AI na nadgarstku błyskawicznie wykrywa anomalie zdrowotne. Przyszłość medycyny?

Ich rozwiązanie, noszące nazwę AI on the Pulse, budzi nadzieje, szczególnie w kontekście opieki nad osobami z chorobami neurodegeneracyjnymi, które wymagają stałego nadzoru. Kluczem do sukcesu okazał się spersonalizowany model UniTS – system analizy szeregów czasowych, który uczy się indywidualnych wzorców fizjologicznych i behawioralnych każdego użytkownika. Działa to zupełnie inaczej niż tradycyjne podejścia porównujące wyniki do uśrednionych norm medycznych. Dzięki temu unika fałszywych alarmów u osób, które naturalnie mają np. niższe tętno.

Co istotne, technologia wykorzystuje dane z popularnych smartwatchy i domowych czujników, co znacznie obniża koszty monitorowania w porównaniu ze szpitalnymi urządzeniami. W ramach testów środowiskowych @HOME obserwowano sześciu starszych pacjentów z wczesnymi objawami chorób neurologicznych. Wyniki wypadły imponująco – system poprawił dokładność wykrywania anomalii o około 22% w stosunku do dwunastu innych nowoczesnych metod, mierzoną wskaźnikiem F1, oceniającym zarówno precyzję, jak i czułość. Trzeba jednak zauważyć, że choć skala testów była ograniczona, to rezultaty i tak robią wrażenie.

Wysoka skuteczność AI on the Pulse i otwarty dostęp

Geriatra potwierdził kliniczną istotność wszystkich wykrytych nieprawidłowości, przy czym aż 93,75% alertów okazało się prawdziwymi zagrożeniami zdrowotnymi, a pozostałe wynikały z problemów technicznych czujników. Przechodząc do praktycznych aspektów, rozwiązanie zbiera różnorodne dane: od tętna i faz snu po częstotliwość oddechów czy lokalizację w domu. Pozwala to generować spersonalizowane alerty w czasie rzeczywistym, które mogą zapobiec poważniejszym incydentom. Co ciekawe, podczas trzymiesięcznych testów odnotowano zaledwie 32 przypadki wymagające interwencji medycznej, co świadczy o skutecznym ograniczeniu fałszywych alarmów – częstej bolączki systemów monitorujących.

System radzi sobie też z typowymi wyzwaniami, jak przerwy w transmisji danych czy zakłócenia sygnału. Równie istotną innowacją jest zastosowanie dużych modeli językowych. Zamiast surowych danych liczbowych, personel medyczny otrzymuje czytelne, naturalnie brzmiące wyjaśnienia sytuacji pacjenta wraz z sugestiami dalszych działań. To może znacząco przyspieszyć reakcję w krytycznych momentach.

Za rozwój technologii odpowiada głównie Davide Gabrielli, student informatyki specjalizujący się w głębokim uczeniu maszynowym. Warto odnotować, że jego zespół udostępnił kod źródłowy na GitHubie, co może przyspieszyć prace nad podobnymi rozwiązaniami gdzie indziej. Planowane są pełnoskalowe testy kliniczne, które zweryfikują skuteczność systemu w szerszym zakresie – nie tylko w neurologii, ale także przy innych chorobach przewlekłych.

Czytaj: Apple pracuje nad agentem AI, który będzie czuwał nad naszym zdrowiem

To obiecujący kierunek, choć realny wpływ na opiekę zdrowotną okaże się dopiero po wdrożeniu na większą skalę. Trzeba przyznać, że takie podejście demokratyzuje dostęp do zaawansowanego monitoringu, ale równocześnie należy pamiętać, że żadna technologia nie zastąpi pełnej diagnostyki lekarskiej. Może stanowić jej cenne uzupełnienie, szczególnie w miejscach o ograniczonym dostępie do służby zdrowia. A z tym ostatnim łatwo w Polsce nie będzie, więc każda pomoc jest na wagę złota.