Изучение применения мониторинга с видеоаналитикой на основе ИИ для прогнозирования случайных событий у пациентов в отделении интенсивной терапии (AIME-ICU)

Это исследование изучает, может ли мониторинг с помощью искусственного интеллекта (ИИ) на основе видео выявлять ранние изменения в поведении, предшествующие случайным или вредным событиям у пациентов в отделении интенсивной терапии (ОИТ). Пациенты ОИТ подвержены ряду внезапных и потенциально опасных событий, таких как возбуждение, делирий, случайное удаление медицинских устройств и значительные нарушения сна, многие из которых развиваются постепенно и их трудно обнаружить только с помощью рутинного физиологического мониторинга. Цель данного проекта – определить, может ли анализ ИИ непрерывных видеозаписей у постели больного, в сочетании с информацией об уровне шума и данными о жизненно важных показателях, уже собираемыми в рамках стандартного лечения в ОИТ, предоставить клиницистам своевременные предупреждения до наступления этих событий.

Обоснование. Традиционные системы мониторинга в ОИТ сосредоточены на физиологических параметрах, таких как частота сердечных сокращений, артериальное давление и насыщение крови кислородом. Несмотря на их важность, эти измерения не полностью отражают поведение пациента. Многие события высокого риска предваряются тонкими двигательными паттернами или поведенческими сигналами – например, повторяющиеся попытки дотянуться до трубок, нарастающее беспокойство или нарушенные циклы сна. Такие сигналы часто бывают прерывистыми, кратковременными или маскируются седацией или другими видами лечения, что затрудняет их обнаружение персоналом в условиях напряженной клинической среды.

Технологии компьютерного зрения и ИИ предоставляют возможность объективно и непрерывно наблюдать и интерпретировать движения пациента и поведенческие тенденции, не увеличивая клиническую нагрузку. Интегрируя видеоинформацию с физиологическими данными и уровнями окружающего шума, система ИИ может выявлять паттерны, указывающие на развивающийся делирий, усиление возбуждения или на приближающиеся попытки удалить медицинские устройства. Раннее выявление может способствовать своевременным профилактическим вмешательствам и снижению частоты нежелательных явлений.

Обзор исследования. В исследование будут проспективно включены пациенты ОИТ, давшие согласие на видеомониторинг и использование данных. Над каждой кроватью будет установлена небольшая камера для непрерывной фиксации движений и позы пациента. Обзор камеры ограничен зоной пациента, исключая ненужные области, такие как пост медсестер. Все записи следуют строгим процедурам защиты конфиденциальности, включая автоматическое маскирование лиц, размытие фона и удаление идентифицирующей информации с объектов в кадре.

Уровень окружающего шума записывается с помощью децибелометра, а данные рутинных жизненно важных показателей синхронизируются с видеозаписью. Эти комбинированные мультимодальные данные будут служить входными данными для разработки модели ИИ.

Исследование разделено на три компонента:

Фаза сбора данных – непрерывная запись поведенческих и физиологических данных в реальных условиях.

Обработка и аннотирование данных – очистка, деидентификация и маркировка ключевых поведенческих событий обученными исследователями.

Разработка и оценка модели – обучение моделей ИИ для выявления поведенческих паттернов, связанных с клинически значимыми событиями, и оценка их прогностической эффективности.

Интеграция и обработка данных

Все исходные видеозаписи остаются надежно храниться в защищенной среде данных больницы и не передаются за ее пределы. Перед любым аналитическим использованием применяется стандартизированный конвейер деидентификации. Это включает:

Маскирование или замена лиц пациентов. Удаление идентифицирующих элементов, таких как номера коек и метки на оборудовании. Размытие всех фоновых областей за пределами зоны пациента. Исключение кадров, содержащих лица персонала или несвязанные действия. После деидентификации видео синхронизируются с временными рядами жизненно важных показателей и уровня шума для создания мультимодальных наборов данных временных рядов. Человеческие аннотаторы, обученные по единому руководству по маркировке, идентифицируют эпизоды возбуждения, возможного поведения, связанного с делирием, попытки удаления устройств и переходы между сном и бодрствованием. Эти метки служат эталонной истиной для обучения ИИ.

Разработка модели ИИ. Будет изучено несколько архитектур ИИ, особенно тех, которые подходят для временного анализа видео. Потенциальные подходы включают сверточные нейронные сети (CNN), 3D CNN, сети с долгой краткосрочной памятью (LSTM) или модели на основе трансформеров, способные изучать долгосрочные зависимости в последовательностях поведения. Будут оценены дополнительные методы извлечения признаков для интеграции физиологических и экологических сигналов.

Чтобы избежать переобучения модели и обеспечить обобщаемость, набор данных будет разделен на обучающую, валидационную и независимую тестовую выборки. При настройке параметров будет использоваться перекрестная проверка. Выходные данные модели будут включать оценки риска или вероятности прогноза, указывающие на вероятность надвигающегося случайного события.

Производительность будет оцениваться с помощью точности, чувствительности, специфичности, F1-меры и времени упреждения (интервала между предупреждением системы и фактическим событием). Метрика времени упреждения особенно важна, поскольку практическая полезность в клинической помощи зависит от того, происходят ли предупреждения достаточно рано, чтобы персонал мог вмешаться.

Интерпретация результатов. Это исследование не налагает никаких медицинских вмешательств на участников. Все нежелательные явления являются частью рутинного клинического ухода; исследование лишь изучает, может ли ИИ их предвидеть. С помощью непрерывного мониторинга и аналитического моделирования исследование направлено на количественную оценку того, сколько прогностической информации содержится в поведении пациента, паттернах движений и контексте окружающей среды, зафиксированных на видео.

Результаты помогут определить осуществимость и клиническую ценность мониторинга поведения с помощью ИИ в реальных условиях ОИТ. В случае успеха такие системы могут обеспечивать ранние предупреждения о делирии, случайном удалении устройств или других рисках, связанных с поведением. Это может сократить количество экстренных вмешательств, сократить продолжительность пребывания в ОИТ и повысить общую безопасность пациентов.

Последующее наблюдение. Чтобы понять долгосрочную значимость прогнозов ИИ, пациенты пройдут контрольные обследования после выписки через 1 и 6 месяцев. Контрольное обследование оценивает общее восстановление здоровья, состояние сна, когнитивные функции и наличие каких-либо отсроченных осложнений. Также будет собрана обратная связь от пациентов и их семей относительно видеомониторинга, включая уровень комфорта, воспринимаемую пользу или опасения по поводу конфиденциальности, чтобы направить доработку системы.

Этические аспекты и вопросы конфиденциальности. Исследование делает акцент на защите конфиденциальности и информированном согласии. Камеры расположены так, чтобы минимизировать захват ненужных областей. Деидентификация применяется перед анализом, и всеми данными управляют в контролируемых больничных системах. Участники могут отказаться от участия в любой момент без ущерба для их лечения. Исследование не включает экспериментального лечения или дополнительных медицинских процедур, выходящих за рамки стандартного мониторинга в ОИТ.

Научная и клиническая значимость. Это исследование затрагивает критический пробел в безопасности ОИТ: раннее предупреждение на основе поведения. Объединяя ИИ, анализ видео, физиологию и данные об окружающей среде, исследование изучает подход, который может дополнить рутинный мониторинг. Помимо прогнозирования конкретных событий, проект может способствовать более широкому пониманию поведенческих траекторий пациентов ОИТ и роли факторов окружающей среды, таких как шум.

Долгосрочное видение заключается в создании клинически применимой системы, которая поддерживает раннее вмешательство, снижает предотвратимый вред и повышает эффективность помощи в ОИТ.