SADIAX, Tecnologia Inovadora para Monitoramento de Comportamentos de Pacientes em UTI.

• Processo: 21/08667-0
• Modalidade de apoio: Bolsas no Brasil - Programa Capacitação - Treinamento Técnico
• Data de Início da vigência: 01 de agosto de 2021
• Data de Término da vigência: 30 de setembro de 2021
• Área de conhecimento: Engenharias - Engenharia Mecânica
• Pesquisador responsável: Cláudio Gurgel Pinheiro
• Beneficiário: Pedro Costa Ferreira Pereira Leite
• CNAE: Desenvolvimento e licenciamento de programas de computador customizáveis ; Desenvolvimento e licenciamento de programas de computador não-customizáveis
• Vinculado ao auxílio: 18/22605-5 - SADIAX - tecnologia inovadora de visão computacional para monitoramento de pacientes em UTI, AP.PIPE
• Assunto(s): Inteligência artificial Reconhecimento facial
• Palavra(s)-Chave do Pesquisador: Inteligência Artificial | Leitos Hospitalares | Reconhecimento Facial | Sadia | Ai

Resumo

A presença de dor em leitos de UTI ocorre em mais de 75% dos pacientes. Quando não detectada, a dor pode causar danos crônicos ao paciente. A agitação, por sua vez, pode levar pacientes a retirar as máscaras de respiração, o que pode ser fatal. Dessa forma, esses dois comportamentos são considerados comportamentos de risco em leitos de UTI e precisam ser monitorados constantemente. Ambos esses comportamentos já são detectados pelos algoritmos desenvolvidos pela empresa. Entretanto, é necessário diversificar os cenários e acurácia sobre os quais esses comportamentos são detectados. A criação, rotulação e manutenção de datasets são atividades de extrema importância em um projeto de aprendizagem de máquina. É a partir da qualidade do dataset que se torna possível o aumento da acurácia dos algoritmos de classificação. Para este projeto, essa tarefa é de fundamental importância uma vez que não existem, além dos datasets que foram criados pela HOOBOX, nenhum dataset rotulado com os comportamentos críticos observados em leitos de UTI para serem utilizados no processo de treinamento dos algoritmos. Dessa forma, as tarefas de desenvolvimento e aumento de precisão dos algoritmos desenvolvidos pela empresa para detectar comportamentos de risco em leitos de UTI ficaria extremamente prejudicado caso datasets com tamanho e qualidade adequados não sejam criados.