Pijn & stress herkennen bij premature baby's

AI herkent pijn en stress bij premature baby's

Elk jaar wordt ongeveer één op de tien baby's te vroeg geboren en belandt op de intensive care. Deze kinderen zijn kwetsbaar en hebben intensieve zorg nodig. Vaak ervaren zij ongemerkt pijn en stress, wat nadelige gevolgen kan hebben voor hun ontwikkeling op de lange termijn. Door het personeelstekort in de zorg is er helaas minder tijd voor individuele aandacht, en er zijn momenteel weinig objectieve methoden om pijn en stress bij deze baby's te monitoren. Neonatologen Jeroen Dudink en Maria Luisa Tataranno van het UMC Utrecht starten het onderzoeksproject ‘Baby Comfort’, dat als doel heeft om betrouwbare software te ontwikkelen die real-time en objectief pijn en stress bij premature baby’s kan detecteren.

Het project ‘Baby Comfort’ is een vervolg op het succesvolle ‘Sleep Well Baby’-project, waarin onderzoekers van het UMC Utrecht een algoritme ontwikkelden dat de slaapfases van pasgeboren baby’s kan identificeren. Dankzij dit algoritme kunnen verpleegkundigen binnenkort hun zorg afstemmen op de slaapcyclus van de baby’s, waardoor ze niet onnodig gestoord worden tijdens hun diepe slaap.

Geïnspireerd door deze resultaten gaan Dudink en Tataranno nu een stap verder. “Nu we de zorg kunnen afstemmen op de slaapcycli, willen we een vergelijkbaar systeem ontwikkelen voor het objectief meten van pijn en stress,” zegt Dudink. “De nieuwe software zal deze factoren real-time kunnen detecteren, zodat zorgverleners weten wanneer ze moeten ingrijpen of juist de baby met rust moeten laten,” vult Tataranno aan. Dit helpt bijvoorbeeld om snel te handelen bij een infuus dat niet goed zit en pijn veroorzaakt.

 

 

De rol van Machine Learning

Het Baby Comfort-project maakt gebruik van huidgeleidingsmonitors, die het Wilhelmina Kinderziekenhuis heeft verkregen met steun van RTL Project Glimlach. Deze geavanceerde sensoren worden gekoppeld aan het bestaande algoritme van het ‘Sleep Well Baby’-project en zijn ideaal voor het ontwikkelen van de nieuwe software. Door machine learning toe te passen, kunnen de onderzoekers de standaard patiëntenmonitoren op de intensive care transformeren tot objectieve detectors van pijn- en stressniveaus.

“Bij de AFAS Foundation zijn we trots initiatieven zoals BabyComfort te ondersteunen. Dagelijks werken we aan innovaties met een belangrijke rol voor Artificial Intelligence. Techniek is ons bestaansrecht, en de aanpak van dit project – dat bijdraagt aan het verminderen van pijn en stress bij baby's – sluit hier perfect op aan. Door zorgverleners te helpen deze kwetsbare kinderen de aandacht te geven die ze verdienen, dragen we bij aan een toekomst waarin elk nieuw leven de beste zorg en warmte krijgt."

Bart Grootveld - Bestuurslid AFAS Foundation

Open Source voor Toekomstige innovatie

De onderzoekers streven ernaar dat de Baby Comfort-software ook door andere ziekenhuizen gebruikt en verbeterd kan worden. Daarom wordt de software open source beschikbaar gesteld. In samenwerking met andere centra, zoals in Groningen en Rotterdam, wordt kennis gedeeld om de effectiviteit van het project verder te versterken. “We geloven dat AI een waardevol hulpmiddel kan zijn voor zorgverleners om nog beter in te spelen op de behoeften van te vroeg geboren baby's en hen zo de best mogelijke start te geven,” aldus Dudink.

Met dit project hoopt het UMC Utrecht een nieuwe standaard te zetten in de zorg voor premature baby's, zodat hun pijn en stress beter beheerd kunnen worden en ze een optimale kans krijgen voor een gezonde ontwikkeling.

Uitvoerplan

Het uitvoerplan van het BabyComfort-project beschrijft de concrete stappen en methoden om de doelen van dit innovatieve zorgproject te realiseren. Het plan richt zich op de toepassing van geavanceerde technologie en expertise om de zorg voor premature baby's wereldwijd te verbeteren.

Doelen en Doelstellingen

  • Ontwikkelen van een bedside monitoringssysteem voor real-time detectie van slaap, pijn en stress bij premature baby's binnen 12 maanden.
  • Gebruik van bestaande patiëntmonitoren (hartslag, ademhaling, bloedoxygenatie) om data te verzamelen.
  • Valideren en implementeren van de BabyComfort-software op bestaande apparatuur.

Methodologie

  • Data-acquisitie: Het verzamelen van vitale parameters met Philips IntelliVue MP70-monitoren en het gebruik van video-opnamen en huidgeleidbaarheidsmeters voor pijn- en stressdata.
  • Voorverwerking van gegevens: Correctie van inter-patiënt variabiliteit door middel van normalisatie op basis van 24-uurs referentieperiodes.
  • Machine Learning Algoritmen:
    • Ontwikkeling van een algoritme met Random Forest classifiers.
    • Gebruik van technieken gebaseerd op eerdere studies (Sleep Well Baby-project).
  • Training en Validatie:
    • Kruisvalidering van modellen om nauwkeurigheid en generaliseerbaarheid te waarborgen.
    • AUROC-waarden als prestatie-indicator voor modelbeoordeling.

Implementatie

  • Real-time implementatie op de NICU, wat zorgverleners directe toegang biedt tot data over pijn- en stressniveaus.

  • Gebruiksvriendelijke software op een USB-stick, waardoor het systeem breed toepasbaar is, zelfs zonder dure apparatuur.

Interessante Links

Leer nog meer over dit mooie project

Impressies

Een beeld zegt meer dan duizend woorden. Het project is pas net gestart, er zijn op dit moment nog geen beelden. In de komende periode zullen die hier worden toegevoegd.