Ketika seorang pasien terjebak di kursi atau di tempat tidur dan tidak bergerak untuk

waktu yang lama, tekanan terus menerus pada tonjolan tulang dihasilkan oleh berat tubuhnya di
atas kasur atau kursi. Oleh karena itu, ulkus berkembang di area tekanan ini yang dapat
melibatkan otot dan tulang juga. Mungkin tertutup oleh kulit mati warna hitam. Ulkus ini sering
terinfeksi. Infeksi dapat menyebar dengan cepat pada bidang musculofascial yang menghasilkan
abses yang dalam. Jenis penyebaran ini menghasilkan septikemia yang mengancam jiwa dan
kematian pada pasien tua yang rapuh. Ini bisa menjadi efek fisik yang luar biasa dari luka baring
tetapi pengelolaannya seringkali tidak terbatas pada keputusan klinis, tetapi juga mempengaruhi
aspek emosional, psikologis, sosial, keuangan keluarga. Biasanya, profesional yang terampil
menggunakan pendekatan terkonsolidasi dan mendapatkan hasil yang sangat menjanjikan.
Tantangannya adalah untuk mendukung operator lapangan yang kurang berpengalaman untuk
mengurangi kesalahan dan mengembangkan keterampilan lebih cepat. Keberhasilan dalam
menggunakan operator lapangan yang kurang berpengalaman dengan menjaga hasil yang dapat
diterima akan berdampak juga pada biaya, yang merupakan salah satu tujuan utama organisasi
layanan kesehatan. Literatur khusus memberikan strategi, pedoman, dan sebagian besar skala
untuk mendukung operator menilai situasi yang terkait dengan luka baring dan bertindak sesuai
dengan itu.
Gagasan untuk menggunakan Kecerdasan Buatan untuk menangani proses yang
berhubungan dengan luka baring bukanlah hal baru, bahkan dimungkinkan untuk mengenali
banyak karya dari literatur khusus. Secara khusus, banyak dari pekerjaan tersebut berfokus pada
memprediksi risiko terjadinya luka baring seperti yang menggunakan sistem sensor kekuatan dan
mengirimkan alarm ke perawat atau pengasuh jika ada variasi tekanan yang diberikan pada area
tertentu. Pendekatan yang sama diusulkan oleh penulis yang mengembangkan sistem sensor
bertenaga khusus situs nirkabel yang mengirimkan peringatan kepada tenaga medis untuk
menginformasikan tentang kemungkinan ulkus tekanan untuk pasien yang dipantau. Sistem ini
juga didasarkan pada algoritma pembelajaran mesin. Karya lain mengusulkan model untuk
menganalisis terstruktur untuk mengidentifikasi pasien berisiko tinggi (untuk luka tekan) seperti
yang berfokus pada studi data observasional dari catatan kesehatan elektronik dan menggunakan
skor khusus seperti Barden. Skala yang sama dimanfaatkan oleh penulis yang menggunakan
regresi logistik ganda untuk mengembangkan model prediksi dengan variabel prediktor
signifikan dari analisis bivariat. Terakhir, solusi lebih lanjut berdasarkan algoritma Machine
Learning telah diusulkan oleh dua makalah. Yang pertama menggunakan teknik pembelajaran
transfer di mana Jaringan Neural Convolutional mendalam yang telah dilatih sebelumnya
digunakan untuk mengekstraksi fitur diskriminatif dari gambar dan kemudian fitur ini
dimasukkan ke dalam Support Vector Machine untuk klasifikasi. Pendekatan ini bertujuan untuk
membedakan luka bakar dan luka tekan. Yang kedua menggunakan pendekatan pembelajaran
mesin untuk melatih model dengan data yang dikumpulkan dengan memantau posisi satu set
pasien selama masa rawat inap mereka.
Sehubungan dengan pekerjaan terkait tersebut di atas, proposal pada penelitian ini
didasarkan pada penggunaan pendekatan Deep Learning untuk mengklasifikasikan luka baring
menurut empat kelas (salah satunya diwakili oleh tahap NPUAP di mana ulkus) mendukung
operator lapangan untuk menganalisis luka baring dan bertindak sebagai akibatnya. Pendekatan
semacam itu merupakan bagian dari serangkaian fungsi yang berfokus pada mendukung
pengambilan keputusan (alat ukur, visi evolusi waktu, dan lain-lain).