Undersøgelse af brugen af AI-assisteret videoovervågning til at forudsige utilsigtede hændelser hos intensivpatienter (AIME-ICU)

Denne undersøgelse undersøger, om kunstig intelligens (AI)-assisteret videoovervågning kan identificere tidlige adfærdsændringer, der går forud for utilsigtede eller skadelige hændelser hos patienter på intensivafdelingen (ICU). ICU-patienter er sårbare over for en række pludselige og potentielt farlige hændelser - såsom uro, delirium, utilsigtet fjernelse af udstyr og betydelig søvnforstyrrelse - hvoraf mange udvikler sig gradvist og er svære at opdage udelukkende fra rutinemæssig fysiologisk overvågning. Dette projekt har til formål at afgøre, om AI-analyse af kontinuerlige sengebådsvideooptagelser, kombineret med støjniveauinformation og vitale tegnsdata, der allerede indsamles under standard ICU-pleje, kan give klinikere rettidige advarsler, før disse hændelser indtræffer.

Rationale Traditionelle ICU-overvågningssystemer fokuserer på fysiologiske parametre såsom hjertefrekvens, blodtryk og iltmætning. Selvom disse målinger er essentielle, repræsenterer de ikke fuldt ud patientadfærd. Mange højrisikohændelser går forud af subtile bevægelsesmønstre eller adfærdsmarkører - for eksempel gentagen rækning mod slanger, stigende uro eller forstyrrede søvncyklusser. Sådanne markører er ofte diskontinuerlige, korte eller maskerede af sedering eller andre behandlinger, hvilket gør dem svære for personalet at opdage i travle kliniske miljøer.

Computervision og AI-teknologier giver en mulighed for objektivt at observere og fortolke patientbevægelser og adfærdstendenser kontinuerligt uden at tilføje klinisk arbejdsbyrde. Ved at integrere videoinformation med fysiologiske data og miljøstøjniveauer kan AI-systemet muligvis identificere mønstre, der indikerer opstået delirium, øget uro eller forestående forsøg på at fjerne medicinsk udstyr. Tidlig identifikation kan understøtte rettidige forebyggende interventioner og reducere antallet af uønskede hændelser.

Studieoversigt Studiet vil prospektivt inkludere ICU-patienter, der samtykker til videoovervågning og databrug. Et lille kamera vil blive installeret over hver seng for kontinuerligt at registrere patientbevægelser og kropsstilling. Kameravinklen er begrænset til patientzonen og udelukker unødvendige områder såsom sygeplejestationen. Alle optagelser følger strenge privatlivsbeskyttelsesprocedurer, herunder automatiseret ansigtsmaskering, baggrundsudviskning og fjernelse af identifikationsoplysninger fra genstande i billedet.

Miljøstøj registreres gennem en decibelmåler, og rutinemæssige vitale tegnsdata synkroniseres med videotidslinjen. Disse kombinerede multimodale data vil tjene som input til AI-modeludvikling.

Studiet er opdelt i tre komponenter:

Dataindsamlingsfase - real-world kontinuerlig optagelse af adfærds- og fysiologiske data.

Databehandling og annotation - rensning, de-identifikation og mærkning af nøgleadfærdsbegivenheder af trænede forskere.

Modeludvikling og evaluering - træning af AI-modeller til at identificere adfærdsmønstre associeret med klinisk meningsfulde hændelser og evaluering af deres prædiktive præstation.

Dataintegration og -behandling

Alle rå videoer forbliver sikkert opbevaret inden for hospitalets beskyttede datamiljø og overføres ikke udenfor. En standardiseret de-identifikationspipeline anvendes før enhver analytisk brug. Dette inkluderer:

Maskering eller udskiftning af patientansigter. Fjernelse af identifikationselementer såsom sengenumre og udstyrsmærkater. Udblanding af alle baggrundsområder uden for patientzonen. Udelukkelse af billeder, der indeholder personalefjæs eller urelaterede aktiviteter. Efter de-identifikation justeres videoer med vitale tegns- og støjniveau-tidslinjer for at skabe multimodale tidsrækkedatasæt. Menneskelige annotatorer, trænet med en ensartet mærkningsvejledning, identificerer episoder med uro, mulig delirium-relateret adfærd, forsøg på fjernelse af udstyr og søvn-vågen overgange. Disse etiketter tjener som grundsandhed til AI-træning.

AI-modeludvikling Flere AI-arkitekturer vil blive udforsket, især dem, der er velegnede til temporal videoanalyse. Potentielle tilgange inkluderer convolutionelle neurale netværk (CNN'er), 3D CNN'er, long short-term memory netværk (LSTM) eller transformer-baserede modeller, der kan lære langsigtede afhængigheder i adfærdsserier. Yderligere funktionsextraktionsmetoder vil blive evalueret for at integrere fysiologiske og miljømæssige signaler.

For at undgå modeloverfitting og sikre generaliserbarhed, vil datasættet blive opdelt i trænings-, validerings- og uafhængige testsæt. Krydsvalidering vil blive brugt under parameterindstilling. Modeloutput vil inkludere risikoscorer eller forudsigelsessandsynligheder, der angiver sandsynligheden for en forestående utilsigtet hændelse.

Præstation vil blive evalueret ved hjælp af nøjagtighed, følsomhed, specificitet, F1-score og ledetid (tidsintervallet mellem systemadvarsel og faktisk hændelse). Ledetidsmålet er særligt vigtigt, fordi praktisk anvendelighed i klinisk pleje afhænger af, om advarsler opstår tidligt nok til, at personalet kan intervenere.

Resultatfortolkning Dette studie pålægger ingen medicinsk intervention for deltagerne. Alle uønskede hændelser er en del af rutinemæssig klinisk pleje; studiet undersøger blot, om AI kan forudsige dem. Gennem kontinuerlig overvågning og analytisk modellering sigter forskningen mod at kvantificere, hvor meget prædiktiv information der er indeholdt i patientadfærd, bevægelsesmønstre og miljømæssig kontekst fanget af video.

Resultaterne vil hjælpe med at afgøre gennemførligheden og den kliniske værdi af AI-assisteret adfærdsmonitorering i real-world ICU'er. Hvis succesfulde, kan sådanne systemer give tidlige advarsler om delirium, utilsigtet fjernelse af udstyr eller andre adfærdsrelaterede risici. Dette kan reducere nødinterventioner, forkorte ICU-ophold og forbedre den overordnede patientsikkerhed.

Opfølgning For at forstå den længere sigtets relevans af AI-forudsigelserne, vil patienter gennemgå opfølgningsvurderinger efter udskrivelse ved 1 måned og 6 måneder. Opfølgning evaluerer generel helbredsgenopretning, søvnstatus, kognition og om der opstod nogen forsinkede komplikationer. Patient- og familiefeedback vedrørende videoovervågning - inklusive komfortniveau, opfattet fordel eller privatlivsbekymringer - vil også blive indsamlet for at guide systemforbedring.

Etiske og privatlivsmæssige overvejelser Studiet lægger vægt på privatlivsbeskyttelse og informeret samtykke. Kameraer er placeret for at minimere eksponering af unødvendige områder. De-identifikation anvendes før analyse, og alle data håndteres inden for kontrollerede hospitalsystemer. Deltagere kan tilbagetrække sig på ethvert tidspunkt uden at påvirke deres pleje. Studiet involverer ingen eksperimentel behandling eller yderligere medicinske procedurer ud over standard ICU-overvågning.

Videnskabelig og klinisk betydning Denne forskning adresserer et kritisk hul i ICU-sikkerhed: adfærdsbaseret tidlig advarsel. Ved at kombinere AI, videoanalyse, fysiologi og miljødata udforsker studiet en tilgang, der kunne supplere rutinemæssig overvågning. Ud over at forudsige specifikke hændelser kan projektet bidrage til en bredere forståelse af ICU-patientadfærdsbaner og miljøfaktorers rolle såsom støj.

Den langsigtede vision er at skabe et klinisk implementerbart system, der understøtter tidlig intervention, reducerer forebyggelig skade og forbedrer effektiviteten af ICU-pleje.