Ιάπωνες επιστήμονες χρησιμοποίησαν την τεχνολογία αναγνώρισης προσώπων για να αναπτύξουν ένα αυτόματο σύστημα το οποίο, παρακολουθώντας με κάμερα τους ασθενείς μιας Μονάδας Εντατικής Θεραπείας (ΜΕΘ), μπορεί να προβλέψει ποιοι ανήκουν σε ομάδα κινδύνου για επικίνδυνες συμπεριφορές, όπως π.χ. να βγάλουν τυχαία τον αναπνευστικό σωλήνα τους.
Το έξυπνο σύστημα, που μέχρι στιγμής έχει ακρίβεια πρόβλεψης γύρω στο 75% (τρεις στις τέσσερις περιπτώσεις), παρουσιάσθηκε από τον επικεφαλής ερευνητή δρ. Ακάνε Σάτο του Πανεπιστημιακού Νοσοκομείου της Γιοκοχάμα στο ετήσιο συνέδριο της Ευρωπαϊκής Εταιρείας Αναισθησιολογίας στη Βιέννη.
Η νέα τεχνολογία μπορεί να βοηθήσει στη συνεχή επιτήρηση της ασφάλειας των ασθενών σε κρίσιμη κατάσταση στις ΜΕΘ, κάτι που σήμερα δεν είναι εύκολο λόγω της έλλειψης επαρκούς προσωπικού.
«Χρησιμοποιώντας εικόνες του προσώπου και των ματιών των ασθενών, μπορέσαμε να εκπαιδεύσουμε υπολογιστικά συστήματα, ώστε να αναγνωρίζουν τις κινήσεις υψηλού κινδύνου. Εκπλαγήκαμε από τον υψηλό βαθμό ακρίβειας που πετύχαμε, πράγμα που δείχνει ότι αυτή η τεχνολογία έχει τη δυνατότητα να αποτελέσει ένα χρήσιμο εργαλείο για τη βελτίωση της ασφάλειας των ασθενών, όντας το πρώτο βήμα για μια “έξυπνη” ΜΕΘ σε ένα νοσοκομείο», δήλωσε ο δρ Σάτο.
Οι ασθενείς στις ΜΕΘ συχνά είναι ναρκωμένοι για να μην νιώθουν πόνο και στρες και για να μπορούν οι γιατροί να κάνουν τις αναγκαίες επεμβατικές διαδικασίες. Όμως όσοι ασθενείς δεν έχουν ναρκωθεί επαρκώς, μπορεί να επιδείξουν δυνητικά επικίνδυνη συμπεριφορά, π.χ. να αφαιρέσουν κάποιον καθετήρα.
Οι Ιάπωνες επιστήμονες δοκίμασαν τη νέα τεχνολογία σε 24 ασθενείς με μέση ηλικία 67 ετών, που είχαν χειρουργηθεί και είχαν εισαχθεί σε ΜΕΘ το 2018. Μια κάμερα στο ταβάνι πάνω από κάθε κρεβάτι παρακολουθούσε κάθε ασθενή σε 24ωρη βάση. Στη συνέχεια, ένας αλγόριθμος τεχνητής νοημοσύνης (μηχανικής μάθησης) ανέλυε τις εικόνες και, όταν έκρινε, έστελνε σήμα προειδοποίησης ότι κάποιος ασθενής φαινόταν έτοιμος να κάνει κάτι επικίνδυνο για την υγεία του ανέφερε το ΑΠΕ-ΜΠΕ.
«Ο τελικός στόχος μας είναι να συνδυάσουμε με τις εικόνες της κάμερας διάφορα άλλα δεδομένα, όπως ζωτικούς δείκτες της υγείας, ώστε να αναπτύξουμε ένας πλήρως αυτοματοποιημένο σύστημα πρόβλεψης του κινδύνου σε μια ΜΕΘ», δήλωσε ο Σάτο.