Présentation de PeTRA : Un robot pour le transport des patients

Transporter des patients à l'hôpital, c'est souvent les infirmières qui s'en chargent, et ça les éloigne d'autres tâches importantes. Souvent, les patients sont déplacés dans des lits, même s'ils peuvent marcher. Ça ne les aide pas à être plus actifs ou à faire leurs propres choix sur leurs déplacements. Pour changer ça, des chercheurs bossent sur un robot mobile, PeTRA, qui déplacera les patients tout seul dans l'hôpital. Ce robot a plusieurs façons d'aider les patients à se déplacer, que ce soit en marchant ou en utilisant un fauteuil roulant.

L'une des principales préoccupations abordées dans cette recherche, c'est comment détecter les Urgences, pour s'assurer que les patients sont en sécurité pendant le transport. Pour ça, le robot utilisera un système de caméra pour surveiller de près les patients. La technologie OpenPose aide à estimer comment les gens sont positionnés, tandis qu'un modèle entraîné aide à détecter les urgences. Les chercheurs ont collecté un gros jeu de données d'images dans des environnements de laboratoire et d'hôpital, totalisant 18 000 images. Contrairement à d'autres recherches, celle-ci utilise un robot qui se déplace et inclut différents modes de transport dans des environnements animés avec beaucoup de monde, en utilisant seulement des données de couleur et de profondeur des caméras.

L'objectif est d'améliorer la métrique de rappel, qui mesure à quel point le système détecte les urgences. Les chercheurs appliquent des techniques comme le déplacement des seuils et un délai pour y arriver. Différents modèles ont été comparés en utilisant une méthode appelée AutoML. Les résultats montrent que la meilleure détection des urgences en marchant est obtenue par un modèle SVM, avec un rappel de 95,8% en utilisant des images uniques. Cependant, pour les patients assis dans un fauteuil roulant, le meilleur modèle atteint un rappel de 62,2%. La recherche donne un bon départ en établissant une base sur le nouveau jeu de données et montre que la détection d'urgences par des humains est possible dans cette situation.

#Contexte sur le Transport Autonome à l'Hôpital

Transporter des patients d'une zone à l'autre de l'hôpital, c'est une tâche quotidienne. Actuellement, c'est principalement fait par des infirmières formées, ce qui les éloigne des soins. Les patients sont souvent déplacés dans des lits pour des raisons d'efficacité, mais beaucoup peuvent marcher. La méthode traditionnelle ne encourage pas les patients à être mobiles ou à choisir comment ils se déplacent. Le projet PeTRA se concentre sur le développement d'un robot qui agit comme un assistant pour le déplacement des patients. L'objectif est de réduire la charge de travail des soignants, leur permettant de consacrer plus de temps à des soins de qualité.

PeTRA aura différentes manières pour les patients de se déplacer. Le robot peut permettre aux patients de marcher et les aider avec un dispositif de soutien ou les transporter en toute sécurité dans des fauteuils roulants. Le robot peut également effectuer des tâches simples, comme livrer des médicaments.

#Détection d'Urgence Pendant le Transport

Pour garder les patients en sécurité pendant leur transport, une caméra de profondeur surveille leur état. Des situations imprévues peuvent surgir pendant le transport, et toutes ne nécessitent pas des réponses d'urgence. Certaines actions qui semblent critiques peuvent être des activités normales du quotidien, comme s'agenouiller pour lacer ses chaussures ou se pencher pour ramasser quelque chose. Cependant, si un patient tombe ou perd connaissance, une aide immédiate est nécessaire.

La détection fiable est cruciale, surtout pour les patients en fauteuil roulant ou utilisant des dispositifs de soutien. Détecter les patients inconscients dans des fauteuils roulants est particulièrement difficile, même pour les soignants humains. Le robot ne peut pas être considéré comme un dispositif médical surveillant des choses comme le rythme cardiaque, ce qui limite les outils disponibles pour la détection d'urgences. Au lieu de ça, cette recherche utilise seulement des images RGB et les données de profondeur correspondantes.

Des recherches précédentes se sont principalement concentrées sur des scènes fixes pour la détection de chutes dans les maisons de retraite. Diverses méthodes ont été utilisées, y compris des données provenant d'appareils comme des montres connectées ou des caméras montées au plafond. Certains robots ont été conçus pour vérifier les personnes qui sont déjà tombées, mais ce projet adopte une approche différente. Il examine différents modes de transport dans un environnement hospitalier animé.

La recherche définit trois classes clés de transport de patients : transport normal, mode d'urgence et mode pause. Le transport normal est la manière habituelle de déplacer les patients. Le mode d'urgence est lorsqu'une situation critique se produit, et le mode pause est quand il y a un problème, mais le transport peut continuer.

#Le Jeu de Données PeTRA

Le jeu de données PeTRA inclut plus de 18 000 images uniques prises à partir de 200 vidéos. Ce jeu de données est conçu spécifiquement pour être utilisé avec le robot PeTRA et couvre divers modes de transport. Il est divisé en trois cas différents correspondant aux façons dont les patients sont déplacés : marche, transport en fauteuil roulant et une combinaison des deux.

Les images ont été prises dans différentes conditions d'éclairage, tant en laboratoire que dans des environnements hospitaliers. Elles ont été capturées avec deux types de caméras stéréo capables de mesurer la profondeur. Les chercheurs ont créé des étiquettes détaillées pour 22 classes dans le jeu de données, ce qui a aidé à identifier différentes étapes des chutes et des activités quotidiennes spécifiques.

Pour les tests, 5618 images ont été mises de côté, tandis que le reste a été utilisé pour entraîner les modèles. Le jeu de données a été conçu de manière à ce que l'ensemble de test inclue des vidéos de personnes qui ne figurent pas dans l'ensemble d'entraînement. L'objectif est de fournir une source d'entraînement riche pour un robot en mouvement opérant dans des environnements compliqués avec de nombreuses personnes présentes.

#Traitement des Données et Entraînement des Modèles

Le traitement des données commence par la capture d'images à l'aide de deux caméras qui suivent les patients. La technologie OpenPose est utilisée pour estimer les poses humaines dans chaque image. Elle traite les images pour maximiser le nombre de détections. Cela aide à identifier les humains, surtout dans des situations critiques.

Les points clés créés grâce à l'estimation de pose indiquent où se trouvent les parties du corps d'une personne. Ces points peuvent ensuite être filtrés pour se concentrer sur le patient spécifique en cours de transport. Le patient peut porter un marqueur visuel pour aider le système à l'identifier plus précisément.

Les chercheurs se concentrent fortement sur le rappel lors de l'entraînement des modèles, car manquer une situation d'urgence peut avoir de graves conséquences. Le système doit minimiser les faux négatifs, surtout pendant les transports où les patients marchent ou sont assis dans des fauteuils roulants.

Les modèles sont testés pour leurs performances en utilisant différentes méthodes, y compris Random Forest, Multilayer Perceptron et SVM. Chaque modèle subit un réglage des hyperparamètres pour trouver les meilleurs réglages pour la détection. Une autre technique consiste à optimiser les seuils de décision pour mieux classifier les urgences.

#Résultats et Conclusions

L'étude a révélé que le modèle SVM performait le mieux, en particulier pour les patients marchant, avec un rappel de 95,8%. C'est un bel exploit, car cela montre que les urgences peuvent être détectées de manière fiable dans des scénarios en temps réel. Pour le transport en fauteuil roulant, le rappel était plus bas à 62,2%, indiquant plus de défis dans la détection des urgences dans ce mode.

L'introduction d'un temps de délai dans la détection des urgences a aidé à réduire les faux positifs et les faux négatifs. Cela signifie que le modèle est devenu plus stable avant de déterminer s'il y avait une urgence, permettant de meilleures réponses dans des situations réelles.

Comparé aux approches automatisées, les modèles optimisés manuellement ont montré de meilleures performances, ce qui souligne l'efficacité de leur méthode d'entraînement. Néanmoins, les chercheurs ont reconnu des limitations, en particulier pour détecter les urgences avec des signes subtils, comme un patient devenant inconscient en étant assis.

Ils suggèrent que les recherches futures pourraient explorer des méthodes basées sur la vidéo, qui pourraient capturer plus de données au fil du temps et améliorer les taux de détection. Des méthodes plus avancées de suivi, peut-être même au-delà d'OpenPose, pourraient également être explorées pour améliorer encore la précision du système.

Globalement, leur recherche suggère une direction prometteuse pour l'utilisation de robots dans les hôpitaux pour aider au transport des patients et garantir la sécurité pendant ces tâches essentielles.