Ιάπωνες ερευνητές χρησιμοποίησαν τεχνολογία αναγνώρισης προσώπων για την ανάπτυξη αυτοματοποιημένου συστήματος που μπορεί να προβλέψει πότε ένας ασθενής στη ΜΕΘ έχει υψηλό κίνδυνο για μη ασφαλή συμπεριφορά- όπως να μετακινήσει κατά λάθος τον ενδοτραχειακό σωλήνα-  με ακρίβεια 75%.

Η νέα έρευνα, που παρουσιάστηκε στο Euroanaesthesia congress στη Βιέννη, υποδεικνύει ότι το εργαλείο αυτοματοποιημένου εντοπισμού κινδύνου έχει τη δυνατότατα συνεχούς παρακολούθησης της ασφάλειας ενός ασθενούς και θα μπορούσε να απομακρύνει μέρος των περιορισμών που συνδέονται  με περιορισμένη ικανότητα του προσωπικού η οποία καθιστά δύσκολη τη συνεχή παρατήρηση τέτοιων ασθενών δίπλα από το κρεβάτι τους.

Ο Dr Akane Sato, του Yokohama City University Hospital, δήλωσε με τη χρήση φωτογραφιών που είχε τραβήξει από το πρόσωπο και τα μάτια ενός ασθενούς μπόρεσε να εκπαιδεύσει συστήματα υπολογιστών να αναγνωρίζουν την κίνηση υψηλού κινδύνου ενός χεριού.

Ο ερευνητής εξεπλάγη από την ακρίβεια υψηλού βαθμού που πέτυχε, η οποία δείχνει ότι η νέα τεχνολογία έχει τη δυνατότητα να είναι χρήσιμο εργαλείο για τη βελτίωση της ασφάλειας του ασθενούς και είναι το πρώτο βήμα για μια έξυπνη ΜΕΘ, που σχεδιάζεται για το συγκεκριμένο νοσοκομείο.

Ασθενείς σε κρίσιμη κατάσταση καταστέλλονται συχνά στη ΜΕΘ για να αποφευχθεί ο πόνος και το άγχος, να επιτρέπονται οι επεμβατικές πράξεις και να βελτιώνεται η ασφάλεια του ασθενούς.

Παρόλα αυτά,  η υποβολή των ασθενών με κατάλληλο επίπεδο καταστολής αποτελεί πρόκληση.

Ασθενείς που καταστέλλονται ανεπαρκώς είναι πιο πιθανό να δείχνουν συμπεριφορά υψηλού κινδύνου- όπως να μετακινούν κατά λάθος επεμβατικές συσκευές.

Η έρευνα έγινε σε 24 ασθενείς μετά από εγχείρηση, με μέση ηλικία τα 67, οι οποίοι νοσηλεύτηκαν στη ΜΕΘ στο Yokohama City University Hospital, μεταξύ Ιουνίου και Οκτωβρίου 2018.

Tο μοντέλο δημιουργήθηκε με χρήση εικόνων που ελήφθησαν από κάμερα που βρισκόταν στο ταβάνι πάνω από τα κεφάλια ασθενών. Αναλύθηκαν  στοιχεία περίπου 300 ωρών για να εντοπιστούν εικόνες -την ημέρα- ασθενών που κοιτούσαν την κάμερα με καλή θέση σώματος ώστε να φαίνονται καθαρά το πρόσωπο και τα μάτια τους.

Συνολικά, 99 φωτογραφίες υποβλήθηκαν σε μηχανική μάθηση.

Τελικά, το μοντέλο μπόρεσε να θέσει σε εγρήγορση έναντι συμπεριφοράς υψηλού κινδύνου, ειδικά γύρω από το πρόσωπο, με υψηλή ακρίβεια.

Οι ερευνητές σημείωσαν ότι διάφορες καταστάσεις μπορούν να θέσουν σε κίνδυνο ασθενείς, επομένως επόμενο βήμα είναι να περιληφθούν επιπλέον καταστάσεις υψηλού κινδύνου στην ανάλυση και να αναπτυχθεί λειτουργία εγρήγορσης για να προειδοποιούνται οι επαγγελματίες για την επικίνδυνη συμπεριφορά.

Τελικός στόχος είναι να συνδυαστούν διάφορα στοιχεία με εικόνες, ώστε να αναπτυχθεί πλήρως αυτοματοποιημένο σύστημα πρόβλεψης κινδύνου.

Οι ερευνητές σημειώνουν αρκετούς περιορισμούς, όπως ότι χρειάζονται περισσότερες φωτογραφίες ασθενών σε διαφορετικές θέσεις για να βελτιωθεί η γενικευμένη χρήση του εργαλείου στην πραγματική ζωή.

 

Ειδήσεις υγείας σήμερα
ΠΟΥ: Εντοπίστηκε ιός γρίπης των πτηνών σε αγελαδινό γάλα
Δεκάδες μεταλλάξεις του ιού της Covid σε άντρα που νοσούσε από κορωνοϊό για 1,5 χρόνο
Επίσκεψη Γεωργιάδη σε υγειονομικές μονάδες σε Κοζάνη και Φλώρινα