Intelligente Intensivstation der Zukunft

Schmerzen sind ein kritisches nationales Gesundheitsproblem, da fast 50 % der Intensivpatienten auf der Intensivstation (ICU) unter erheblichen Schmerzen leiden. Die Unterbewertung der Schmerzreaktion ist eines der Haupthindernisse für eine angemessene Schmerzbehandlung bei kritisch kranken Patienten, verbunden mit vielen negativen Folgen wie chronischen Schmerzen nach der Entlassung, verlängerter mechanischer Beatmung, längerem Aufenthalt auf der Intensivstation und erhöhtem Mortalitätsrisiko. Dennoch sind viele Intensivpatienten aufgrund von klinischen Bedingungen, Beatmungsgeräten und verändertem Bewusstsein nicht in der Lage, die Schmerzintensität selbst zu melden. Gegenwärtig werden Verhaltensschmerzskalen verwendet, um Schmerzen bei nonverbalen Patienten zu beurteilen. Leider erfordern diese Waagen eine wiederholte manuelle Verwaltung durch überlastete Krankenschwestern. Darüber hinaus deuten frühere Arbeiten darauf hin, dass Krankenschwestern, die quasi-sedierte Patienten in der Intensivpflege betreuen, eine beträchtliche Variabilität in der Bewertung der Schmerzintensität aufweisen. Darüber hinaus fehlt manuellen Schmerzbewertungsinstrumenten die Fähigkeit, Schmerzen kontinuierlich und autonom zu überwachen. Zusammen weisen diese Herausforderungen auf einen kritischen Bedarf für die Entwicklung objektiver und autonomer Schmerzerkennungssysteme hin.

Delirium ist eine weitere häufige Komplikation eines Krankenhausaufenthalts, die bei Krankenhauspatienten erhebliche Gesundheitsprobleme mit sich bringt. Es ist am weitesten verbreitet bei chirurgischen Intensivpatienten mit Diagnoseraten von bis zu 80 %. Es ist gekennzeichnet durch Veränderungen in der Kognition, dem Aktivitätsniveau, dem Bewusstsein und der Wachsamkeit. Ein Delir führt typischerweise zu Veränderungen des Aktivitätsniveaus und der Wachsamkeit, die zusätzliche Gesundheitsrisiken mit sich bringen, darunter Sturzgefahr, unzureichende Mobilisierung, Schlafstörungen, unzureichende Schmerzkontrolle und negative Emotionen. Alle diese Effekte sind in Echtzeit schwer zu überwachen und tragen weiter zur Verschlechterung der kognitiven Fähigkeiten des Patienten bei, hemmen die Genesung und verlangsamen den Rehabilitationsprozess. Obwohl etwa ein Drittel der Deliriumsfälle von einer Intervention profitieren können, ist die Erkennung und Vorhersage von Delirium in der Praxis immer noch sehr begrenzt. Aktuelle Delirium-Bewertungen müssen von geschultem medizinischem Personal durchgeführt werden, sind zeitaufwändig und ressourcenintensiv. Aufgrund der für die Durchführung der Beurteilung erforderlichen Ressourcen wird das Delir oft zweimal täglich beurteilt, trotz der vorübergehenden Natur des Krankheitszustands, der zwischen den Beurteilungen unentdeckt auftreten und gehen kann. Zusammen demonstrieren diese Hindernisse einen dringenden Bedarf an autonomer Delir-Erkennung in Echtzeit.

Die Forscher gehen davon aus, dass das vorgeschlagene Modell in der Lage wäre, Akzelerometer-, Elektromyographie- und Videodaten zum Zweck der autonomen Quantifizierung von Gesichtsausdrücken des Patienten wie Schmerzen, der Charakterisierung funktioneller Aktivitäten und des Deliriumsstatus zu nutzen. Die Rationalisierung dieser autonomen visuellen Cue-Quantifizierung und Delir-Erkennung kann die Arbeitsbelastung der Pflegekräfte verringern und eine Schmerz- und Delir-Überwachung in Echtzeit ermöglichen. Früherkennung des Delirs bietet Patienten die besten Chancen auf gute Behandlungsergebnisse bei Delirien.