Pervasive Sensing og AI i Intelligent ICU

Undervurderingen af ​​smerte er en af ​​de primære barrierer for tilstrækkelig behandling af smerte hos kritisk syge patienter og er forbundet med mange negative udfald såsom kroniske smerter efter udskrivelse, forlænget mekanisk ventilation, længere intensivophold og øget dødelighedsrisiko. Mange ICU-patienter kan ikke selv rapportere deres smerteintensitet på grund af deres kliniske tilstand, ventilationsudstyr og ændret bevidsthed. Overvågning af patienters smertestatus er endnu en opgave for overanstrengte sygeplejersker, og på grund af smertens subjektive karakter kan disse vurderinger variere blandt plejepersonalet. Disse udfordringer peger på et kritisk behov for at udvikle objektive og autonome smertegenkendelsessystemer. Delirium er en anden almindelig komplikation ved patientindlæggelse, som er kendetegnet ved ændringer i kognition, aktivitetsniveau, bevidsthed og årvågenhed og har rater på op til 80 % hos kirurgiske patienter. De risikofaktorer, der har været forbundet med delirium, omfatter alder, allerede eksisterende kognitiv dysfunktion, syns- og hørenedsættelse, alvorlig sygdom, dehydrering, elektrolytforstyrrelser, overmedicinering, alkoholmisbrug og forstyrrelser i søvnmønsteret. Skøn viser, at omkring en tredjedel af deliriumstilfældene kan drage fordel af lægemiddel- og ikke-medicinsk forebyggelse og intervention. Opdagelse og forudsigelse af smerte og delirium er dog stadig meget begrænset i praksis.

Formålet med denne undersøgelse er at evaluere evnen af ​​efterforskernes foreslåede model til at udnytte accelerometer, miljø-, døgnrytme-biomarkører og videodata til autonomt at kvantificere smerte, karakterisere funktionelle aktiviteter og deliriumstatus. ADAPT-systemet (Autonomous Delirium Monitoring and Adaptive Prevention) vil bruge nye gennemgribende sansning og dyb læringsteknikker til autonomt at kvantificere patienters mobilitet og døgnrytme dyssynkroni i form af natlige forstyrrelser, lysintensitet og lydtrykniveau. Dette vil give mulighed for integration af disse risikofaktorer i en dynamisk model til forudsigelse af deliriumbaner. Kommercielt tilgængelige kameraer vil blive brugt til at overvåge patienters ansigtsudtryk og kontekstualisere patienters handlinger ved at levere billeddata for at give yderligere information om patientbevægelser. Kommercielt tilgængelige miljøsensorer vil blive brugt til at levere data om belysning, decibelniveau og luftkvalitet. Patientblodprøver vil hjælpe med at bestemme deres døgnrytme og sammenligne og validere det pervasive sansesystems evner til autonomt at overvåge døgnrytmen dyssynkroni. Der vil også blive indsamlet elektroniske journaldata.