Vídeos analíticos ayudan a monitorizar a los pacientes en sus camas
Por el equipo editorial de HospiMedica en español Actualizado el 20 Jun 2014 |
Imagen: Una tecnología de video reconoce el estado del paciente (Fotografía cortesía de Laboratorios Fujitsu).
Una nueva tecnología usa una cámara de vídeo para reconocer, con exactitud, el estado de los pacientes hospitalarios, detecta actividades como sentarse en la cama, salir de la cama o moverse en ésta.
Desarrollado por Fujitsu Laboratories (Kawasaki, Japón), la tecnología se basa en dos modalidades. La primera reconoce la cabeza del paciente y la sigue para identificar cuando el paciente se sienta o se levanta de la cama, acciones que pueden ser precursoras de comportamientos como errar, deslizarse, o caerse. La segunda detecta y visualiza las condiciones tales como la inquietud o la falta de sueño, que exigen una mayor atención. El estado del paciente en la cama se clasifica, luego, en cinco categorías en función de la postura, y define un diagrama de transición de estados que las relaciona entre sí.
El proceso de reconocimiento también utiliza datos aprendidos, en el que estados cercanos probables están limitados por el estado actual, con base en el diagrama de transición de estados. La selección de datos aprendidos en el proceso de reconocimiento ayuda en determinar con exactitud el estado de posición de la cabeza del paciente. Pero incluso con la selección de datos aprendidos basado en el estado del paciente, se mantiene el potencial de reconocer incorrectamente a las almohadas como cabezas. Para corregir esto, la tecnología observa puntos que siempre se van a mover cuando el paciente se sienta o se pone de pie y va a identificar varias regiones de la imagen que podrían ser la cabeza para confirmar si realmente es la cabeza del paciente, o no.
Con la colaboración del Hospital Tamagawa (Tokio, Japón), Laboratorios Fujitsu llevó a cabo un ensayo de campo para ensayar la detección de sentarse y levantarse de la cama en varios pacientes. Se encontró que la visualización de los comportamientos de los pacientes se llevaba a cabo con un 91% de exactitud. Los comportamientos que exigen la atención fueron exhibidos en la estación de enfermería, permitiendo que las enfermeras supervisaran fácilmente los movimientos del paciente sin tener que hacer rondas, lo que resulta en un alto nivel de protección de los pacientes para el hospital o centro de atención, y al mismo tiempo aligeran la carga de trabajo de las enfermeras.
Las técnicas existentes para detectar cuando un paciente se ha sentado o levantado de la cama se basan en sensores de presión que detectan el peso corporal; pero este método tiene algunos problemas. A veces los pacientes evitarán intencionalmente el sensor para que no reaccione cuando se levantan de la cama. Además, el sensor no puede diferenciar cuando el paciente está dando vueltas mientras duerme, o cuando los movimientos de la enfermera los están desencadenando, originando falsas alarmas. E, incluso con los sensores, las enfermeras tienen que hacer controles frecuentes y, en todo caso, su carga de trabajo puede ser mayor.
Enlaces relacionados:
Fujitsu Laboratories
Tamagawa Hospital
Desarrollado por Fujitsu Laboratories (Kawasaki, Japón), la tecnología se basa en dos modalidades. La primera reconoce la cabeza del paciente y la sigue para identificar cuando el paciente se sienta o se levanta de la cama, acciones que pueden ser precursoras de comportamientos como errar, deslizarse, o caerse. La segunda detecta y visualiza las condiciones tales como la inquietud o la falta de sueño, que exigen una mayor atención. El estado del paciente en la cama se clasifica, luego, en cinco categorías en función de la postura, y define un diagrama de transición de estados que las relaciona entre sí.
El proceso de reconocimiento también utiliza datos aprendidos, en el que estados cercanos probables están limitados por el estado actual, con base en el diagrama de transición de estados. La selección de datos aprendidos en el proceso de reconocimiento ayuda en determinar con exactitud el estado de posición de la cabeza del paciente. Pero incluso con la selección de datos aprendidos basado en el estado del paciente, se mantiene el potencial de reconocer incorrectamente a las almohadas como cabezas. Para corregir esto, la tecnología observa puntos que siempre se van a mover cuando el paciente se sienta o se pone de pie y va a identificar varias regiones de la imagen que podrían ser la cabeza para confirmar si realmente es la cabeza del paciente, o no.
Con la colaboración del Hospital Tamagawa (Tokio, Japón), Laboratorios Fujitsu llevó a cabo un ensayo de campo para ensayar la detección de sentarse y levantarse de la cama en varios pacientes. Se encontró que la visualización de los comportamientos de los pacientes se llevaba a cabo con un 91% de exactitud. Los comportamientos que exigen la atención fueron exhibidos en la estación de enfermería, permitiendo que las enfermeras supervisaran fácilmente los movimientos del paciente sin tener que hacer rondas, lo que resulta en un alto nivel de protección de los pacientes para el hospital o centro de atención, y al mismo tiempo aligeran la carga de trabajo de las enfermeras.
Las técnicas existentes para detectar cuando un paciente se ha sentado o levantado de la cama se basan en sensores de presión que detectan el peso corporal; pero este método tiene algunos problemas. A veces los pacientes evitarán intencionalmente el sensor para que no reaccione cuando se levantan de la cama. Además, el sensor no puede diferenciar cuando el paciente está dando vueltas mientras duerme, o cuando los movimientos de la enfermera los están desencadenando, originando falsas alarmas. E, incluso con los sensores, las enfermeras tienen que hacer controles frecuentes y, en todo caso, su carga de trabajo puede ser mayor.
Enlaces relacionados:
Fujitsu Laboratories
Tamagawa Hospital
Últimas Cuidados Criticos noticias
- La IA ayuda a priorizar a los pacientes del departamento de emergencias que requieren tratamiento urgente
- Inteligencia artificial podría impulsar la detección de fibrilación auricular
- Microagujas extensibles ayudan a rastrear con precisión anomalías e identificar tratamientos rápidos
- Herramienta de aprendizaje automático identifica trastornos inmunes raros a partir de registros electrónicos de pacientes
- Dispositivo bioelectrónico portátil sobre la piel allana el camino para implantes inteligentes
- Un stent soluble primero en su tipo podría mejorar los resultados en pacientes con enfermedad arterial periférica grave
- Tecnología de estimación de edad cerebral mediante inteligencia artificial utiliza escaneos de EEG para detectar enfermedades degenerativas
- Dispositivo portátil de conteo de sibilancias monitorea la respiración del paciente en tiempo real
- Biosensores multiplex portátiles podrían revolucionar el tratamiento de EPOC
- Nuevo método de desfibrilación de baja energía controla las arritmias cardiacas
- Nuevos modelos de aprendizaje automático ayudan a predecir el riesgo de enfermedad cardíaca en las mujeres
- Modelo de aprendizaje profundo predice la arritmia 30 minutos antes de su aparición
- Tecnología innovadora combina detección y tratamiento de trastornos del sistema nervioso en un solo procedimiento.
- Irradiación de plasma promueve una cicatrización ósea más rápida
- Nuevo dispositivo trata la lesión renal aguda por sepsis
- La revascularización mejora la calidad de vida de pacientes con isquemia crónica que amenaza las extremidades