Un système impartial de détection de la douleur, alimenté par l’IA, est prometteur pour améliorer les soins aux patients

Un système automatisé de reconnaissance de la douleur utilisant l’intelligence artificielle (IA) est prometteur comme moyen impartial de détecter la douleur chez les patients avant, pendant et après la chirurgie, selon une recherche présentée lors d’une conférence sur l’anesthésie.^® Assemblée annuelle 2023.

Actuellement, des méthodes subjectives sont utilisées pour évaluer la douleur, notamment l’échelle visuelle analogique (EVA) ; Où les patients évaluent leur douleur – ; L’outil d’observation de la douleur en soins intensifs (CPOT) – ; Les professionnels de la santé évaluent la douleur d’un patient en fonction des expressions faciales, des mouvements du corps et de la tension musculaire. Le système automatisé de reconnaissance de la douleur utilise deux formes d’intelligence artificielle : la vision par ordinateur (qui donne des « yeux » à l’ordinateur) et l’apprentissage profond pour pouvoir interpréter les images afin d’évaluer la douleur des patients.

Les outils traditionnels d’évaluation de la douleur peuvent être influencés par des préjugés raciaux et culturels, ce qui peut entraîner une mauvaise gestion de la douleur et de pires résultats pour la santé. De plus, il existe une lacune dans les soins périopératoires en raison du manque de méthodes observables en continu pour détecter la douleur. Ce modèle d’IA de validation de principe peut contribuer à améliorer les soins aux patients grâce à une détection impartiale et en temps réel de la douleur.

Timothy Heintz, BS, auteur principal de l’étude et étudiant en médecine de quatrième année à l’UC San Diego

Il a été démontré qu’une détection précoce et un traitement efficace de la douleur réduisent la durée du séjour à l’hôpital et préviennent les problèmes de santé à long terme tels que la douleur chronique, l’anxiété et la dépression.

Les chercheurs ont présenté le modèle d’IA avec 143 293 images faciales de 115 épisodes douloureux et 159 épisodes non douloureux chez 69 patients ayant subi un large éventail d’interventions chirurgicales électives, allant des arthroplasties du genou et de la hanche aux chirurgies cardiaques complexes. Les chercheurs ont enseigné l’ordinateur en lui montrant chaque image initiale du visage et en lui indiquant si elle représentait de la douleur ou non, et ils ont commencé à identifier des modèles. À l’aide de cartes thermiques, les chercheurs ont découvert que l’ordinateur se concentrait sur les expressions faciales et les muscles du visage dans des zones spécifiques du visage, notamment les sourcils, les lèvres et le nez. Une fois fourni suffisamment d’exemples, il a utilisé les connaissances acquises pour prédire la douleur. Le système automatisé de reconnaissance de la douleur basé sur l’IA et aligné sur les scores CPOT 88 % du temps et sur l’EVA 66 % du temps.

« Le VAS est moins précis que le CPOT car le VAS est une mesure subjective qui peut être plus influencée par les émotions et les comportements que le CPOT », a déclaré Heintz. « Cependant, nos modèles ont pu prédire l’EVA dans une certaine mesure, ce qui suggère qu’il existe des signaux très subtils indiquant qu’un système d’IA peut reconnaître que les humains ne le peuvent pas. »

Si les résultats sont validés, cette technologie pourrait constituer un outil supplémentaire que les médecins pourraient utiliser pour améliorer les soins aux patients. Par exemple, des caméras peuvent être installées sur les murs et les plafonds d’une salle de réveil chirurgical (unité de soins post-anesthésiques) pour évaluer la douleur des patients – ; Même ceux qui sont inconscients – ; En prenant 15 images par seconde. Ceci libérerait également des infirmières et des agents de santé – ; Qui prennent du temps par intermittence pour évaluer la douleur du patient – ; Se concentrer sur d’autres domaines de soins. Les chercheurs prévoient de continuer à intégrer d’autres variables telles que le mouvement et le son dans le modèle.

Il a ajouté que les problèmes de confidentialité doivent être résolus pour garantir que les images des patients restent privées, mais que le système pourrait éventuellement inclure d’autres fonctionnalités de surveillance, telles que l’activité cérébrale et musculaire pour évaluer les patients inconscients.