Explorando o Uso de Monitorização por Vídeo Assistida por IA para Prever Eventos Acidentais em Doentes de UCI (AIME-ICU)

Este estudo investiga se a monitorização por vídeo assistida por inteligência artificial (IA) consegue identificar alterações comportamentais precoces que antecedem eventos acidentais ou prejudiciais em doentes internados em Unidades de Cuidados Intensivos (UCI). Os doentes em UCI são vulneráveis a uma série de eventos súbitos e potencialmente perigosos — como agitação, delirium, remoção acidental de dispositivos e perturbação significativa do sono — muitos dos quais se desenvolvem gradualmente e são difíceis de detetar apenas através da monitorização fisiológica de rotina. Este projeto visa determinar se a análise por IA de gravações de vídeo contínuas à cabeceira, combinada com informação sobre níveis de ruído e dados de sinais vitais já recolhidos durante os cuidados padrão em UCI, pode fornecer aos clínicos avisos atempados antes de estes eventos ocorrerem.

Enquadramento Os sistemas tradicionais de monitorização em UCI focam-se em parâmetros fisiológicos, como frequência cardíaca, pressão arterial e saturação de oxigénio. Embora essenciais, estas medições não representam totalmente o comportamento do doente. Muitos eventos de alto risco são precedidos por padrões motores subtis ou sinais comportamentais — por exemplo, movimentos repetidos em direção a tubos, aumento da agitação ou ciclos de sono perturbados. Estes sinais são frequentemente intermitentes, breves ou mascarados pela sedação ou outros tratamentos, tornando-os difíceis de detetar pelo pessoal em ambientes clínicos movimentados.

As tecnologias de visão computacional e IA oferecem uma oportunidade para observar e interpretar de forma objetiva e contínua os movimentos e tendências comportamentais do doente, sem aumentar a carga de trabalho clínica. Ao integrar informação de vídeo com dados fisiológicos e níveis de ruído ambiental, o sistema de IA pode identificar padrões que indiquem delirium emergente, aumento da agitação ou tentativas iminentes de remover dispositivos médicos. A identificação precoce pode apoiar intervenções preventivas atempadas e reduzir as taxas de eventos adversos.

Visão Geral do Estudo O estudo recrutará prospectivamente doentes de UCI que consintam na monitorização por vídeo e utilização dos dados. Uma pequena câmara será instalada acima de cada cama para capturar continuamente o movimento e a postura do doente. O campo de visão da câmara está restrito à zona do doente, excluindo áreas desnecessárias, como o posto de enfermagem. Todas as gravações seguem procedimentos estritos de proteção da privacidade, incluindo mascaramento automático de rostos, desfoque do fundo e remoção de informação identificadora de objetos no enquadramento.

O ruído ambiental é registado através de um medidor de decibéis, e os dados de sinais vitais de rotina são sincronizados com a linha temporal do vídeo. Estes dados multimodais combinados servirão como entrada para o desenvolvimento do modelo de IA.

O estudo está dividido em três componentes:

Fase de recolha de dados - gravação contínua em contexto real de dados comportamentais e fisiológicos.

Processamento e anotação de dados - limpeza, desidentificação e rotulagem de eventos comportamentais-chave por investigadores treinados.

Desenvolvimento e avaliação do modelo - treino de modelos de IA para identificar padrões comportamentais associados a eventos clinicamente significativos e avaliação do seu desempenho preditivo.

Integração e Processamento de Dados

Todos os vídeos brutos permanecem armazenados em segurança no interior do ambiente de dados protegido do hospital e não são transferidos para fora. Um pipeline padronizado de desidentificação é aplicado antes de qualquer utilização analítica. Este inclui:

Mascaramento ou substituição dos rostos dos doentes. Remoção de elementos identificadores, como números de cama e etiquetas de equipamento. Desfoque de todas as áreas de fundo fora da zona do doente. Exclusão de frames que contenham rostos de pessoal ou atividades não relacionadas. Após desidentificação, os vídeos são alinhados com as linhas temporais de sinais vitais e níveis de ruído para criar conjuntos de dados de séries temporais multimodais. Anotadores humanos, treinados com uma diretriz de rotulagem unificada, identificam episódios de agitação, comportamento possívelmente relacionado com delirium, tentativas de remoção de dispositivos e transições sono-vigília. Estas etiquetas servem como verdade de base para o treino da IA.

Desenvolvimento do Modelo de IA Serão exploradas múltiplas arquiteturas de IA, particularmente aquelas adequadas para análise temporal de vídeo. Abordagens potenciais incluem redes neuronais convolucionais (CNN), CNNs 3D, redes de memória de longo e curto prazo (LSTM) ou modelos baseados em transformadores capazes de aprender dependências de longo alcance em sequências comportamentais. Serão avaliados métodos adicionais de extração de características para integrar sinais fisiológicos e ambientais.

Para evitar sobreajuste do modelo e garantir generalização, o conjunto de dados será dividido em conjuntos de treino, validação e teste independente. Será utilizada validação cruzada durante o ajuste de parâmetros. A saída do modelo incluirá pontuações de risco ou probabilidades de previsão indicando a probabilidade de um evento acidental iminente.

O desempenho será avaliado usando precisão, sensibilidade, especificidade, pontuação F1 e tempo de antecedência (o intervalo de tempo entre o alerta do sistema e o evento real). A métrica de tempo de antecedência é particularmente importante porque a utilidade prática nos cuidados clínicos depende de os alertas ocorrerem com suficiente antecedência para que o pessoal intervenha.

Interpretação de Resultados Este estudo não impõe qualquer intervenção médica aos participantes. Todos os eventos adversos fazem parte dos cuidados clínicos de rotina; o estudo apenas investiga se a IA os consegue antecipar. Através da monitorização contínua e modelação analítica, a investigação visa quantificar quanta informação preditiva está contida no comportamento do doente, padrões de movimento e contexto ambiental capturados por vídeo.

Os resultados ajudarão a determinar a viabilidade e o valor clínico da monitorização comportamental assistida por IA em UCIs do mundo real. Se bem-sucedido, tais sistemas podem fornecer avisos precoces de delirium, remoção acidental de dispositivos ou outros riscos ligados ao comportamento. Isto pode reduzir intervenções de emergência, encurtar estadias em UCI e melhorar a segurança global do doente.

Follow-up Para compreender a relevância a mais longo prazo das previsões da IA, os doentes serão submetidos a avaliações de follow-up após a alta, aos 1 e 6 meses. O follow-up avalia a recuperação geral da saúde, estado do sono, cognição e se ocorreram complicações tardias. Também será recolhido feedback do doente e da família sobre a monitorização por vídeo — incluindo nível de conforto, benefício percebido ou preocupações de privacidade — para orientar o aperfeiçoamento do sistema.

Considerações Éticas e de Privacidade O estudo enfatiza a proteção da privacidade e o consentimento informado. As câmaras são posicionadas para minimizar a exposição de áreas desnecessárias. A desidentificação é aplicada antes da análise, e todos os dados são geridos dentro de sistemas hospitalares controlados. Os participantes podem desistir a qualquer momento sem afetar os seus cuidados. O estudo não envolve tratamento experimental ou procedimentos médicos adicionais além da monitorização padrão em UCI.

Significado Científico e Clínico Esta investigação aborda uma lacuna crítica na segurança em UCI: o alerta precoce baseado no comportamento. Ao combinar IA, análise de vídeo, fisiologia e dados ambientais, o estudo explora uma abordagem que poderia complementar a monitorização de rotina. Para além de prever eventos específicos, o projeto pode contribuir para uma compreensão mais ampla das trajetórias comportamentais dos doentes em UCI e do papel de fatores ambientais, como o ruído.

A visão a longo prazo é criar um sistema clinicamente implementável que apoie a intervenção precoce, reduza danos evitáveis e aumente a eficiência dos cuidados em UCI.