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
