Smertedetektion gennem automatiseret videoanalyse

Post-kirurgiske smerter har, hvis de ikke kontrolleres tilstrækkeligt, skadelige kort- og langsigtede konsekvenser for patienten. Selvom de fleste patienter er i stand til at rapportere deres smertescore, er et mindretal ikke i stand til at gøre det, og det kan vise sig at være en udfordring for sundhedspersonale at vurdere deres smerte. I de senere år er ansigtsgenkendelsesværktøjer blevet udviklet ud fra den forudsætning, at subtile ansigtsvariationer betyder smerte. Men ændringer i krop og hovedstilling kan også repræsentere smerte. Som sådan er disse værktøjer med deres begrænsninger og er kun valideret på visse grupper af patienter, og er derfor muligvis ikke følsomme nok til at opdage smerte hos post-kirurgiske patienter.

Den første fase af undersøgelsen vil blive udført på 40 patienter, der præsenterer sig for større gynækologisk kirurgi, med de opnåede data brugt til at finjustere algoritmen. Patienterne vil blive videooptaget præ-kirurgisk i præ-evaluering anæstesiklinik og post-kirurgisk på afdelingen. De vil blive bedt om at vurdere deres smertescore på den numeriske vurderingsskala og udfylde spørgeskemaer om deres psykologiske og sundhedsmæssige kvalitet. Smerteresultaterne vil blive korreleret med resultaterne opnået fra smertevurderingsalgoritmen.

Den anden fase vil forbedre og forbedre modellen ved (1) at analysere kroppens positur for at forbedre modellens ydeevne; (2) validering af den forbedrede model ved at rekruttere 200 patienter, der gennemgår kirurgiske og smertebehandlinger, indlagte og ambulante konsultationer til at indsamle deres videoer før og efter operation og indlagte og ambulante smertekonsultationer; (3) Integrer modellen i en selvstændig elektronisk applikation for at forbedre dens anvendelighed i både indlagte og ambulante omgivelser.

Den tredje fase vil rekruttere 130 mandlige pædiatriske patienter, der præsenterer sig for omskæringskirurgi for at forbedre algoritmen ved i) at tilføje kropsholdningsanalyse og andre fysiologiske målinger for yderligere at forbedre ydeevnen af ​​vores model; ii) Udvikling af vores model til brug i den pædiatriske befolkning; og iii) Forbedring af dets anvendelighed i både kliniske og ikke-kliniske omgivelser. Afidentificerede nøglepunkter vil blive udtrukket fra videoerne for yderligere at validere modellen.