Reconhecimento automatizado da dor por movimentos faciais de recém-nascidos internados em unidade de terapia intensiva neonatal

Abstract

Recém-nascidos internados em Unidades de Terapia Intensiva Neonatal (UTIN) frequentemente passam por procedimentos que causam dor. A presença de dispositivos médicos fixados à face do neonato dificulta a avaliação adequada da dor. Este estudo teve como objetivo desenvolver um método automatizado para reconhecer a dor em neonatos, mesmo em condições de visibilidade facial limitada. Foi proposto e implementado um arcabouço computacional utilizando técnicas atuais de processamento de imagens e de Inteligência Artificial para segmentar regiões faciais específicas e para classificar movimentos faciais indicativos de dor, sendo estes: boca aberta, boca estirada, sulco nasolabial aprofundado, fronte saliente e fenda palpebral estreitada. Com o uso de quatro bases de dados distintas e de referência na literatura afim, o método foi treinado, validado e testado, permitindo a análise apenas das áreas visíveis da face. Uma abordagem inovadora foi aplicada, atribuindo pesos diferenciados aos movimentos faciais mais relevantes, com maior pontuação para os movimentos de maior poder discriminatório, como o sulco nasolabial aprofundado. O método proposto demonstrou ser eficiente e confiável, apresentando na validação um F1 score de 83%, valor-p de McNemar de 0,146, e Kappa de Cohen de 0,668, resultados compatíveis e, em alguns aspectos, superiores aos métodos tradicionais, especialmente em condições de visibilidade parcial da face do neonato. Esta pesquisa não pretende substituir os métodos tradicionais, mas sim otimizá-los, oferecendo uma solução prática e robusta para os desafios do diagnóstico de dor em neonatos na UTIN. A combinação de análise segmentada da face, avaliação apenas das regiões visíveis e pontuações diferenciadas para movimentos faciais mais discriminantes posiciona este arcabouço como uma contribuição significativa e viável para a evolução do manejo da dor neonatal, promovendo uma avaliação mais objetiva e precisa em cenários clínicos complexosNewborns admitted to Neonatal Intensive Care Units (NICUs) often undergo procedures that cause pain. The presence of medical devices attached to the neonate's face poses challenges to the adequate assessment of pain. This study aimed to develop an automated method to recognize pain in neonates, even under conditions of limited facial visibility. A computational framework was proposed and implemented using state-of-the-art image processing and artificial intelligence techniques to segment specific facial regions and classify facial movements indicative of pain, namely: open mouth, stretched mouth, deepened nasolabial furrow, bulging forehead, and narrowed palpebral fissure. Using four distinct and literature-referenced databases, the method was trained, validated, and tested, allowing the analysis of only the visible areas of the face. An innovative approach was applied, assigning differentiated weights to the most relevant facial movements, with higher scores for movements with greater discriminatory power, such as the deepened nasolabial furrow. The proposed method proved to be efficient and reliable, demonstrating an F1 score of 83%, a McNemar p-value of 0.146, and a Cohen’s Kappa of 0.668 during validation. These results are comparable to, and in some aspects surpass, traditional methods, particularly in conditions of partial facial visibility in neonates. This research does not aim to replace traditional methods but rather to optimize them, offering a practical and robust solution to the challenges of pain diagnosis in NICU neonates. The combination of segmented facial analysis, evaluation of only visible regions, and differentiated scores for more discriminative facial movements positions this framework as a significant and feasible contribution to the advancement of neonatal pain management, promoting a more objective and precise assessment in complex clinical scenarios.