Stanford-Forschende stellen TRACER vor: KI wertet Videos von der Intensivstation auf Delir aus
Ein Team unter der Leitung von Stanford beschreibt TRACER, ein System, das kontinuierliche Videoaufnahmen vom Intensivbett mit elektronischen Patientenakten verknüpft und dem klinischen Personal helfen soll, frühe Anzeichen eines Delirs zu erkennen.
Forschende der Stanford University haben TRACER beschrieben: ein System, das Patientinnen und Patienten auf der Intensivstation rund um die Uhr per Video beobachtet und das Gesehene mit ihren elektronischen Gesundheitsakten abgleicht, um auf ein mögliches Delir hinzuweisen. Laut Preprint des Teams erreicht es eine Genauigkeit von 85% bei der Erkennung von Handlungen und von 61% bei Fragen aus der klinischen Praxis. Zudem berichtet das Preprint, dass Patienten, die positiv auf ein Delir gescreent wurden, in einer Kohorte von 280 Personen deutlich weniger zielgerichtete Aktivität zeigten. Die Arbeit erschien am 15. Oktober 2026 auf arXiv, Stanford HAI veröffentlichte seinen Bericht dazu am 20. November 2026.
Hinter der Arbeit steckt ein Zeitproblem. Ein Delir tritt auf der Intensivstation häufig auf, besonders bei beatmeten Patienten, und geht mit kognitiven Beeinträchtigungen und einem höheren Sterberisiko einher. Das klinische Personal sieht in der Regel nur wenige Male am Tag nach den Patienten. Visiten dauern oft nur einige Minuten pro Person, mit Fragen am Bett wie jener nach dem aktuellen Wochentag. Der Bericht von Stanford HAI weist darauf hin, dass sich die schwerste Form der Erkrankung durch fehlende Aktivität äußert, was sie durch Nachfragen schwer erkennbar macht. Die Prämisse des Teams: Das Signal liegt in Bewegung und in Inaktivität, also könnte ein System, das Verhalten fortlaufend aufzeichnet, Veränderungen erfassen, die bei Visiten untergehen.
Jede TRACER-Installation besteht aus zwei Kameras über einem Intensivbett, die mit 15 Bildern pro Sekunde aufzeichnen. Eine durchgehende Aufnahme mit dieser Bildrate erzeugt große Datenmengen, und laut HAI-Beitrag dauert ein durchschnittlicher Aufenthalt auf der Intensivstation dreieinhalb Tage. Um die Last zu verringern, tastet das System das Material in Minutenabständen ab und gleicht jede erfasste Minute mit 15 Handlungen ab, die die Autoren als atomar bezeichnen, etwa Hand-zum-Gesicht-Bewegungen, Sprechen oder regloses Liegen. Ein Wahrnehmungsmodell versieht jede Minute mit Labels. Ein zweites Modell fasst jede Stunde in einem Bericht zusammen. Ein LLM-Agent beantwortet Fragen, indem er Tools auf die minütliche Zeitleiste, die Stundenberichte, die Gesundheitsakten und das Rohvideo anwendet. Das arXiv-Abstract beschreibt das Design als trainingsfreien Harness: Die Modelle werden so verwendet, wie sie sind, statt auf Patientendaten angepasst zu werden. Laut HAI-Beitrag lässt sich TRACER, weil keine Patientendaten für das Training verwendet wurden, mit anderen Intensivstationen teilen, ohne Datenschutzbedenken für Patienten aufzuwerfen. Der Aufbau auf einem Foundation Model soll dem Beitrag zufolge außerdem Einzellösungen vermeiden, die sich nicht verallgemeinern lassen.
Der Wert für die Handlungserkennung, im Abstract 84,8% und im HAI-Beitrag auf 85% gerundet, wurde an 397 annotierten Clips von je einer Minute gemessen, die die 15 Handlungen abdecken. Der Wert für die Fragebeantwortung, 61,0%, stammt aus 144 unter klinischer Mitwirkung entwickelten Multiple-Choice-Fragen, die auf 264 Stunden Video und Akten von zwei Intensivpatienten beruhen. Laut Abstract kam die stärkste Baseline mit demselben Backbone bei diesen Fragen auf 49,3%, ein Vergleichswert, den der HAI-Beitrag nicht erwähnt. Die Kohorte mit 280 Patienten ist eine andere Art von Evidenz. Laut Abstract ergaben die rund 60.000 Kamerastunden bei Patienten mit positiver Delir-Einschätzung signifikant weniger zielgerichtete Aktivität (p < 0,0001). Das belegt einen Zusammenhang zwischen einem Screening-Ergebnis und der aufgezeichneten Aktivität. Es belegt nicht, dass das System ein Delir früh erkennt oder die Behandlungsergebnisse verbessert. Die Aussage im HAI-Beitrag, TRACER könne Interventionen ermöglichen, stammt von Paul Tang und ist als Möglichkeit formuliert.
Der Benchmark zur Fragebeantwortung stützt sich auf zwei Patienten. Ein Wert von 61% bedeutet, dass der Agent in etwa vier von zehn Fällen falsch antwortete, was die Autoren als Optimierungsspielraum bezeichnen. Die Beispielantwort aus dem Paper, wonach die Aktivität eines Patienten nachts ihren Höhepunkt erreichte, ist eine einzelne Illustration und kein Maß für Zuverlässigkeit.
Öffentlich zugänglich ist nur ein Teil. Ein GitHub-Repository zum Paper enthält den Code, die Prompts, die Tools und eine Demo, die mit einem synthetischen Aufenthalt und einem generierten Beispielvideo läuft. Laut README sind Video, Gesundheitsakten, die minütlichen Daten der Kohorte und die 397 annotierten Clips nicht enthalten, da es sich um geschützte Gesundheitsinformationen handelt, die gemäß der Studiengenehmigung nicht geteilt werden dürfen. Wer die Kohortenergebnisse reproduzieren will, kann das mit dem Repository nicht tun. Die Demo prüft die Software-Pipeline, nicht die klinischen Aussagen.
Warum es wichtig ist
Krankenhäuser, die Video-KI am Krankenbett in Betracht ziehen, haben nun einen veröffentlichten Prototyp, der kontinuierliche Aktivitätsdaten mit klinischen Akten verknüpft. Die Abfragegenauigkeit von 61% zeigt, dass er von klinischer Reife weit entfernt ist. Das trainingsfreie Design, das laut den Autoren ohne Training auf Patientendaten auskommt, könnte den Einsatz an mehreren Standorten erleichtern, sofern die Validierung Bestand hat.
Was Sie tun können
Führungskräfte im Gesundheitswesen, die Videoüberwachung am Krankenbett prüfen, könnten Anbieter vor jedem Pilotprojekt um unabhängige Validierungsdaten zur Abfragegenauigkeit und um Angaben zu ihren Datenschutzvorkehrungen für Patienten bitten.
Originalquelle
Wo wir es gesehen haben
Stanford HAI
KI hat diese Zusammenfassung aus den genannten Quellen geschrieben und ins Deutsche übersetzt. Niemand hat sie vor der Veröffentlichung einzeln geprüft. Bitte prüfen Sie die Originalquelle, bevor Sie sich darauf verlassen. So funktioniert es