8 دقیقه
سامسونگ در حال گسترش اهداف خود در حوزه سلامت پوشیدنی با دو پروژه پژوهشی است که میتواند پایش از راه دور را متحول کند: یک راهکار مبتنی بر ساعت هوشمند برای غربالگری نارسایی انقباضی بطن چپ (Left Ventricular Systolic Dysfunction یا LVSD) و یک نمونهٔ اولیه الکتروانسفالوگرام (EEG) که دور گوش قرار می‌گیرد و برای ثبت مداوم امواج مغزی طراحی شده است. هر دو پروژه هدف دارند تا سیگنال‌های با کیفیت بالای بالینی را از محیط بیمارستان خارج کرده و به دستگاه‌های روزمره‌ی کاربران منتقل کنند؛ این تحول میتواند دسترسی به تشخیص زودهنگام و پایش طولانی‌مدت را تسهیل نماید.
ساعتی هوشمند برای غربالگری نارسایی جدی قلب
برای اولین بار در حوزهٔ پوشیدنیهای مصرفی، سامسونگ اعلام کرده که در حال توسعهٔ تشخیص و پایش مبتنی بر هوش مصنوعی برای نارسایی انقباضی بطن چپ (LVSD) روی ساعت‌های هوشمند خود است. LVSD یکی از علل اصلی نارسایی قلبی است؛ تقریباً نیمی از موارد نارسایی قلبی را شامل میشود و در برخی مطالعات مرگومیر ناشی از آن میتواند از برخی سرطان‌ها نیز بالاتر باشد. مشکل اصلی این بیماری این است که بسیاری از بیماران تا پیشرفت بیماری علائمی ندارند و به همین دلیل غربالگری زودهنگام و شناسایی افراد بدون علامت برای کاهش مرگومیر و جلوگیری از بستری شدن ضروری و حیاتی است.
رویکرد سامسونگ مبتنی بر الگوریتم‌هایی است که در همکاری با شرکت Medical AI، یک شرکت کره‌ای متخصص در دستگاه‌های پزشکی و تحلیل هوش مصنوعی روی سیگنال‌های ECG، توسعه یافته‌اند. مدل پوشیدنی از الگوریتم تأییدشدهٔ 12 لید ECG شرکت Medical AI الهام گرفته است — الگوریتمی که اکنون در بیش از 100 بیمارستان بزرگ در کره جنوبی به کار گرفته میشود و هر ماه برای بیش از 120٬000 بیمار استفاده میشود. با تطبیق این الگوریتم بالینی که برای دادههای 12 لید طراحی شده با ورودی‌های تک‌لیدی یا سیگنال‌های پوشیدنی، سامسونگ امیدوار است تا غربالگری_passive و پیوسته‌ای ارائه دهد که زودتر موارد بالقوهٔ LVSD را نشان دهد و کاربران را به پیگیری بالینی هدایت کند.
استفاده از ECG ساعت هوشمند میتواند امکان اجرای برنامههای غربالگری در سطح جمعیت را برای کاربران بدون علامت فراهم کند و با شناسایی بموقع افراد در معرض خطر، هزینه‌های بلندمدت مراقبت‌های بهداشتی را کاهش دهد؛ برای مثال تشخیص زودهنگام میتواند به مداخلات دارویی، تغییر سبک زندگی یا ارجاع به کاردیولوژی منجر شود که از بستریهای غیرضروری جلوگیری کند. سامسونگ هنوز جدول زمانی عرضهٔ این ویژگی یا وضعیت مقرراتی آن را اعلام نکرده است، اما شرکت اشاره کرده که تشخیص LVSD نسبت به پروژهٔ دیگر در وضع تکامل‌یافته‌تری قرار دارد و محتمل است که ابتدا در دسترس قرار بگیرد.
از دید فنی، تبدیل الگوریتم مبتنی بر 12 لید به یک الگوریتم که بر پایهٔ سیگنال تکلید یا پوشیدنی کار کند، چالشهایی دارد: کیفیت سیگنال کمتر، نویز بیشتر، و تفاوت در محل الکترودها میتواند باعث کاهش حساسیت یا افزایش نرخ مثبت کاذب شود. برای کاهش این مشکلات لازم است مراحل پیش‌پردازش سیگنال، حذف نویز، و الگوریتمهای تقویت ویژگی (feature extraction) به دقت طراحی و اعتبارسنجی شوند. همچنین آموزش مدل با مجموعه دادههای بزرگ و متنوع شامل دادههای ساعت‌های هوشمند و سیگنال‌های تکلید ضروری است تا عملکرد مدل در جمعیت‌های مختلف حفظ شود. در عمل، معیارهای تشخیصی مانند حساسیت (sensitivity)، ویژگی (specificity)، مقدار پیش‌بینی مثبت (PPV) و مقدار پیش‌بینی منفی (NPV) باید در مطالعات بالینی مستقل به صورت شفاف گزارش شوند تا پزشکان بتوانند تصمیمات مناسب را اتخاذ کنند.
از منظر کاربری، این راهکار میتواند به چند شکل استفاده شود: 1) غربالگری انفعالی و مداوم برای نشان دادن تغییرات خام ECG که با الگوریتم تطبیق داده شده مخابره و تحلیل می‌شوند؛ 2) انجام تست‌های فعال‌تر تحت هدایت اپلیکیشن در مواقعی که الگوریتم نشانه‌هایی از LVSD شناسایی میکند؛ و 3) یکپارچه‌سازی با سیستم‌های سلامت از راه دور و پروندهٔ الکترونیک سلامت برای تسهیل ارجاع و ادامهٔ درمان. هر یک از این سناریوها نیازمند طراحی تجربهٔ کاربری مناسب، اطلاع‌رسانی دقیق دربارهٔ محدودیت‌ها و پروتکل‌هایی برای گوشزد به کاربر در مورد نیاز به مراجعه به متخصص است.
نمونهٔ اولیهٔ EEG دور گوش و پایش مغز در شرایط واقعی
به موازات تلاش روی ECG ساعتی، سامسونگ با گروه مهندسی پزشکی دانشگاه هانیانگ همکاری کرده است تا نمونهٔ اولیه‌ای از EEG که دور گوش قرار می‌گیرد را بسازد؛ نمونه‌ای که برای پایش بلندمدت و خارج از آزمایشگاه طراحی شده است. سیستم‌های سنتی EEG اغلب حجیم، نیازمند کلاه یا الکترودهای متصل به پوست سر و مناسب برای آزمایشگاه هستند؛ اما این نمونهٔ اولیه با فرم ارگونومیک و جمع‌وجور خود الکترودها را اطراف گوش قرار می‌دهد تا بدون سیم‌های پرزحمت و کلاه‌های بزرگ، سیگنال‌های با کیفیت بالا را ضبط کند.
آزمایش‌های اولیه با این نمونهٔ اولیه کاربردهای واقعی نویدبخشی را نشان دادند. دستگاه توانست خوابآلودگی را در زمان واقعی با دقت مناسبی تشخیص دهد — قابلیتی که برای ایمنی رانندگان، نظارت محیط‌های کاری حساس و پیشگیری حوادث اهمیت دارد. تشخیص خوابآلودگی بر اساس ویژگی‌های مشخصی از موج تتا، آلفا و تغییرات فرکانسی صورت می‌گیرد که توسط الگوریتمهای یادگیری ماشین تحلیل میشود و میتواند به هشدارهای زمان‌دار یا مداخلات پیشگیرانه منجر شود.
در یک آزمایش دیگر، تحلیل مبتنی بر هوش مصنوعی روی امواج مغزی شرکت‌کنندگان توانست ترجیحات فردی آن‌ها در مواجهه با ویدئوها را با دقت 92.86% پیش‌بینی کند — نتیجه‌ای که به کاربردهای آینده در زمینهٔ نورومارکتینگ، تجربهٔ تفریحی تطبیقی و ارائهٔ محتوای شخصی‌سازی‌شده اشاره دارد. این نوع کاربردها میتواند در تبلیغات هدفمند، پلتفرم‌های پخش ویدئو و سیستم‌های توصیه‌گر تعاملی تغییر ایجاد کند؛ البته ملاحظات اخلاقی و حفظ حریم خصوصی در استفاده از دادههای عصبی از اهمیت بالایی برخوردارند و باید به صورت واضح مطرح و قانونگذاری شوند.
همانند تلاش در زمینهٔ LVSD، EEG دور گوش فعلاً در مرحلهٔ پژوهشی و نمونهٔ اولیه قرار دارد و تاریخ عرضهٔ مصرفی برای آن اعلام نشده است. اما هر دو پروژه نشان می‌دهند که سامسونگ به دنبال ادغام حسگرهای با کیفیت بالای پزشکی و هوش مصنوعی در پوشیدنیهای مصرفی است و توجه ویژه‌ای به ارگونومی، پذیرش کاربر و قابلیت استفاده در دنیای واقعی دارد. طراحی‌های عملیاتی این نوع دستگاه‌ها باید به جدا کردن نویزهای محیطی، کاهش اثرات حرکت (motion artifacts) و تضمین ثبات سیگنال در طول ساعات و روزهای متوالی توجه کنند.
از منظر تحقیقاتی، نقاط کلیدی برای توسعهٔ EEG دور گوش شامل طراحی الکترودهای تماس‌پذیر با پوست که راحت و پایدار باشند، استراتژی‌های پردازش سیگنال برای حذف نویزهای عضلانی و محیطی، و الگوریتمهای استخراج ویژگی که اطلاعات معنایی از امواج EEG بیرون بکشند. همچنین اعتبارسنجی بر پایهٔ دادههای جمع‌آوری‌شده در محیط‌های متنوع، جمعیت‌های گوناگون سنی و در شرایط حرکتی مختلف برای اثبات قابلیت اعتماد و کارآیی لازم است.
جمع‌بندی
تمرکز دوگانهٔ سامسونگ بر روی غربالگری LVSD با استفاده از ساعت هوشمند و نمونهٔ اولیه EEG دور گوش نشان‌دهندهٔ گامی معنادار در جهت آوردن پایش بالینی به زندگی روزمره است. قابلیت تشخیص LVSD بر پایهٔ هوش مصنوعی، که بر الگوریتمهای بیمارستانی تأیید شده تکیه دارد، میتواند به ابزاری مهم برای غربالگری بیماران بدون علامت تبدیل شود؛ در حالی که EEG دور گوش راه‌های جدیدی برای پایش مداوم مغز در محیط‌های خارج از بیمارستان باز میکند. هرچند، پذیرش گستردهٔ این فناوری‌ها مستلزم گذر از موانعی مانند تأییدهای مقرراتی، مطالعات اعتبارسنجی بالینی مستقل، و مدیریتی دقیق در زمینهٔ حفظ حریم خصوصی و امنیت داده‌هاست تا وقتی این تکنولوژی‌ها از نمونهٔ اولیه به محصول تبدیل می‌شوند، اعتماد کاربران و جامعهٔ پزشکی جلب گردد.
نهایتاً موفقیت در این مسیر نیازمند همکاری میان تولیدکنندگان سخت‌افزار، توسعه‌دهندگان الگوریتمهای هوش مصنوعی، مراکز درمانی برای مطالعات بالینی و نهادهای قانونگذاری است. ایجاد استانداردهای شفاف برای گزارش عملکرد الگوریتمها، تضمین کیفیت جمع‌آوری دادهها و تعریف چارچوب‌هایی برای اشتراک امن و اخلاقی دادههای زیستی، از ارکان اصلی تبدیل این نوع نوآوری‌ها به فناوری‌های قابل اتکا و مقیاس‌پذیر در حوزهٔ سلامت دیجیتال خواهند بود.
منبع: gsmarena
ارسال نظر