臨床症状

科学分野:

• 老年医学
• ヘルスケアにおける人工知能
• 生体医工学

背景:

• 認知症における興奮および攻撃行動（AA）は、ケア上の大きな課題となっています。
• 現在の検出方法はしばしば遅延し、精神作用薬の使用増加につながっています。
• 深層学習は、マルチモーダルデータを使用した早期検出の強化の可能性を提供します。

研究 の 目的:

• 進行性認知症患者の興奮および攻撃行動（AA）の予測を改善すること。
• 融合データを使用したAAの早期検出のためのプライバシー準拠の方法を開発すること。
• ビデオおよびウェアラブルデータを統合した深層学習モデルの有効性を評価すること。

主な方法:

• EmbracePlusリストバンドを介して生理学的データを収集し、プライバシー準拠のビデオから骨格キーポイントを収集しました。
• サンプリング、正規化、特徴抽出を含むマルチモーダルデータの整列と前処理を行いました。
• 時間的パターンの分析のために深層学習フレームワーク（GRUと注意機構を備えたRNN）を実装しました。

主要な成果:

• ビデオとウェアラブルデータを統合した融合モデルは、精度0.98を達成しました。
• 統合アプローチは、単一モダリティモデル（ビデオ：0.94、ウェアラブル：0.91）を上回りました。
• 予備的分析には、進行性認知症およびAA（興奮・攻撃行動）を有する5人の患者が含まれました。

結論:

• ウェアラブル生理学的データとビデオ由来の骨格キーポイントを統合することは、認知症ケアにおける早期興奮検出を改善します。
• 開発されたアプローチは実行可能でプライバシーに準拠しており、予測精度を向上させます。
• さらなる研究では、このモデルを臨床応用に向けて洗練およびスケールアップすることを目指しています。