Smärtdetektering genom automatisk videoanalys

Postoperativ smärta, om den inte kontrolleras tillräckligt, har skadliga konsekvenser på kort och lång sikt för patienten. Även om de flesta patienter kan rapportera sina smärtpoäng, kan en minoritet inte göra det och att bedöma sin smärta kan visa sig vara en utmaning för vårdpersonal. Under de senaste åren har ansiktsigenkänningsverktyg utvecklats utifrån antagandet att subtila ansiktsvariationer betyder smärta. Men förändringar i kropps- och huvudställning kan också representera smärta. Som sådana har dessa verktyg sina begränsningar och är endast validerade på vissa grupper av patienter, och är därför kanske inte tillräckligt känsliga för att upptäcka smärta hos postoperativa patienter.

Det första steget av studien kommer att genomföras på 40 patienter som ska presenteras för större gynekologisk kirurgi, med de erhållna data som används för att finjustera algoritmen. Patienterna kommer att videofilmas förkirurgiskt på anestesimottagningen för utvärdering och postoperativt på avdelningen. De kommer att bli ombedda att betygsätta sina smärtpoäng på den numeriska betygsskalan och fylla i frågeformulär om deras psykologiska och kvalitetsmässiga hälsotillstånd. Smärtpoängen kommer att korreleras med resultaten från smärtbedömningsalgoritmen.

Den andra fasen kommer att förbättra och förbättra modellen genom att (1) analysera kroppsställning för att förbättra modellens prestanda; (2) validering av den förbättrade modellen genom att rekrytera 200 patienter som genomgår kirurgiska och smärtingrepp, slutenvårds- och öppenvårdskonsultationer för att samla in sina videor före och efter operationen och smärtkonsultationer på slutenvård och öppenvård; (3) integrera modellen i en fristående elektronisk applikation för att förbättra dess användbarhet i både slutenvård och öppenvård.

Den tredje fasen kommer att rekrytera 130 manliga pediatriska patienter som presenterar sig för omskärelsekirurgi för att förbättra algoritmen genom att i) lägga till kroppsställningsanalys och andra fysiologiska mätningar för att ytterligare förbättra prestandan hos vår modell; ii) Utveckla vår modell för användning i den pediatriska populationen; och iii) Förbättra dess användbarhet i både kliniska och icke-kliniska miljöer. Avidentifierade nyckelpunkter kommer att extraheras från videorna för att ytterligare validera modellen.