Átható érzékelés és mesterséges intelligencia az intelligens intenzív osztályon

A fájdalom alulértékelése a kritikus állapotú betegek fájdalom megfelelő kezelésének egyik elsődleges akadálya, és számos negatív eredménnyel jár, mint például a kibocsátás utáni krónikus fájdalom, az elhúzódó gépi lélegeztetés, az intenzív osztályon való hosszabb tartózkodás és a megnövekedett halálozási kockázat. Sok intenzív osztályos beteg klinikai állapota, lélegeztetőeszközei és megváltozott tudata miatt nem tudja bejelenteni a fájdalom intenzitását. A betegek fájdalomállapotának monitorozása a túlterhelt ápolók másik feladata, és a fájdalom szubjektív természetéből adódóan ezek az értékelések eltérhetnek az ellátó személyzet között. Ezek a kihívások az objektív és autonóm fájdalomfelismerő rendszerek kifejlesztésének kritikus szükségességére mutatnak rá. A delírium a betegek kórházi kezelésének másik gyakori szövődménye, amelyet a kognitív képesség, az aktivitási szint, a tudat és az éberség megváltozása jellemez, és a műtéti betegeknél akár 80%-ot is elérhet. A delíriummal összefüggésbe hozható kockázati tényezők közé tartozik az életkor, a már meglévő kognitív diszfunkció, a látás- és halláskárosodás, a súlyos betegségek, a kiszáradás, az elektrolit-rendellenességek, a túlzott gyógyszeres kezelés, az alkoholfogyasztás és az alvászavarok. A becslések azt mutatják, hogy a delíriumos esetek körülbelül egyharmada előnyös lehet a kábítószeres és nem kábítószeres megelőzésből és beavatkozásból. A fájdalom és a delírium észlelése és előrejelzése azonban a gyakorlatban még mindig nagyon korlátozott.

Ennek a tanulmánynak a célja annak értékelése, hogy a vizsgálók által javasolt modell képes-e a gyorsulásmérő, a környezeti, cirkadián ritmus biomarkerek és videoadatok felhasználására a fájdalom autonóm számszerűsítésére, a funkcionális tevékenységek jellemzésére és a delírium állapotára. Az Autonomous Delirium Monitoring and Adaptive Prevention (ADAPT) rendszer új, pervazív érzékelési és mély tanulási technikákat fog használni a betegek mobilitásának és cirkadián diszszinkróniájának autonóm számszerűsítésére az éjszakai zavarok, a fényintenzitás és a hangnyomásszint tekintetében. Ez lehetővé teszi ezen kockázati tényezők integrálását egy dinamikus modellbe a delíriumpályák előrejelzésére. Kereskedelmi forgalomban kapható kamerák segítségével monitorozzák majd a betegek arckifejezését, és kontextusba helyezik a betegek cselekvéseit azáltal, hogy képalkotó adatokat szolgáltatnak, hogy további információkat nyújtsanak a páciens mozgásáról. Kereskedelmi forgalomban kapható környezeti érzékelők segítségével szolgáltatnak adatokat a megvilágításról, a decibelszintről és a levegő minőségéről. A betegek vérmintái segítenek meghatározni cirkadián ritmusukat, valamint összehasonlítani és validálni a pervazív érzékelőrendszer azon képességeit, amelyek autonóm módon figyelik a cirkadián diszszinkróniát. Elektronikus egészségügyi nyilvántartási adatokat is gyűjtenek.