Automatische Erkennung von postoperativen Schmerzen: Entwicklung eines präliminären Modells auf Basis von Computer Vision

Mithilfe von Künstlicher Intelligenz wird es Computern ermöglicht, Bilder und Videos zu sehen und zu verstehen. Diese als Computer Vision bezeichnete Fähigkeit lässt sich womöglich auch zur Erkennung von Nozizeption bei hospitalisierten Patienten nach einer Operation anwenden.

Eine prospektive, beobachtende Kohortenstudie aus San Francisco, USA, verwendete eine Rot-Grün-Blau-Kameraerkennung bei perioperativen Patienten. Die verantwortlichen US-Forscher bezogen Erwachsene, die für chirurgische Eingriffe in das San Francisco Veterans Affairs Medical Center (SFVAMC) eingeliefert wurden, in zwei Phasen ihrer Studie ein: Sie inkludierten 130 Patienten in die Algorithmusentwicklungsphase und 77 Patienten in die interne Validierungsphase. Bei den Studienteilnehmern wurden kontinuierliche Aufzeichnungen in allen postoperativen Situationen vorgenommen.

Die Wissenschaftler unter Leitung von Julien Cobert verwendeten die aufgezeichneten Gesichtsbilder, um vortrainierte Convolutional Neuronal Networks zu speisen. Ziel war, anhand der Bilder sowohl die Werte des Critical Care Pain Observation Tool (CPOT) als auch der Numerischen Bewertungsskala (NRS) zu erfassen. Die Ergebnisse waren binär unterteilt in Schmerzen/keine Schmerzen. Zusätzlich führte Coberts Forschungsgruppe eine externe Validierung für die CPOT- und NRS-Klassifizierung anhand von Daten der University of Northern British Columbia-McMaster University (UNBC; n=25) und der Delaware Pain Database (n=229) durch.

Die AUROC für CPOT-Modelle betrug 0,71 (95%-KI 0,70–0,74) für die Entwicklungskohorte, 0,91 (95%-KI 0,90–0,92) für die interne SFVAMC-Validierungskohorte sowie 0,91 (95%-KI 0,89–0,93) bzw. 0,80 (95%-KI 0,75–0,85) für die externen UNBC- und Delaware-Validierungskohorten. Das NRS-Modell hatte eine geringere Leistung (AUC 0,58; 95%-KI 0,55–0,61). Analysen zur Vorhersagegenauigkeit (Brier-Scores) verbesserten sich nach einer Kalibrierung mit mehreren verschiedenen Techniken. Die Forscher entdeckten außerdem, dass Augenbrauen, Nase, Lippen und Stirn für die CPOT-Modellvorhersage am wichtigsten waren.

Das Fazit der Studienautoren: Die automatische Erkennung von Nozizeptionen allein mithilfe von Computer Vision ist machbar, erfordert aber angesichts der kleinen verwendeten Datensätze zusätzliche Tests und Validierungen. Weitere multizentrische Beobachtungsstudien könnten das Potenzial automatisierter kontinuierlicher Bewertungen für die Erkennung von Nozizeption bei hospitalisierten Patienten ausbauen. (ah)