[논문 리뷰] The Intelligent ICU Pilot Study: Using Artificial Intelligence Technology for Autonomous Patient Monitoring

Anis Davoudi, Kumar Rohit Malhotra외 9명|arXiv (Cornell University)|2018. 04. 25.

Intensive Care Unit Cognitive Disorders참고 문헌 58인용 수 12

한 줄 요약

이 pilot 연구는 인공지능 기반의 광범위한 감지 기술—운동 기반 센서, 환경 센서, 시각 기반 센서와 딥 러닝을 융합하여 중환자실(ICU) 환자와 그 환경을 자율적이고 세밀하게 모니터링하는 데의 가능성을 입증한다. 시스템은 얼굴 인식에서 높은 정확도(mAP=0.80), 자세 감지에서 높은 정확도(F1=0.94)를 달성했으며, 혼란증을 앓는 환자와 그렇지 않은 환자 간에 얼굴 표정, 활동 특성, 환경 요인(조도, 소음, 방문 빈도)에 유의미한 차이가 있음을 확인했다(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.

연구 동기 및 목표

• 광범위한 감지 기술과 인공지능을 활용한 중환자실(ICU) 환자에 대한 자율적이고 세밀한 모니터링의 가능성을 평가한다.
• 말을 할 수 없는 ICU 환자에서 혼란증과 관련된 미세한 행동적 및 환경적 지표를 식별한다.
• 환자 상태와 환경 조건에 대한 반복적인 평가를 자동화하여 간호사의 업무 부담을 줄인다.
• 환자의 생리 상태, 행동, ICU 환경을 지속적이고 실시간으로 모니터링할 수 있는 다중 모odal 감지 시스템을 개발한다.
• 인공지능이 얼굴 표정, 자세, 소음, 조도, 방문 패턴을 통합 분석함으로써 혼란증의 조기 징후를 탐지할 잠재력을 탐색한다.

제안 방법

• ICU에 웨어러블 센서, 고해상도 카메라, 조도 센서, 소음 압력 수준(SPL) 센서를 포함한 다중 모달 센서 세트를 구축하였다.
• 비침습적인 광범위한 감지 기술을 사용하여 장기간에 걸쳐 환자와 환경의 연속적인 데이터를 수집하였다.
• 딥 러닝 모델을 적용하여 얼굴 감지(mAP=0.94), 얼굴 인식(mAP=0.80), 얼굴 동작 단위 감지, 머리 자세 추정을 수행하였다.
• 통계 분석과 액티그라피를 활용하여 자세 인식 및 활동 패턴 감지를 수행하였으며, F1 점수는 0.94를 기록하였다.
• 센서 데이터를 활용하여 소음 압력 수준, 실내 조도 강도, 방문 빈도(낮/밤) 등의 환경 요인을 정량화하였다.
• 다중 모달 데이터 스트림을 통합하고 분류 기법을 적용하여 혼란증 환자와 비혼란증 환자의 프로파일을 비교하였다.

실험 결과

연구 질문

• RQ1 인공지능 기반의 자율적 모니터링 시스템은 중환자실(ICU)에서 환자의 얼굴 표정과 자세를 정확하게 감지하고 추적할 수 있는가?
• RQ2 혼란증 환자와 비혼란증 환자 간에 환경 요인(조도, 소음, 방문 빈도)에 측정 가능한 차이가 있는가?
• RQ3 다중 모달 센서 데이터와 딥 러닝을 융합하여 말을 할 수 없는 환자에서 혼란증의 조기 행동 징후를 식별할 수 있는가?
• RQ4 자동화된 시스템이 ICU 간호사의 수동 모니터링 업무 부담을 어느 정도 줄일 수 있는가?
• RQ5 광범위한 감지 기술과 인공지능을 활용한 환자 행동 및 ICU 환경의 지속적이고 실시간 모니터링은 어느 정도 세밀하고 신뢰할 수 있는가?

주요 결과

• 시스템은 평균 정밀도(mAP)가 0.94로 높은 얼굴 감지 성능을 달성하였다.
• 환자 얼굴 인식은 mAP가 0.80에 도달하여 강력한 식별 정확도를 보였다.
• 자세 인식은 F1 점수가 0.94를 기록하여 활동 모니터링의 높은 신뢰성을 입증하였다.
• 모든 얼굴 표정, 11개의 활동 특성, 낮시간 방문 빈도, 야간 방문 빈도, 야간 소음 압력 수준, 야간 조도 수준이 혼란증 환자와 비혼란증 환자 간에 유의미한 차이를 보였다(p<0.05).
• 연구는 야간에 소음과 조도 노출 수준이 혼란증 환자에서 유의미하게 높아졌음을 확인하였다.
• 행동적 및 환경적 데이터를 인공지능을 통해 통합함으로써 혼란증과 관련된 미세하고 임상적으로 유의미한 패턴을 탐지할 수 있었다.