AI支援ビデオ監視を用いたICU患者における偶発的事象予測の探求 (AIME-ICU)

本研究は、人工知能（AI）支援型ビデオモニタリングが、集中治療室（ICU）患者において偶発的または有害な事象に先行する早期の行動変化を識別できるかどうかを調査するものである。 ICU患者は、興奮、せん妄、医療機器の偶発的抜去、および著しい睡眠障害など、一連の突然かつ潜在的に危険な事象に対して脆弱であり、これらの多くは徐々に進行し、通常の生理学的モニタリングのみでは検出が困難である。 このプロジェクトは、継続的なベッドサイドビデオ記録のAI分析と、標準的なICUケア中に既に収集されている騒音レベル情報およびバイタルサイン・データを組み合わせることで、これらの事象が発生する前に臨床医に適時の警告を提供できるかどうかを明らかにすることを目的としている。

背景 従来のICUモニタリングシステムは、心拍数、血圧、酸素飽和度などの生理学的パラメータに焦点を当てている。 これらは不可欠であるが、患者の行動を完全には反映していない。 多くの高リスク事象は、微細な運動パターンや行動の兆候（例えば、チューブへの繰り返しの手伸ば、高まる落ち着きのなさ、または乱れた睡眠サイクルなど）に先行する。 このような兆候は、しばしば断続的、短時間、または鎮静やその他の治療によって隠されており、忙しい臨床環境においてスタッフが検出することを困難にしている。

コンピュータビジョンおよびAI技術は、臨床業務負荷を増加させることなく、患者の動きと行動傾向を客観的かつ継続的に観察・解釈する機会を提供する。 ビデオ情報を生理学的データおよび環境騒音レベルと統合することにより、AIシステムは、新たに発生するせん妄、増加する興奮、または医療機器の抜去を試みる直前を示すパターンを識別する可能性がある。 早期の識別は、適時の予防的介入を支援し、有害事象の発生率を低減させる可能性がある。

研究概要 本研究は、ビデオモニタリングとデータ使用に同意したICU患者を前向きに登録する。 各ベッドの上方に小型カメラを設置し、患者の動きと姿勢を継続的に記録する。 カメラの視野は患者エリアに限定され、看護ステーションなどの不要な領域は除外される。 すべての記録は、自動的な顔マスキング、背景ぼかし、およびフレーム内の物体からの識別情報の除去を含む、厳格なプライバシー保護手順に従う。

環境騒音はデシベルメーターによって記録され、通常のバイタルサイン・データはビデオのタイムラインと同期される。 これらの統合されたマルチモーダルデータは、AIモデル開発の入力として使用される。

本研究は以下の3つの構成要素に分けられる：

データ収集フェーズ - 行動および生理学的データの実世界での継続的記録。

データ処理およびアノテーション - 訓練された研究者による、主要な行動事象のクリーニング、非識別化、およびラベル付け。

モデル開発および評価 - 臨床的に意味のある事象に関連する行動パターンを識別するためのAIモデルの訓練、およびその予測性能の評価。

データ統合および処理

すべての生ビデオは、病院の保護されたデータ環境内に安全に保存され、外部に転送されることはない。 分析利用の前には、標準化された非識別化パイプラインが適用される。 これには以下が含まれる：

患者の顔のマスキングまたは置換。 ベッド番号や機器ラベルなどの識別要素の除去。 患者エリア外のすべての背景領域のぼかし。 スタッフの顔または無関係な活動を含むフレームの除外。 非識別化後、ビデオはバイタルサインおよび騒音レベルのタイムラインと整列され、マルチモーダル時系列データセットが作成される。 統一されたラベリングガイドラインで訓練された人間のアノテーターが、興奮、せん妄関連行動の可能性、機器抜去の試み、および睡眠・覚醒移行のエピソードを識別する。 これらのラベルは、AI訓練のためのグラウンドトゥルースとして機能する。

AIモデル開発 複数のAIアーキテクチャが検討される。特に、時間的ビデオ分析に適したものが対象となる。 潜在的なアプローチには、畳み込みニューラルネットワーク（CNN）、3D CNN、長短期記憶ネットワーク（LSTM）、または行動シーケンスにおける長期的依存関係を学習可能なトランスフォーマーベースのモデルが含まれる。 生理学的および環境信号を統合するための追加の特徴抽出方法も評価される。

モデルの過学習を回避し、汎化性を確保するために、データセットは訓練、検証、および独立したテストセットに分割される。 パラメータ調整中には交差検証が使用される。 モデルの出力には、偶発的事象が差し迫っている可能性を示すリスクスコアまたは予測確率が含まれる。

性能は、精度、感度、特異度、F1スコア、およびリードタイム（システムアラートと実際の事象との間の時間間隔）を使用して評価される。 リードタイム指標は特に重要である。なぜなら、臨床ケアにおける実用的有用性は、スタッフが介入できるほど十分に早期にアラートが発生するかどうかに依存するからである。

結果の解釈 本研究は、参加者に対していかなる医学的介入も課さない。 すべての有害事象は通常の臨床ケアの一部であり、本研究は単にAIがそれらを予測できるかどうかを調査するものである。 継続的モニタリングおよび分析モデリングを通じて、本研究は、ビデオによって捕捉された患者の行動、運動パターン、および環境コンテキストに、どれだけの予測情報が含まれているかを定量化することを目指す。

本研究の結果は、実世界のICUにおけるAI支援型行動モニタリングの実現可能性および臨床的価値を判断するのに役立つであろう。 成功した場合、このようなシステムは、せん妄、医療機器の偶発的抜去、またはその他の行動関連リスクの早期警告を提供する可能性がある。 これにより、緊急介入の減少、ICU滞在期間の短縮、および患者安全全体の向上につながる可能性がある。

フォローアップ AI予測の長期的関連性を理解するために、患者は退院後1か月および6か月後にフォローアップ評価を受ける。 フォローアップでは、一般的な健康回復、睡眠状態、認知機能、および遅発性合併症が発生したかどうかを評価する。 ビデオモニタリングに関する患者および家族のフィードバック（快適さのレベル、認識される利益、またはプライバシー懸念を含む）も収集され、システムの改良に役立てられる。

倫理的およびプライバシーに関する考慮事項 本研究は、プライバシー保護とインフォームドコンセントを重視する。 カメラは、不要な領域への露出を最小限に抑えるように配置される。 非識別化は分析前に適用され、すべてのデータは管理された病院システム内で管理される。 参加者は、ケアに影響を与えることなく、いつでも研究から撤退することができる。 本研究は、標準的なICUモニタリングを超える実験的治療または追加の医療処置を含まない。

科学的および臨床的意義 本研究は、ICU安全における重要なギャップ、すなわち行動ベースの早期警告に取り組むものである。 AI、ビデオ分析、生理学、および環境データを組み合わせることにより、本研究は、通常のモニタリングを補完する可能性のあるアプローチを探求する。 特定の事象を予測することに加えて、このプロジェクトは、ICU患者の行動軌跡および騒音などの環境要因の役割に関するより広範な理解に貢献する可能性がある。

長期的なビジョンは、早期介入を支援し、予防可能な危害を減少させ、ICUケアの効率を高める、臨床的に展開可能なシステムを作成することである。