Automated hypovigilance detection in the ICU using artificial intelligence to analyse continuously monitored vital signs
| Autor: | Giguère, Raphaëlle |
|---|---|
| Jazyk: | angličtina |
| Rok vydání: | 2024 |
| Předmět: | |
| Druh dokumentu: | Texte::Thèse::Mémoire de maîtrise |
| Popis: | La vigilance telle que définie par van Schie (2021) est la capacité d'être conscient des changements pertinents et imprévus dans son environnement. L'hypovigilance, un état de vigilance réduite, affecte la perception, l'attention, la prise de décision et le jugement, et constitue une manifestation d'un délirium. Cette dernière condition est associée, dans les milieux de soins, à une incidence élevée de complications médicales. Il est donc intéressant d'explorer la détection d'une baisse de vigilance afin de prédire le délirium pour qu'un système d'aide à la décision puisse un jour identifier des épisodes de délirium ou prédire leur survenue à l'avance. Cependant, cela doit être effectué de façon non intrusive, efficace, et en continu, particulièrement dans des milieux opérationnels comme les unités de soins intensifs. Or, les avancées en intelligence artificielle permettent de développer des modèles de détection de l'hypovigilance basés sur les fluctuations psychophysiologiques des signes vitaux tels que la fréquence cardiaque et la respiration, comme mesures indirectes des changements d'état de vigilance. L'objectif de cette étude était de dériver un algorithme d'intelligence artificielle capable de détecter les épisodes d'hypovigilance à partir de tels signes vitaux de patients admis aux soins intensifs. En utilisant la base de données ÉVEILS (Évaluation du délirium à l'aide de paramètres physiologiques et de la surveillance de l'hypovigilance) six modèles ont été développés. Le plus performant fut le LightGBM, avec une précision moyenne de 0.76, un rappel moyen de 0.74 et un score F1 moyen de 0.69. Ces résultats mettent en évidence la possibilité de développer un modèle automatisé pour détecter l'hypovigilance à partir des signes vitaux colligés en continue au chevet des patients. Des études supplémentaires seront nécessaires pour valider ce modèle auprès d'autres cohortes de patients, et pour une généralisation à des populations en santé et à d'autres types de contextes où la vigilance est aussi importante (par exemple des pilotes d'avion). Vigilance is defined by van Schie (2021) as the ability to be aware of relevant and unexpected changes in an individual's environment. Hypovigilance, a state of reduced vigilance, affects perception, attention, decision-making, and judgment, and is a clinical manifestation of delirium and one of the diagnostic criteria used to diagnose delirium. The latter condition is associated, in hospital care environments, with a high incidence of medical complications. It is therefore desirable to use hypovigilance detection to identify and eventually possibly predict the onset of episodes of delirium. However, this must be done non-intrusively, efficiently, and continuously, particularly in operational settings such as intensive care units. Advances in artificial intelligence (AI) are now making it possible to develop hypovigilance detection models based on psychophysiological fluctuations in vital signs such as heart rate and respiration, as indirect measures of changes in vigilance state. The aim of this study was to derive an AI algorithm capable of detecting hypovigilance episodes from such vital signs of patients admitted to intensive care unit. Using the ÉVEILS (Evaluation of delirium using physiological parameters and hypovigilance monitoring) database, six models were developed. The best performing model was LightGBM, with an average precision of 0.76, an average recall of 0.74, and an average F1 score of 0.69. These results highlight the possibility of developing an automated model to detect hypovigilance based on vital signs collected continuously at the bedside. Further studies need to be conducted to validate this model with other patient cohorts, and for generalization to healthy populations and other types of context where vigilance is also important (e.g. aircraft pilots). |
| Databáze: | Networked Digital Library of Theses & Dissertations |
| Externí odkaz: |
|