Σύστημα τεχνητής νοημοσύνης ανιχνεύει τα χαμηλά επίπεδα γλυκόζης

Ερευνητές από ένα πανεπιστήμιο του Ηνωμένου Βασιλείου έχουν επινοήσει ένα σύστημα βασισμένο στην τεχνητή νοημοσύνη (AI) που μπορεί να ανιχνεύσει χαμηλά επίπεδα γλυκόζης χρησιμοποιώντας μια μέτρηση χωρίς δοκιμή δακτυλικών αποτυπωμάτων, σε υγιείς ασθενείς και σε διαβητικούς. Οι επί του παρόντος οθόνες γλυκόζης (CGM) είναι διαθέσιμες από το NHS για ανίχνευση υπογλυκαιμίας.

Μετρούν τη γλυκόζη στο διάμεσο υγρό χρησιμοποιώντας έναν επεμβατικό αισθητήρα με μια μικρή βελόνα, η οποία στέλνει σήματα και δεδομένα σε μια συσκευή απεικόνισης. Σε πολλές περιπτώσεις, χρειάζονται βαθμονόμηση δύο φορές την ημέρα με επεμβατικές δοκιμές επιπέδου γλυκόζης στο αίμα.

Η προσέγγιση που υιοθετείται από το Πανεπιστήμιο του Warwick χρησιμοποιεί το AI για την ανίχνευση υπογλυκαιμικών συμβάντων από σήματα ηλεκτροκαρδιογραφήματος (ECG) ακατέργαστων μέσω αισθητήρων που μπορούν να φορεθούν. Οι ερευνητές δήλωσαν ότι η τεχνολογία λειτουργεί με ποσοστό αξιοπιστίας 82% και θα μπορούσε να αντικαταστήσει την ανάγκη για επεμβατικές δοκιμές δακτυλικών αποτυπωμάτων, οι οποίες θα ήταν ιδιαίτερα χρήσιμες στα παιδιά.

Η ομάδα με επικεφαλής τον Δρ Leandro Pecchia από τη Σχολή Μηχανικών του πανεπιστημίου δημοσίευσε αποτελέσματα από το σύστημα στο επιστημονικό περιοδικό Scientific Reports, αποδεικνύοντας ότι το AI μπορεί να ανιχνεύσει υπογλυκαιμικά συμβάντα που βασίζονται σε δεδομένα από την τεχνολογία αισθητήρων off-the-shelf.

Το σύστημα είναι σε θέση να εντοπίσει μια κυματομορφή ενδεικτικού ECG από κάποιον που υποφέρει από ένα συμβάν «υπογλυκαιμίας», το οποίο σχετίζεται με ορατά μεγαλύτερα διαστήματα QT. Το μοντέλο του πανεπιστημίου είναι δυνατό επειδή είναι εκπαιδευμένο με τα δεδομένα του κάθε ατόμου, καθώς οι διαφορές μεταξύ των μεμονωμένων ΗΚΓ είναι τόσο σημαντικές.

Ο Δρ Pecchia δήλωσε: «Οι διαφορές που επισημάνθηκαν παραπάνω θα μπορούσαν να εξηγήσουν γιατί οι προηγούμενες μελέτες που χρησιμοποίησαν το ΗΚΓ για την ανίχνευση υπογλυκαιμικών επεισοδίων απέτυχαν. Η απόδοση των αλγορίθμων AI που εκπαιδεύονται σε δεδομένα ECG των κοόρ θα παρεμποδίζεται από αυτές τις διατομεακές διαφορές.

«Η προσέγγισή μας επιτρέπει την εξατομικευμένη ρύθμιση των αλγορίθμων ανίχνευσης και τονίζει τον τρόπο με τον οποίο τα υπογλυκαιμικά επεισόδια επηρεάζουν τα ΗΚΓ σε άτομα. Με βάση αυτές τις πληροφορίες, οι κλινικοί ιατροί μπορούν να προσαρμόσουν τη θεραπεία σε κάθε άτομο. Απαιτείται σαφώς περισσότερη κλινική έρευνα για την επιβεβαίωση αυτών των αποτελεσμάτων σε ευρύτερους πληθυσμούς».

 

Πηγή:https://www.healthweb.gr/