Inteligentní zařízení používá AI a bioelektroniku k urychlení procesu hojení ran

Když se rána uzdravuje, prochází několika fázemi: srážení, aby zastavilo krvácení, reakci imunitního systému, skabování a zjizvení. Cílem nositelného zařízení zvaného „A-heal“, navržené inženýry na University of California, Santa Cruz, je optimalizovat každou fázi procesu. Systém používá malou kameru a umělou inteligenci k detekci stadia hojení a dodávání léčby ve formě léku nebo elektrického pole. Systém reaguje na jedinečný proces hojení pacienta a nabízí personalizovanou léčbu.

Přenosné bezdrátové zařízení by mohlo zpřístupnit terapii rány pacientům ve vzdálených oblastech nebo s omezenou mobilitou. Počáteční předklinické výsledkyPublikováno v časopise Biomedicínské inovace NPJZobrazit zařízení úspěšně zrychluje proces hojení.

Navrhování A-Heal

Tým výzkumníků UC Santa Cruz a UC Davis, vedený inženýrskou židle UC Santa Cruz Baskin Engineering a profesorem elektrického a počítačového inženýrství (ECE) Marco Rolandi, navrhl zařízení, které kombinuje kameru, bioelektroniku a AI pro rychlejší hojení. Integrace v jednom zařízení z něj dělá „systém s uzavřenou smyčkou“-jeden z prvního svého druhu pro hojení ran, pokud jsou vědci vědomi.

„Náš systém bere všechny narážky z těla a s vnějšími zásahy optimalizuje pokrok hojení,“ řekl Rolandi.

Zařízení používá palubní kameru, vyvinutá kolegou docentkou ECE Mircea Teodorescu a popsané v a Komunikační biologie studieFotografovat ránu každé dvě hodiny. Fotografie jsou přiváděny do a strojové učení (ML) Model, vyvinutý docentem Applied Mathematics Marcella Gomez, kterou vědci nazývají „lékařem AI“ běžící na nedalekém počítači.

„Je to v podstatě mikroskop v obvazu,“ řekl Teodorescu. „Jednotlivé obrázky říkají málo, ale v průběhu času, nepřetržité zobrazování umožňuje trendy AI spot, fáze hojení ran, problémy s vlajkami a navrhování léčby.“

Lékař AI používá obraz k diagnostice fáze rány a porovnává to, kde by měla být rána podél časové ose optimální hojení ran. Pokud obraz odhalí zpoždění, model ML použije léčbu: buď lék, dodávaný prostřednictvím bioelektroniky; nebo elektrické pole, které může zvýšit migraci buněk směrem k uzavření rány.

Ošetření topicky dodávaným prostřednictvím zařízení je fluoxetin, a Selektivní inhibitor zpětného vychytávání serotoninu který řídí hladiny serotoninu v ráně a zlepšuje hojení snížením zánětu a zvýšením uzavření tkáně rány. Dávka, určená předklinické studie Skupinou Isseroff ve skupině UC Davis Group za účelem optimalizace hojení je podávána bioelektronickými ovladači v zařízení, vyvinuté Rolandi. Prostřednictvím zařízení je také dodáváno elektrické pole, optimalizované pro zlepšení léčení a vyvinuté předchozí práce UC Davis Min Zhao a Roslyn Rivkah Isseroff.

AI lékař určuje optimální dávkování léků k dodávce a velikost aplikovaného elektrického pole. Poté, co byla terapie použita po určitou dobu, fotoaparát pořídí další obrázek a proces začíná znovu.

Při používání zařízení přenáší obrázky a data, jako je rychlost hojení, na zabezpečené webové rozhraní, takže lidský lékař může podle potřeby zasáhnout ruční a jemné ladění. Zařízení se připojuje přímo k komerčně dostupné obvaz pro pohodlné a bezpečné použití.

Pro posouzení potenciálu pro klinické použití tým UC Davis testoval zařízení v předklinických modelech rány. V těchto studiích se rány léčené A-heal řídily léčivou trajektorií asi o 25% rychleji než standard péče. Tato zjištění zdůrazňují příslib technologie nejen pro zrychlení uzavření akutních ran, ale také pro zastavení zastavení zastavení zastavení v chronických ranách.

Máte posílení

Model AI používaný pro tento systém, který vedl docent asistentka aplikované matematiky Marcella Gomez, používá přístup k posílení učenípopsáno ve studii v časopise Bioengineeringnapodobit diagnostický přístup používaný lékaři.

Posílení učení je technika, ve které je model navržen tak, aby splnil konkrétní konečný cíl, učení prostřednictvím pokusu a omylů, jak nejlépe dosáhnout tohoto cíle. V této souvislosti má model cíl minimalizovat čas na uzavření rány a je odměněn za dosažení pokroku k tomuto cíli. Neustále se učí od pacienta a přizpůsobuje jeho léčebný přístup.

The Posílení učení Model se řídí algoritmem, který Gomez a její studenti vytvořili s názvem Deep Mapper – popsaný v studie předtisku—Kope zpracovává obrázky navinuté pro kvantifikaci stadia hojení ve srovnání s normální progresí, mapování podél trajektorie hojení. Jak čas ubíhá se zařízením na ráně, učí se lineární dynamický model minulého uzdravení a používá jej k předpovídání, jak bude hojení pokračovat v postupu.

„Nestačí jen mít obrázek, musíte ho zpracovat a vložit do kontextu. Pak můžete použít kontrolu zpětné vazby,“ řekl Gomez.

Tato technika umožňuje algoritmu učit se v reálném čase dopad léčiva nebo elektrického pole na hojení a vede iterativní rozhodování modelu výztužného učení o tom, jak upravit koncentraci léčiva nebo elektrické pole pevnost.

Nyní výzkumný tým zkoumá potenciál tohoto zařízení ke zlepšení hojení chronických a infikovaných ran.