伟大的简化：一项可以在护理领域引发人工智能突破的 ML 创新
伟大的简化：一项可以在护理领域引发人工智能突破的 ML 创新
抽象的
美国有超过 500 万护士，护理人员的人力资源比出租车、优步和卡车运输行业的总和还要多，但护理在很大程度上不受技术创新的影响。护理领域即将到来的人工智能突破将提高劳动生产率并解决长期护士短缺问题。它将激发新解决方案的形成，改变价值 1 万亿美元的全球护理行业。
病房数据一直是阻碍人工智能在护理领域发展的主要障碍。由于隐私问题，在病房中安装摄像头或其他传感器仍然几乎是不可能的。
PosiSense 团队开发了一项 ML/计算机视觉发明，在一个护理领域产生了 10 倍的改进：褥疮预防。为此，PosiSense 获得了 InnovAGEING National Award（澳大利亚政府、毕马威会计师事务所、联邦银行）。
最重要的是，PosiSense 技术将计算机视觉传感器放置在真实的病房中，从而可以访问高质量的病房数据，从而可以创建大量其他基于 ML 的应用程序。
PosiSense 没有在 COVID 中幸存下来，但它的技术和专有技术不仅解决了褥疮问题，而且还生成了高质量的数据，可以支持大量新的 AI 驱动应用程序。浪费它是错误的。我们的团队希望将这些知识和我们的知识产权传递给下一代创新者，以期点燃护理领域的人工智能革命。
Bedsore prevention platform creates patient room data enabling new AI-driven applications.
本文旨在通过分享 PosiSense 从发现到执行的产品开发过程的故事，帮助其他团队探索人工智能在护理领域的应用。它还用作重建褥疮预防平台和提取病房数据的手册。这篇文章的结构如下：
我。 问题： 我们首先概述褥疮预防问题。
二、 产品发现，或者为什么没有预人工智能解决方案： 我们分析了为什么前 AI 解决方案无法解决问题。
一个。 价值主张
B. 可用性
C。 可行性：实验/原型设计
三、 关键挑战：机器学习精度： 非常 **** 高的 **** 重新定位检测的精度和召回率对于预防褥疮至关重要。
四。 创新：极大的简化： 我们展示了实验如何导致发现解决了 ML 准确性问题，从而实现了三个主要结果。
五。 结果
一个。 褥疮数量减少 84%（与前 AI 解决方案相比，褥疮预防提高了 10 倍）。
湾。 一个发现 **** 附加应用： **** 跌倒预防、护理个性化和褥疮愈合。
C。 副产品：高质量的病房数据，可以推动护理领域的人工智能革命。
文章包含伤口和病房的图像。所有数据都经过个性化处理，并在患者同意的情况下使用。
我。 问题：褥疮预防
什么是褥疮？
久坐不动后，我们都经历过麻木的感觉。血液在我们自身体重的压力下停止循环。随着组织细胞接受的氧气减少，我们会感到疼痛，这迫使我们移动。重新定位重新启动血液循环，疼痛消失。
卧床不起的人无法重新定位自己。护士的工作是定期重新定位它们。但是如果护士忘记重新定位病人会发生什么？在压力下组织中的血液循环停止，并且在短短一个小时内，组织细胞开始死亡。出现称为褥疮的伤口。
以 0 到 10 的等级衡量人类可能发生的最糟糕的事情，褥疮是实心的 9。在晚期，可以通过伤口腐烂的肉看到裸露的骨头。如果没有皮肤屏障的保护，身体就会容易受到细菌感染，导致败血症和死亡。最糟糕的不是难以忍受的痛苦，而是无助。治愈晚期褥疮伤口是一项极其艰巨的任务，几乎没有恢复的机会。每年有超过 60,000 名美国人死于褥疮。
错过重新定位
重新定位是确保预防褥疮的主要活动。它必须定期进行——每两到四个小时一次。
这是目前的做法[ 重新定位的视频 ]。
这么看似简单的解决办法，为什么褥疮会这么频繁发生？答案是护士经常忘记重新定位病人。要了解有关当前重新定位做法和错过的重新定位的更多信息，请阅读我们的 创新 文章 这里 .
关键信息 1：
通过确保及时定期重新定位来预防褥疮。
二、 产品发现，或者为什么没有预人工智能解决方案
存在三种类型的预 AI 褥疮预防解决方案：动态床、垫子和粘在患者身体上的传感器。后两者尚未被疗养院的用户采用。
至于动态床，它们可以让患者在重新定位之间有更多时间，但它们不能防止褥疮。事实上，大多数褥疮是由使用动态床的患者产生的。因此，动态床只是部分解决方案。
垫和传感器，如 Leaf 或 EarlySense，已经在医院得到了一些采用，但在疗养院中却没有。
综上所述，没有任何前人工智能解决方案可以确保疗养院的护士不会忘记重新定位患者。这有三个高层次的原因：没有价值主张、没有可用性和没有可行性。我们接下来探讨这些原因。
价值主张
美国医疗保健系统每年的褥疮成本超过 100 亿美元，每年有超过 250 万例病例和 60,000 人死亡。在美国，预防褥疮的需求主要是由针对疗养院的褥疮相关诉讼推动的，平均每次和解费用超过 200,000 美元。平均而言，美国一家拥有 100 个床位的疗养院每年与褥疮相关的诉讼和解金额超过 750,000 美元。
因此，美国的褥疮预防解决方案不太可能因疗养院缺乏价值主张而受到阻碍。
附带说明一下，在澳大利亚，与褥疮相关的诉讼很少见，从而限制了疗养院的激励措施，以确保每个疗养院每月仅节省 2,400 澳元的直接成本（见附录 1）。为了激励疗养院预防褥疮，澳大利亚政府正在实施类似于酒店评级系统的 5 星级评级系统（链接）。褥疮预计将成为评级系统中的三个参数/KPI 之一。
在产品发现阶段，PosiSense 团队通过与澳大利亚 15 家疗养院的管理层会面来验证价值主张。我们收到了来自 5 家疗养院的意向书，其中有一份试用预订。
关键信息 2：
褥疮预防对美国的疗养院具有很强的价值主张。
可用性风险
PosiSense 团队采访了 100 多名护士、护理人员和从业人员，并确定了四个最低可用性要求：
· 外部控制/监控： 疗养院没有强大的内部控制系统。因此，将避免任何无法监控的任务。因此，任何褥疮预防解决方案都必须有自己的实时外部控制系统。
· 无需额外努力： 为了获得护士的采用，解决方案不得产生任何额外的工作，包括清洁、殴打充电或定期重新安装。
· 无培训： 患者重新定位通常由 AIN（护士助理）执行。疗养院 AIN 的轮班名单是不可预测的，期望所有轮班都有训练有素的 AIN 能够操作该系统是不合理的。因此，褥疮预防解决方案必须不需要任何培训。
· 高准确率： 褥疮预防系统必须具有高精度的重新定位检测。这适用于负假和正假情况。这一要求至关重要，因为未检测到的正确重新定位（假阴性）很快会导致护士对系统失去信任。同时，误报（未检测到的错过重新定位）会导致褥疮。该系统必须同时具有高精度和高召回率。
这些是强制性的基本要求。不满足其中任何一个的解决方案不太可能在疗养院获得采用。下面，我们根据这四个标准分析 EarlySense 和 Leaf——两个主要的 AI 前褥疮预防系统。
关键信息 3：
褥疮预防系统必须具有外部 24/7 控制，不需要额外的努力或培训，并且具有非常高的准确度（准确度和召回率）。
这两种预人工智能解决方案都不能满足所有四个要求，这解释了它们在疗养院中缺乏采用的原因。
可行性：实验和原型
产品设计：一种在病床上方带有传感器的系统，可检测重新定位并自动提醒护士下一次重新定位。护士在位于护士站的终端上看到说明。终端只是一个没有控件的屏幕；护士通过重新定位与系统交互。该系统不需要护士的输入。外部 24/7 控制中心监控异常情况，并在需要时直接联系护士。
一般设计
PosiSense general design
系统流程说明
物联网传感器（热成像或红外摄像机）安装在患者床头上方。它通过 WiFi 将图像发送到云存储 (AWS S3)。位于 EC2 上的卷积神经网络运行检测重新定位的推理预测模型。当检测到调位时，调位管理系统进行相应的记录并计算下一次调位时间。
护士站的终端显示所有床位的状态，按下次重新定位计划时间排序。每次重新定位都会自动更新终端上显示的床位状态。过期的重新定位以黄色和红色突出显示（街灯概念）。每张床都可以有一个单独的重新定位时间表。当重新定位逾期时，外部控制中心会进行初步调查，以确保数据和预测的准确性。如果确认逾期状态，外控中心直接联系护士站。如果这不会导致重新定位，控制中心会升级问题。
该系统不需要护士的任何输入（“无按钮”政策）。控制中心由一名人工操作员操作，可同时管理数百个疗养院。
简而言之，该系统是一个计时器——一个只能通过重新定位来重置的自动计时器。它不能被忽视或沉默。外部 24/7 控制中心监控情况并在异常发生时进行干预。
软件/物联网/机器学习架构
Software/IoT/ML architecture
物联网传感器硬件
IoT sensor (thermal)
Image: Nurse station terminal requires zero effort from nurses (“No Button” approach)
Image: Nurse station terminal (intuitive streetlight concept)
Image: IR IoT sensor
Image: IR IoT device specifications
第一个商业MVP
PosiSense 与查尔斯王子医院（布里斯班的一家政府研究机构）和 CSIRO 计算机视觉建立了合作伙伴关系。 2018 年，第一批原型在实验室环境中开发和测试。开发了两种类型的物联网传感器：热传感器（FLIR Lepton）和红外传感器。
到 2018 年底，PosiSense 已经完成了第一个面向市场的 MVP。在澳大利亚获得了 TGA 批准（1 类非测量医疗器械）。 2019 年 5 月，第一个系统安装在悉尼一家拥有 165 个床位的疗养院 St. Sergius。那年晚些时候，PosiSense 系统也作为临床研究的一部分安装在查尔斯王子医院的老年病房。
三、 关键挑战：位置预测精度
问题
在现实生活中的疗养院环境中商业实施的前三个月揭示了一个主要问题：身体位置检测的准确性低。在实验室测试中没有观察到这个问题；然而，在现实生活中，重新定位检测的准确性很低，导致多个正负类型的错误错误。
准确率低的主要原因如下：
一个。毯子遮盖了许多身体特征，使身体位置不清晰
Image 1: uncertain patient body position obscured by a blanket.
湾。图像去个性化产生了数据噪声，增加了数据标记的复杂性和模糊性。
C。出现了各种各样的身体姿势和多个“边缘”姿势。
d。预测患者位置的总体困难；从某些角度看，许多位置看起来很相似 [图片]
e. ML 模型漂移（快速折旧）。护士经常搬床，这
最初，PosiSense 预测算法专注于检测患者身体位置（例如，左倾斜），这就是我们开发 PosiSense 名称的方式：PosiSense 名称：PosiSense + Sense = PosiSense。
Image 2: flat position
Image 3: left position
Image 4: tilt-right position
然而，事实证明，在真实的病房环境中确保身体位置检测的高精度是非常困难的。结果，重新定位检测的准确性很低，导致护士的指示混乱和错过重新定位的风险很高。
作为低准确度问题的短期解决方案，24/7 控制中心手动监控和验证重新定位推理预测和护士指令。但是，手动方法只是一种临时解决方案。迫切需要一个可扩展的解决方案。
关键信息 4：
高重新定位预测精度是主要挑战。
探索和测试了多种替代方案，但没有积极的结果。
四。 核心创新：极大的简化
在分析重新定位模式时，PosiSense 团队注意到几乎所有重新定位都伴随着一个独特的动作：全面“打开”。超过 95% 的重新定位涉及橡皮布打开，超过 90% 的橡皮布打开导致重新定位。
全面开放是一个更容易标记和预测的事件。假设是，通过训练模型专注于毯子开口，可以提高重新定位检测的准确性。
Image 5: position with a blanket (difficult to detect, difficult to fake)
Image 6: blanket opening (easy to detect, easy to fake)
然而，这种方法引起了明显的担忧。例如，护士可以开始游戏系统并进行“假”重新定位。在缺乏控制的系统中，虚假重新定位和错过重新定位非常常见（参见 视频 )
其他活动（例如，清洁）也需要打开毯子，并可能导致假阳性重新定位和更高的褥疮风险。
Image 7. Cleaning
在手动控制的环境中测试了毯子打开假设。结果非常显着——重新定位预测的准确性显着提高，这使我们能够将 24/7 中心切换回自动模式。
尽管最初存在担忧，但全面打开方法并没有导致“假”重新定位，因为护士现在知道他们的行为正在被记录并且可以被控制中心跟踪。监督使他们的行为负责。
褥疮的数量减少了 84%——与前 AI 系统相比提高了 10 倍。由于更简单的检测算法（“打开毯子”而不是“位置”）和阻止护士玩“更简单”算法的监控系统之间的协同作用，这一强有力的结果是可能的。
关键信息 5：
通过检测毯子开口而不是患者位置来实现高精度。外部 24/7 监控可以最大限度地减少伪造的毯子开口。
五。 结果
结果 1. 褥疮预防提高 10 倍
在 14,500 个患者日的手术中，褥疮数量减少了 84%。为此，PosiSense 获得了由联邦银行和毕马威 (KPMG) 赞助的澳大利亚政府奖项 InnovAGEING National Award（颁奖典礼 视频 ）。
我们对这项技术和方法很有可能在未来成为褥疮预防的最佳实践充满信心（ 老龄化议程文章 , 正感视频 ）。
关键信息 6：
褥疮的数量减少了 84%。
结果 2. 其他应用
除了预防褥疮外，PosiSense 系统已在许多相邻应用中成功实施，即：
一个。 护理个性化： 以前，无法移动的患者同时“轮流”重新定位，护士团队每两个小时“一次”重新定位整个病房。无法实施针对有个人需求的患者的个人护理计划（例如，4 小时重新定位）。自我重新定位也没有被考虑在内。 PosiSense 通过启用个人护理计划来改变这一点，从而最大限度地减少不必要的睡眠干扰并减少护士的工作量（ 视频 ）。
湾。 伤口愈合： 在一个案例中，PosiSense 帮助治愈了第三阶段的褥疮伤口，让患者远离会使现有褥疮伤口承受压力的位置（ 视频 ) 我们相信这种方法可以有效地非手术治疗现有的晚期褥疮伤口，并且可以替代皮瓣手术。
C。 护士保护： 护士面临的主要问题之一是“患者虐待”投诉的风险。在一起患者虐待刑事调查案件中，警方要求 PosiSense 系统提供数据。在考虑了数据证据后，警方驳回了此案，护士被无罪释放。这个案例对于获得护士支持和提高用户采用率至关重要。
d。 跌倒预防： 护士 **** 使用 PosiSense 系统来防止跌倒。
结果 3. 病房数据
像 PosiSense 这样的计算机视觉褥疮预防系统消除了人工智能在护理领域取得突破的主要障碍：缺乏高质量的病房视觉数据。 PosiSense 数据可用于在多个相邻领域开发 ML 应用程序。例如，PosiSense 与 CSIRO Computer Vision 合作探索癫痫监测和诊断。一些潜在的用例包括：
- 一般护理管理（任务调度和监控）
- 痴呆症监测
- 癫痫监测和诊断
- 病房机器人
- 跌倒预防
- 睡眠障碍监测
关键信息 7：
褥疮预防系统生成的病房数据可以创建多个应用程序，并将人工智能革命带入护理领域。
结论
PosiSense 成功应用 AI 打造了 10 倍改进的高效产品，证明该产品可以挽救全球数百万人的生命。该产品还为新的创新者开辟了一条将人工智能带入护理领域的途径，并最终解决前人工智能时代的问题，如痴呆监测、癫痫诊断、护士管理等。 PosiSense 创新和技术可以帮助完成这项具有挑战性的任务。
COVID-19 对老年护理行业造成了严重破坏。在大流行期间无法销售该产品，PosiSense 资金不足。 PosiSense 是先驱者，有时失败是先驱者旅程的一部分。
我们希望本文能帮助下一代 AI 创新者在我们的基础上再接再厉，继续这一旅程。
我们很乐意分享 IP 和更多细节。请随时通过 LinkedIn 与我们联系。
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明
