《自然》子刊:李飞飞等人展示ICU重症患者护理新可能

重症监护室(ICU)是医院为救治病情严重的患者而专门设立的病房。在ICU经历过长时间、高强度的抢救后,患者很有可能遇到ICU后综合征(post-intensive care syndrome)和长期功能障碍,并在独自开展生活和健康相关的活动中遇到困难。

不过,因重症抢救导致的这些问题都是可以预防的。移动性干预在一些研究中已经被证明有利于患者群体。为了更准确地了解ICU患者的移动活动事件和持续时长,包括李飞飞等人在内的团队开发了一套机器学习算法。展示这套系统的论文于3月1日发表在《Nature Digital Medicine》上。

图片来源:Pixabay

在以往,为了检测重症患者的移动活动,需要调取患者的病历资料,再从中寻找移动性事件的相关记录。可是病历中的记录并不一定足够详细,查找也相当费时。计算机视觉技术(CVT)则提供了一个很好的解决方案

在美国科罗拉多州盐湖城的Intermountain LDS医院,研究团队在七个成人ICU病房中安装了深度感应器。这些感应器能够通过感应患者与设备间的距离来捕捉其3D图像,并探测患者的移动活动。同时,深度感应器还可以很好地保护患者的隐私,因为它并不会对房间进行传统意义上的视频录像。

最终,研究团队收集到了563个移动活动,共计98801组视频片段。其中67%的移动活动用于训练机器学习算法,剩余的33%则用于检验算法的效果。

▲距离感应器捕捉的3D影像片段及算法对其中医务人员人数的估算(图片来源:论文截图)

用于检测移动活动类型和持续时长的算法是一个基于18层的ResNet多标签循环卷积神经网络的模型;为了计算移动活动中医务人员的人数,机器学习还采用了另一个基于YOLOv2卷积神经网络的模型。

这套基于深度感应器的AI系统的表现令人满意:系统对于四种常见移动活动的探测灵敏度达到87.2%,特异度达到89.2%;AI系统对移动活动中医务人员数量的估算也较为准确,准确度也达到了68.8%。

移动活动可以缩短重症患者脱离呼吸机的时间,减少精神错乱,防止肌肉萎缩和身体功能障碍。如果能提前采取措施干预,就可以帮助患者预防这些伤害,从而提高他们康复后独立开展生活的能力和健康相关的生活质量。

此次研究,为ICU患者的护理提供了一个新的方向。医务人员可以在AI系统的辅助下,更快速、更准确地了解患者的移动活动频率和时长;视需求增加患者的移动活动次数,从而提升患者康复后的健康和生活水平。

接下来,研究团队还会继续向这个AI系统中输入更多的数据,以增强其辨认更多移动活动的能力。服务更多的医疗场景

题图来源:Pexels

参考资料:

[1] Yeung et al. (2019). A computer vision system for deep learning-based detection of patient mobilization activities in the ICU. Nature Digital Medicine, https://doi.org/10.1038/s41746-019-0087-z

药明康德AI
药明康德AI

药明康德微信团队专业打造。当人工智能遇上大健康,带你看全AI时代的智慧之光。

专栏二维码
产业ICU医疗计算机视觉机器学习李飞飞
1
相关数据
李飞飞人物

李飞飞,斯坦福大学计算机科学系教授,斯坦福视觉实验室负责人,斯坦福大学人工智能实验室(SAIL)前负责人。专业领域是计算机视觉和认知神经科学。2016年11月李飞飞加入谷歌,担任谷歌云AI/ML首席科学家。2018年9月,返回斯坦福任教,现为谷歌云AI/ML顾问。10月20日斯坦福大学「以人为中心的AI计划」开启,李飞飞担任联合负责人。11月20日李飞飞不再担任SAIL负责人,Christopher Manning接任该职位。

机器学习技术

机器学习是人工智能的一个分支,是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。因为学习算法中涉及了大量的统计学理论,机器学习与推断统计学联系尤为密切,也被称为统计学习理论。算法设计方面,机器学习理论关注可以实现的,行之有效的学习算法。

YOLO技术

YOLO 模型最早是由 Joseph Redmon 等人在 2015 年发布的,并在随后的两篇论文中进行了修订。

计算机视觉技术

计算机视觉(CV)是指机器感知环境的能力。这一技术类别中的经典任务有图像形成、图像处理、图像提取和图像的三维推理。目标识别和面部识别也是很重要的研究领域。

卷积神经网络技术

卷积神经网路(Convolutional Neural Network, CNN)是一种前馈神经网络,它的人工神经元可以响应一部分覆盖范围内的周围单元,对于大型图像处理有出色表现。卷积神经网路由一个或多个卷积层和顶端的全连通层(对应经典的神经网路)组成,同时也包括关联权重和池化层(pooling layer)。这一结构使得卷积神经网路能够利用输入数据的二维结构。与其他深度学习结构相比,卷积神经网路在图像和语音识别方面能够给出更好的结果。这一模型也可以使用反向传播算法进行训练。相比较其他深度、前馈神经网路,卷积神经网路需要考量的参数更少,使之成为一种颇具吸引力的深度学习结构。 卷积网络是一种专门用于处理具有已知的、网格状拓扑的数据的神经网络。例如时间序列数据,它可以被认为是以一定时间间隔采样的一维网格,又如图像数据,其可以被认为是二维像素网格。

推荐文章
这根本不是什么Nature子刊, Nature Partner Journals。