Die Patientenablage im Blick – technische Machbarkeit der kontaktlosen Vitalparameterüberwachung mehrerer Personen

Focus on the Triage Area – Technical Feasibility of Contactless Multi-Person Vital Sign Monitoring

Constantin Halim^ab, Lukas Ullmann^a, Anna Müller^a, Andreas Follmann^a

^a AcuteCare InnovationHub, Klinik für Anästhesiologie,
Uniklinik RWTH Aachen

^b Kommando Schnelle Einsatzkräfte Sanitätsdienst, Leer

Zusammenfassung

Massenanfälle von Verletzten (MANV) stellen zivile Rettungsdienste und militärische Sanitätsdienste vor erhebliche organisatorische und medizinische Herausforderungen, da die Diskrepanz zwischen notwendiger und verfügbarer Versorgung eine effiziente Priorisierung und Therapie erfordert. Die kontinuierliche und zuverlässige Erhebung der Vitalparameter ist dabei zentral, bindet jedoch wertvolle personelle Ressourcen. Kontaktlose Verfahren wie die remote Photoplethysmografie (rPPG) haben das Potenzial, Vitalparameter bei verhältnismäßig geringem Materialaufkommen und stark reduziertem Personaleinsatz zu erfassen.

In der vorliegenden Machbarkeitsstudie wurde die kamerabasierte multipersonelle Erhebung der Herzfrequenz mittels rPPG unter Verwendung der Algorithmen CHROM und POS sowie die Anwendung von Frequenzvorfiltern auf die RGB-Eingangssignale (Rot-Grün-Blau) untersucht. In einem kontrollierten Versuchsaufbau wurden Videoaufzeichnungen von acht gesunden Probanden¹ aus einer größeren Probenmenge bei variierenden Körperpositionen und physiologisch induzierten Veränderungen der Herz- und Atemfrequenz aufgezeichnet. Die Videosignale wurden in einzelne RGB-Signale segmentiert, als rPPG-Signale abgebildet und anschließend zur Herzfrequenzdetektion spektral analysiert. Die Ergebnisse konnten zwar aufgrund technischer Limitationen nur für einen Teil der Datensätze ausgewertet werden, doch die Algorithmen zeigten insgesamt eine grundsätzliche multipersonelle Detektionsfähigkeit.

Die Studie bestätigt die technische Machbarkeit einer multipersonellen kontaktlosen Vitalparametererhebung. Angesichts der beobachteten Messfehler erscheint eine alleinige rPPG-basierte Beurteilung kritisch, jedoch könnte die Methode als ergänzendes Instrument zur Sichtungsunterstützung und zur längerfristigen Patientenbeobachtung wertvolle Vorteile bieten. Weitere Forschungsarbeiten unter realitätsnäheren Bedingungen sowie algorithmische Optimierungen – perspektivisch unter Einsatz von Deep-Learning-Modellen – sind notwendig, um die Genauigkeit und Robustheit der rPPG für die Anwendung in MANV-Szenarien weiter zu erhöhen.

Schlüsselwörter: Massenanfall von Verletzten, Katastrophenmedizin, Monitoring, digitale Medizin, kontaktlose Vitalparameterüberwachung

Summary

Mass casualty incidents (MCIs) pose significant organizational and medical challenges for civilian and military emergency medical services, as the gap between required and available resources necessitates efficient prioritization and treatment. Continuous and reliable acquisition of vital parameters is essential in this context, yet it consumes valuable personnel resources. Contactless approaches such as remote photoplethysmography (rPPG) can record vital parameters with comparatively low material requirements and substantially reduced personnel involvement.

In this feasibility study, camera-based, multiperson heart rate monitoring using rPPG was investigated employing the CHROM and POS algorithms as well as their frequency-filtered variants. In a controlled experimental setting, video recordings of eight healthy volunteers from a larger study group were obtained while in varying body positions and during physiologically induced changes in heart and respiratory rates. The video signals were segmented into individual RGB (red-green-blue) channels, subjected to spectral analysis, and processed for heart rate detection. Although only parts of the datasets could be analyzed due to technical limitations, the algorithms demonstrated a fundamental ability to detect heart rates for multiple people.

The study confirms the technical feasibility of multiperson, contactless vital-parameter monitoring. Considering the observed measurement inaccuracies, sole rPPG-based assessment appears critical; nonetheless, the method may offer valuable advantages as a supplementary tool for triage support and longer-term patient observation. Further research under more realistic conditions, as well as algorithmic optimization – prospectively using deep learning – is required to improve the accuracy and robustness of rPPG for application in MCI scenarios.

Keywords: mass casualty incident; disaster medicine; monitoring; digital health; contactless vital-sign monitoring

Einleitung und Hintergrund

Das Bundesamt für Bevölkerungsschutz und Katastrophenhilfe definiert einen Massenanfall an Verletzten (MANV) als „Notfall mit einer größeren Anzahl von Verletzten sowie anderen Geschädigten oder Betroffenen, der besondere planerische und organisatorische Maßnahmen erfordert, weil er mit der vorhandenen und einsetzbaren Vorhaltung der präklinischen und klinischen Versorgung nicht bewältigt werden kann“ [2].Diesbezüglich sind Notfälle mit erwartbar hohen Patientenzahlen, etwa große Verkehrsunfälle, vergleichbar mit solchen, die in militärischen Einsatzszenarien und im Zivilschutz denkbar sind. Die Gemeinsamkeit liegt in der Diskrepanz zwischen dem Hilfsbedarf und dem professionellen Angebot.

Verschiedene Einsatztaktiken wurden entwickelt, um eine adäquate medizinische Versorgung aller Patienten im MANV sicherzustellen. Patientenablagen (PA) und Behandlungsplätze (BHP) können als Beispiele dafür hochmobil am Einsatzort durch Kräfte des Rettungsdienstes und des Bevölkerungsschutzes eingerichtet und betrieben werden [3]. In einer Patientenablage werden, vergleichbar mit einem Verwundetennest oder einem Casualty Collection Point (CCP), die Patienten in der Nähe des Schadensgebietes gesammelt, durch lebensrettende Sofortmaßnahmen stabilisiert und ihre Transportfähigkeit hergestellt. Von hier werden die Patienten entweder direkt in ein Krankenhaus oder in einen Behandlungsplatz (BHP) zur weiteren Behandlung und Transportorganisation verbracht. Der zivile BHP ist mit einer Behandlungsebene 1 (ROLE 1) nahezu vergleichbar. Durch die Zusammenziehung von Material, Personal und Patienten in temporären Einrichtungen wie PA und BHP kann eine ressourcengebündeltere Versorgung organisiert werden, als durch einen dezentralen individualmedizinischen Ansatz. Die Organisation der PA und BHP sowie die Durchführung der therapeutischen Maßnahmen binden die Rettungskräfte, die in der Zwischenzeit für zeitintensive Vitalparametererhebungen nicht zur Verfügung stehen.

Grundlage: Vitalparametererhebung

Die Vitalparametererhebung findet während des gesamten Prozesses, wenn überhaupt, kabelgebunden, ansonsten rein manuell statt. Dabei ist die regelmäßige Erhebung der Vitalparameter wie Herz- und Atemfrequenz die Grundlage für eine Evaluation des Patientenzustands und eine korrekte und rechtzeitige Behandlung. Dies gilt ferner für den Verwundetentransport über längere Strecken. In Anbetracht der begrenzten materiellen und personellen Ressourcen ziviler und militärischer Sanitätsdienste ist die Suche nach ressourcenschonenden, die Patientensicherheit steigernden und Einsatzkräfte entlastenden Lösungen zur Vitalparameterüberwachung von großer Bedeutung. Jede Sekunde, die eine Einsatzkraft für die Erhebung von Vitalparametern aufwenden muss, steht sie für andere Maßnahmen nicht zur Verfügung und umgekehrt ist damit zu rechnen, dass die Vitalparametererhebung des einen Patienten hintangestellt wird, wenn ein anderer Patient einer akuten Behandlungsmaßnahme bedarf. Die Reduktion des Aufwands bei routinemäßigen Vitalparametererhebungen führt zu einer zeitlichen Ausweitung der Behandlungskapazitäten. Eine automatische Vitalparameterüberwachung entlastet Einsatzkräfte von der regelmäßigen Durchführung der Vitalparametererhebung und kann die Patientensicherheit erhöhen, da sie systemseitig auf kritische Zustandsveränderungen hingewiesen werden, auch wenn sie sich auf die Durchführung anderer Maßnahmen konzentrieren.

Es gibt verschiedene Ansätze zur kontaktlosen Vitalparametererhebung. Die rPPG (remote Photoplethysmografie) ist ein Verfahren, das auf der kameragestützten Detektion der zyklischen Farbveränderung der Haut basiert. Diese Farbveränderungen hängen von der intradermalen Menge oxygenierten Blutes ab und können Aufschluss über die Herzfrequenz geben [8][9].

Für die Modellierung und Auswertung dieser pulsabhängigen Farbveränderung wurden andernorts bereits die Algorithmen CHROM (Chrominance) und POS (Plane Orthogonal to Skin) beschrieben [4][10].

Das Projekt FALKE

Im ProjektFALKE (Flugsystem-Assistierte Leitung Komplexer Einsatzlagen, gefördert vom Bundesministerium für Forschung, Technologie und Raumfahrt) konnte gezeigt werden, dass eine kontaktlose kamerabasierte Vitalparametererhebung und Evaluation einzelner Patienten möglich ist und anhand der so erhobenen Daten eine teleärztliche Sichtung durchgeführt werden kann [6]. Hier lagen die meisten Messwerte im Bereich von ±20 bpm und damit im 95 %-Konfidenzintervall von -28,5–27,5 bpm [6]. Aufbauend auf diesen Forschungsergebnissen und Technologien wurden in der vorliegenden Arbeit mehrere Algorithmen zur Herzfrequenzdetektion evaluiert und die technische Machbarkeit einer kamerabasierten multipersonellen Vitalparametererhebung erprobt. In Zukunft könnte eine kamerabasierte kontaktlose multipersonelle Vitalparameterüberwachung einen Beitrag zur Optimierung der dauerhaften und lückenlosen Zustandsüberwachung Einzelner und größerer Patientengruppen in PA, BHP sowie während des Verwundetentransports leisten. Ziel der vorliegenden Arbeit war es, zu prüfen, ob eine mit den Vorarbeiten vergleichbare Abweichung der Messwerte von den Referenzwerten bei der multipersonellen Detektion auftritt.

Methodik

Die angewandte Methode zur Messung der Herzfrequenz beruht auf der Detektion feinster, für das menschliche Auge unsichtbarer Farbveränderungen der Haut, die mit der periodischen pulssynchronen Perfusion und den daraus resultierenden Änderungen des intradermalen Volumens des oxygenierten Blutes assoziiert sind. Die Perfusion der Haut während der Systole führt zu einem gesteigerten intradermalen Blutvolumen bzw. Sauerstoffgehalt, das zu einer gesteigerten Absorption von Umgebungslicht und einer reduzierten Intensität des von der Haut reflektierten und vom Kamerasystem detektierten Lichts führt. Während der Diastole kehren sich alle Verhältnisse um: Das intradermale Blutvolumen, die Menge oxygenierten Blutes und die Lichtabsorption nehmen ab, und die messbare Reflektion nimmt zu. Durch dieses Phänomen entstehen Farbunterschiede, die im Videosignal einer RGB-Kamera anhand der Modulationen der Pixelintensität gemessen und mittels geeigneter Algorithmik interpretiert werden können [1]. Insbesondere gut perfundierte Gesichtsregionen eignen sich für Messungen.

Für die vorliegende Arbeit wurden aus einer größeren Studienmenge acht Probanden in zwei Gruppen auf vier Liegeplätze verteilt und ihre Gesichter in vier aufeinanderfolgenden Runden mit einer RGB-Kamera (Mako G-234, Allied Vision, Stadtroda, Deutschland) mit einer im Fokussierbereich von 3 m ultrahoch auflösenden 12-MP-Zoom-Linse (VL6Z1626UC-MPYIR, CBC (Europe) GmbH Germany, Düsseldorf, Deutschland) bei einer durchschnittlichen Umgebungslichtintensität von ca. 1414 Lux aufgezeichnet. Jeder Proband wurde in einer vorab festgelegten Körperhaltung (Seitenlage, Rückenlage, sitzend, in die Kamera blickend) positioniert, die von Runde zu Runde probandenweise beibehalten wurde. Während der Videoaufzeichnung wurden jeweils zwei nebeneinanderliegende Probanden für 3 min aufgenommen, und die Kamera wurde anschließend um einen Liegeplatz weitergeschwenkt, sodass je ein Proband aus dem ersten und dem zweiten Paar jeweils für 6 min aufgezeichnet wurde (Abbildung 1). Durch Sport, Atem- und Entspannungsübungen zwischen den Aufnahmen wurden auf physiologische Weise verschiedene Vitalparameter simuliert (Atemaussetzer, normales Atemmuster, schnelles Atemmuster und langsame, normale, schnelle Herzrate). Die Gesamtaufnahmedauer pro Gruppe betrug damit neun Minuten.

Abb. 1: Schematische Darstellung der Kameraeinstellungen. Für vier Probanden wurden drei Kameraeinstellungen mit jeweils drei Minuten Aufnahmedauer gewählt. (Roter Kasten: Platz 1 und 2, gelber Kasten: Platz 2 und 3, grüner Kasten: Platz 3 und 4)

Zur Messung von Referenzsignalen wurde ein Poly­somnographieatemgurt (SOMNOtouch RESP eco, ­SOMNOmedics AG, Randersacker, Deutschland) und ein EKG-Gurt (H10, Polar Electro Oy, Kempele, Finnland) verwendet.

Die so gewonnenen Videoaufzeichnungen wurden in 6 sec lange Sequenzen unterteilt und mit Hilfe der für die multipersonelle Vitalparametererhebung modifizierten Algorithmen hinsichtlich der Herzfrequenz analysiert.

Im Rahmen der Analyse wird für jedes Bild im Video die Haut im Gesicht der (einzelnen) Probanden als ROI (Region of Interest) definiert und durch ein Face Mesh in mehrere räumliche Segmente untergliedert. Hierfür wird die Face Mesh Detection API (Application Programming Interface) von Google ML Kit (Google, Mountain View, Kalifornien, Vereinigte Staaten von Amerika) verwendet [5]. Alle RGB-Pixelwerte der relevanten Gesichtshautregionen werden anschließend räumlich gemittelt, sodass sich für jedes Bild im Video ein RGB-Wert ergibt.

Durch die Anwendung dieser Verarbeitung auf jedes Bild im Video ergibt sich ein zeitlicher Verlauf der RGB-Werte. Diese zeitlichen RGB-Rohsignale können optional kanalweise vorgefiltert werden (Butterworth-Bandpassfilter 0,65 Hz–4,0 Hz der 6. Ordnung), um bereits hier Frequenzen außerhalb des Herzfrequenzspektrums im Signal abzumildern. Die optional vorgefilterten RGB-Signale („vorgefiltert“, preFilt) werden dann mittels Signalzerlegungstechniken – die Projektion auf Farbvektoren, die blutflussbezogenen Komponenten aus dem RGB-Signal isoliert – in rPPG-Signale überführt.

In unserem Falle wurden Zerlegungen nach CHROM und POSverwendet [4][9]. Nach einer für beide Verfahren einheitlichen, dem Verfahren der „Vorfilterung“ technisch analogen Nachfilterung des rPPG-Signals wird eine Frequenzanalyse des Signals durchgeführt. Die Frequenz mit der höchsten Power diente hierbei der Abschätzung der Herzfrequenz für ein sechssekündiges Videosegment. Konkret wurden die zyklischen Farbveränderungen der Pixel beobachtet und daraus die Herzfrequenz abgeleitet. Für jeden im Bild sichtbaren Probanden (n = 2) wurde die eben beschriebene unipersonelle Verarbeitung getrennt durchgeführt, wodurch sich zwei parallel ablaufende unipersonelle Verarbeitungen zur multipersonellen Herzraten-Detektion zusammenführen ließen (Abbildung 2).

Abb. 2: Schematische Darstellung der Bildverarbeitung inklusive der optionalen Filterungen. 1) Initiale Gesichtserkennung 2) Gesichtsmerkmalerkennung Anlage des Face Mesh 3) Hauterkennung und Ausschluss irrelevanter Bildbestandteile 4) Zerlegung des Videosignals in die RGB-Rohsignale Bild für Bild 5) PPG-Signal-Extraktion mit CHROM und POS 6) Bestimmung der Herzfrequenz (HR) durch Leistungsdichtespektrumanalyse

Die Verfahren preFiltCHROM bzw. CHROM und preFiltPOS bzw. POS wurden innerhalb der sechssekündigen Videosegmente einer über das jeweilige Segment gemittelten Referenzherzrate gegenübergestellt. Aus diesen Werten wurde der jeweilige RMSE (Root Mean Square Error) zwischen dem Referenz- und dem kontaktlos extrahierten Wert berechnet. Das bedeutet, dass quantifiziert wurde, wie stark die vom Algorithmus kontaktlos geschätzte Herzrate vom tatsächlichen Referenzwert abwich. Anschließend wurden die verschiedenen Verfahren danach verglichen, die über alle betrachteten Frequenzbereiche hinweg die geringsten Fehler erzielten. Die Berechnungen auf Basis der Videosegmente erfolgten über die gesamte Dauer des Videos. Die Berechnung des RSME und der durchschnittlichen Referenzwerte des jeweiligen Probanden im Video diente der Fehleranalyse.

Der RMSE wurde anschließend auf den durchschnittlichen Referenzwert des jeweiligen Probanden im jeweiligen Video aufgetragen, um die Fehler über unterschiedliche Referenzwertbereiche hinweg analysieren zu können. Bildausschnitte mit nicht detektierbaren Face Meshes sowie Passagen mit unzureichender Referenzsignalqualität wurden ausgeschlossen.

Ergebnisse

Nach der Durchführung der Videoaufnahmen lag ein Teildatensatz mit 48 Datenpunkten (n = 48) zur weiteren Analyse vor. Vom verwendeten Teildatensatz der Studie mussten alle Datenpunkte der Probanden in Seitenlage ausgeschlossen werden, da sie vom Face-Mesh-Algorithmus nicht erkannt wurden. Hiernach lagen zur Auswertung 34 Datenpunkte (n = 34) vor.

Abbildung 3 zeigt die RMSE, also die Abweichungen der Messungen vom Referenzwert, im Vergleich zwischen den Algorithmen. Zusätzlich zu den Ergebnissen der Methoden wurde zu einer jeweiligen Referenzherzfrequenz jeweils der Wert des zuverlässigsten Verfahrens mit dem geringsten RMSE hervorgehoben und als „Best-Match“-Punkt bezeichnet.

Abb. 3: Dargestellt sind die Root Mean Square Error (RMSE) Werte der unterschiedlichen Verarbeitungstechniken POS (orange), vorgefiltertes POS (gelb), CHROM (hellgrün) und vorgefiltertes CHROM (blau) nach der Referenzherzrate, bei der sie detektiert wurden. In Rot transparent sind zusätzlich die Punkte der bei der jeweiligen Referenzherzfrequenz am besten abschneidenden Verarbeitungstechnik markiert. Gestrichelte Linien zeigen die Medianwerte des RMSE für die jeweiligen Verarbeitungstechniken in den Referenzherzfrequenzbereichen an.

Es ist erkennbar, dass die Methode preFiltPOS in beinahe allen Referenzherzfrequenzbereichen am schlechtesten abschneidet. Bei den weiteren Verfahren und Referenzwertbereichen ergibt sich, dass POS und preFiltCHROM die besten und ähnlichsten Ergebnisse liefern. Zu erwähnen ist, dass die Referenzherzfrequenzbereiche unterschiedliche RMSE-Werte aufweisen. Nimmt man die „Best-Match“-Punkte aus, ergibt sich für die medianen RMSE-Werte bei POS, CHROM und preFiltCHROM ein Optimum bei 60–80 Schlägen/min mit dem kleinsten RMSE-Wert für diesen Herzfrequenzbereich von 3,795 für CHROM bei einer Referenzherzfrequenz von 61,57 Schlägen/min. Der Fehler nimmt über und unter diesem Herzfrequenzbereich zu, was auf eine Häufung von Artefakten oder auf eine uneindeutigere Verteilung der Frequenz-Power hindeutet. Im Median lagen die RMSE-Werte über alle Datenpunkte für POS bei 9,911, für CHROM bei 10,493, für preFiltPOS bei 27,616 und für preFiltCHROM bei 10,724. Für jede gemessene Referenzherzfrequenz wurde ferner der kleinste RMSE-Wert als bestmöglicher aller vier Methoden bestimmt, und der Median dieser RMSE-Werte lag bei 9,77.

Diskussion

In dieser Arbeit wurden aus einer größeren Studienmenge acht Probanden in verschiedenen Positionen unter definierten Lichtbedingungen mit einer RGB-Kamera gefilmt, und die Aufnahmen wurden mit Hilfe verschiedener Algorithmen hinsichtlich herzfrequenzabhängiger Farbänderungen der Pixel der Gesichtshaut analysiert, und die Herzfrequenz wurde daraus abgeleitet. Mit Hilfe von Referenzmessungen wurde die Abweichung der Messungen zu den Referenzwerten analysiert und so wurden die Algorithmen POS und preFiltCHROM als zuverlässigste identifiziert.

Vom verwendeten Teildatensatz mussten Datenpunkte der Probanden in Seitenlage ausgeschlossen werden, da sie vom Face-Mesh-Algorithmus nicht erkannt wurden. Die Anwendung eines Face Meshes auch bei unvollständiger visueller Erfassung ist ein Vorverarbeitungsschritt, der bei den hier angewendeten, nicht deep-learning-basierten herkömmlichen Algorithmen unabdingbar ist. Eine mögliche Lösung könnte die ­Anwendung vorhandener end-to-end deep-learning-basierter Modelle sein, die einen solchen Vorverarbeitungsschritt implizit beinhalten und somit nicht auf Face-­Mesh-Netzwerke angewiesen sind [11]significantly illuminating an individual’s state of physical health. ­Distinguished from traditional contact-based heart rate measurement, the utilization of Remote Photoplethysmography (rPPG. Unter Realbedingungen ist davon ­auszugehen, dass ein gewisser Anteil der Patienten in Seitenlage liegen wird und dass die Fähigkeit zur Gesichtserkennung auch unter erschwerten Bedingungen ein notwendiges Kriterium für den Einsatz ist. Daher sollten einerseits die Verfahren zur Gesichtserkennung optimiert und andererseits durch eine optimierte Kameraposition dafür Sorge getragen werden, dass eine Analyse der Probanden auch in Seitenlage möglich ist.

Die Fehler entsprachen insgesamt den nach Betrachtung anderer Forschungsergebnisse erwarteten Abweichungen [6]. Sie sind vergleichbar mit den in Publikationen aufgeführten, in denen die Abweichungen hinreichend gering waren, um in Verbindung mit anderen erhobenen Parametern eine Sichtungskategorie zuweisen zu können [7]. Um sicherzustellen, dass die Abweichungen auch für eine kontinuierliche Überwachung von Einzelparametern ausreichend gering sind, sollten die angewandten Techniken hinsichtlich von Pathologien wie Bradykardie, Tachykardie und Arrhythmien validiert werden. Die geschilderten Limitationen zeigen den Bedarf an weiteren Entwicklungsschritten unter Anwendung der hier verwendeten Algorithmen einerseits und an der Erschließung des Potenzials aufgeleiteter deep-learning-basierter Modelle für diesen Anwendungsfall andererseits auf. In einer Übersichtsarbeit wurde das Potenzial deep-learning-basierter Modelle zur Weiterentwicklung der rPPG dargelegt [11]significantly illuminating an individual’s state of physical health. Distinguished from traditional contact-based heart rate measurement, the utilization of Remote Photoplethysmography (rPPG. Ein Vorteil regelbasierter Algorithmen wie CHROM und POS besteht im Gegensatz dazu in der einfacheren mathematischen Nachvollziehbarkeit der Modelle.

Da die Verfahren bei verschiedenen Referenzherzfrequenzen unterschiedlich starke Fehler aufweisen, ist die a priori Festlegung auf ein einzelnes Verfahren mit dem Risiko verbunden, dass bei bestimmten Referenzherzfrequenzen ein besser geeignetes Verfahren außer Acht gelassen würde. Dass die Verfahren, gemessen anhand der RMSE-Werte, für verschiedene Referenzherzfrequenzen unterschiedlich geeignet scheinen, deutet auf ein Verbesserungspotenzial hin. Durch die Kombination der Ergebnisse verschiedener Verfahren lassen sich potenziell kleinere RMSE erreichen. Da die „Best-Match“-Punkte ex post ermittelt wurden, ist noch nicht klar, unter welchen Bedingungen welche Verfahrenskombinationen am effektivsten implementiert werden könnten.

Die Studiendurchführung unter vordefinierten Bedingungen an gesunden Probanden begrenzte die Beobachtungsmöglichkeiten auf physiologische Werte, sodass das Verhalten der Algorithmen bei realen pathologischen Abweichungen nicht untersucht werden konnte. Würde man auf die messwertgenaue Aufzeichnung der Vitalparameter zu Gunsten einer dichotomen Unterscheidung zwischen kritisch und nicht-kritisch verzichten, könnte die alleinige Detektion einer physiologischen Herzfrequenz als hinreichend betrachtet werden. Dies birgt das Risiko, unphysiologische Werte als physiologisch zu interpretieren und häufig falsch negative Ergebnisse zu erhalten. Daher bleibt es unabdingbar, mehrere Vitalparameter zu erheben und den Patientenzustand umfassend zu betrachten.

Fazit

Es besteht der Bedarf an zuverlässigen Möglichkeiten zur kontaktlosen Überwachung von Vitalparametern in der Katastrophenmedizin, um der Diskrepanz zwischen Hilfsbedarf und -angebot im Einsatzfall entgegenwirken zu können. Dabei liegt der Vorteil der rPPG maßgeblich in der Reduktion des Material- und Personalaufwands. Die zeitgleiche kontaktlose Vitalparameterüberwachung zweier Personen zeigte Ergebnisse, die von den Studien zur Messung einzelner Probanden nicht abwichen und ist damit als grundlegender Schritt in der Entwicklung kontaktloser Diagnostiksysteme für katastrophenmedizinische Anwendungen zu betrachten. In Zukunft könnte die rPPG als ressourcenschonende und kostengünstige Methode zur gleichzeitigen medizinischen Zustandsüberwachung mehrerer Patienten Anwendung finden.

Ein denkbarer Anwendungsfall könnte der Einsatz in Krankentransportzügen sein, da sich hier mehrere Patienten für einen längeren Zeitraum in räumlicher Nähe zueinander aufhalten und ein Bedarf an kontinuierlichem Monitoring besteht. Es bedarf weiterer hardware- und softwareseitiger Anpassungen sowie größerer Studien, um die Algorithmen zu optimieren und durch die perspektivische Anwendung von Deep Learning die Fehleranfälligkeit der Messmethode weiter zu reduzieren. Um einen höheren Technologiereifegrad auch hinsichtlich der sanitätsdienstlichen Einsatzfähigkeit zu erlangen, müssten in künftigen Studien weitere Bedingungen untersucht werden, beispielsweise die Einflüsse von Tarnschminke, Hautverschmutzung und wechselnder Beleuchtung auf die Messgenauigkeit. Zudem bedarf es weiterer Messvorgänge bei Patienten mit nicht-physiologischen Vitalparametern, bspw. auf Intensivstationen.

Literatur

1. Allen J. Photoplethysmography and its application in clinical physiological measurement. Physiol Meas. 2007;28(3):R1–39. mehr lesen
2. Bundesamt für Bevölkerungsschutz und Katastrophenhilfe. Glossar. [Internet] 2025 [letzter Zugriff 15. November 2025]. Verfügbar unter: https://www.bbk.bund.de/DE/Infothek/Glossar/_functions/glossar.html?nn=19742&lv2=19796. mehr lesen
3. Bundesamt für Bevölkerungsschutz und Katastrophenhilfe. Konzept zur überörtlichen Hilfe bei MANV. [Internet] 2025 [letzter Zugriff 15. November 2025]. Verfügbar unter: https://www.bbk.bund.de/SharedDocs/Downloads/DE/MTF/Literaturhinweise/konzept-ueberoertliche-hilfe-manv-2006.pdf?__blob=publicationFile&v=2. mehr lesen
4. De Haan G, Jeanne V. Robust Pulse Rate From Chrominance-Based rPPG. IEEE Trans Biomed Eng. 2013;60(10):2878–2886. mehr lesen
5. Gesichts-Mesh-Erkennung | ML Kit. [Internet] Google for Developers. [letzter Zugriff 15. November 2025]. Verfügbar unter: https://developers.google.com/ml-kit/vision/face-mesh-detection?hl=de. mehr lesen
6. Mösch L, Barz I, Müller A, et al. For Heart Rate Assessments from Drone Footage in Disaster Scenarios. Bioengineering. 2023;10(3):336. mehr lesen
7. Mösch L, Pokee DQ, Barz I, et al. Automated Unmanned Aerial System for Camera-Based Semi-Automatic Triage Categorization in Mass Casualty Incidents. Drones. 2024;8(10):589. mehr lesen
8. Takano C, Ohta Y. Heart rate measurement based on a time-lapse image. Med Eng Phys. 2007;29(8):853–857. mehr lesen
9. Unakafov AM: Pulse rate estimation using imaging photoplethysmography: generic framework and comparison of methods on a publicly available dataset. Biomed Phys Eng Express. 2018;4(4):045001. mehr lesen
10. Wang W, Den Brinker AC, Stuijk S, De Haan G. Algorithmic Principles of Remote PPG. IEEE Trans Biomed Eng. 2017;64(7):1479–1491. mehr lesen
11. Xiao H, Liu T, Sun Y, Li Y, Zhao S, Avolio A. Remote photoplethysmography for heart rate measurement: A review. Biomed Signal Process Control. Biomedical Signal Processing and Control 2024; 88(3):105608 mehr lesen

Die Einwilligung zur Veröffentlichung der Bilder von Personen liegt vor. Alle Bildrechte liegen beim Erstautor des Beitrags.

Erklärung zum Interessenkonflikt:

Alle Autoren bestätigen, dass für sie kein Interessenkonflikt gem. International Committee of Medical Journal Editors besteht.

Angabe zur Finanzierung:

Die vorliegende Arbeit wird vom Bundesministerium für Forschung, Technologie und Raumfahrt (vormals Bundesministerium für Bildung und Forschung) gefördert.

Förderkennzeichen: 13N16952

Stellungnahme der Ethikkommission:

Die Zustimmung zur Durchführung wurde von der Ethikkommission der Medizinischen Fakultät der RWTH ­Aachen eingeholt (EK 25–028).

Manuskriptdaten

Zitierweise

Halim C, Ullmann C, Müller A, Follmann A. Die Patientenablage im Blick – technische Machbarkeit der kontaktlosen Vitalparameterüberwachung mehrerer Personen. WMM 2026;70(1–2):35-40.

DOI: https://doi.org/10.48701/opus4-808

Für die Verfasser

Oberstabsarzt d. R. Constantin Halim

AcuteCare InnovationHub

Uniklinik RWTH Aachen

Pauwelsstraße 30, 52074 Aachen

E-Mail: chalim@ukaachen.de

Manuscript Data

Citation

Halim C, Ullmann C, Müller A, Follmann A. [Focus on the Triage Area – Technical Feasibility of Contactless Multi-Person Vital Sign Monitoring]. WMM 2026;70(1–2):35-40.

DOI: https://doi.org/10.48701/opus4-808

For the Authors

Major (MC Res) Constantin Halim

AcuteCare InnovationHub

University Hospital Aachen

Pauwelsstraße 30, D-52074 Aachen

E-Mail: chalim@ukaachen.de