用于谵妄检测的Transformer模型与人机交互机器人

据估计，入院病房中约20%的患者受谵妄影响。早期检测有助于治疗谵妄的潜在原因，但普通病房的人力紧张通常导致谵妄未被及时发现。本研究提出了一种机器人实现的ICU混淆评估方法(CAM-ICU)以辅助谵妄的早期检测。评估的交互功能由人机交互执行，而基于Transformer的深度学习模型从图像序列预测患者的Richmond镇静激动量表(RASS)水平；热成像技术用于保护患者隐私。研究对18名参与者进行了用户研究，让他们分别扮演RASS的警觉、激动和镇静水平，以测试HRI组件并收集深度学习数据集。HRI系统对CAM-ICU的注意力不集中和思维混乱特征的准确率分别达到1.0和0.833，而训练后的动作识别模型在交叉验证中对RASS水平分类的平均准确率达到0.852。这三个特征代表了使用CAM-ICU实现自动谵妄检测的完整能力集，结果证明了在医院普通病房实际部署的可行性。