Un sistema que combina una cámara y análisis facial por IA con el pulso del paciente es capaz de medir el dolor durante intervenciones con anestesia local, incluso cuando el paciente no puede expresarse
Los cirujanos y anestesistas miden el dolor con escalas subjetivas y con sensores que a veces estorban. En pacientes despiertos, como en cateterismos cardíacos, no siempre es fácil saber cuánto duele. En bebés, personas con demencia o pacientes intubados, es casi imposible. De ahí el interés por métodos automáticos que lean en la cara y en la fisiología señales fiables de sufrimiento. Un equipo en Leipzig presenta ahora una vía sin contacto, una cámara y un algoritmo que combinan microexpresiones faciales con variaciones del pulso para estimar el dolor en tiempo real.
El sistema «mira» al paciente y extrae dos fuentes de información. Primero analiza la mímica facial, esos pequeños cambios en la musculatura que la ciencia denomina Action Units, para inferir el dolor. Segundo obtiene el ritmo cardíaco con fotopletismografía remota, rPPG por sus siglas en inglés, una técnica que mide cambios de volumen sanguíneo a partir de la luz reflejada en la piel, sin electrodos ni manguitos. Esta combinación, multimodal y sin cables, evita interferir en el procedimiento y facilita su uso en quirófano.
Medir el dolor sin contacto
Para entrenar el modelo, los autores recurrieron a dos bases de datos muy distintas. Por un lado, BioVid Heat Pain, un repositorio clásico donde voluntarios reciben incrementos controlados de calor y los investigadores registran sus respuestas. Por otro, vídeos largos de pacientes reales sometidos a cateterismos, con encuestas de dolor cada cinco minutos. Este detalle importa, porque la mayoría de sistemas previos aprenden con clips perfectos y breves, mientras que aquí entran sombras, cambios de ángulo y caras parcialmente tapadas, exactamente lo que ocurre en un hospital.
El corazón del método es un algoritmo de aprendizaje automático que combina las Action Units con métricas de variabilidad de la frecuencia cardíaca, HRV en inglés, extraídas vía rPPG. Partieron de 15 parámetros posibles y seleccionaron los siete con mayor poder predictivo, como máximos, mínimos e intervalos, y los integraron en un clasificador estadístico sencillo, de tipo regresión logística. La versión publicada reporta un F1 del 53% en BioVid y del 48% con datos reales de quirófano sobre ventanas de 5,5 segundos, cifras modestas en apariencia, pero logradas en condiciones clínicas poco ideales.
Muchos modelos previos superan esa precisión en laboratorio, pero suelen usar vídeo limpio, bien iluminado y con la cara centrada. Cuando se lleva la IA al quirófano, las cosas no son tan fácles. Pacientes que se mueven, cirujanos que cruzan delante de la cámara, focos que cambian. Entrenar con datos largos y ruidosos prepara mejor al sistema para la vida real, aunque penalice la métrica en el papel. La propia autora principal sugiere que arquitecturas más complejas, como redes neuronales profundas, podrían mejorar el rendimiento sobre la misma base de datos.
¿Qué ganan médicos y pacientes con una solución así? Evitas cables y electrodos, reduces artefactos y puedes vigilar a la vez a varios pacientes en ambientes monitorizados por cámara. En contextos de comunicación limitada, desde neonatología hasta demencia, una estimación continua del dolor ayudaría a ajustar sedación y analgesia con mayor finura. Además, rPPG no solo sirve para dolor, también se explora para extraer constantes como presión arterial, así que las sinergias con otros sistemas de monitorización sin contacto resultan evidentes.
La otra cara del avance está en la ética y en la validación. Leer dolor en el rostro puede sesgarse por edad, tono de piel o cultura. La HRV, sensible al estrés y a la respiración, puede confundir malestar con ansiedad. Harán falta conjuntos de datos más diversos y protocolos clínicos que midan impacto real, por ejemplo reducción de dosis de opioides o menos episodios de dolor no atendido. Mientras tanto, como primer paso clínico sin contacto, esta combinación de expresiones y rPPG marca un rumbo prometedor. La máquina no siente, pero puede ayudar a que los humanos sufran menos.
REFERENCIA
Continuous, Contactless, and Multimodal Pain Assessment During Surgical Interventions
