Zkoumání využití monitorování pomocí umělé inteligence k předvídání nehod u pacientů na JIP (AIME-ICU)

Tato studie zkoumá, zda umělá inteligence (AI) asistovaný video monitoring dokáže identifikovat časné změny chování, které předcházejí náhodným nebo škodlivým událostem u pacientů na jednotce intenzivní péče (JIP). Pacienti na JIP jsou náchylní k řadě náhlých a potenciálně nebezpečných událostí – jako je agitace, delirium, náhodné odstranění zařízení a významné narušení spánku – z nichž mnohé se vyvíjejí postupně a je obtížné je detekovat pouze z rutinního fyziologického monitorování. Tento projekt si klade za cíl určit, zda AI analýza kontinuálních videozáznamů u lůžka v kombinaci s informacemi o úrovni hluku a údaji o životních funkcích již shromážděných během standardní péče na JIP může poskytnout klinickým pracovníkům včasná varování před výskytem těchto událostí.

Odůvodnění Tradiční monitorovací systémy JIP se zaměřují na fyziologické parametry, jako je srdeční frekvence, krevní tlak a saturace kyslíkem. I když jsou tyto měření nezbytné, nevyjadřují plně chování pacienta. Mnoha událostem s vysokým rizikem předcházejí jemné motorické vzorce nebo behaviorální náznaky – například opakované natahování se k hadičkám, rostoucí neklid nebo narušené spánkové cykly. Takové náznaky jsou často přerušované, krátké nebo maskované sedací nebo jinou léčbou, což ztěžuje personálu jejich detekci v rušném klinickém prostředí.

Technologie počítačového vidění a AI nabízejí příležitost objektivně a kontinuálně pozorovat a interpretovat pohyby pacienta a trendy v chování, aniž by zvyšovaly klinickou pracovní zátěž. Integrací videoinformací s fyziologickými údaji a úrovněmi hluku v prostředí může AI systém identifikovat vzorce, které naznačují vznikající delirium, zvýšenou agitaci nebo bezprostřední pokusy o odstranění lékařských zařízení. Včasná identifikace může podpořit včasné preventivní zásahy a snížit míru nežádoucích událostí.

Přehled studie Studie bude prospektivně zahrnovat pacienty JIP, kteří souhlasí s video monitoringem a využitím dat. Nad každým lůžkem bude instalována malá kamera, která bude kontinuálně zachycovat pohyb a polohu pacienta. Zorné pole kamery je omezeno na zónu pacienta, vylučuje se zbytečné oblasti, jako je ošetřovatelská stanice. Všechny záznamy dodržují přísné postupy ochrany soukromí, včetně automatického maskování obličejů, rozmazání pozadí a odstranění identifikačních údajů z objektů v záběru.

Hluk v prostředí je zaznamenáván pomocí decibelmetru a rutinní údaje o životních funkcích jsou synchronizovány s časovou osou videa. Tyto kombinovaná multimodální data budou sloužit jako vstup pro vývoj AI modelu.

Studie je rozdělena do tří složek:

Fáze sběru dat – reálné kontinuální zaznamenávání behaviorálních a fyziologických dat.

Zpracování a anotace dat – čištění, de-identifikace a označování klíčových behaviorálních událostí vyškolenými výzkumníky.

Vývoj a vyhodnocení modelu – trénování AI modelů k identifikaci behaviorálních vzorců spojených s klinicky významnými událostmi a vyhodnocení jejich prediktivního výkonu.

Integrace a zpracování dat

Všechny nezpracovaná videa zůstávají bezpečně uložena uvnitř chráněného datového prostředí nemocnice a nejsou přenášena ven. Před jakýmkoli analytickým využitím je aplikován standardizovaný de-identifikační postup. To zahrnuje:

Maskování nebo nahrazování obličejů pacientů. Odstranění identifikačních prvků, jako jsou čísla lůžek a štítky zařízení. Rozmazání všech oblastí pozadí mimo zónu pacienta. Vyloučení snímků obsahujících obličeje personálu nebo nesouvisející činnosti. Po de-identifikaci jsou videa zarovnána s časovými osami životních funkcí a úrovně hluku, aby se vytvořily multimodální časové řady dat. Lidské anotátory, vyškolené jednotnými pokyny pro označování, identifikují epizody agitace, možné chování související s deliriem, pokusy o odstranění zařízení a přechody mezi spánkem a bděním. Tyto štítky slouží jako základní pravda pro trénink AI.

Vývoj AI modelu Bude prozkoumáno více AI architektur, zejména těch vhodných pro časovou analýzu videa. Potenciální přístupy zahrnují konvoluční neuronové sítě (CNN), 3D CNN, dlouhé krátkodobé paměťové sítě (LSTM) nebo modely založené na transformérech schopné učit se dlouhodobým závislostem v sekvencích chování. Budou vyhodnoceny další metody extrakce rysů pro integraci fyziologických a environmentálních signálů.

Aby se předešlo přetrénování modelu a zajistila se obecná použitelnost, bude datová sada rozdělena na trénovací, validační a nezávislé testovací sady. Během ladění parametrů bude použita křížová validace. Výstup modelu bude zahrnovat skóre rizika nebo predikční pravděpodobnosti udávající pravděpodobnost nadcházející náhodné události.

Výkon bude hodnocen pomocí přesnosti, senzitivity, specificity, F1 skóre a času předstihu (časový interval mezi upozorněním systému a skutečnou událostí). Metrika času předstihu je obzvláště důležitá, protože praktická užitečnost v klinické péči závisí na tom, zda upozornění přicházejí dostatečně brzy, aby personál mohl zasáhnout.

Interpretace výsledků Tato studie neukládá účastníkům žádný lékařský zásah. Všechny nežádoucí události jsou součástí rutinní klinické péče; studie pouze zkoumá, zda je může AI předvídat. Prostřednictvím kontinuálního monitorování a analytického modelování si výzkum klade za cíl kvantifikovat, kolik prediktivních informací je obsaženo v chování pacienta, pohybových vzorcích a kontextu prostředí zachyceném videem.

Zjištění pomohou určit proveditelnost a klinickou hodnotu AI asistovaného behaviorálního monitorování v reálných JIP. Pokud bude úspěšný, mohou takové systémy poskytovat včasná varování před deliriem, náhodným odstraněním zařízení nebo dalšími riziky spojenými s chováním. To může snížit potřebu nouzových zásahů, zkrátit pobyty na JIP a zlepšit celkovou bezpečnost pacientů.

Následné sledování Pro pochopení dlouhodobého významu AI predikcí podstoupí pacienti po propuštění následná hodnocení po 1 měsíci a 6 měsících. Následné sledování hodnotí celkové zotavení zdraví, stav spánku, kognici a zda došlo k nějakým opožděným komplikacím. Zpětná vazba pacientů a rodiny týkající se video monitorování – včetně úrovně pohodlí, vnímaného přínosu nebo obav o soukromí – bude také sbírána, aby pomohla vylepšit systém.

Etické a soukromí úvahy Studie zdůrazňuje ochranu soukromí a informovaný souhlas. Kamery jsou umístěny tak, aby minimalizovaly expozici zbytečných oblastí. De-identifikace je aplikována před analýzou a všechna data jsou spravována v rámci kontrolovaných nemocničních systémů. Účastníci se mohou kdykoli odhlásit, aniž by to ovlivnilo jejich péči. Studie nezahrnuje žádnou experimentální léčbu ani další lékařské procedury nad rámec standardního monitorování JIP.

Vědecký a klinický význam Tento výzkum řeší kritickou mezeru v bezpečnosti JIP: varování na základě chování. Kombinací AI, video analýzy, fyziologie a environmentálních dat studie zkoumá přístup, který by mohl doplnit rutinní monitorování. Kromě předpovídání konkrétních událostí může projekt přispět k širšímu pochopení behaviorálních trajektorií pacientů na JIP a role environmentálních faktorů, jako je hluk.

Dlouhodobá vize je vytvořit klinicky nasaditelný systém, který podporuje včasný zásah, snižuje předcházení škodám a zvyšuje efektivitu péče na JIP.