Pervasive Sensing en AI in Intelligent ICU

De onderschatting van pijn is een van de belangrijkste belemmeringen voor de adequate behandeling van pijn bij ernstig zieke patiënten en wordt in verband gebracht met veel negatieve uitkomsten, zoals chronische pijn na ontslag, langdurige mechanische beademing, langer verblijf op de IC en verhoogd sterfterisico. Veel IC-patiënten kunnen hun pijnintensiteit niet zelf rapporteren vanwege hun klinische toestand, beademingsapparatuur en veranderd bewustzijn. Het monitoren van de pijnstatus van patiënten is nog een andere taak voor overwerkte verpleegkundigen, en vanwege de subjectieve aard van pijn kunnen die beoordelingen per zorgpersoneel verschillen. Deze uitdagingen wijzen op een cruciale behoefte aan het ontwikkelen van objectieve en autonome pijnherkenningssystemen. Delirium is een andere veel voorkomende complicatie van ziekenhuisopname van patiënten, die wordt gekenmerkt door veranderingen in cognitie, activiteitsniveau, bewustzijn en alertheid en heeft percentages tot 80% bij chirurgische patiënten. De risicofactoren die in verband zijn gebracht met delirium zijn onder meer leeftijd, reeds bestaande cognitieve stoornissen, visus- en gehoorstoornissen, ernstige ziekte, uitdroging, elektrolytafwijkingen, overmedicatie, alcoholmisbruik en verstoringen van het slaappatroon. Schattingen tonen aan dat ongeveer een derde van de deliriumgevallen baat kan hebben bij drugs- en niet-medicamenteuze preventie en interventie. Het opsporen en voorspellen van pijn en delirium is in de praktijk echter nog zeer beperkt.

Het doel van deze studie is om het vermogen van het door de onderzoekers voorgestelde model te evalueren om gebruik te maken van accelerometer-, omgevings-, circadiane ritme-biomarkers en videogegevens bij het autonoom kwantificeren van pijn, het karakteriseren van functionele activiteiten en delierstatus. Het Autonomous Delirium Monitoring and Adaptive Prevention (ADAPT)-systeem zal nieuwe doordringende detectie- en deep learning-technieken gebruiken om de mobiliteit en circadiane dyssynchronie van patiënten autonoom te kwantificeren in termen van nachtelijke verstoringen, lichtintensiteit en geluidsdrukniveau. Dit zal de integratie van deze risicofactoren in een dynamisch model voor het voorspellen van deliriumtrajecten mogelijk maken. In de handel verkrijgbare camera's zullen worden gebruikt om de gezichtsuitdrukkingen van patiënten te monitoren en de acties van patiënten in een context te plaatsen door middel van beeldvormingsgegevens om aanvullende informatie over de beweging van de patiënt te verschaffen. In de handel verkrijgbare omgevingssensoren zullen worden gebruikt om gegevens te verstrekken over verlichting, decibelniveau en luchtkwaliteit. Bloedmonsters van patiënten helpen hun circadiane ritme te bepalen en vergelijken en valideren de capaciteiten van het alomtegenwoordige sensorsysteem voor het autonoom bewaken van circadiane dyssynchronie. Er zullen ook elektronische gezondheidsdossiergegevens worden verzameld.