Detecção de dor por meio de análise automatizada de vídeo

A dor pós-operatória, se inadequadamente controlada, traz consequências deletérias a curto e longo prazo para o paciente. Embora a maioria dos pacientes seja capaz de relatar seus escores de dor, uma minoria não consegue fazê-lo e avaliar sua dor pode ser um desafio para os profissionais de saúde. Nos últimos anos, ferramentas de reconhecimento facial foram desenvolvidas com base na premissa de que variações faciais sutis significam dor. No entanto, mudanças no corpo e na postura da cabeça também podem representar dor. Como tal, essas ferramentas têm suas limitações e são validadas apenas em determinados grupos de pacientes, portanto, podem não ser sensíveis o suficiente para detectar dor em pacientes pós-cirúrgicos.

A primeira etapa do estudo será realizada em 40 pacientes que se apresentam para cirurgia ginecológica de grande porte, com os dados obtidos usados ​​para ajustar o algoritmo. Os pacientes serão filmados no pré-operatório na clínica anestésica de pré-avaliação e no pós-operatório na enfermaria. Eles serão solicitados a classificar seus escores de dor na escala de classificação numérica e preencher questionários sobre seu estado psicológico e de qualidade de saúde. Os escores de dor serão correlacionados com os resultados obtidos pelo algoritmo de avaliação da dor.

A segunda fase melhorará e aprimorará o modelo (1) analisando a pose do corpo para melhorar o desempenho do modelo; (2) validar o modelo aprimorado recrutando 200 pacientes submetidos a procedimentos cirúrgicos e de dor, consultas de pacientes internados e ambulatoriais para coletar seus vídeos antes e depois da cirurgia e consultas de dor de pacientes internados e ambulatoriais; (3) integrar o modelo em um aplicativo eletrônico autônomo para melhorar sua usabilidade em ambientes hospitalares e ambulatoriais.

A terceira fase recrutará 130 pacientes pediátricos do sexo masculino que se apresentam para cirurgia de circuncisão para melhorar o algoritmo i) Adicionando análise de postura corporal e outras medições fisiológicas para melhorar ainda mais o desempenho de nosso modelo; ii) Desenvolver nosso modelo para uso na população pediátrica; e iii) Melhorar sua usabilidade em ambientes clínicos e não clínicos. Os pontos-chave não identificados serão extraídos dos vídeos para validar ainda mais o modelo.