AUTOMATISCHE DETECTIE VAN DE GESTELDHEID VAN ZORGBEHOEVENDEN

De gezondheidszorg kampt met personeelstekorten en lange wachtlijsten, wat de zorgkwaliteit voor patiënten ernstig treft. De toenemende vergrijzing van de bevolking en een toenemend tekort aan geschoold personeel verergeren deze problemen. Hierdoor komen zowel zorgverleners als mantelzorgers onder grote druk te staan [1].
In dit project wordt met behulp van AI-onderzoek gedaan naar de haalbaarheid van het automatisch detecteren van de gesteldheid van zorgbehoevenden. Dit biedt mogelijkheden om de druk op zorgverleners en mantelzorgers te verlichten door taken te automatiseren en hen te ondersteunen bij het identificeren van de behoeften van de patiënten. De huidige tekorten in de zorg zijn verontrustend en daarom niet houdbaar voor de kwaliteit van de zorg. Automatisering is daarom essentieel om de zorgkwaliteit te waarborgen.
Het consortium bestaat uit zorginstelling De Zijlen, Valtes en het NHL Stenden Lectoraat Computer Vision & Data Science. Vanuit De Zijlen en Valtes is de vraag ontstaan voor de automatische detectie van de gesteldheid van zorgbehoevenden. Gezamenlijk wordt de technische haalbaarheid onderzocht om de business-case te ondersteunen. Daarnaast is het doel van dit project om met een proof-of-concept een breder netwerk van belangenorganisaties, ontwikkelaars en eindgebruikers aan te spreken. Er wordt gewerkt in een multidisciplinair team van studenten, docent-onderzoekers, lectoren, ontwikkelaar en potentiële eindgebruikers.

Eindrapportage

In dit project hadden we als doel een op AI gebaseerd proof-of-concept te ontwikkelen voor het automatisch detecteren van de toestand van patiënten, met een specifieke focus op het herkennen van situaties waarin een patiënt mogelijk hulp nodig heeft, zoals het vallen op de grond en daardoor in potentieel gevaar verkeren. Omdat privacy in dergelijke toepassingen van het grootste belang is, hebben we ons voornamelijk gebaseerd op radargegevens voor de analyse.
Meer beschrijvende informatie (RGB- en IR-video) werd uitsluitend gebruikt voor de automatische annotatie van radargegevens, om gebeurtenissen waarbij personen vielen te labelen voor de training van de AI-algoritmen.

Onze resultaten tonen aan dat AI-modellen die gebruikmaken van RGB-data in staat zijn om vallen nauwkeurig te onderscheiden van andere dagelijkse activiteiten, inclusief vergelijkbare gebeurtenissen zoals slapen of liggen. Daarnaast wijzen de bevindingen erop dat modellen die uitsluitend op radargegevens zijn gebaseerd, betrouwbaar onderscheid kunnen maken tussen een staande persoon en een vallende persoon, met een hoge mate van zekerheid zonder gebruik te maken van privacygevoelige beelden. Gedurende het project hebben we geëxperimenteerd met meerdere AI-algoritmen die verschillende databronnen kunnen verwerken, zowel per tijdsframe als over tijdsreeksen heen.

Het resulterende AI-systeem heeft het potentieel om de werklast van professionele zorgverleners en mantelzorgers te verminderen door de noodzaak van continue monitoring van de toestand van patiënten te verkleinen. Naast de technische ontwikkeling hebben we ook een netwerk opgebouwd van stakeholders, ontwikkelaars en eindgebruikers rondom dit thema, wat verder onderzoek ondersteunt en innovatie in dit vakgebied bevordert.