In einer kürzlich veröffentlichten Studie im Fachjournal Informatik untersuchten Forscher den Einsatz fortschrittlicher maschineller Lernmethoden zur Erkennung von Gesichtsausdrücken als Indikatoren für die Verschlechterung des Gesundheitszustands bei Patienten. Die Forschungsergebnisse deuten darauf hin, dass das entwickelte Convolutional Long Short-Term Memory (ConvLSTM) Modell Gesundheitsrisiken mit einer beeindruckenden Genauigkeit von 99,89% vorhersagen kann, was die Früherkennung verbessern und die Patientenergebnisse in Krankenhauseinstellungen optimieren könnte.
In der Studie wurde eine systematische Methodik angewendet, um ein Convolutional Long Short-Term Memory (ConvLSTM) Modell für die Erkennung von Gesichtsausdrücken zu entwickeln, die auf eine Verschlechterung des Patienten hinweisen. Der Prozess umfasste drei Hauptphasen: die Erzeugung des Datensatzes, die Vorverarbeitung der Daten und die Implementierung des ConvLSTM-Modells.
Ein Datensatz von dreidimensional animierten Avataren, die verschiedene Gesichtsausdrücke zeigten, wurde mithilfe fortschrittlicher Tools generiert. Diese Avatare wurden entworfen, um die Gesichter von realen Menschen mit unterschiedlichen Merkmalen wie Alter, Ethnizität und Gesichtszügen nachzuahmen. Jeder Avatar führte spezifische Ausdrücke im Zusammenhang mit der Gesundheitsverschlechterung durch, was zu 125 Videoclips führte. Der First-Order Motion Model (FOMM) wurde verwendet, um diese Ausdrücke auf statische Bilder aus einer Open-Source-Datenbank zu übertragen und den Datensatz auf 176 Videoclips zu erweitern.
Schließlich wurde das ConvLSTM-Modell vorgeschlagen und implementiert, um sowohl räumliche als auch zeitliche Abhängigkeiten in den Videosequenzen zu erfassen und somit eine genaue Vorhersage von Gesichtsausdrücken über die Zeit zu ermöglichen. Das Modell erwies sich als überlegen gegenüber anderen verwendeten Methoden und zeigte eine hohe Genauigkeit, Präzision und Rückrufrate bei der Erkennung relevanter Gesichtsausdrücke.
Die Ergebnisse legen nahe, dass das ConvLSTM-Modell äußerst effektiv ist, um anhand von Gesichtsausdrücken die Verschlechterung von Patienten vorherzusagen, wobei die Autoren darauf hinweisen, dass zukünftige Studien mit echten Patientendaten durchgeführt werden müssen, um diese Ergebnisse in praktischen Szenarien zu validieren.