Nadchodzi rewolucja w badaniach klinicznych. Poziom stresu u pacjentów automatycznie zbadają algorytmy uczenia maszynowego

0

Dzięki sztucznej inteligencji badania kliniczne mogą być przeprowadzane z dużo większą dokładnością. Algorytmy uczenia maszynowego w oparciu o dane biometryczne sprawdzą poziom stresu u osób poddanych badaniu. Dzięki strumieniowej transmisji danych lekarze będą mieli możliwość dokładniejszej i szybszej oceny wpływu badania na pacjenta, co pomoże udoskonalić testowane leki, również po ich wprowadzeniu na rynek. Sztuczna inteligencja jest przyszłością medycyny, a jej wykorzystanie pozwoli na znaczne oszczędności w systemach ochrony zdrowia.

– Stworzyliśmy nieinwazyjny system pomiaru i monitorowania poziomu stresu u pacjentów biorących udział w badaniach klinicznych. Podstawowym wskaźnikiem poziomu stresu jest stężenie kortyzolu, jednak jego pomiar wymaga pobrania krwi lub śliny. Stworzyliśmy więc zastępczy system pomiaru poziomu stresu oparty na czujnikach i sztucznej inteligencji, przeprowadzając uczenie algorytmu w zakresie zgłaszania odczuwanego stresu – mówi agencji informacyjnej Newseria Innowacje Jaquie Finn z Cambridge Consultants.

Opracowany w porozumieniu z klinicystami i neurologami system Verum wykorzystuje moc danych biometrycznych, głównie głosowych i elektromiograficznych (EMG), oraz uczenie maszynowe w celu lepszego zrozumienia wyników i zwiększenia prawdopodobieństwa sukcesu klinicznego. System oparty na uczeniu maszynowym może zapewnić głębszy wgląd w wyniki uczestników badania podczas prób. Strumieniowanie danych w czasie rzeczywistym umożliwia lekarzom, pielęgniarkom i koordynatorom testów m.in. wpływ poziomu stresu na wyniki badania klinicznego.

– Aby zebrać potrzebne informacje, umieściliśmy na naszych ciałach osiem różnych czujników biometrycznych i nosiliśmy je przez 12 godzin na dobę, 4 dni w tygodniu. Stworzyliśmy aplikację, za pomocą której zebraliśmy dane kontekstowe i behawioralne. Następnie, korzystając z trzech wzorcowych kwestionariuszy do mierzenia poziomu stresu, przeprowadziliśmy odpowiednie uczenie algorytmu. Zbadaliśmy 256 różnych kombinacji czujników, aby sprawdzić, które kombinacje są niezbędne do pomiaru stresu – tłumaczy Jaquie Finn.

Dotychczas monitorowanie samopoczucia pacjentów biorących udział w próbach klinicznych najczęściej opierało się na codziennym wypełnianiu testu. Kompleksowe badanie samopoczucia leczonej osoby odbywało się natomiast podczas wizyt w określonych tygodniach, nawet po miesiącu od rzeczywistego badania. Verum dane zbiera na bieżąco, co może znacznie poprawić wiarygodność badań klinicznych.

Czytaj również:  Opracowane przez polski start-up elektrody pozwalają wykryć o 20 proc. więcej zawałów serca niż klasyczne EKG. Zamiast 10 elektrod wystarczy jedna naklejka

Dane z czujników zintegrowane są w poręcznej aplikacji. System działa poprzez umożliwienie lekarzom, pielęgniarkom i koordynatorom dostępu do danych biometrycznych i behawioralnych stale monitorowanych pacjentów. Zastosowanie algorytmu uczenia maszynowego analizującego spływające na bieżąco dane, pozwala określić konkretny stan pacjenta w konkretnym czasie oraz jego zmiany, np. przy podaniu jakiegoś leku.

– Ustaliliśmy, że do dokładnego określenia poziomu stresu wystarczą dwa pomiary: elektromiografia mięśnia czworobocznego – jego napięcie w określonym czasie pozwala bowiem na określenie poziomu stresu – oraz badanie głosu – przekonuje ekspertka.

W ten sposób powstaje jeden numeryczny estymator poziomu stresu pacjenta na dowolnym etapie próby. Takie rozwiązanie zapewnia niespotykany dotychczas wgląd kliniczny. Zdaniem twórców zdolność Verum do dostarczania bogatych, kontekstualnych informacji biometrycznych zarówno na poziomie populacji, jak i pacjenta może potencjalnie zrewolucjonizować precyzyjną medycynę, a także nadzór po wprowadzeniu do obrotu i rozwój leków.

Rozwiązania z zakresu sztucznej inteligencji znajdują coraz szersze zastosowanie w medycynie. Już dziś algorytmy uczenia maszynowego są w stanie precyzyjnie diagnozować chociażby zmiany nowotworowe. Według wyników badań opublikowanych w majowym numerze specjalistycznego czasopisma Annals of Oncology głęboko uczące się splotowe sieci neuronowe (CNN) wykryły potencjalnie rakowe zmiany skórne lepiej niż 58 dermatologów uczestniczących w teście. Ustalenia te mogą mieć znaczący wpływ na przyszłość opieki zdrowotnej.

Według Skin Cancer Foundation w ostatnim dziesięcioleciu roczna liczba diagnozowanych przypadków czerniaka wzrosła o prawie 53 proc. Potrzeba wdrożenia szybkich i wydajnych narzędzi diagnostycznych jest więc większa niż kiedykolwiek, a CNN bardzo może pomóc dermatologom wcześniej wykryć i leczyć potencjalnie nowotworowe zmiany skórne.

Sztuczna inteligencja znajduje w medycynie ogromne zastosowanie również w salach operacyjnych. Zrobotyzowane systemy chirurgiczne wyposażone w sztuczną inteligencję mogą być używane do standaryzacji jakości procedur chirurgicznych. Sztuczna inteligencja napędzająca działanie robotów umożliwia chirurgom wykonywanie skomplikowanych procedur z wysoką dokładnością i precyzją.

Z analiz sporządzonych przez Frost & Sullivan wynika, że rynek sztucznej inteligencji w sektorze opieki zdrowotnej osiągnie do 2022 roku wartość ponad 6 mld dol.