[論文レビュー] The Intelligent ICU Pilot Study: Using Artificial Intelligence Technology for Autonomous Patient Monitoring

Anis Davoudi, Kumar Rohit Malhotra+9 more|arXiv (Cornell University)|Apr 25, 2018

Intensive Care Unit Cognitive Disorders参考文献 58被引用数 12

ひとこと要約

本パイロット研究は、ウェアラブルセンサーや環境センサーセット、ビジョンベースのセンサーやディープラーニングを統合したAI駆動のパーソネントセンシングを用いた、集中治療室（ICU）の重篤な患者とその環境に対する自律的で詳細なモニタリングの実現可能性を示している。本システムは顔認識（mAP=0.80）、姿勢検出（F1=0.94）において高い正確性を達成し、幻覚症状を呈する患者と呈しない患者との間で顔の表情、活動特徴、環境要因（照明、音響、訪問頻度）に顕著な差が認められた（p<0.05）。

ABSTRACT

Currently, many critical care indices are repetitively assessed and recorded by overburdened nurses, e.g. physical function or facial pain expressions of nonverbal patients. In addition, many essential information on patients and their environment are not captured at all, or are captured in a non-granular manner, e.g. sleep disturbance factors such as bright light, loud background noise, or excessive visitations. In this pilot study, we examined the feasibility of using pervasive sensing technology and artificial intelligence for autonomous and granular monitoring of critically ill patients and their environment in the Intensive Care Unit (ICU). As an exemplar prevalent condition, we also characterized delirious and non-delirious patients and their environment. We used wearable sensors, light and sound sensors, and a high-resolution camera to collected data on patients and their environment. We analyzed collected data using deep learning and statistical analysis. Our system performed face detection, face recognition, facial action unit detection, head pose detection, facial expression recognition, posture recognition, actigraphy analysis, sound pressure and light level detection, and visitation frequency detection. We were able to detect patient's face (Mean average precision (mAP)=0.94), recognize patient's face (mAP=0.80), and their postures (F1=0.94). We also found that all facial expressions, 11 activity features, visitation frequency during the day, visitation frequency during the night, light levels, and sound pressure levels during the night were significantly different between delirious and non-delirious patients (p-value&lt;0.05). In summary, we showed that granular and autonomous monitoring of critically ill patients and their environment is feasible and can be used for characterizing critical care conditions and related environment factors.

研究の動機と目的

• パーソネントセンシングとAIを用いた、集中治療室（ICU）の重篤な患者に対する自律的で詳細なモニタリングの実現可能性を評価すること。
• 非言語的ICU患者における幻覚症状に関連する微細な行動的および環境的兆候を同定すること。
• 患者状態と環境条件の繰り返しの多い評価作業を自動化することで看護師の負担を軽減すること。
• 患者の生理、行動、ICU環境を継続的かつリアルタイムにモニタリング可能なマルチモーダルセンシングシステムの開発。
• AIを用いた統合的分析により、顔の表情、姿勢、音響、照明、訪問パターンを統合的に分析し、幻覚症状の早期兆候を検出する可能性の探求。

提案手法

• ICUにウェアラブルセンサー、高解像度カメラ、光センサー、音圧レベル（SPL）センサーを含むマルチモーダルセンサーセットを設置した。
• 侵襲的でないパーソネントセンシングを用いて、長時間にわたり患者とその環境の連続的データ収集を実施した。
• 顔検出（mAP=0.94）、顔認識（mAP=0.80）、顔のアクションユニット検出、頭部ポーズ推定にディープラーニングモデルを適用した。
• 統計解析とアクチグラフィーを用いて姿勢認識と活動パターン検出を実施（F1=0.94）。
• センサーデータを用いて音圧レベル、環境光強度、訪問頻度（日中／夜間）などの環境要因を定量化した。
• マルチモーダルデータストリームを統合し、分類技術を適用して幻覚症状を呈する患者と呈しない患者のプロファイルを比較した。

実験結果

リサーチクエスチョン

• RQ1 AI駆動の自律的モニタリングシステムは、ICUにおける患者の顔の表情や姿勢を正確に検出・追跡できるか？
• RQ2 幻覚症状を呈する患者と呈しない患者との間で、環境要因（照明、音響、訪問）に測定可能な差が存在するか？
• RQ3 マルチモーダルセンサーデータとディープラーニングを組み合わせることで、非言語的患者における幻覚症状の早期行動的兆候を同定できるか？
• RQ4 自動化システムは、ICU看護師が行う手動でのモニタリング作業の負担をどの程度軽減できるか？
• RQ5 パーソネントセンシングとAIを用いた継続的かつリアルタイムの患者行動およびICU環境モニタリングは、どの程度詳細かつ信頼性が保証されるか？

主な発見

• 顔検出性能は平均平均精度（mAP）0.94で高く達成された。
• 患者の顔認識はmAP 0.80に達し、識別精度が非常に高いことが示された。
• 姿勢認識はF1スコア0.94を達成し、活動モニタリングの信頼性が非常に高いことが示された。
• すべての顔の表情、11の活動特徴、日中の訪問頻度、夜間の訪問頻度、夜間の音圧レベル、夜間の照明レベルが、幻覚症状を呈する患者と呈しない患者との間に有意差を示した（p<0.05）。
• 本研究では、幻覚症状を呈する患者において、夜間のノイズや光露出が顕著に上昇していることが確認された。
• 行動的および環境的データをAIで統合することで、幻覚症状に関連する微細で臨床的に有意なパターンを検出可能であることが示された。