Pijndetectie door middel van geautomatiseerde video-analyse

Postoperatieve pijn heeft, indien onvoldoende onder controle, schadelijke gevolgen op korte en lange termijn voor de patiënt. Hoewel de meeste patiënten hun pijnscores kunnen rapporteren, kan een minderheid dit niet doen en het beoordelen van hun pijn kan een uitdaging blijken te zijn voor beroepsbeoefenaren in de gezondheidszorg. In de afgelopen jaren zijn hulpmiddelen voor gezichtsherkenning ontwikkeld op basis van de veronderstelling dat subtiele gezichtsvariaties pijn betekenen. Veranderingen in lichaams- en hoofdhouding kunnen echter ook pijn vertegenwoordigen. Als zodanig hebben deze hulpmiddelen hun beperkingen en zijn ze alleen gevalideerd voor bepaalde groepen patiënten, en zijn ze dus mogelijk niet gevoelig genoeg om pijn te detecteren bij postoperatieve patiënten.

De eerste fase van de studie zal worden uitgevoerd op 40 patiënten die zich presenteren voor een grote gynaecologische operatie, waarbij de verkregen gegevens worden gebruikt om het algoritme te verfijnen. De patiënten worden preoperatief op video opgenomen in de pre-evaluatie anesthesiekliniek en postoperatief op de afdeling. Ze zullen worden gevraagd om hun pijnscores te beoordelen op de numerieke beoordelingsschaal en vragenlijsten in te vullen over hun psychologische en kwaliteit van gezondheidstoestand. De pijnscores worden gecorreleerd met de resultaten van het pijnbeoordelingsalgoritme.

De tweede fase zal het model verbeteren en verbeteren door (1) de lichaamshouding te analyseren om de prestaties van het model te verbeteren; (2) het valideren van het verbeterde model door 200 patiënten te rekruteren die chirurgische en pijnprocedures ondergaan, intramurale en poliklinische consultaties om hun video's voor en na de operatie en intramurale en poliklinische pijnconsulten te verzamelen; (3) integreer het model in een stand-alone elektronische applicatie om de bruikbaarheid ervan te verbeteren in zowel intramurale als poliklinische instellingen.

De derde fase zal 130 mannelijke pediatrische patiënten rekruteren die zich presenteren voor een besnijdenisoperatie om het algoritme te verbeteren door i) lichaamshoudingsanalyse en andere fysiologische metingen toe te voegen om de prestaties van ons model verder te verbeteren; ii) Ons model ontwikkelen voor gebruik in de pediatrische populatie; en iii) Verbetering van de bruikbaarheid in zowel klinische als niet-klinische omgevingen. Gedeïdentificeerde kernpunten zullen uit de video's worden gehaald om het model verder te valideren.