基于深度学习驱动视频分析的儿科谵妄自动识别

《IEEE Transactions on Big Data》：Automated Pediatric Delirium Recognition via Deep Learning-Powered Video Analysis

　　

摘要：

谵妄是一种急性、波动的意识障碍状态，其特征为认知功能改变和感知障碍。儿童谵妄的发生率显著高于成人谵妄，且临床医师对其进行研判耗时耗力，需要有效的识别方法。深度学习在提取鲁棒特征表示和改善患者预后方面展现出潜力。本研究从多家医院收集了129个由专业临床医师标注的视频样本，其中包括74个非谵妄样本和55个谵妄标注样本。采用了一个18层的深度时空卷积神经网络，其中二维和一维卷积滤波器分别应用于单个视频帧，以分别提取帧级特征和帧间级特征。整个架构在大规模视频分析数据集上进行预训练，并集成了一个三层全连接分类头用于谵妄识别任务。所提出的模型在训练数据集上进行微调并在测试数据集上进行评估，同时探索了多种模型和策略。所提出的算法展现了鲁棒的分类性能，准确率达到了0.8718，精确率为0.8711，召回率为0.8730，F1分数为0.8715，模型参数约为3154万。这些指标结果验证了该模型在不同训练和测试策略下的临床适用性和技术可靠性。此外，所开发的谵妄分类模型已部署于医院系统，以实现智能视频诊断。对100个新收集样本的独立测试准确率为0.8800。因此，所提出的算法为儿童谵妄的识别和治疗提供了新方法。

一、引言

谵妄[1]、[2]、[3]、[4]是一种神经认知障碍，其特征为急性和波动性的意识障碍。谵妄通常表现为认知功能损害和感知障碍[5]，并与具有临床意义的心理痛苦密切相关[2]。危重症患儿对谵妄尤为易感[6]。在儿童群体中，谵妄的患病率可达69.4%[7]。此外，研究表明谵妄会延长住院时间并增加全因死亡率[7]、[8]、[9]。虽然谵妄通常持续数小时至数天，但严重病例可能持续数周甚至数月[1]。因此，在整个住院期间早期识别儿童谵妄至关重要。及时检测有助于早期干预[4]，支持高质量临床护理，并有助于改善治疗效果[9]。