuração da área da ferida para análise precoce do fator preditivo de cicatriz. Revista Latino-Americana de Enfermagem , 28.
MOHAMMED, HT, BARTLETT, RL, BABB, D., e FRASER, RD (2022). Um estudo de movimento temporal de métodos de inteligência manual. PLOS ONE , 17(7), e0271742. Biblioteca Pública de Ciências.
OLIVEIRA, B.G.R.B.; CASTRO, J.B.A.; ANDRADE, N.C. (2005). Técnicas Utilizadas na Aferição de Feridas e Avaliação do Processo Cicatricial. Saúde Coletiva, ISSN: 1806-3365. Editorial Bolina, São Paulo, Brasil.
PAGE, Matthew J. et al. (2022). A declaração PRISMA 2020: diretriz atualizada para relatar revisões sistemáticas. Epidemiologia e Serviços de Saúde, Volume 31, Número 2. Brasília.
POON, TW e F., MR (2015). Algoritmos para detecção de tamanho e cor de imagens de feridas crônicas de smartphones para aplicações de assistência médica. IEEE Access.
RAMAN, R., VARMA, R., e LAI, T. (2024). Advanced Smart Textiles for Wound Healing: Um sistema de monitoramento de saúde vestível orientado por rede neural para análise preditiva em tempo real. IEEE Access .
RANJAN, R., PARTL, R., e ERHART, R. (2021). A matemática do eritema: Desenvolvimento de modelos de aprendizado de máquina para medição assistida por inteligência artificial. Computadores em Biologia e Medicina , 139, 104952. Elsevier.
REIFS, D., CASANOVA-LOZANO, L., e REIG-BOLAÑO, R. (2023). Validação clínica de algoritmos de visão computacional e inteligência artificial para medição de feridas. Informatics in Medicine Unlocked , 37, 101185. Elsevier.
SANTOS, Joseane Brandão dos et al. (2011). Avaliação e tratamento de feridas: orientações aos profissionais de saúde.
SATTAR, H., BAJWA, IS, e AMIN, RU (2019). Um sistema de monitoramento inteligente de feridas baseado em IoT. IEEE Access , 7, 144500-144510. IEEE.
SHAH, SMAH, RIZWAN, A., e ATTEIA, G. (2023). CADFU para dermatologistas: um novo sistema de diagnóstico de feridas e úlceras crônicas com DHuNeT (Dual-Phase Hyperactive UNet) e algoritmo YOLOv8. Healthcare , 11(21), 2840. MDPI.
WANG, S., ZHANG, Q., e HUANG, W. (2018). Um novo sistema móvel inteligente para gerenciamento de cuidados com feridas crônicas. IEEE Access , 6, 52355-52365. IEEE.
Published
2025-06-09
How to Cite
COSTA, Jordanna Caballero; CUNHA, Gabriela Estevam da; CRUZ E SILVA, Mateus Tiago; ABREU, Tiago Nogueira de; SILVA, Daniel Henrique Pinheiro; SENE JUNIOR, Iwens G..
Artificial Intelligence in Wound Characterization and Measurement: A Systematic Review. In: BRAZILIAN SYMPOSIUM ON COMPUTING APPLIED TO HEALTH (SBCAS), 25. , 2025, Porto Alegre/RS.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2025
.
p. 689-700.
ISSN 2763-8952.
DOI: https://doi.org/10.5753/sbcas.2025.7724.
