Βρείτε μας στο Google News. Πατήστε εδώ!Οι φορητοί ιατρικοί αισθητήρες έχουν ανοίξει πόρτες για απομακρυσμένη παρακολούθηση της υγείας και αξιολόγηση της θεραπείας. Αλλά η πραγματοποίηση διαγνώσεων και σχεδίων θεραπείας με βάση πολλά σημεία δεδομένων – όπως οι μυϊκές κινήσεις, ο καρδιακός ρυθμός, η αναπνοή ή η ομιλία και η κατάποση – μπορεί να είναι δύσκολο για τους παρόχους υγειονομικής περίθαλψης να κάνουν γρήγορα.
Ερευνητές μηχανικής δημιούργησαν μια πλατφόρμα μηχανικής μάθησης που μπορεί να αναλύσει και να προβλέψει πιο αποτελεσματικά τα σημεία δεδομένων που συλλέγονται από φορητές συσκευές, όπως αναφέρεται στο Nature Communications. Εφάρμοσαν την πλατφόρμα σε έναν νέο ελαστικό, φορετό αισθητήρα λαιμού που καταγράφει τους κραδασμούς και τις ηλεκτρικές μυϊκές ώσεις από την περιοχή του λαιμού για να παρακολουθεί την ομιλία και τα μοτίβα κατάποσης του χρήστη.
«Απαιτούνται μαλακές, ελαστικές συσκευές στον λαιμό στην αγορά υγειονομικής περίθαλψης για να παρακολουθούν συνεχώς τις κινήσεις των μυών και την κατάποση ασθενών με παθήσεις του λαιμού για τη σωστή διάγνωση και θεραπεία τους», δήλωσε ο κύριος ερευνητής Huanyu “Larry” Cheng, ο James L. Henderson. , Jr. Memorial Αναπληρωτής Καθηγητής Μηχανικής Επιστήμης και Μηχανικής στο Penn State. “Οι συσκευές που χρησιμοποιούνται αυτήν τη στιγμή παρέχουν μόνο περιορισμένες πληροφορίες σχετικά με την κατάσταση της υγείας του ασθενούς και είναι ογκώδεις και άβολες.”
Το φορητό έμπλαστρο αποτελείται από μια σύνθετη διεπαφή ηλεκτροδίου υδρογέλης, η οποία σχεδιάστηκε για να αντέχει τις κινήσεις του χρήστη στην επιφάνεια του δέρματος διατηρώντας παράλληλα καλή ποιότητα σήματος, σύμφωνα με τον Cheng. Το αδιάλυτο υλικό υδρογέλης είναι εύκαμπτο και εύκολο στην εφαρμογή και αφαίρεση. «Η υδρογέλη μπορεί να διασυνδέεται άμεσα με το δέρμα και παρέχει μια αγώγιμη ιδιότητα για τους αισθητήρες», είπε ο Cheng.
Ο αισθητήρας υδρογέλης συλλέγει δεδομένα δονήσεων και κίνησης των μυών για να τροφοδοτήσει έναν αλγόριθμο μηχανικής μάθησης για ανάλυση, σύμφωνα με τον συν-κύριο ερευνητή Libo Gao, αναπληρωτή καθηγητή στο Pen-Tung Sah Institute of Micro-Nano Science and Technology στο Πανεπιστήμιο Xiamen της Κίνας. Μετά τη συλλογή και την ανάλυση δεδομένων, τα δεδομένα αποστέλλονται σε μια προσαρμοσμένη διεπαφή cloud, όπου οι πάροχοι υγειονομικής περίθαλψης μπορούν να έχουν πρόσβαση σε αυτά εξ αποστάσεως.
«Τα δεδομένα ασθενών συλλέγονται από το έμπλαστρο σε διαφορετικές συχνότητες, ανάλογα με τον στατιστικό τύπο, όπως κατάποση, ομιλία ή αναπνοή», είπε ο Γκάο. “Ο αλγόριθμος ομαδοποιεί τις τέσσερις συχνότητες σε μια βελτιωμένη έξοδο, γεγονός που καθιστά τα δεδομένα πολύ πιο χρήσιμα για τους παρόχους υγειονομικής περίθαλψης για γρήγορη εξέταση και κρίση.” Ο αλγόριθμος έχει προσαρμοστικές δυνατότητες και λειτουργίες μνήμης, που σημαίνει ότι μετά τη συλλογή των δεδομένων κίνησης του λαιμού του ασθενούς για ένα λεπτό και την εκπαίδευση εκτός σύνδεσης για τρεις ώρες, μπορεί να προβλέψει τα δεδομένα του ασθενούς με ακρίβεια άνω του 90%, σύμφωνα με τον Gao.
Οι κλινικοί γιατροί μπορούν να χρησιμοποιήσουν τα προγνωστικά δεδομένα για να ενημερώσουν νωρίτερα τις διαγνώσεις, καθώς και να προβλέψουν πώς μπορεί να λειτουργήσουν οι θεραπείες, είπε ο Cheng. “Η προσαρμοστική μηχανική μάθηση θα μπορούσε επίσης να βοηθήσει να ληφθούν υπόψη οι ατομικές διαφορές στα δεδομένα μεταξύ ενός μεγάλου πληθυσμού, έτσι ώστε οι ερευνητές να μπορούν να βγάλουν συμπεράσματα για την υγεία ενός μεγάλου πληθυσμού με βάση μεμονωμένα σύνολα δεδομένων”, είπε ο Cheng.
