《利用人工智能实现患者的连续监测：医院医疗环境中的视频实时分析》2025年3月10日这篇题为《利用人工智能实现患者的连续监测：医院医疗环境中的视频实时分析》的文章介绍了一个由“深度观察健康”公司开发的基于人工智能的持续被动式患者监测平台。该平台利用先进的计算机视觉技术，通过视频分析实时洞察患者行为和互动，并将推理结果安全地存储在云端，以便进行回顾性评估。研究方法和数据:研究团队与11家医院合作，收集了一个包含300多名高风险跌倒患者，超过1000天推理数据的大型数据集。为了促进创新和可重复性，该数据集的匿名子集已公开发布。该人工智能系统能够检测医院病房中的关键组件，包括人员及其角色、家具位置、运动幅度和边界穿越情况。数据收集分为三个子集：单帧分析（用于训练和测试目标检测器，超过40,000帧）、观察日志（10名跌倒患者，12个月，用于记录患者独自一人的时间段）和公共数据集（超过300名高风险跌倒患者，6个月数据）。视频数据以每秒一帧的速度采集，经过预处理以减少带宽并提高分析效率。该人工智能系统包含多个组件：视频数据采集和预处理、目标检测和定位（使用定制训练的YOLOv4模型检测人员、床和椅子）、人员角色分类（将检测到的人员分类为患者、医护人员或其他人员）、运动估计（使用光流算法估计运动）和逻辑预测（例如，“独自一人”、“由医护人员陪护”）。推理结果存储在谷歌云数据库中。为了保护患者隐私，所有视频数据都经过处理以去除可识别信息，采用手动标记和局部高斯模糊的方法对人脸进行模糊处理。模型和性能评估:论文详细介绍了所使用的计算机视觉模型，包括基于YOLOv4架构的目标检测模型和人员角色分类模型，以及用于运动估计的光流算法。模型在10,000张图像上进行了评估，结果表明，在目标检测方面，最新的v5模型的宏观F1分数达到0.92；在患者角色分类方面，F1分数达到0.98；在“患者独自一人”指标的逻辑回归准确率方面，平均达到0.82 ± 0.15。该研究还评估了隐私保护模糊处理对模型性能的影响，结果表明模糊处理对模型准确性的影响很小。趋势分析通过将系统推断出的“患者独自一人”指标与观察日志进行比较来评估。结果显示，在白天、夜间和全天，平均逻辑回归/手动准确率分别为0.84 ± 0.13、0.80 ± 0.16和0.82 ± 0.15。尽管使用了较早版本的性能较低的模型，系统仍然能够可靠地捕捉患者隔离趋势。结果和讨论:研究结果表明，该人工智能驱动的患者监测系统在实时目标检测、人员角色分类和患者隔离状态识别方面具有很高的准确性。即使在夜间，人工智能推断与标记辅助数据之间的差异也很小，平均每小时仅有1-2分钟的误差。这表明该系统能够可靠地捕捉患者行为模式，即使在相机位置存在变化的情况下也能保持一致的性能。这项研究对临床实践具有重要意义。传统的面对面观察受到医护人员时间限制的约束，而该平台提供的持续监测能够让医护人员检测到传统方法容易忽略的模式，例如长时间的患者隔离、可能表明跌倒风险的运动模式以及与医护人员互动的异常情况。基于这些观察结果的实时警报可以促使及时干预，从而提高患者安全性和预后。此外，该系统收集的数据还可以用于人群水平的趋势分析，支持医院资源分配和人员配备决策。局限性和未来研究方向:虽然该研究取得了显著成果，但也存在一些局限性。例如，研究主要集中在高风险跌倒患者身上，未来研究可以扩展到其他患者群体。此外，该系统对环境变化（例如光照条件）的鲁棒性仍有待进一步提高。未来的研究可以探索更先进的模型和算法，以提高系统的准确性和效率，并进一步研究该系统在不同临床环境中的应用。此外，更深入的伦理和隐私考虑，以及与临床工作流程的整合，也是未来研究的重要方向。总之，这项研究为基于人工智能的持续患者监测系统提供了有价值的基准，并凸显了该平台在提高患者安全和护理方面的巨大潜力。如需要《利用人工智能实现患者的连续监测：医院医疗环境中的视频实时分析》（英文，共21页），请在本微信公众号中赞赏（点喜欢或稀罕作者后按本公众号设定打赏）后，发来email地址索取。★ 每日鲜鸡汤 ★It's not about having time. It's about making time. 时间不在于拥有，而在于利用。早上好！
