Preliminary Development and Validation of Automated Nociception Recognition Using Computer Vision in Perioperative Patients
Notice bibliographique
Résumé
BACKGROUND: Effective pain recognition and treatment in perioperative environments reduce length of stay and decrease risk of delirium and chronic pain. The authors sought to develop and validate preliminary computer vision-based approaches for nociception detection in hospitalized patients. METHODS: This was a prospective observational cohort study using red-green-blue camera detection of perioperative patients. Adults (18 yr or older) admitted for surgical procedures to the San Francisco Veterans Affairs Medical Center (San Francisco, California) were included across two study phases: (1) the algorithm development phase and (2) the internal validation phase. Continuous recordings occurred perioperatively across any postoperative setting. The authors inputted facial images into convolutional neural networks using a pretrained backbone to classify (1) the Critical Care Pain Observation Tool (CPOT) and (2) the numeric rating scale. Outcomes were binary pain/no pain. We performed external validation for CPOT and numerical rating scale classification on data from the University of Northern British Columbia (Prince George, Canada)-McMaster University (Hamilton, Canada) and the Delaware Pain Database. Perturbation models were used for explainability. RESULTS: The study included 130 patients for development, 77 patients for the validation cohort, and 25 patients from University of Northern British Columbia-McMaster University and 229 patients from Delaware datasets for external validation. Model areas under the curve of the receiver operating characteristic for CPOT models were 0.71 (95% CI, 0.70 to 0.74) on the development cohort, 0.91 (95% CI, 0.90 to 0.92) on the San Francisco Veterans Affairs Medical Center validation cohort, 0.91 (95% CI, 0.89 to 0.93) on University of Northern British Columbia-McMaster University, and 0.80 (95% CI, 0.75 to 0.85) on Delaware. The numeric rating scale model had lower performance (area under the receiver operating characteristics curve, 0.58 [95% CI, 0.55 to 0.61]). Brier scores improved after calibration across multiple different techniques. Perturbation models for CPOT models revealed eyebrows, nose, lips, and forehead were most important for model prediction. CONCLUSIONS: Automated nociception detection using computer vision alone is feasible but requires additional testing and validation given the small datasets used. Future multicenter observational studies are required to better understand the potential for automated continuous assessments for nociception detection in hospitalized patients.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».