Smertedeteksjon gjennom automatisert videoanalyse

Post-kirurgiske smerter, hvis de ikke kontrolleres tilstrekkelig, har skadelige kort- og langsiktige konsekvenser for pasienten. Selv om de fleste pasienter er i stand til å rapportere smerteskårene sine, er et mindretall ikke i stand til å gjøre det, og å vurdere smerten kan vise seg å være en utfordring for helsepersonell. De siste årene har ansiktsgjenkjenningsverktøy blitt utviklet basert på forutsetningen om at subtile ansiktsvariasjoner betyr smerte. Imidlertid kan endringer i kropps- og hodestilling også representere smerte. Som sådan har disse verktøyene sine begrensninger og er kun validert på visse grupper av pasienter, og er derfor kanskje ikke sensitive nok til å oppdage smerte hos postkirurgiske pasienter.

Den første fasen av studien vil bli utført på 40 pasienter som presenterer for større gynekologisk kirurgi, med de innhentede dataene som brukes til å finjustere algoritmen. Pasientene vil bli videofilmet pre-kirurgisk i pre-evaluering anestesiklinikk og post-kirurgisk på avdeling. De vil bli bedt om å rangere smerteskårene sine på den numeriske vurderingsskalaen og fylle ut spørreskjemaer om deres psykologiske og helsemessige kvalitet. Smerteskårene vil være korrelert med resultatene oppnådd fra smertevurderingsalgoritmen.

Den andre fasen vil forbedre og forbedre modellen ved (1) å analysere kroppens positur for å forbedre modellens ytelse; (2) validering av den forbedrede modellen ved å rekruttere 200 pasienter som gjennomgår kirurgiske og smerteprosedyrer, polikliniske og polikliniske konsultasjoner for å samle inn videoene deres før og etter operasjonen og polikliniske og polikliniske smertekonsultasjoner; (3) integrer modellen i en frittstående elektronisk applikasjon for å forbedre brukervennligheten både i polikliniske og polikliniske omgivelser.

Den tredje fasen vil rekruttere 130 mannlige pediatriske pasienter som presenterer for omskjæringskirurgi for å forbedre algoritmen ved å i) legge til kroppsholdningsanalyse og andre fysiologiske målinger for å forbedre ytelsen til modellen vår ytterligere; ii) Utvikle vår modell for bruk i den pediatriske befolkningen; og iii) Forbedre brukbarheten i både kliniske og ikke-kliniske omgivelser. Avidentifiserte nøkkelpunkter vil bli trukket ut fra videoene for å validere modellen ytterligere.