Tehohoitopotilaiden vahinkotapahtumien ennustaminen tekoälyavusteisella videoseurannalla (AIME-ICU)

Tämä tutkimus selvittää, voiko tekoälyavusteinen videovalvonta tunnistaa varhaisia käyttäytymisen muutoksia, jotka edeltävät intensiivihoidon yksikön (IH-yksikön) potilaiden vahinkotapahtumia tai haitallisia tapahtumia. IH-yksikön potilaat ovat alttiita useille äkillisille ja mahdollisesti vaarallisille tapahtumille, kuten kiihtymiselle, deliriumille, laitteiden vahingolliselle poistamiselle ja merkittävälle unihäiriölle – monet näistä kehittyvät vähitellen ja on vaikea havaita pelkästään rutiininomaisesta fysiologisesta seurannasta. Tämän hankkeen tavoitteena on selvittää, voiko tekoälyn analysointi jatkuvista sängynpään videotallenteista, yhdistettynä kohdatason tietoihin ja elintoimintotietoihin, joita kerätään jo standardoidussa IH-yksikön hoidossa, antaa lääkäreille oikea-aikaisia varoituksia ennen näiden tapahtumien sattumista.

Perustelut Perinteiset IH-yksikön seurantajärjestelmät keskittyvät fysiologisiin parametreihin, kuten syketiheyteen, verenpaineeseen ja happikyllästykseen. Vaikka nämä mittaukset ovat välttämättömiä, ne eivät täysin kuvaa potilaan käyttäytymistä. Monet korkean riskin tapahtumat edeltävät hienovaraisia liikemalleja tai käyttäytymismerkkejä – esimerkiksi toistuvaa putkiin kurottelua, kasvavaa levottomuutta tai häiriintyneitä unenjaksoja. Tällaiset merkit ovat usein epäsäännöllisiä, lyhyitä tai peittyvät sedaation tai muiden hoitojen alle, mikä vaikeuttaa henkilökunnan niiden havaitsemista kiireisissä kliinisissä ympäristöissä.

Tietokonenäkö ja tekoälyteknologiat tarjoavat mahdollisuuden havainnoida ja tulkita potilaiden liikkeitä ja käyttäytymistrendejä jatkuvasti objektiivisesti lisäämättä kliinistä työtaakkaa. Yhdistämällä videotiedot fysiologisiin tietoihin ja ympäristön melutasoon, tekoälyjärjestelmä voi tunnistaa malleja, jotka viittaavat kehittyvään deliriumiin, lisääntyneeseen kiihtymiseen tai lähestyviin yrityksiin poistaa lääketieteellisiä laitteita. Varhainen tunnistaminen voi tukea oikea-aikaisia ehkäiseviä toimenpiteitä ja vähentää haittatapahtumien määrää.

Tutkimuksen yleiskuvaus Tutkimus rekrytoi prospektiivisesti IH-yksikön potilaita, jotka suostuvat videovalvontaan ja tietojen käyttöön. Pieni kamera asennetaan jokaisen sängyn yläpuolelle jatkuvasti tallentaakseen potilaan liikkeitä ja asentoja. Kameran näkökenttä rajoittuu potilaan alueeseen, jättäen pois tarpeettomat alueet kuten hoitotyöpisteet. Kaikki tallenteet noudattavat tiukkoja tietosuojamenettelyjä, mukaan lukien automaattinen kasvojen peittäminen, taustan sumennus ja tunnistetietojen poistaminen kehyksen esineistä.

Ympäristön melu tallennetaan desibelimittarilla, ja rutiininomaiset elintoimintotiedot synkronoidaan videon aikajanalle. Nämä yhdistetyt multimodaaliset tiedot toimivat syötteenä tekoälymallin kehittämiselle.

Tutkimus jakautuu kolmeen osaan:

Datan keräysvaihe – käyttäytymis- ja fysiologisten tietojen todellisen maailman jatkuva tallentaminen.

Datan käsittely ja annotointi – koulutettujen tutkijoiden suorittama keskeisten käyttäytymistapahtumien puhdistaminen, tunnistetietojen poistaminen ja merkitseminen.

Mallin kehittäminen ja arviointi – tekoälymallien kouluttaminen tunnistamaan kliinisesti merkityksellisiin tapahtumiin liittyviä käyttäytymismalleja ja niiden ennustuskyvyn arviointi.

Datan integrointi ja käsittely

Kaikki raakavideot säilytetään turvallisesti sairaalan suojatussa tietoympäristössä eikä niitä siirretä ulkopuolelle. Standardisoitu tunnistetietojen poistoprosessi sovelletaan ennen mitään analyyttistä käyttöä. Tämä sisältää:

Potilaiden kasvojen peittämisen tai korvaamisen. Tunnistavien elementtien, kuten sänkynumeroiden ja laiteetikettien, poistamisen. Kaikkien potilaan alueen ulkopuolisten tausta-alueiden sumennuksen. Kehysten pois jättämisen, jotka sisältävät henkilökunnan kasvoja tai liittymättömiä toimintoja. Tunnistetietojen poistamisen jälkeen videot kohdistetaan elintoiminto- ja melutasoaikajanoihin luodakseen multimodaalisia aikasarjatietoaineistoja. Yhtenäistä merkitsemisohjetta käyttävät koulutetut ihmisannotoijat tunnistavat kiihtymisjaksoja, mahdollisia deliriumiin liittyvää käyttäytymistä, laitteiden poistoyrityksiä ja unen-valvetilan siirtymiä. Nämä merkinnät toimivat totuustasona tekoälyn koulutukselle.

Tekoälymallin kehittäminen Useita tekoälyarkkitehtuureja tutkitaan, erityisesti niitä, jotka sopivat ajalliseen videoanalyysiin. Mahdollisia lähestymistapoja ovat konvoluutioneuroverkot (CNN), 3D-CNN:t, pitkän lyhyen aikavälin muistiverkot (LSTM) tai transformaattoripohjaiset mallit, jotka kykenevät oppimaan pitkän aikavälin riippuvuuksia käyttäytymisjaksoissa. Lisäksi arvioidaan muita piirteiden erotusmenetelmiä fysiologisten ja ympäristösignaalien integroimiseksi.

Välttääkseen mallin ylisovittamisen ja varmistaakseen yleistettävyyden, tietoaineisto jaetaan koulutus-, validointi- ja riippumattomiin testijoukkoihin. Ristivalidaatiota käytetään parametrien säätämisen aikana. Mallin tuloste sisältää riskipisteet tai ennustetodennäköisyydet, jotka osoittavat lähestyvän vahinkotapahtuman todennäköisyyttä.

Suorituskykyä arvioidaan käyttämällä tarkkuutta, herkkyyttä, spesifisyyttä, F1-pisteitä ja etuajo-aikaa (aikaväli järjestelmän hälytyksen ja todellisen tapahtuman välillä). Etuajo-aika-mittari on erityisen tärkeä, koska käytännön hyöty kliinisessä hoidossa riippuu siitä, tulevatko hälytykset riittävän ajoissa henkilökunnan puuttua.

Tulosten tulkinta Tämä tutkimus ei aiheuta osallistujille mitään lääketieteellistä toimenpidettä. Kaikki haittatapahtumat kuuluvat rutiininomaiseen kliiniseen hoitoon; tutkimus vain tutkii, voiko tekoäly ennakoida niitä. Jatkuvan seurannan ja analyyttisen mallintamisen kautta tutkimuksen tavoitteena on mitata, kuinka paljon ennustetietoa potilaan käyttäytymisessä, liikemalleissa ja videolla tallennetussa ympäristökontekstissa on.

Tulokset auttavat määrittämään tekoälyavusteisen käyttäytymisseurannan toteutettavuuden ja kliinisen arvon todellisissa IH-yksiköissä. Jos onnistunut, tällaiset järjestelmät voivat tarjota varhaisia varoituksia deliriumista, laitteiden vahingollisesta poistamisesta tai muista käyttäytymiseen liittyvistä riskeistä. Tämä voi vähentää hätätoimenpiteitä, lyhentää IH-yksikön oleskeluaikaa ja parantaa potilasturvallisuutta kokonaisuudessaan.

Seuranta Ymmärtääkseen tekoälyennusteiden pitkäaikaisemman merkityksen, potilaat käyvät läpi seuranta-arvioinnit eron jälkeen 1 kuukauden ja 6 kuukauden kohdalla. Seuranta arvioi yleistä terveyden palautumista, unen tilaa, kognitiota ja sitä, tapahtuiko viivästyneitä komplikaatioita. Myös potilaan ja perheen palautetta videovalvonnasta – mukaan lukien mukavuustaso, koettu hyöty tai tietosuojaan liittyvät huolenaiheet – kerätään ohjaamaan järjestelmän hienosäätöä.

Eettiset ja tietosuojaan liittyvät näkökohdat Tutkimus korostaa tietosuojan suojaamista ja tietoista suostumusta. Kamerat asennetaan minimoiden tarpeettomien alueiden paljastaminen. Tunnistetietojen poisto sovelletaan ennen analyysiä, ja kaikkia tietoja hallitaan valvotuissa sairaalajärjestelmissä. Osallistujat voivat vetäytyä milloin tahansa ilman, että se vaikuttaa heidän hoitoonsa. Tutkimus ei sisällä kokeellista hoitoa tai ylimääräisiä lääketieteellisiä toimenpiteitä standardoidun IH-yksikön seurannan lisäksi.

Tieteellinen ja kliininen merkitys Tämä tutkimus käsittelee kriittistä aukkoa IH-yksikön turvallisuudessa: käyttäytymiseen perustuvan varhaisvaroituksen. Yhdistämällä tekoälyn, videoanalyysin, fysiologian ja ympäristötiedot, tutkimus tutkii lähestymistapaa, joka voisi täydentää rutiininomaista seurantaa. Erityisten tapahtumien ennustamisen lisäksi hanke voi edistää laajempaa ymmärrystä IH-yksikön potilaiden käyttäytymisen kehityskuluista ja ympäristötekijöiden, kuten melun, roolista.

Pitkän aikavälin visio on luoda kliinisesti käytettävissä oleva järjestelmä, joka tukee varhaista puuttumista, vähentää ehkäistävää vahinkoa ja parantaa IH-yksikön hoidon tehokkuutta.