Pijndetectie bij volwassenen door middel van afbeeldingbewerking en transfer learning: Een stap in de richting van automatische en continue pijndetectie bij gesedeerde kinderen op de intensive care

Pijnschalen die hedendaags in het ziekenhuis worden gebruikt zijn niet volledig objectief en pijnbeoordeling gebeurt discontinu. In deze studie wordt een eerste stap gezet in de objectivering en continuering van pijndetectie bij kinderen op de PICU door te onderzoeken of, en op welke manier, met behulp van transfer learning en afbeeldingbewerking, een convolutional neural network (CNN) pijn kan herkennen bij volwassenen. Er zijn drie modellen gemaakt: een model voor pijnherkenning, een model dat action units herkent en een klinisch bruikbare vorm van de beste voorgaande modellen. In model 1 wordt onderzocht welke manier van afbeeldingbewerking de hoogste sensitiviteit oplevert, om deze methode te gebruiken in model 2 en 3. Adaptive Gaussian thresholding blijkt in deze studie de beste methode van afbeeldingbewerking voor pijndetectie middels een CNN. Dit model had een sensitiviteit van 93,5% en een specificiteit van 77,4% voor het binair onderscheiden van pijn en geen pijn. In model 2 is gebleken dat het model van adaptive Gaussian thresholding een sensitiviteit van 62,0% en een specificiteit van 97,9% heeft voor het herkennen van action units. In vervolgonderzoek moet model 2 met meer afbeeldingen getraind worden om pijnherkenning met behulp van action units mogelijk te maken.