Pervasive Sensing und KI auf der intelligenten Intensivstation

Die Unterbewertung von Schmerzen ist eines der Haupthindernisse für eine angemessene Schmerzbehandlung bei kritisch kranken Patienten und ist mit vielen negativen Folgen wie chronischen Schmerzen nach der Entlassung, verlängerter mechanischer Beatmung, längerem Aufenthalt auf der Intensivstation und erhöhtem Mortalitätsrisiko verbunden. Viele Intensivpatienten können ihre Schmerzintensität aufgrund ihres klinischen Zustands, ihrer Beatmungsgeräte und ihres veränderten Bewusstseins nicht selbst angeben. Die Überwachung des Schmerzzustands von Patienten ist eine weitere Aufgabe für überlastete Pflegekräfte, und aufgrund der subjektiven Natur von Schmerzen können diese Einschätzungen unter den Pflegekräften variieren. Diese Herausforderungen weisen auf einen kritischen Bedarf für die Entwicklung objektiver und autonomer Schmerzerkennungssysteme hin. Delirium ist eine weitere häufige Komplikation des Krankenhausaufenthalts von Patienten, die durch Veränderungen der Kognition, des Aktivitätsniveaus, des Bewusstseins und der Wachsamkeit gekennzeichnet ist und bei chirurgischen Patienten Raten von bis zu 80 % aufweist. Zu den Risikofaktoren, die mit Delirium in Verbindung gebracht wurden, gehören Alter, vorbestehende kognitive Dysfunktion, Seh- und Hörbehinderung, schwere Krankheit, Dehydration, Elektrolytanomalien, Übermedikation, Alkoholmissbrauch und Störungen des Schlafmusters. Schätzungen zufolge kann etwa ein Drittel der Deliriumsfälle von medikamentöser und nichtmedikamentöser Prävention und Intervention profitieren. Allerdings ist die Erkennung und Vorhersage von Schmerzen und Delirien in der Praxis noch sehr begrenzt.

Das Ziel dieser Studie ist es, die Fähigkeit des von den Forschern vorgeschlagenen Modells zu bewerten, Beschleunigungsmesser, Umgebungs-, Biomarker für den zirkadianen Rhythmus und Videodaten bei der autonomen Quantifizierung von Schmerzen, der Charakterisierung funktioneller Aktivitäten und des Deliriumsstatus zu nutzen. Das Autonomous Delirium Monitoring and Adaptive Prevention (ADAPT)-System wird neuartige Pervasive-Sensing- und Deep-Learning-Techniken verwenden, um die Mobilität und zirkadiane Dyssynchronie der Patienten in Bezug auf nächtliche Störungen, Lichtintensität und Schalldruckpegel autonom zu quantifizieren. Dies ermöglicht die Integration dieser Risikofaktoren in ein dynamisches Modell zur Vorhersage von Delirverläufen. Kommerziell erhältliche Kameras werden verwendet, um die Gesichtsausdrücke der Patienten zu überwachen und die Handlungen der Patienten zu kontextualisieren, indem Bilddaten bereitgestellt werden, um zusätzliche Informationen über die Bewegung des Patienten bereitzustellen. Kommerziell erhältliche Umgebungssensoren werden verwendet, um Daten zu Beleuchtung, Dezibelpegel und Luftqualität zu liefern. Blutproben von Patienten werden dabei helfen, ihren circadianen Rhythmus zu bestimmen und die Fähigkeiten des Pervasive-Sensing-Systems zur autonomen Überwachung circadianer Dyssynchronien zu vergleichen und zu validieren. Auch elektronische Gesundheitsdaten werden erhoben.