Multimodale KI-basierte Schmerzmessung bei Intermediate Care Patienten in der postoperativen Phase

• Antragsteller: Professor Dr.-Ing. Ayoub Al-Hamadi; Professor Dr. Eberhard Barth; Professor Dr. Steffen Walter
• Fachliche Zuordnung: Anästhesiologie
• Förderung: Förderung seit 2023
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 527765259

Ziel des Vorhabens ist die automatisierte und kontinuierliche Messung der Schmerzintensität bei Patienten in postoperativer stationärer Betreuung unter Nutzung von multimodalen Sensoren und Methoden der künstlichen Intelligenz, welche für den klinischen Einsatz weiterentwickelt und validiert werden. Hieraus resultiert ein neuartiges System zum Echtzeitschmerzmonitoring, welches medizinische Personal von Routineaufgaben entlastet und gegebenenfalls Experten alarmieren kann. Das Projekt gliedert sich in folgende Abschnitte: „Erprobung“, Phase I+II: „Translation & Datenerhebungen“ und Phase III: „Validierung“. Erprobung: Es wird die multimodale Messinfrastruktur in einer Laborumgebung entwickelt. Dafür werden die nötige Infrarot-Kameratechnologie (für die Erfassung von Mimik und Gestik), Biosignalverstärker und Datensynchonisations- und -aufnahmetechnik installiert und es wird ein Laborraum, vergleichbar mit einem Raum der Intensivstation der Uniklinik Ulm eingerichtet, d.h. mit identischem Intensivpflegebett, gleicher Anordnung des Bettes bezüglich der Wand, Deckenleuchten bzw. Medizintechnologie in Form von “Attrappen” etc. Phase I: Die Messinfrastruktur in ein Krankenzimmer der Interdisziplinären Operativen Intensivmedizin der Uniklinik Ulm integriert. Anschließend erfolgt die multimodale Datenerhebung mit 84 allseits orientierten Patienten - der “Goldstandard” (KI-Grundwahrheit) ist hier die subjektive Schmerzwahrnehmung sowie Fremdbeobachtung, wobei jeweils eine Baseline-Messung vor der geplanten Operation sowie eine kontinuierliche Messung über 48 Stunden nach der Operation durchgeführt wird - mit Erfassung der Schmerzen im zeitlichen Verlauf unter Einschluss der Dosierung der medikamentösen Schmerztherapie. Parallel erfolgt eine Adaption von Algorithmen zur multimodalen Erkennung von Schmerz, welche im Labor entwickelt worden sind, auf die neuen Anforderungen. Hierzu gehören u.a. die Anwendung von Deep Transfer Learning zur Anpassung der Computer-Vision-Verfahren von Farb- zu NIR-Video, die Anpassung der Verfahren für die Echtzeitdatenauswertung, sowie Transferlernen zur Anpassung der Schmerzerkennungsmodelle unserer Vorarbeiten auf die klinischen Gegebenheiten, Anforderungen und Schmerzmodalitäten. Deep Learning ermöglicht das Lernen einer für die Anwendung optimierten Merkmalsextraktion und hat in Kombination mit Transferlernen großes Potential. Phase II: Bei einer weiteren Stichprobe nicht allseits orientierter Patienten (N=42) werden ebenso multimodale Daten erhoben und analysiert, der “Goldstandard” ist hier “nur” Fremdbeobachtung. Phase III: Es wird ein Demonstrator entwickelt, der mit einer allseits und nicht allseits orientierten weiteren Patientengruppe (N=10) validiert wird. Ein Algorithmus detektiert Schmerzen in Echtzeit. Außerdem erfolgt eine Akzeptanzbefragung des entwickelten Demonstrators vom medizinischen Personal. Ergebnisse werden in Fachzeitschriften publiziert und auf Tagungen vorgestellt.

• DFG-Verfahren: Sachbeihilfen