使用深度学习分类进行视频流媒体的自动化ICU动荡监控系统

科学领域:

• 人工智能的人工智能
• 深度学习 (Deep Learning) 是一种深度学习.
• 医疗信息学 医疗信息学

背景情况:

• 在重症监护室 (ICU) 关键病患者中评估镇静状态是一个重大的临床挑战.
• 目前监测患者动荡的方法可能是侵入性的或劳动密集型的.
• 需要客观和自动化的评估工具来优化镇静管理.

研究的目的:

• 开发一种基于人工智能 (AI) 的非接触式自动分类器,用于检测患者激动.
• 利用深度学习技术实时评估ICU患者的镇静状态.
• 创建一个能够区分激动和非激动状态的AI系统.

主要方法:

• 收集了ICU患者的视频录像,并将其细分为30秒和2秒的剪辑.
• 视频段以激动状态 ("注意"和"不注意") 进行注释.
• 进行了运动量化,并使用值,随机森林和长短期记忆 (LSTM) 模型构建了动荡分类器.

主要成果:

• 使用了来自61名患者的427个30s和6405个2s段的数据集.
• 该LSTM模型实现了卓越的性能,精度 (ACC) 为0.92和曲线下面积 (AUC) 为0.91.
• 在对患者激动性进行分类方面,LSTM显著优于Threshold和Random Forest模型.

结论:

• 结合LSTM和图像处理的先进监控系统可以有效地确保ICU中适当的患者镇静.
• LSTM被认为是准确和自动化的动监控的最佳模型.
• 未来的研究应该专注于扩大数据收集和改善临床实践的系统集成.