AUTODIDACT: Automatisierte Annotation von Videodateien zur Unterstützung der klinischen Entscheidungsfindung auf der Cockpit-Plattform von Intensivstationen

Auf der Intensivstation werden Patient:innen kontinuierlich elektronisch überwacht, damit sofort alarmiert werden kann, wenn zum Beispiel ein Vitalparameter seinen Sollbereich verlässt. Auf der neurochirurgischen Intensivstation (NIPS) am Universitätsspital Zürich (USZ) ertönen durchschnittlich 700 Alarme pro Tag und Patient:in. Die hohe Anzahl von Alarmen beanspruchen dabei das medizinische Personal oft unnötig und binden wertvolle Zeit. Um die Belastung des Personals in Zukunft zu verringern, wurde am USZ eine IT-Infrastrukturen zur Aufzeichnung von Überwachungsdaten und zur Entwicklung von digitalen Systemen zur klinischen Unterstützung aufgebaut. Es zeigt sich jedoch, dass diese Systeme anfällig für Artefakte in den gemessenen Signalen sind, die durch die Bewegung des Patient:innen oder medizinische Interventionen verursacht werden können. Zudem sind solche Artefakte für sich genommen selbst für Menschen nur schwer von physiologischen Mustern zu unterscheiden. Viel einfacher ist es hingegen, wenn man sich direkt am Bett befindet und den Kontext sieht, in dem ein bestimmtes Signal gemessen wird.

Um genau diesen Kontext für die Erforschung und Entwicklung von zukünftigen Unterstützungssystemen verfügbar und diese dadurch resilienter zu machen, wurde im AUTODODACT Projekt ein Objekterkennungssystem entwickelt, das Kontextinformationen aus Videodaten extrahieren kann. Videodaten, die auf der NIPS, wie auf vielen modernen Intensivstationen, bereits heute zur Verfügung steht, da auf diesen Stationen Patient:innen standardmässig mit Kameras überwacht werden.

Als Kontextinformation wurde zu Beginn des Projekts die Erkennung des Bettes, der zu pflegenden Person sowie des Pflegepersonals und der medizinischen Geräte definiert. Zum Schutz der Privatsphäre der Kranken und des medizinischen Personals musste die Objekterkennung zudem auf unscharfe Videos basieren. Dies hatte dann zur Folge, dass eine ganz neue Objekterkennungssoftware entwickelt werden musste, da bereits trainierte Künstliche Intelligenz (KI) Systeme zur Objekterkennung nur für hoch aufgelösten Bildern verfügbar waren.