Exploración del uso de la monitorización por vídeo asistida por IA para predecir eventos accidentales en pacientes de UCI (AIME-ICU)

Este estudio investiga si la monitorización por vídeo asistida por inteligencia artificial (IA) puede identificar cambios conductuales tempranos que preceden a eventos accidentales o perjudiciales en pacientes de la Unidad de Cuidados Intensivos (UCI). Los pacientes de UCI son vulnerables a una serie de eventos repentinos y potencialmente peligrosos, como agitación, delirio, retirada accidental de dispositivos y alteraciones significativas del sueño, muchos de los cuales se desarrollan gradualmente y son difíciles de detectar únicamente a partir de la monitorización fisiológica rutinaria. Este proyecto pretende determinar si el análisis mediante IA de grabaciones de vídeo continuas junto a la cama, combinado con información sobre el nivel de ruido y datos de signos vitales ya recogidos durante la atención estándar en UCI, puede proporcionar a los clínicos alertas oportunas antes de que ocurran estos eventos.

Fundamento Los sistemas de monitorización tradicionales en UCI se centran en parámetros fisiológicos como la frecuencia cardíaca, la presión arterial y la saturación de oxígeno. Aunque son esenciales, estas mediciones no representan completamente el comportamiento del paciente. Muchos eventos de alto riesgo están precedidos por patrones motores sutiles o indicios conductuales, por ejemplo, intentos repetidos de alcanzar los tubos, aumento de la inquietud o ciclos de sueño alterados. Estos indicios suelen ser intermitentes, breves o enmascarados por la sedación u otros tratamientos, lo que dificulta que el personal los detecte en entornos clínicos ocupados.

Las tecnologías de visión por ordenador e IA ofrecen la oportunidad de observar e interpretar objetivamente los movimientos y tendencias conductuales de los pacientes de forma continua, sin aumentar la carga de trabajo clínica. Al integrar la información de vídeo con datos fisiológicos y niveles de ruido ambiental, el sistema de IA puede identificar patrones que indiquen delirio emergente, mayor agitación o intentos inminentes de retirar dispositivos médicos. La identificación temprana puede respaldar intervenciones preventivas oportunas y reducir las tasas de eventos adversos.

Descripción del estudio El estudio reclutará prospectivamente a pacientes de UCI que consientan la monitorización por vídeo y el uso de datos. Se instalará una pequeña cámara sobre cada cama para captar continuamente el movimiento y la postura del paciente. La vista de la cámara se restringe a la zona del paciente, excluyendo áreas innecesarias como la estación de enfermería. Todas las grabaciones siguen estrictos procedimientos de protección de la privacidad, incluido el enmascaramiento automático de rostros, el desenfoque del fondo y la eliminación de información identificativa de los objetos en el encuadre.

El ruido ambiental se registra mediante un sonómetro, y los datos rutinarios de signos vitales se sincronizan con la línea temporal del vídeo. Estos datos multimodales combinados servirán como entrada para el desarrollo del modelo de IA.

El estudio se divide en tres componentes:

Fase de recogida de datos - grabación continua en el mundo real de datos conductuales y fisiológicos.

Procesamiento y anotación de datos - limpieza, desidentificación y etiquetado de eventos conductuales clave por investigadores capacitados.

Desarrollo y evaluación del modelo - entrenamiento de modelos de IA para identificar patrones conductuales asociados a eventos clínicamente significativos, y evaluación de su rendimiento predictivo.

Integración y procesamiento de datos

Todos los vídeos en bruto permanecen almacenados de forma segura dentro del entorno de datos protegido del hospital y no se transfieren al exterior. Se aplica una canalización estandarizada de desidentificación antes de cualquier uso analítico. Esto incluye:

Enmascarar o sustituir los rostros de los pacientes. Eliminar elementos identificativos como números de cama y etiquetas de equipos. Difuminar todas las áreas de fondo fuera de la zona del paciente. Excluir fotogramas que contengan rostros del personal o actividades no relacionadas. Tras la desidentificación, los vídeos se alinean con las líneas temporales de signos vitales y niveles de ruido para crear conjuntos de datos de series temporales multimodales. Anotadores humanos, capacitados con una guía de etiquetado unificada, identifican episodios de agitación, posible comportamiento relacionado con el delirio, intentos de retirada de dispositivos y transiciones sueño-vigilia. Estas etiquetas sirven como verdad de referencia para el entrenamiento de la IA.

Desarrollo del modelo de IA Se explorarán múltiples arquitecturas de IA, en particular las adecuadas para el análisis temporal de vídeo. Los enfoques potenciales incluyen redes neuronales convolucionales (CNN), CNN 3D, redes de memoria a largo y corto plazo (LSTM) o modelos basados en transformadores capaces de aprender dependencias de largo alcance en secuencias de comportamiento. Se evaluarán métodos adicionales de extracción de características para integrar señales fisiológicas y ambientales.

Para evitar el sobreajuste del modelo y garantizar la generalización, el conjunto de datos se dividirá en conjuntos de entrenamiento, validación y prueba independiente. Se utilizará validación cruzada durante el ajuste de parámetros. La salida del modelo incluirá puntuaciones de riesgo o probabilidades de predicción que indiquen la probabilidad de un evento accidental inminente.

El rendimiento se evaluará utilizando precisión, sensibilidad, especificidad, puntuación F1 y tiempo de anticipación (el intervalo de tiempo entre la alerta del sistema y el evento real). La métrica del tiempo de anticipación es especialmente importante porque la utilidad práctica en la atención clínica depende de que las alertas ocurran con suficiente antelación para que el personal pueda intervenir.

Interpretación de resultados Este estudio no impone ninguna intervención médica a los participantes. Todos los eventos adversos forman parte de la atención clínica rutinaria; el estudio simplemente investiga si la IA puede anticiparlos. Mediante la monitorización continua y el modelado analítico, la investigación pretende cuantificar cuánta información predictiva está contenida en el comportamiento del paciente, los patrones de movimiento y el contexto ambiental captado por el vídeo.

Los hallazgos ayudarán a determinar la viabilidad y el valor clínico de la monitorización conductual asistida por IA en UCIs del mundo real. Si tiene éxito, tales sistemas pueden proporcionar alertas tempranas de delirio, retirada accidental de dispositivos u otros riesgos vinculados al comportamiento. Esto puede reducir las intervenciones de emergencia, acortar las estancias en UCI y mejorar la seguridad general del paciente.

Seguimiento Para comprender la relevancia a más largo plazo de las predicciones de IA, los pacientes se someterán a evaluaciones de seguimiento tras el alta al mes y a los 6 meses. El seguimiento evalúa la recuperación general de la salud, el estado del sueño, la cognición y si ocurrieron complicaciones tardías. También se recogerán comentarios de pacientes y familiares sobre la monitorización por vídeo, incluido el nivel de comodidad, el beneficio percibido o las preocupaciones de privacidad, para guiar el refinamiento del sistema.

Consideraciones éticas y de privacidad El estudio enfatiza la protección de la privacidad y el consentimiento informado. Las cámaras se posicionan para minimizar la exposición de áreas innecesarias. Se aplica desidentificación antes del análisis, y todos los datos se gestionan dentro de sistemas hospitalarios controlados. Los participantes pueden retirarse en cualquier momento sin afectar a su atención. El estudio no implica tratamiento experimental ni procedimientos médicos adicionales más allá de la monitorización estándar en UCI.

Significación científica y clínica Esta investigación aborda una brecha crítica en la seguridad de la UCI: la alerta temprana basada en el comportamiento. Al combinar IA, análisis de vídeo, fisiología y datos ambientales, el estudio explora un enfoque que podría complementar la monitorización rutinaria. Más allá de predecir eventos específicos, el proyecto puede contribuir a una comprensión más amplia de las trayectorias conductuales de los pacientes de UCI y del papel de factores ambientales como el ruido.

La visión a largo plazo es crear un sistema clínicamente desplegable que respalde la intervención temprana, reduzca el daño prevenible y mejore la eficiencia de la atención en UCI.