重症監護室（ICU）是醫院為救治病情嚴重的患者而專門設立的病房。在ICU經歷過長時間、高強度的搶救後，患者很有可能遇到ICU後綜合徵（post-intensive care syndrome）和長期功能障礙，並在獨自開展生活和健康相關的活動中遇到困難。
不過，因重症搶救導致的這些問題都是可以預防的。移動性干預在一些研究中已經被證明有利於患者群體。為了更準確地瞭解ICU患者的移動活動事件和持續時長，包括李飛飛等人在內的團隊開發了一套機器學習演算法。展示這套系統的論文於3月1日發表在《Nature Digital Medicine》上。
圖片來源：Pixabay
在以往，為了檢測重症患者的移動活動，需要調取患者的病歷資料，再從中尋找移動性事件的相關記錄。可是病歷中的記錄並不一定足夠詳細，查詢也相當費時。計算機視覺技術（CVT）則提供了一個很好的解決方案。
在美國科羅拉多州鹽湖城的Intermountain LDS醫院，研究團隊在七個成人ICU病房中安裝了深度感應器。這些感應器能夠通過感應患者與裝置間的距離來捕捉其3D影象，並探測患者的移動活動。同時，深度感應器還可以很好地保護患者的隱私，因為它並不會對房間進行傳統意義上的視訊錄影。
最終，研究團隊收集到了563個移動活動，共計98801組視訊片段。其中67%的移動活動用於訓練機器學習演算法，剩餘的33%則用於檢驗演算法的效果。
▲距離感應器捕捉的3D影像片段及演算法對其中醫務人員人數的估算（圖片來源：論文截圖）
用於檢測移動活動型別和持續時長的演算法是一個基於18層的ResNet多標籤迴圈卷積神經網路的模型；為了計算移動活動中醫務人員的人數，機器學習還採用了另一個基於YOLOv2卷積神經網路的模型。
這套基於深度感應器的AI系統的表現令人滿意：系統對於四種常見移動活動的探測靈敏度達到87.2%，特異度達到89.2%；AI系統對移動活動中醫務人員數量的估算也較為準確，準確度也達到了68.8%。
移動活動可以縮短重症患者脫離呼吸機的時間，減少精神錯亂，防止肌肉萎縮和身體功能障礙。如果能提前採取措施干預，就可以幫助患者預防這些傷害，從而提高他們康復後獨立開展生活的能力和健康相關的生活質量。
此次研究，為ICU患者的護理提供了一個新的方向。醫務人員可以在AI系統的輔助下，更快速、更準確地瞭解患者的移動活動頻率和時長；視需求增加患者的移動活動次數，從而提升患者康復後的健康和生活水平。
接下來，研究團隊還會繼續向這個AI系統中輸入更多的資料，以增強其辨認更多移動活動的能力。服務更多的醫療場景。
題圖來源：Pexels
參考資料：
[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