Hispanopedia Wiki
Articulo de referencia

Reconocimiento automático del dolor

El reconocimiento automático del dolor (RAD ) es un método para medir el dolor de forma objetiva y, al mismo tiempo, representa un área de investigación interdisciplinaria que c...

Hispanopedia WikiContenido en espanolLectura gratuita

El reconocimiento automático del dolor (RAD ) es un método para medir el dolor de forma objetiva y, al mismo tiempo, representa un área de investigación interdisciplinaria que comprende elementos de medicina , psicología , psicobiología e informática . El enfoque se centra en el reconocimiento objetivo del dolor asistido por ordenador, implementado sobre la base del aprendizaje automático . [ 1 ] [ 2 ]

El reconocimiento automático del dolor permite la detección y el seguimiento fiables y precisos del dolor en personas incapaces de comunicarse verbalmente. Los procesos de aprendizaje automático subyacentes se entrenan y validan previamente mediante señales corporales unimodales o multimodales. Estas señales pueden incluir expresiones faciales o gestos , así como ser de naturaleza ( psico ) fisiológica o paralingüística . Hasta la fecha, el enfoque se ha centrado en identificar la intensidad del dolor, pero también se están realizando esfuerzos innovadores para reconocer su calidad, localización y evolución temporal.

Sin embargo, la implementación clínica de este enfoque es un tema controvertido en el campo de la investigación del dolor. Los críticos del reconocimiento automatizado del dolor argumentan que el diagnóstico del dolor solo puede ser realizado subjetivamente por humanos.

Fondo

El diagnóstico del dolor en condiciones donde la comunicación verbal está restringida —como en personas con deterioro verbal y/o cognitivo o en pacientes sedados o con ventilación mecánica— se basa en observaciones conductuales realizadas por profesionales capacitados. [ 3 ] Sin embargo, todos los procedimientos de observación conocidos (p. ej., Evaluación del Dolor por Observación de Zúrich [ 4 ] (ZOPA)); Escala de Evaluación del Dolor en Demencia Avanzada (PAINAD)) requieren una gran experiencia especializada. Estos procedimientos pueden verse dificultados por errores de percepción e interpretación por parte del observador. Con respecto a las diferencias en el diseño, la metodología, la muestra de evaluación y la conceptualización del fenómeno del dolor, es difícil comparar los criterios de calidad de las diversas herramientas. Incluso si el personal capacitado pudiera teóricamente registrar la intensidad del dolor varias veces al día utilizando instrumentos de observación, no sería posible medirla cada minuto o segundo. En este sentido, el objetivo del reconocimiento automatizado del dolor es utilizar patrones de respuesta al dolor válidos y robustos que puedan registrarse multimodalmente para un sistema de reconocimiento automatizado de la intensidad del dolor, dinámico en el tiempo y de alta resolución.

Procedimiento

Para el reconocimiento automatizado del dolor, los parámetros relevantes para el dolor se registran generalmente mediante tecnología de sensores no invasivos , que captura datos sobre las respuestas (físicas) de la persona que siente dolor. Esto se puede lograr con tecnología de cámara que captura expresiones faciales, gestos o postura, mientras que los sensores de audio registran características paralingüísticas. La información (psico)fisiológica, como el tono muscular y la frecuencia cardíaca, se puede recopilar mediante sensores de biopotencial ( electrodos ). [ 5 ]

El reconocimiento del dolor requiere la extracción de características o patrones significativos de los datos recopilados. Esto se logra mediante técnicas de aprendizaje automático que, tras el entrenamiento, permiten evaluar el dolor, por ejemplo: "sin dolor", "dolor leve" o "dolor intenso".

Parámetros

Aunque el fenómeno del dolor comprende diferentes componentes (sensorial discriminativo, afectivo (emocional), cognitivo, vegetativo y (psico)motor), [ 6 ] el reconocimiento automatizado del dolor actualmente se basa en parámetros medibles de las respuestas al dolor. Estos se pueden dividir a grandes rasgos en dos categorías principales: " respuestas fisiológicas " y " respuestas conductuales ".

Respuestas fisiológicas

En los seres humanos, el dolor casi siempre inicia procesos nerviosos autónomos que se reflejan de forma medible en diversas señales fisiológicas. [ 7 ]

señales fisiológicas

Las mediciones pueden incluir actividad electrodérmica (EDA, también conductancia de la piel), electromiografía (EMG), electrocardiograma (ECG), pulso de volumen sanguíneo (BVP), electroencefalograma (EEG), respiración y temperatura corporal , [ 8 ] [ 9 ] que son mecanismos reguladores de los sistemas simpático y parasimpático . Las señales fisiológicas se registran principalmente mediante electrodos de superficie no invasivos especiales (para EDA, EMG, ECG y EEG), un sensor de pulso de volumen sanguíneo (BVP), una banda respiratoria (respiración) y un sensor térmico (temperatura corporal). También se pueden registrar parámetros endocrinológicos e inmunológicos , pero esto requiere medidas que son algo invasivas (por ejemplo, toma de muestras de sangre).

Respuestas conductuales

Las respuestas conductuales al dolor cumplen dos funciones: la protección del cuerpo (por ejemplo, mediante reflejos protectores ) y la comunicación externa del dolor (por ejemplo, como una llamada de auxilio). Estas respuestas se manifiestan especialmente en expresiones faciales, gestos y características paralingüísticas.

expresiones faciales

Las señales de comportamiento capturadas comprenden patrones de expresión facial (comportamiento expresivo), que se miden con la ayuda de señales de vídeo. El reconocimiento de expresiones faciales se basa en la observación clínica cotidiana de que el dolor a menudo se manifiesta en las expresiones faciales del paciente, pero que esto no siempre es así, ya que las expresiones faciales pueden inhibirse mediante el autocontrol. A pesar de la posibilidad de que las expresiones faciales puedan verse influenciadas conscientemente, el comportamiento de expresión facial representa una fuente esencial de información para el diagnóstico del dolor y, por lo tanto, también es una fuente de información para el reconocimiento automático del dolor. Una ventaja del reconocimiento de expresiones faciales basado en vídeo es la medición sin contacto del rostro, siempre que pueda capturarse en vídeo, lo cual no es posible en todas las posiciones (por ejemplo, tumbado boca abajo) o puede verse limitado por vendajes que cubran el rostro. El análisis de expresiones faciales se basa en cambios rápidos, espontáneos y temporales en la actividad neuromuscular que dan lugar a cambios visualmente detectables en el rostro.

Gestos

Los gestos también se capturan principalmente mediante tecnología de cámara sin contacto. Las respuestas motoras al dolor varían y dependen en gran medida del tipo y la causa del dolor. Estas respuestas abarcan desde reflejos protectores repentinos (por ejemplo, retracción espontánea de las extremidades o encorvamiento) hasta agitación (inquietud patológica) y conducta de evitación (movimientos vacilantes y cautelosos).

Características paralingüísticas del lenguaje

Entre otras cosas, el dolor provoca comportamientos lingüísticos no verbales que se manifiestan en sonidos como suspiros, jadeos, gemidos, quejidos, etc. Las características paralingüísticas suelen registrarse con micrófonos de alta sensibilidad.

Algoritmos

Tras la grabación, el preprocesamiento (por ejemplo, el filtrado) y la extracción de características relevantes, se puede realizar una fusión de información opcional . Durante este proceso, se combinan modalidades de diferentes fuentes de señal para generar conocimiento nuevo o más preciso.

El dolor se clasifica mediante procesos de aprendizaje automático. El método elegido influye significativamente en la tasa de reconocimiento y depende en gran medida de la calidad y la granularidad de los datos subyacentes. De forma similar al campo de la computación afectiva , [ 10 ] actualmente se utilizan los siguientes clasificadores :

Máquina de vectores de soporte (SVM ): El objetivo de una SVM es encontrar un hiperplano óptimo claramente definido con la mayor distancia mínima entre dos (o más) clases que se van a separar. El hiperplano actúa como una función de decisión para clasificar un patrón desconocido.

Bosque Aleatorio (RF ): RF se basa en la composición de árboles de decisión aleatorios y no correlacionados. Cada árbol evalúa individualmente un patrón desconocido y lo asigna a una clase. La clasificación final de los patrones por parte de RF se basa en una decisión mayoritaria.

k-Vecinos más cercanos (k-NN ): El algoritmo k-NN clasifica un objeto desconocido utilizando la etiqueta de clase que mejor clasifica a los k vecinos más cercanos. Sus vecinos se determinan mediante una medida de similitud seleccionada (por ejemplo, distancia euclidiana, coeficiente de Jaccard, etc.).

Redes neuronales artificiales (RNA ): Las RNA se inspiran en las redes neuronales biológicas y modelan sus principios y procesos organizativos de forma muy simplificada. Los patrones de clase se aprenden ajustando los pesos de las conexiones neuronales individuales.

Proceso simplificado y automatizado de reconocimiento del dolor.

Bases de datos

Para clasificar el dolor de manera válida, es necesario crear bases de datos de dolor representativas, fiables y válidas que estén disponibles para el aprendizaje automático para su entrenamiento. Una base de datos ideal sería suficientemente grande y consistiría en respuestas de dolor naturales (no experimentales) y de alta calidad. Sin embargo, las respuestas naturales son difíciles de registrar y solo se pueden obtener de forma limitada; en la mayoría de los casos, se caracterizan por una calidad subóptima. Por lo tanto, las bases de datos disponibles actualmente contienen respuestas de dolor experimentales o cuasiexperimentales , y cada base de datos se basa en un modelo de dolor diferente. La siguiente lista muestra una selección de las bases de datos de dolor más relevantes (última actualización: abril de 2020): [ 11 ]

  • Dolor de hombro en UNBC-McMaster
  • BioVid Calor Dolor
  • Dolor emocional
  • Sentir las emociones
  • X-ITE Dolor

Referencias

  1. ↑ GmbH, Südwest Presse Online-Dienste (11 de abril de 2017). "Forschung: Schmerzen messbar machen" . swp.de (en alemán) . Consultado el 20 de abril de 2020 .
  2. ↑ "Künstliche Intelligenz erkennt den Schmerz" . AerzteZeitung.de (en alemán). 2 de marzo de 2017 . Consultado el 20 de abril de 2020 .
  3. ↑ Fundamentos de la medicina del dolor . Cheng, Jianguo (Profesor de anestesiología), Rosenquist, Richard W. Cham, Suiza. 8 de febrero de 2018. ISBN 978-3-319-64922-1OCLC 1023425599 .​ {{cite book}}: CS1 maint: falta el editor de ubicación ( enlace ) CS1 maint: otros ( enlace )
  4. ↑ Elisabeth Handel: Praxishandbuch ZOPA: Schmerzeinschätzung bei Patienten mit kognitiven und/oder Bewusstseinsbeeinträchtigungen. Huber, Berna 2010, ISBN 978-3-456-84785-6.
  5. ^ Anbarjafari, Gholamreza (2018). Aprendizaje automático para el reconocimiento de rostros, emociones y dolores . Gorbova, Jelena, Hammer, Rain Eric, Rasti, Pejman, Noroozi, Fatemeh, Sociedad de Ingenieros de Instrumentación Fotoóptica. Bellingham, Washington. ISBN 978-1-5106-1986-9OCLC 1035460960 .​ {{cite book}}: CS1 mantenimiento: falta el editor de ubicación ( enlace )
  6. ↑ Henrik Kessler (2015), Kurzlehrbuch Medizinische Psychologie und Soziologie (en alemán) (3 ed.), Stuttgart/Nueva York: Thieme, p. 34, ISBN   978-3-13-136423-4
  7. ^ Birbaumer, Niels. (2006). Biologische Psychologie : mit 41 Tabellen : [Bonusmaterial im Web] . Schmidt, Robert F. (6., vollst. überarb. und erg. Aufl ed.). Heidelberg: Springer. ISBN    978-3-540-25460-7OCLC 162267511​​ 
  8. ↑ S. Gruss et al.: Tasas de reconocimiento de intensidad del dolor mediante patrones de características de biopotenciales con máquinas de vectores de soporte. En: PLoS One. Vol. 10, No. 10, 2015, págs. 1–14, doi:10.1371/journal.pone.0140330 .
  9. ↑ S. Walter et al.: Cuantificación automática del dolor mediante parámetros autonómicos. En: Psychol. Neurosci. Nol. 7, No. 3, 2014, págs. 363–380, doi:10.3922/j.psns.2014.041 .
  10. ↑ Picard, Rosalind W. (2000). Computación afectiva (1.ª ed. rústica de MIT Press ). Cambridge, Mass.: MIT Press. ISBN  0-262-66115-2OCLC 45432790​​ 
  11. ↑ Werner, Philipp; Lopez-Martinez, Daniel; Walter, Steffen; Al-Hamadi, Ayoub; Gruss, Sascha; Picard, Rosalind (2019). "Métodos de reconocimiento automático que apoyan la evaluación del dolor: una revisión". IEEE Transactions on Affective Computing . 13 : 530–552 . doi : 10.1109/TAFFC.2019.2946774 . hdl : 1721.1/136497 . ISSN 1949-3045 . S2CID 210588609 .  
  • Grupo de Investigación Automatizada del Dolor en la Universidad de Ulm, Alemania