شناسایی بیماری‌های واگیردار با استفاده از دستگاه‌های پوشیدنی در دانشگاه استنفورد

ساعت‌های هوشمند کرونا را تشخیص می‌دهند

پژوهشگران دانشگاه استنفورد هم‌زمان با شیوع بیماری کووید-۱۹ با همکاری Fitbit و موسسه پژوهشی Scripps در تلاش هستند تا دستگاه‌های پوشیدنی تولید کنند که بتوانند بیماری‌های واگیر مانند کووید-۱۹ را شناسایی و از شیوع آن جلوگیری کند. شواهد اولیه نشان از این دارند که این دستگاه‌ها مانند ساعت، انگشتر و لباس‌های هوشمند می‌توانند شروع بیماری را حتی پیش از بروز علائم پیش‌بینی کنند. کنسرسیوم مذکور با سرپرستی دکتر مایکل اسنایدر، استاد دانشکده ژنتیک پردیس پزشکی دانشگاه استنفورد، پژوهش‌هایی را که در هر دو مرکز پژوهشی انجام می‌شود، تحت نظر آزمایشگاه نوآوری سلامت دانشگاه گردآوری کرد و مطالعات را با هدف استفاده از اطلاعات به‌دست‌آمده از این دستگاه‌ها برای ردیابی بیماری واگیردار آغاز کرد.

اسنایدر در این باره می‌گوید: «ساعت‌های هوشمند و دیگر وسایل مشابه در روز پارامترهای بسیار بسیار زیادی را اندازه می‌گیرند، حداقل ۲۵۰هزار تا، همین موضوع است که آنها را قدرتمند ساخته است. آزمایشگاه ما می‌خواهد از این داده‌ها بهره‌برداری کرده و ببیند آیا می‌تواند در کمترین زمان، بیماری افراد را تشخیص بدهد.»

الگوریتم‌های دستگاه‌های پوشیدنی می‌توانند به کاربر هشدار دهند چه زمانی ضربان قلبش بالا رفته یا دمای پوست یا دیگر نشانگرهای فیزیولوژیکی او تغییر کرده که نشانه مبارزه بدن با یک عفونت است. Fitbit در مطالعه‌ای که انجام شده نشان داده می‌تواند نقاط کانونی آنفلوانزا را دقیق‌تر از مرکز کنترل و پیشگیری بیماری‌ها (CDC) تشخیص دهد.

با این حال پژوهش‌های بیشتری باید صورت گیرد تا بتوان از این دستگاه‌ها برای تشخیص کووید-۱۹ استفاده کرد. شیائو لی، یکی از دانشجویان پسادکتری که با اسنایدر در مطالعه سال ۲۰۱۷ شرکت داشت و پژوهش‌های فعلی هم بر همان مبنا است، می‌گوید: «الگوریتم فعلی بیشتر شبیه الگوریتم نشان‌گذاری است، لذا تصور می‌کنم هنوز برای این که بگوییم تشخیص دهنده است زود باشد۷ بلکه تنها می‌تواند هشداردهنده باشد. باید الگوریتمی مخصوص الگوهای کووید-۱۹ تهیه شود.» اسنایدر در ادامه می‌گوید: «هنوز نمی‌توانیم تفاوت میان کووید-۱۹ با دیگر عفونت‌های ویروسی را تشخیص دهیم اما همین که بدانید در دوران شیوع بیماری شما هم در حال مریض شدن هستید مفید خواهد بود. همچنین مردم باید به شرایط زمینه‌ای علائم هم توجه کنند؛ مثلا اگر در حال تماشای یک فیلم ترسناک، ضربان شما بالا رفت نباید به آن اعتنا کنید.»

موسسه پژوهشی Scripps در ماه مارس مطالعه‌ای را آغاز کرد که ضربان قلب و علائمی مانند تب و سرفه را ثبت می‌کرد. اسنایدر برای مطالعه درباره کووید-۱۹ داده‌های ۵ برند مختلف دستگاه‌های پوشیدنی را جمع‌آوری کرده تا بتواند الگوریتم خود را توسعه دهد. هدف، شناسایی بیماری پیش از بروز علائم است. در این مسیر از دو دسته از مردم کمک گرفته می‌شود:

۱) آنهایی که تست کووید-۱۹ آنها مثبت بوده و یک ساعت هوشمند به دست دارند.

۲) گروه‌های در معرض خطر (نیروهای بخش درمانی، اعضای خانواده افراد بیمار) که به طور منظم از آنها برای شناسایی بیماری آزمایش گرفته می‌شود.

به گروه دوم ساعت هوشمند داده می‌شود و ردیابی آنها تا زمان احتمالی بیمارشدن هم ادامه دارد. به محض اعلام شروع این مطالعه، ۲۰۰۰ نفر ثبت نام کردند.

راس آلتمن، استاد مهندسی زیستی، ژنتیک، علوم داده پزشکی و زیست پزشکی از اهمیت به دست داشتن این دستگاه‌ها مدت‌ها قبل از بیماری می‌گوید تا این فناوری مفید واقع شود: «اگر وقتی مریض شدید تازه ساعت هوشمند به دست کنید، کاربردی نخواهد داشت، چون دکتر هم می‌تواند با مشاهده علائم متوجه بیماری شود. مهم است که تعداد زیادی در این پژوهش مشارکت کنند تا داده‌های مورد استفاده الگوریتم بتوانند با دقت بالاتر به کار گرفته شوند و الگوریتم بهبود یابد. همچنین گروه‌های جمعیتی که داده‌های آنها جمع‌آوری می‌شود باید از تنوع کافی برخوردار باشند تا الگوریتم به سمت گروه خاصی شکل نگیرد.»

مطالعه‌ای که در سال ۲۰۱۷ انجام شد نشان داد میان انحراف از علائم فیزیولوژیکی با پاسخ‌های التهابی رابطه‌ای برقرار است. الگوریتم توسعه‌داده در آن زمان توانست نشان دهد می‌توان از داده‌های دستگاه‌های پوشیدنی برای شناسایی عفونت استفاده کرد. لی که نویسنده اول آن مقاله بود توانست روی یک بیمار که داده‌های او در آزمایشگاه دنبال می‌شد، کمبود SpO2 – نشان‌دهنده سطح اشباع اکسیژن خون – را تشخیص دهد. همین موضوع آغاز بیماری لایم را نشان می‌دهد. با بررسی‌های بیشتر مشخص شد ضربان قلب و دمای بدن بیمار هم غیرطبیعی است. با استفاده از این یافته‌ها لی توانست الگوریتم تشخیص بیماری خود را توسعه دهد.

 

منبع

 

توسط حسین رجبی

شاید بپسندید مطالب بیشتر از نویسنده

ارسال یک پاسخ

آدرس ایمیل شما منتشر نخواهد شد.