PP259 Topic: AS25–Sedation/Analgesia/Delirium/Withdrawal Syndrome/Other: PSYCHOMOTOR AGITATION DETECTION USING DEEP LEARNING
Notice bibliographique
Résumé
Aims & Objectives: Strained healthcare systems can benefit from AI-assisted monitoring that reduces the need of monitoring by caregivers and potentially enables earlier interventions by picking up on subtle cues. One challenging task in pediatric intensive care units is to detect psychomotor agitation in infants often manifested as restlessness or anxiety. Here, we propose an approach that uses deep learning to visually analyze motion patterns of infants. Methods: Our method consists of three steps: First, we detect skeletal structure using the object detection framework Detectron2(Wu et al.) which extracts keypoints representing infants’ limbs. Afterwards, we predict detailed motion information for each limb using FlowFormer(Huang et al.), a transformer-based architecture designed for optical flow estimation. Finally, we determine an empirical threshold to identify periods of psychomotor agitation. We adapt several heuristics tailored to our task, e.g. to distinguish infants vs adults we use the histogram over the variance across 17 keypoints associated with individuals captured within a single frame of a video (Figure 1). A set of keypoints corresponds to an infant if its variance belongs to the most populated bin in the histogram since the infant is typically in view for most of the video.Results: Our approach was evaluated on 98 videos from CHUSJ Hospital ICU in Montreal, achieving 38% precision @ 75% recall and F1 score of 0.63. Conclusions: Our initial study yields false positives as a result of our lenient approach in flagging agitated children. Our ongoing efforts involve minimizing this issue by labeling additional data to improve the accuracy. Keywords: psychomotor agitation detection, deep learning, intensive care unit
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,027 | 0,014 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».