Utforskning av bruken av AI-assistert videovervåkning for å forutsi utilsiktede hendelser hos intensivpasienter (AIME-ICU)

Denne studien undersøker om kunstig intelligens (KI)-assistert videoovervåking kan identifisere tidlige atferdsendringer som går foran utilsiktede eller skadelige hendelser hos pasienter på intensivavdeling (ICU). ICU-pasienter er sårbare for en rekke plutselige og potensielt farlige hendelser - som uro, delirium, utilsiktet fjerning av medisinsk utstyr og betydelig søvnforstyrrelse - hvor mange utvikler seg gradvis og er vanskelige å oppdage utelukkende fra rutinemessig fysiologisk overvåking. Dette prosjektet har som mål å fastslå om KI-analyse av kontinuerlige sengevideoupptak, kombinert med støynivåinformasjon og vitale tegnsdata som allerede samles inn under standard ICU-behandling, kan gi klinikere rettidige advarsler før disse hendelsene inntreffer.

Rasjonale Tradisjonelle ICU-overvåkingssystemer fokuserer på fysiologiske parametere som hjertefrekvens, blodtrykk og oksygenmetning. Selv om disse målingene er essensielle, representerer de ikke fullstendig pasientatferd. Mange høyt risikable hendelser går foran av subtile motoriske mønstre eller atferdssignaler - for eksempel gjentatt rekking mot slanger, økende uro eller forstyrrede søvnsykluser. Slike signaler er ofte intermitterende, korte eller maskert av sedering eller annen behandling, noe som gjør dem vanskelige for personale å oppdage i travle kliniske miljøer.

Datamaskinsyn og KI-teknologier gir en mulighet til å objektivt observere og tolke pasientbevegelser og atferdstrender kontinuerlig, uten å øke den kliniske arbeidsbelastningen. Ved å integrere videoinformasjon med fysiologiske data og miljøstøynivåer, kan KI-systemet identifisere mønstre som indikerer utviklende delirium, økt uro eller forestående forsøk på å fjerne medisinsk utstyr. Tidlig identifikasjon kan støtte rettidige forebyggende tiltak og redusere ratene av uønskede hendelser.

Studieoversikt Studien vil prospektivt rekruttere ICU-pasienter som samtykker til videoovervåking og databruk. Et lite kamera vil bli installert over hver seng for kontinuerlig å fange pasientbevegelse og kroppsholdning. Kamerautsikten er begrenset til pasientområdet, og utelukker unødvendige områder som sykepleierstasjonen. Alle opptak følger strenge personvernbeskyttelsesprosedyrer, inkludert automatisk ansiktsmaskering, bakgrunnsuskarphet og fjerning av identifiserende informasjon fra gjenstander i bildet.

Miljøstøy registreres gjennom en desibelmåler, og rutinemessige vitale tegnsdata synkroniseres med videotidslinjen. Disse kombinerte multimodale dataene vil tjene som input for KI-modellutvikling.

Studien er delt inn i tre komponenter:

Datainnsamlingsfase - virkelighetsbasert kontinuerlig registrering av atferds- og fysiologiske data.

Databehandling og annotering - rengjøring, de-identifisering og merking av viktige atferdshandlinger av opplærte forskere.

Modellutvikling og evaluering - trening av KI-modeller for å identifisere atferdsmønstre assosiert med klinisk meningsfulle hendelser, og evaluering av deres prediktive ytelse.

Dataintegrering og behandling

Alle råvideoer forblir lagret sikkert innenfor sykehusets beskyttede datamiljø og overføres ikke utenfor. En standardisert de-identifiseringsprosedyre brukes før enhver analytisk bruk. Dette inkluderer:

Maskering eller erstatning av pasientansikter. Fjerning av identifiserende elementer som sengenumre og utstyrsmerker. Uskarphet på alle bakgrunnsområder utenfor pasientområdet. Utelukkelse av bilder som inneholder personalansikter eller urelaterte aktiviteter. Etter de-identifisering justeres videoer med vitale tegns- og støynivåtidslinjer for å skape multimodale tidsseriedatasett. Menneskelige annotatorer, opplært med enhetlige merkeveiledninger, identifiserer episoder med uro, mulig delirium-relatert atferd, forsøk på utstyrsfjerning og søvn-våkenoverganger. Disse merkene tjener som grunnsannhet for KI-trening.

KI-modellutvikling Flere KI-arkitekturer vil bli utforsket, spesielt de som er egnet for temporal videoanalyse. Potensielle tilnærminger inkluderer konvolusjonelle nevrale nettverk (CNN), 3D-CNN, langt korttidsminnenettverk (LSTM) eller transformatorbaserte modeller som kan lære langsiktige avhengigheter i atferdssekvenser. Ytterligere funksjonsekstraksjonsmetoder vil bli evaluert for å integrere fysiologiske og miljøsignaler.

For å unngå modellovertilpasning og sikre generaliserbarhet, vil datasettet deles inn i trenings-, validerings- og uavhengige testsett. Kryssvalidering vil bli brukt under parameterinnstilling. Modellutgang vil inkludere risikoscorer eller prediksjonssannsynligheter som indikerer sannsynligheten for en forestående utilsiktet hendelse.

Ytelse vil bli evaluert ved bruk av nøyaktighet, sensitivitet, spesifisitet, F1-score og ledetid (tidsintervallet mellom systemvarsel og faktisk hendelse). Ledetidsmålet er spesielt viktig fordi praktisk nytte i klinisk omsorg avhenger av om advarsler inntreffer tidlig nok for personalet å gripe inn.

Resultattolkning Denne studien pålegger ingen medisinsk intervensjon på deltakere. Alle uønskede hendelser er en del av rutinemessig klinisk omsorg; studien undersøker bare om KI kan forutse dem. Gjennom kontinuerlig overvåking og analytisk modellering, har forskningen som mål å kvantifisere hvor mye prediktiv informasjon som finnes i pasientatferd, bevegelsesmønstre og miljøkontekst fanget av video.

Funnene vil bidra til å fastslå gjennomførbarheten og kliniske verdien av KI-assistert atferdsovervåking i virkelige ICU-er. Hvis vellykket, kan slike systemer gi tidlige advarsler om delirium, utilsiktet utstyrsfjerning eller andre atferdsrelaterte risikoer. Dette kan redusere nødintervensjoner, forkorte ICU-opphold og forbedre den generelle pasientsikkerheten.

Oppfølging For å forstå den langsiktige relevansen av KI-prediksjonene, vil pasienter gjennomgå oppfølgingsvurderinger etter utskrivelse ved 1 måned og 6 måneder. Oppfølging evaluerer generell helseopphenting, søvnstatus, kognisjon og om eventuelle forsinkede komplikasjoner inntraff. Pasient- og familiefeedback angående videoovervåking - inkludert komfortnivå, opplevd nytte eller personvernhensyn - vil også bli samlet inn for å veilede systemforbedring.

Etiske og personvernhensyn Studien vektlegger personvernbeskyttelse og informert samtykke. Kameraer plasseres for å minimere eksponering av unødvendige områder. De-identifisering brukes før analyse, og alle data håndteres innenfor kontrollerte sykehussystemer. Deltakere kan trekke seg når som helst uten at det påvirker deres omsorg. Studien innebærer ingen eksperimentell behandling eller ytterligere medisinske prosedyrer utover standard ICU-overvåking.

Vitenskapelig og klinisk betydning Denne forskningen adresserer et kritisk gap i ICU-sikkerhet: atferdsbasert tidlig varsling. Ved å kombinere KI, videoanalyse, fysiologi og miljødata, utforsker studien en tilnærming som kan komplementere rutinemessig overvåking. Utover å forutsi spesifikke hendelser, kan prosjektet bidra til bredere forståelse av ICU-pasientatferdstrender og rollen til miljøfaktorer som støy.

Det langsiktige målet er å skape et klinisk deployerbart system som støtter tidlig intervensjon, reduserer forebygging skade og forbedrer effektiviteten av ICU-omsorg.