Pervasive Sensing och AI i Intelligent ICU

Underskattningen av smärta är ett av de primära hindren för adekvat behandling av smärta hos kritiskt sjuka patienter och är förknippad med många negativa utfall såsom kronisk smärta efter utskrivning, förlängd mekanisk ventilation, längre intensivvårdsvistelse och ökad risk för dödlighet. Många intensivvårdspatienter kan inte själv rapportera sin smärtintensitet på grund av deras kliniska tillstånd, ventilationsanordningar och förändrat medvetande. Övervakning av patienternas smärtstatus är ytterligare en uppgift för överarbetade sjuksköterskor, och på grund av smärtans subjektiva karaktär kan dessa bedömningar variera mellan vårdpersonal. Dessa utmaningar pekar på ett kritiskt behov av att utveckla objektiva och autonoma smärtigenkänningssystem. Delirium är en annan vanlig komplikation vid sjukhusvistelse, som kännetecknas av förändringar i kognition, aktivitetsnivå, medvetenhet och vakenhet och har frekvenser på upp till 80 % hos kirurgiska patienter. De riskfaktorer som har associerats med delirium inkluderar ålder, redan existerande kognitiv dysfunktion, syn- och hörselnedsättning, allvarlig sjukdom, uttorkning, elektrolytavvikelser, övermedicinering, alkoholmissbruk och störningar i sömnmönster. Uppskattningar visar att ungefär en tredjedel av fallen av delirium kan dra nytta av såväl läkemedels- som icke-drogprevention och intervention. Att upptäcka och förutsäga smärta och delirium är dock fortfarande mycket begränsat i praktiken.

Syftet med denna studie är att utvärdera förmågan hos utredarnas föreslagna modell att utnyttja accelerometer, miljö, biomarkörer för dygnsrytm och videodata för att autonomt kvantifiera smärta, karakterisera funktionella aktiviteter och deliriumstatus. ADAPT-systemet (Autonomous Delirium Monitoring and Adaptive Prevention) kommer att använda nya genomgripande avkännings- och djupinlärningstekniker för att autonomt kvantifiera patienternas rörlighet och dyssynkroni i termer av nattliga störningar, ljusintensitet och ljudtrycksnivå. Detta kommer att möjliggöra integrationen av dessa riskfaktorer i en dynamisk modell för att förutsäga deliriumbanor. Kommersiellt tillgängliga kameror kommer att användas för att övervaka patienternas ansiktsuttryck och kontextualisera patienternas handlingar genom att tillhandahålla bilddata för att ge ytterligare information om patientrörelser. Kommersiellt tillgängliga miljösensorer kommer att användas för att tillhandahålla data om belysning, decibelnivå och luftkvalitet. Patientblodprover kommer att hjälpa till att bestämma deras dygnsrytm och jämföra och validera det genomgripande avkänningssystemets förmåga att autonomt övervaka dyssynkroni. Även elektroniska journaluppgifter kommer att samlas in.