Badanie wykorzystania monitoringu wideo wspomaganego sztuczną inteligencją do przewidywania przypadkowych zdarzeń u pacjentów na oddziale intensywnej terapii (AIME-ICU)

Niniejsze badanie analizuje, czy monitorowanie wideo wspomagane sztuczną inteligencją (AI) może zidentyfikować wczesne zmiany w zachowaniu poprzedzające przypadkowe lub szkodliwe zdarzenia u pacjentów na Oddziale Intensywnej Terapii (OIT). Pacjenci OIT są narażeni na szereg nagłych i potencjalnie niebezpiecznych zdarzeń – takich jak pobudzenie, delirium, przypadkowe usunięcie urządzeń medycznych i znaczące zaburzenia snu – z których wiele rozwija się stopniowo i jest trudnych do wykrycia wyłącznie na podstawie rutynowego monitorowania fizjologicznego. Celem projektu jest ustalenie, czy analiza AI ciągłych nagrań wideo przy łóżku pacjenta, w połączeniu z informacjami o poziomie hałasu i danymi o parametrach życiowych już zbieranymi podczas standardowej opieki na OIT, może dostarczyć klinicystom terminowych ostrzeżeń przed wystąpieniem tych zdarzeń.

Uzasadnienie Tradycyjne systemy monitorowania OIT koncentrują się na parametrach fizjologicznych, takich jak tętno, ciśnienie krwi i saturacja tlenem. Chociaż są one niezbędne, te pomiary nie odzwierciedlają w pełni zachowania pacjenta. Wiele zdarzeń wysokiego ryzyka jest poprzedzonych subtelnymi wzorcami ruchowymi lub wskazówkami behawioralnymi – na przykład powtarzającym się sięganiem w kierunku rurek, narastającym niepokojem lub zaburzonymi cyklami snu. Takie wskazówki są często przerywane, krótkotrwałe lub maskowane przez sedację lub inne leczenie, co utrudnia personelowi ich wykrycie w ruchliwym środowisku klinicznym.

Technologie wizji komputerowej i AI oferują możliwość ciągłego, obiektywnego obserwowania i interpretowania ruchów pacjenta oraz trendów behawioralnych, bez zwiększania obciążenia klinicznego. Integrując informacje wideo z danymi fizjologicznymi i poziomami hałasu otoczenia, system AI może zidentyfikować wzorce wskazujące na rozwijające się delirium, zwiększone pobudzenie lub zbliżające się próby usunięcia urządzeń medycznych. Wczesne zidentyfikowanie może wspierać terminowe interwencje zapobiegawcze i zmniejszyć wskaźniki zdarzeń niepożądanych.

Przegląd badania Badanie będzie prospektywnie rekrutować pacjentów OIT, którzy wyrażą zgodę na monitorowanie wideo i wykorzystanie danych. Nad każdym łóżkiem zostanie zainstalowana mała kamera, aby stale rejestrować ruch i postawę pacjenta. Widok kamery jest ograniczony do strefy pacjenta, wykluczając niepotrzebne obszary, takie jak stanowisko pielęgniarskie. Wszystkie nagrania podlegają ścisłym procedurom ochrony prywatności, w tym automatycznemu maskowaniu twarzy, rozmywaniu tła i usuwaniu informacji identyfikujących z obiektów w kadrze.

Hałas otoczenia jest rejestrowany za pomocą miernika decybelowego, a rutynowe dane o parametrach życiowych są synchronizowane z osi czasu wideo. Te połączone dane multimodalne posłużą jako dane wejściowe do rozwoju modeli AI.

Badanie dzieli się na trzy komponenty:

Faza zbierania danych – rzeczywiste, ciągłe nagrywanie danych behawioralnych i fizjologicznych.

Przetwarzanie i adnotacja danych – czyszczenie, de-identyfikacja i etykietowanie kluczowych zdarzeń behawioralnych przez przeszkolonych badaczy.

Rozwój i ocena modelu – trenowanie modeli AI w celu identyfikacji wzorców zachowań związanych z klinicznie istotnymi zdarzeniami oraz ocena ich zdolności predykcyjnej.

Integracja i przetwarzanie danych

Wszystkie surowe nagrania wideo pozostają bezpiecznie przechowywane w chronionym środowisku danych szpitala i nie są przesyłane na zewnątrz. Znormalizowany proces de-identyfikacji jest stosowany przed każdym analitycznym wykorzystaniem. Obejmuje to:

Maskowanie lub zastępowanie twarzy pacjentów. Usuwanie elementów identyfikujących, takich jak numery łóżek i etykiety sprzętu. Rozmywanie wszystkich obszarów tła poza strefą pacjenta. Wykluczanie klatek zawierających twarze personelu lub niepowiązane aktywności. Po de-identyfikacji nagrania wideo są dopasowywane do osi czasu parametrów życiowych i poziomu hałasu w celu stworzenia multimodalnych zbiorów danych szeregów czasowych. Annotatorzy ludzcy, przeszkoleni według ujednoliconych wytycznych etykietowania, identyfikują epizody pobudzenia, możliwe zachowania związane z delirium, próby usunięcia urządzeń oraz przejścia snu i czuwania. Te etykiety służą jako prawda podstawowa do trenowania AI.

Rozwój modelu AI Będą badane różne architektury AI, szczególnie te odpowiednie do analizy wideo czasowego. Potencjalne podejścia obejmują konwolucyjne sieci neuronowe (CNN), 3D CNN, sieci długiej krótkotrwałej pamięci (LSTM) lub modele oparte na transformerach zdolne do uczenia się długodystansowych zależności w sekwencjach zachowań. Dodatkowe metody ekstrakcji cech będą oceniane w celu integracji sygnałów fizjologicznych i środowiskowych.

Aby uniknąć przeuczenia modelu i zapewnić ogólność, zbiór danych zostanie podzielony na zestawy treningowe, walidacyjne i niezależne testowe. Walidacja krzyżowa będzie używana podczas strojenia parametrów. Wynik modelu będzie obejmował oceny ryzyka lub prawdopodobieństwa predykcyjne wskazujące na prawdopodobieństwo zbliżającego się zdarzenia przypadkowego.

Wydajność będzie oceniana za pomocą dokładności, czułości, swoistości, wyniku F1 oraz czasu wyprzedzenia (przedział czasu między alertem systemu a rzeczywistym zdarzeniem). Metryka czasu wyprzedzenia jest szczególnie ważna, ponieważ praktyczna użyteczność w opiece klinicznej zależy od tego, czy alerty pojawiają się wystarczająco wcześnie, aby personel mógł interweniować.

Interpretacja wyników Niniejsze badanie nie narzuca żadnej interwencji medycznej uczestnikom. Wszystkie zdarzenia niepożądane są częścią rutynowej opieki klinicznej; badanie jedynie analizuje, czy AI może je przewidzieć. Poprzez ciągłe monitorowanie i modelowanie analityczne, badania mają na celu określenie, ile informacji predykcyjnych jest zawartych w zachowaniu pacjenta, wzorcach ruchu i kontekście środowiskowym uchwyconym przez wideo.

Wyniki pomogą określić wykonalność i wartość kliniczną monitorowania behawioralnego wspomaganego AI w rzeczywistych warunkach OIT. W przypadku sukcesu, takie systemy mogą dostarczać wczesnych ostrzeżeń przed delirium, przypadkowym usunięciem urządzeń lub innymi zagrożeniami związanymi z zachowaniem. Może to zmniejszyć interwencje ratunkowe, skrócić pobyty na OIT i poprawić ogólne bezpieczeństwo pacjentów.

Obserwacja uzupełniająca Aby zrozumieć dłuższy związek przewidywań AI, pacjenci przejdą oceny uzupełniające po wypisie po 1 miesiącu i 6 miesiącach. Obserwacja uzupełniająca ocenia ogólny powrót do zdrowia, stan snu, funkcje poznawcze oraz czy wystąpiły jakiekolwiek opóźnione powikłania. Opinie pacjentów i rodzin dotyczące monitorowania wideo – w tym poziom komfortu, postrzegane korzyści lub obawy dotyczące prywatności – również będą zbierane w celu ukierunkowania udoskonalenia systemu.

Uwagi etyczne i dotyczące prywatności Badanie podkreśla ochronę prywatności i świadomą zgodę. Kamery są ustawione tak, aby zminimalizować ekspozycję niepotrzebnych obszarów. De-identyfikacja jest stosowana przed analizą, a wszystkie dane są zarządzane w kontrolowanych systemach szpitalnych. Uczestnicy mogą wycofać się w dowolnym momencie bez wpływu na ich opiekę. Badanie nie obejmuje żadnego leczenia eksperymentalnego ani dodatkowych procedur medycznych poza standardowym monitorowaniem OIT.

Znaczenie naukowe i kliniczne Niniejsze badania dotyczą krytycznej luki w bezpieczeństwie OIT: wczesnego ostrzegania opartego na zachowaniu. Łącząc AI, analizę wideo, fizjologię i dane środowiskowe, badanie bada podejście, które mogłoby uzupełnić rutynowe monitorowanie. Poza przewidywaniem konkretnych zdarzeń, projekt może przyczynić się do szerszego zrozumienia trajektorii behawioralnych pacjentów OIT oraz roli czynników środowiskowych, takich jak hałas.

Długoterminową wizją jest stworzenie systemu możliwego do wdrożenia klinicznie, który wspiera wczesną interwencję, zmniejsza możliwą do uniknięcia szkodę i zwiększa efektywność opieki na OIT.