Современные тенденции, такие как искусственный интеллект (AI), нейронные сети, облачные вычисления, машинное обучение, глубокое обучение, носимые устройства и интернет вещей (IoT), определяют новую технологическую эпоху. Хотя нельзя не учитывать и тот фактор, что это может быть больше шумиха, чем сущность, изменения, происходящие в этом направлении, вполне реальны.
Современная система здравоохранения содержит огромное количество информации о пациенте (медицинские записи, анализы, фото и видео материалы различных исследований, сигналы с различной аппаратуры), которая используется для постановки диагноза, лечения и анализа эффективности применения различных методик к конкретному случаю. Помимо сбора, записи и хранения данных в профильных медицинских учреждениях (стационары и поликлиники), к этим данным могут иметь доступ инженеры и ученые, которые могут получать, хранить и обрабатывать данные, полученные с профильных носимых медицинских устройств, о которых 10 лет назад и подумать никто не мог.
И тут появляется конкретная задача – превратить этот огромнейший объем данных в максимально гибкую и удобную для получения информацию о конкретном пациенте, болезни, процессах исследования или новейших методиках лечения. Часто это связано с коммерческой задачей создания системы сбора и обработки данных для конкретных медицинских учреждений, которые положительно влияют на качество лечения пациентов, чем «заставляют» разработчиков улучшать свои разработки. Но быстрая разработка и продвижение данных продуктов на рынок часто становится довольно большой проблемой.
Ключевыми факторами успеха в преодолении этих проблем являются специализированные инженерные программные средства, такие как MATLAB от MathWorks. Они позволяют инженерам-медикам и исследователям создавать и внедрять передовые алгоритмы, быстро и эффективно анализировать большое количество разнообразных типов данных и разрабатывать / развертывать новые модели машинного обучения, не создавая их с нуля.
Как выглядит процесс
Чтобы лучше понять проблему с большими объемами данных, вы можете рассмотреть этот новый «пейзаж», используя две разные перспективы: систему IoT и инфраструктуру, позволяющую ее реализовать, а также систему анализа данных (машинное обучение), фокусирующуюся на интеллектуальных алгоритмах, которые предоставляют врачам и пациентам больше информации о конкретной болезни, оперируя огромным количеством информации и предоставляя наиболее актуальную.
Как выглядит система IoT
Первый шаблон, который позволяет нам охарактеризовать «цифровое здравоохранение» — это структура системы интернет вещей (IoT). Эта структура имеет три ключевых элемента:
- Конечный узел (узлы).
- Шлюз или облачный агрегатор.
- Внутренний механизм анализа информации, работающий с агрегированными данными для анализа тенденций, обнаружения отклонений и другими видами информации.
Конечные узлы, как правило, собирают первичную информацию о состоянии здоровья от различных датчиков. Примером подобной системы может послужить носимое устройство для фитнесса, а также некоторые специфические устройства, контролируемые FDA, такие как датчики глюкозы в крови или устройства ЭКГ. Данные собираются из крайних узлов (датчиков) для последующей обработки и извлечения важной информации о здоровье пациента.
При использовании правильных алгоритмов обработки сигналов и изображений (видео) с датчиков крайних узлов, возможно извлечение компонентов сигнала и передача их в облако таким образом, который позволит значительно сжать траффик и улучшить эффективность работы носимых устройств. В свою очередь это приводит к уменьшению габаритов устройства и увеличению времени работы между циклами заряда батареи.
Алгоритмы обработки сигналов могут быть запущены локально с использованием процессоров с низким энергопотреблением, которые позволяют обрабатывать и сжимать данные для периодической отправки их на сервер, а затем в облаке производить объединение данной информации для одного или нескольких пациентов. Аналитические исследования можно проводить обрабатывая огромнейшие количества информации, собранной о пациенте за определенный промежуток времени, для предоставления пациентам и врачам сведения о состоянии здоровья в реальном времени.
Идентификация правильной комбинации алгоритмов для предварительной обработки и извлечения данных является критическим этапом в рабочем процессе и может определять эффективность окончательного прогнозо-аналитического решения. Также может оказаться трудным и трудоемким разобраться в правильном разделении алгоритмов без необходимых инструментов проектирования и создания прототипов алгоритмов, как это видно из процесса Respiri для создания цифрового устройства наблюдения за астмой.
Развивая алгоритмы респираторного мониторинга с использованием передовых методов обработки сигналов и изображений, Respiri смог создать устройство, которое измеряет степень астмы, анализируя звуки грудной клетки от дыхания. Затем устройство отправляет обработанные данные пациенту (или родителю, если пациент ребенок) и врачу, чтобы в зависимости от серьезности состояния больного принять правильное решение.
Просмотр данных
Вторая структура, которая помогает нам понять это «не паханое поле» — это алгоритмы машинного обучения, которые добавляют «мозг» во всю эту систему и помогают преобразовывать данные в жизнеспособные идеи. Интеллектуальные алгоритмы, построенные с использованием методов машинного обучения, позволяют извлекать значимую информацию из больших объемов текстовых данных, сигналов, изображений и видео для автоматизации и ускорения диагностических возможностей.
Алгоритм машинного обучения состоит из трех основных компонентов:
- Предварительная обработка данных.
- Извлечение необходимой информации.
- Разработка модели самообучения, которая будет самостоятельно «учиться», основываясь на уже доступной и обновленной информации.
Обучение модели обычно осуществляется на большом количестве уже проверенных данных, записанных в течение длительных периодов времени с использованием проверенных на практике вычислительных подходов. Затем обученная модель может быть применена к новым, непроверенным данным, чтобы обеспечить «предсказания» по различным параметрам, действующим в качестве расширенной диагностической помощи врачу и (или) пациентам.
В случае Respiri портативное устройство используется для сбора и предварительной обработки аудиосигналов, которые отправляются через Bluetooth на телефон пациента. Интеллектуальный алгоритм, встроенный в MATLAB и реализованный в приложении для смартфонов с использованием генерации C-кода, анализирует спектральное изображение с использованием методов компьютерного зрения. Затем он вычисляет интенсивность хрипов, которая количественно определяет их тяжесть. После чего эта информация отправляется со смартфона в облако для дальнейшей агрегации, чтобы после обработки данных «поделится своими выводами» о состоянии пациента с докторами.
Будучи способным прототипировать алгоритмы обработки сигналов, быстро изучая модели машинного обучения и быстро реализуя их на целевой платформе с помощью технологий генерации C-кода, MATLAB помогает компаниям ускорить разработку сложных устройств для медицины.
В сегодняшнем мире, где аналитика, основанная на собранных данных, позволяет создавать системы, о которых несколько лет назад даже никто не думал. «Цифровое здоровье» поможет перевести систему здравоохранения в сторону персонализированной медицины. Вполне вероятно, что в обозримом будущем как профилактическое, так и терапевтическое лечение будет зависеть от прогнозирующей аналитики, собранной от носимых устройств, а также будет очень интенсивно использовать смартфоны и персональные девайсы. Эта технология позволит значительно лучше проводить диагностику здоровья пациента и снизит вероятность ошибки доктора при установке диагноза, что приведет к созданию более здорового общества.