深度学习用于量化新生儿重症监护病房的护理操纵活动

科学领域:

• 新生儿护理 新生儿护理
• 神经科学是一个神经科学.
• 人工智能的人工智能

背景情况:

• 早期的压力对神经发育障碍构成重大风险.
• 在NICU监测新生儿压力对婴儿福祉至关重要.

研究的目的:

• 量化新生儿护理操纵活动的持续时间,频率和生理反应.
• 开发和评估用于自动化压力监控的深度学习方法.

主要方法:

• 利用2个NICU的27名新生儿的289小时的床边视频和生理数据.
• 开发了一个深度学习模型来检测操纵活动,估计持续时间/频率,并整合生理信号.
• 与人类注释对比验证了该方法,并评估了其在估计生理反应方面的有效性.

主要成果:

• 深度学习方法在活动持续时间和频率 (13.8%的相对容错率) 方面取得了与人类注释相等的统计结果.
• 该方法有效估计了对护理活动的短期生理反应.
• 成功检测出具有显著生理偏差的活动,并量化了新生儿婴儿压力因子评分.

结论:

• 开发的深度学习方法为NICU中客观的新生儿压力监测提供了可靠的工具.
• 这项技术可以帮助评估护理活动对婴儿压力水平的影响.
• 提高与新生儿压力相关的神经发育风险的早期检测和管理的潜力.