Ένα αυτοματοποιημένο σύστημα αναγνώρισης πόνου είναι πολλά υποσχόμενο για την ανίχνευση του πόνου πριν, κατά τη διάρκεια και μετά την επέμβαση, σύμφωνα με μια μελέτη που παρουσιάστηκε στο ANESTHESIOLOGY 2023, την ετήσια συνάντηση της Αμερικανικής Εταιρείας Αναισθησιολόγων, που πραγματοποιήθηκε από τις 13 έως τις 17 Οκτωβρίου στο Σαν Φρανσίσκο.
Ο Timothy Heintz, από το Πανεπιστήμιο της Καλιφόρνια του Σαν Ντιέγκο, και οι συνεργάτες του εξέτασαν τη χρήση μοντέλων βαθιάς μάθησης με βάση την όραση υπολογιστή (DL) για την πρόβλεψη μετρήσεων πόνου χρησιμοποιώντας εικόνες προσώπου σε 77 ασθενείς. Οι ασθενείς καταγράφηκαν χρησιμοποιώντας μια διάταξη τριών καμερών και τα επεισόδια πόνου τεκμηριώθηκαν και αξιολογήθηκαν χρησιμοποιώντας την αυτοπεριγραφόμενη κλίμακα οπτικής αναλογικής κλίμακας (VAS) και την κλίμακα Εργαλείο Παρατήρησης Πόνου Κρίσιμης Φροντίδας (CPOT) που μετρήθηκε από τον παρατηρητή.
Οι ακατέργαστες εικόνες προσώπου χωρίστηκαν τυχαία σε:
- προπόνηση (60 τοις εκατό),
- επικύρωση (20 τοις εκατό)
- και σετ δοκιμών (20 τοις εκατό).
Τα μοντέλα βαθιάς μάθησης εκπαιδεύτηκαν σε 143.293 εικόνες από 115 και 159 επεισόδια πόνου και μη πόνου σε 69 μοναδικούς ασθενείς που υποβλήθηκαν σε μια σειρά εκλεκτικών χειρουργικών επεμβάσεων. Για το CPOT, οι βαθμολογίες ≤2 ταξινομήθηκαν ως χωρίς πόνο και οι βαθμολογίες ≥3 ταξινομήθηκαν ως πόνος. Η βαθμολογία 0 στο VAS υποδηλώνει ότι δεν υπάρχει πόνος, ενώ βαθμολογίες μεγαλύτερες από 0 υποδεικνύουν πόνο. Οι ερευνητές διαπίστωσαν ότι τα μοντέλα DL απέδωσαν με ακρίβεια 88 και 66 τοις εκατό για το CPOT και το VAS, αντίστοιχα.
Οι χάρτες θερμότητας απόφραξης έδειξαν αυξημένη προσοχή στα φρύδια, τη μύτη και το άνω χείλος, υποδεικνύοντας ότι αυτοί ήταν κρίσιμοι δείκτες του προσώπου για την εκτίμηση του πόνου. «Το μοντέλο τεχνητής νοημοσύνης μας με απόδειξη της ιδέας θα μπορούσε να βοηθήσει στη βελτίωση της φροντίδας των ασθενών μέσω, σε πραγματικό χρόνο, αμερόληπτη ανίχνευση του πόνου», δήλωσε ο Heintz σε μια δήλωση.