Pervasive Sensing e IA en la UCI inteligente

La subevaluación del dolor es una de las principales barreras para el tratamiento adecuado del dolor en pacientes críticos y se asocia con muchos resultados negativos, como dolor crónico después del alta, ventilación mecánica prolongada, estancia más prolongada en la UCI y mayor riesgo de mortalidad. Muchos pacientes de la UCI no pueden autoinformar la intensidad del dolor debido a su condición clínica, dispositivos de ventilación y alteración de la conciencia. El control del estado del dolor de los pacientes es otra tarea más para las enfermeras con exceso de trabajo y, debido a la naturaleza subjetiva del dolor, esas evaluaciones pueden variar entre el personal de atención. Estos desafíos apuntan a una necesidad crítica de desarrollar sistemas de reconocimiento del dolor objetivos y autónomos. El delirio es otra complicación común de la hospitalización del paciente, que se caracteriza por cambios en la cognición, el nivel de actividad, la conciencia y el estado de alerta y tiene tasas de hasta el 80% en pacientes quirúrgicos. Los factores de riesgo que se han asociado con el delirio incluyen la edad, la disfunción cognitiva preexistente, la discapacidad visual y auditiva, la enfermedad grave, la deshidratación, las anomalías electrolíticas, la sobremedicación, el abuso del alcohol y las interrupciones en los patrones de sueño. Las estimaciones muestran que alrededor de un tercio de los casos de delirio pueden beneficiarse de la prevención e intervención farmacológica y no farmacológica. Sin embargo, la detección y predicción del dolor y el delirio es aún muy limitada en la práctica.

El objetivo de este estudio es evaluar la capacidad del modelo propuesto por los investigadores para aprovechar el acelerómetro, el medio ambiente, los biomarcadores del ritmo circadiano y los datos de video para cuantificar el dolor de forma autónoma, caracterizar las actividades funcionales y el estado de delirio. El sistema de prevención adaptativa y monitorización autónoma del delirio (ADAPT) utilizará técnicas novedosas de detección generalizada y aprendizaje profundo para cuantificar de forma autónoma la movilidad de los pacientes y la disincronía circadiana en términos de interrupciones nocturnas, intensidad de la luz y nivel de presión sonora. Esto permitirá la integración de estos factores de riesgo en un modelo dinámico para predecir las trayectorias del delirio. Las cámaras disponibles comercialmente se utilizarán para monitorear las expresiones faciales de los pacientes y contextualizar las acciones de los pacientes proporcionando datos de imágenes para proporcionar información adicional sobre el movimiento del paciente. Se utilizarán sensores ambientales disponibles comercialmente para proporcionar datos sobre la iluminación, el nivel de decibelios y la calidad del aire. Las muestras de sangre de los pacientes ayudarán a determinar su ritmo circadiano y compararán y validarán las capacidades del sistema de detección generalizada para monitorear de manera autónoma la disincronía circadiana. También se recopilarán datos de la historia clínica electrónica.