The Pulse

TRACER di Stanford trasforma i video della terapia intensiva in registrazioni orarie sui pazienti

I ricercatori di Stanford hanno presentato TRACER, un sistema di IA che combina i video della terapia intensiva con le cartelle cliniche elettroniche per riassumere l’attività dei pazienti nel tempo. In uno studio su 280 pazienti e circa 60

AI.info Team · Scritto con l’IA · 2026-10-17

I ricercatori di Stanford hanno presentato TRACER in un articolo pubblicato il 15 ottobre, descrivendo un sistema che trasforma i video ripresi al letto dei pazienti in terapia intensiva e le cartelle cliniche elettroniche in una cronologia consultabile dei loro comportamenti. Lo strumento registra l’attività minuto per minuto, produce riepiloghi orari affiancati agli eventi relativi alla somministrazione dei farmaci e permette a un agente basato su un modello linguistico di rispondere alle domande recuperando le registrazioni ed esaminando i video pertinenti. Il 16 ottobre è seguito un post sul blog dello Stanford Artificial Intelligence Laboratory dedicato al progetto.

I ricercatori presentano TRACER come uno strumento per aiutare i medici a esaminare i cambiamenti nel corso di un ricovero, non come un sistema diagnostico automatizzato. Riferiscono di aver riscontrato un’associazione tra livelli più bassi di attività intenzionale e valutazioni positive per il delirium in una coorte di 280 pazienti. Lo studio non dimostra che il sistema possa diagnosticare il delirium né che i cambiamenti nell’attività lo causino.

Dai video della terapia intensiva alle registrazioni minuto per minuto

TRACER è stato sviluppato a partire da video raccolti allo Stanford Hospital dall’agosto 2021 al giugno 2025. Sedici telecamere fisse coprivano otto stanze delle unità di terapia intensiva cardiovascolare e medica, registrando due inquadrature per stanza; le riprese sono state collegate a cartelle cliniche elettroniche strutturate, che comprendevano dati sulla somministrazione dei farmaci e valutazioni infermieristiche. I ricercatori affermano che lo studio è stato approvato dal comitato di revisione istituzionale di Stanford.

Per ogni minuto, un modello visivo-linguistico esamina fotogrammi campionati dai video e identifica 15 azioni definite con il contributo dei clinici, come il movimento del paziente, la comunicazione, il contatto con i clinici e l’interazione con gli oggetti. Produce anche didascalie che descrivono la stanza. Un modello linguistico combina queste registrazioni con gli eventi relativi alla somministrazione dei farmaci per creare riepiloghi orari, mentre un agente separato può cercare nella cronologia, consultare la cartella clinica ed esaminare i video selezionati.

Questo metodo affronta un problema pratico di scala: nella coorte studiata, la durata mediana del ricovero era di 3,3 giorni e alcuni ricoveri hanno raggiunto le due settimane. Invece di chiedere a un modello di elaborare un intero ricovero come un unico, enorme video, TRACER costruisce una gerarchia di brevi registrazioni e riepiloghi, per poi recuperare le informazioni pertinenti alla domanda di un medico.

Due benchmark verificano il riconoscimento e il recupero delle informazioni

Il gruppo ha testato il riconoscimento delle azioni su 397 clip annotate, ciascuna della durata di un minuto, tratte da 26 ricoveri. Nelle 15 categorie di azioni, Gemini 3.5 Flash ha raggiunto un’accuratezza dell’84,8% e un punteggio micro-F1 di 68,6. Secondo l’articolo, il meno costoso Gemini 3.1 Flash Lite ha raggiunto un’accuratezza dell’82,3% e un micro-F1 di 62,2; i ricercatori hanno usato questo modello per l’analisi della coorte più ampia.

Un secondo benchmark, TRAJECTORY-144, ha verificato le risposte a domande su 264 ore di video e cartelle cliniche relative a due ricoveri in terapia intensiva. Con Gemini 3.1 Flash Lite come modello di ragionamento, TRACER ha ottenuto un’accuratezza del 61,0%, contro il 49,3% del miglior sistema di riferimento basato sullo stesso modello. Il risultato migliore di TRACER, il 76,9%, è stato ottenuto con Gemini 3.5 Flash. Gli autori osservano che, nel ragionamento, i modelli a pesi aperti hanno ottenuto risultati relativamente vicini a quelli dei modelli proprietari, mentre i modelli proprietari hanno riconosciuto meglio le azioni nei video.

«I nostri risultati mostrano che combinare video continui e cartelle cliniche può aiutare a comprendere il comportamento dei pazienti nel tempo e in diverse coorti di pazienti, senza addestrare i modelli su dati sanitari protetti». Zane Durante et al., autori di «TRACER: A Multimodal Harness for Patient Care in Hospitals»

Un’associazione con il delirium, non una diagnosi

Nella coorte di 280 pazienti, TRACER ha elaborato circa 60.000 ore di riprese delle telecamere. I ricercatori hanno rilevato un numero significativamente inferiore di azioni intenzionali previste tra i pazienti che avevano avuto almeno una valutazione positiva per il delirium durante il ricovero rispetto a quelli che non ne avevano avute; l’articolo riporta un valore p inferiore a 0,0001. Nella coorte, 53 pazienti avevano ricevuto una valutazione positiva e 227 no.

Questo risultato è un’associazione a livello di gruppo, non una prova che TRACER possa individuare il delirium in un singolo paziente o sostituire la valutazione al letto del paziente. Gli autori presentano il modello comportamentale osservato come un possibile punto di partenza per studiare misure digitali dell’attività. Secondo il post di Stanford sul progetto, i primi medici e infermieri che hanno visto l’interfaccia hanno espresso pareri incoraggianti, ma la pubblicazione non riporta una sperimentazione clinica che dimostri un miglioramento degli esiti.

Le registrazioni dei pazienti restano private

Secondo l’articolo, i video e le cartelle cliniche collegate non possono essere resi pubblici. Il gruppo di Stanford ha invece progettato il metodo in modo che le sue componenti generali, tra cui la tassonomia delle azioni, la struttura della cronologia, gli strumenti e i prompt, possano essere condivise senza pubblicare le cartelle cliniche protette dei pazienti né i parametri dei modelli adattati a quei dati.

Questa distinzione delimita ciò che TRACER è al momento: l’articolo presenta un sistema di ricerca per organizzare e interrogare dati sensibili della terapia intensiva, con un segnale misurato associato alle valutazioni per il delirium. Non dimostra che esista un prodotto già in uso negli ospedali né uno strumento validato per lo screening del delirium.