Pervasive Sensing a AI na inteligentní JIP

Podhodnocení bolesti je jednou z primárních překážek adekvátní léčby bolesti u kriticky nemocných pacientů a je spojeno s mnoha negativními důsledky, jako je chronická bolest po propuštění, prodloužená mechanická ventilace, delší pobyt na JIP a zvýšené riziko úmrtnosti. Mnoho pacientů na JIP nemůže kvůli svému klinickému stavu, ventilačním zařízením a změněnému vědomí samo hlásit intenzitu bolesti. Monitorování bolestivých stavů pacientů je dalším úkolem přetížených sester a vzhledem k subjektivní povaze bolesti se tato hodnocení mohou u ošetřujícího personálu lišit. Tyto výzvy poukazují na kritickou potřebu vývoje objektivních a autonomních systémů rozpoznávání bolesti. Delirium je další běžnou komplikací hospitalizace pacientů, která je charakterizována změnami v kognitivních funkcích, úrovní aktivity, vědomí a bdělosti a její výskyt u chirurgických pacientů dosahuje až 80 %. Rizikové faktory, které byly spojeny s deliriem, zahrnují věk, již existující kognitivní dysfunkci, poškození zraku a sluchu, závažná onemocnění, dehydrataci, abnormality elektrolytů, nadměrné užívání léků, zneužívání alkoholu a poruchy spánku. Odhady ukazují, že asi jedna třetina případů deliria může mít prospěch z drogové i nedrogové prevence a intervence. Detekce a predikce bolesti a deliria je však v praxi stále velmi omezená.

Cílem této studie je vyhodnotit schopnost výzkumníků navrženého modelu využít akcelerometr, environmentální biomarkery, biomarkery cirkadiánního rytmu a video data při autonomní kvantifikaci bolesti, charakterizaci funkčních aktivit a stavu deliria. Systém Autonomous Delirium Monitoring and Adaptive Prevention (ADAPT) bude využívat nové techniky pervazivního snímání a hlubokého učení k autonomní kvantifikaci mobility pacientů a cirkadiánní dyssynchronie z hlediska nočních poruch, intenzity světla a hladiny akustického tlaku. To umožní integraci těchto rizikových faktorů do dynamického modelu pro predikci trajektorií deliria. Komerčně dostupné kamery budou použity ke sledování výrazů obličeje pacientů a kontextualizaci akcí pacientů poskytováním obrazových dat, která poskytují další informace o pohybu pacienta. K poskytování údajů o osvětlení, hladině decibelů a kvalitě vzduchu budou použity komerčně dostupné senzory prostředí. Vzorky krve pacientů pomohou určit jejich cirkadiánní rytmus a porovnat a ověřit schopnosti pervazivního snímacího systému autonomně monitorovat cirkadiánní dyssynchronii. Budou shromažďována také data z elektronických zdravotních záznamů.