Švokštimas, aukšto tono švilpimo garsas, yra dažnas lėtinių kvėpavimo takų ligų, įskaitant astmą ir lėtinę obstrukcinę plaučių ligą (LOPL), požymis dėl kvėpavimo takų uždegimo ir patinimo.
2023 m. beveik devyni procentai visų suaugusiųjų JAV sirgo astma, o LOPL išlieka pagrindine mirties priežastimi JAV.
Labai svarbu anksti nustatyti ir valdyti astmą ir LOPL. Pasaulyje astma ir LOPL yra nepakankamai diagnozuojamos (20–70 % astma ir iki 81 % LOPL). Be to, JAV ligų kontrolės ir prevencijos centrai apskaičiavo, kad astma yra nekontroliuojama 50% vaikų ir 62% suaugusiųjų, todėl dažnai ir intensyviai pasireiškia epizodai, dėl kurių gali padaugėti skubios pagalbos skyrių apsilankymų ir praleisti mokyklos bei darbo dienas.
Nors skaitmeniniai stetoskopai yra geresni, palyginti su tradiciniais stetoskopais, jie fiksuoja ore sklindantį triukšmą, kuris trukdo aptikti švokštimą.
Reikalingas pažangus technologinis sprendimas, kuris galėtų būti naudojamas kaip atrankos priemonė klinikoje ir nuotoliniam pacientų stebėjimui, kuris leistų medikams anksti įsikišti.
Džordžijos technologijos instituto mokslininkai sukūrė gilaus mokymosi (DL) modelį, kurį jie suporavo su nešiojamu pleistru su labai jautriu jutikliu, galinčiu automatiškai aptikti švokštimo garsus. Gilus mokymosi modelis gali klasifikuoti kvėpavimo takų ligas, o tai galėtų pagreitinti jų diagnozavimą ir gydymą. Bandomojo pacientų tyrimo rezultatai buvo paskelbti m BioSensoriai.
Ką dabar daro gydytojai
Gydytojai paprastai naudoja skaitmeninius stetoskopus (auksinį standartą), norėdami klausytis ir įrašyti neįprastus plaučių garsus, tokius kaip švokštimas ir traškesys, kurie yra spragsėjimo ir barškėjimo garsai, galintys lydėti švokštimą. Jie klauso kiekvieno įrašo, kad nustatytų, ar tai yra švokštimas, traškėjimas ar normalus kvėpavimo garsas.
Standartinis duomenų ženklinimo kaip švokštimo metodas apima kompiuterizuotą laiko ir dažnio analizę, kuri naudoja kontrolinį sąrašą (ty algoritmą), kad nustatytų, ar švokštimas atitinka tam tikrus reikalavimus. Tačiau, pasak mokslininkų, algoritmas nėra išsamus, todėl kai kurie atvejai yra praleisti.
Naujas nešiojamas pleistras
Tyrėjai sukūrė naują nešiojamą įrenginį, kad pašalintų šiuos trūkumus. Pleistras turi mikroschemos jutiklį, kuris, skirtingai nei tradiciniai mikrofonai skaitmeniniuose stetoskopuose, gali aptikti mažytes vibracijas esant dideliam jautrumui ir minimaliai iškraipant.
„Mūsų jautrus pleistras turi daug pranašumų, palyginti su tradiciniu švokštimo aptikimu, kuris stengiasi aptikti visus švokštimo ir traškėjimo variantus, o tai gali sukelti klaidingą diagnozę“, – sakė Farrokhas Ayazi, Ph.D., vyresnysis studijų autorius ir elektros ir kompiuterių inžinerijos profesorius. Džordžijos technologijos institute.
„Įtraukus duomenis iš šių švokštimo variacijų į gilaus mokymosi modelį ir pasinaudojus jutiklio galimybe pašalinti aplinkos garsus, mūsų aptikimo metodas padidino tikslumą, jautrumą (jis teisingai nustatė švokštimą) ir specifiškumą ( jis teisingai nustatė švokštimo nebuvimą), palyginti su standartiniu laiko ir dažnio metodu“, – sakė jis.
Gilaus mokymosi modelio kūrimas
Plaučių garso įrašai buvo paimti iš 52 pacientų ambulatorinėje astmos klinikoje arba ligoninės aplinkoje. Dvidešimt penki iš 52 pacientų buvo nutukę, o tai gali pakenkti tradicinių plaučių įrašų kokybei.
Norėdami gauti įrašus, pacientai nešiojo miniatiūrinį pleistrą iki devynių skirtingų krūtinės vietų. Duomenys buvo registruojami iš kiekvienos vietos, kai pacientas giliai kvėpavo 30 sekundžių. Palyginimui, gydytojai taip pat gavo plaučių įrašus naudodami skaitmeninius stetoskopus tose pačiose krūtinės vietose.
Gydytojai klausėsi abiejų šaltinių įrašų ir pažymėjo, ar jie girdėjo švokštimą per aklą eksperimentą, o vėliau po klinikinio įvertinimo pateikė diagnozę. Pažymėti švokštimai buvo labai suderinti tarp skaitmeninio stetoskopo ir nešiojamo pleistro, net ir nutukusiems pacientams. Gydytojo pažymėti duomenys buvo įtraukti į gilaus mokymosi modelį, kad būtų galima atskirti švokštimo garsus nuo įprastų kvėpavimo garsų.
DL modelio palyginimas su standartiniais metodais
Tyrėjai palygino giluminio mokymosi modelį su standartiniu laiko ir dažnio metodu švokštimo aptikimui, kai jis buvo suporuotas su pleistru arba skaitmeniniu stetoskopu.
Gilaus mokymosi modelis, suporuotas su pleistru, nuolat turėjo didžiausią vidutinį švokštimo aptikimo tikslumą, jautrumą ir specifiškumą: atitinkamai 95%, 96% ir 93%. Šis derinys pranoko laiko ir dažnio metodą, suporuotą su pleistru arba skaitmeniniu stetoskopu, ir gilaus mokymosi metodą, susietą su skaitmeniniu stetoskopu.
Tyrimas turėjo keletą apribojimų: Vienintelis automatizuotas komponentas yra gilaus mokymosi modelis, kuris apribojo jo taikymą klinikinėse situacijose, o išvados turi būti toliau patvirtintos didesnėje ir įvairesnėje pacientų imtyje.
Žvelgiant į priekį
Tyrėjai numato du galimus nešiojamo pleistrų sistemos naudojimo būdus. Vienas skirtas trumpalaikiam patikrinimui klinikoje, o kitas – ilgalaikiam stebėjimui namuose. Tyrėjai kuria belaidę pleistro versiją nuotoliniam stebėjimui, kuri galėtų perduoti duomenis paciento gydytojui, kad palengvintų gydymą.
„Ši neinvazinė ir greita paciento kvėpavimo ir plaučių būklės analizė gali pagerinti ankstyvą kvėpavimo takų ligų nustatymą, ypač nutukusiems pacientams, kuriems yra didesnė astmos ir LOPL rizika“, – sakė NIBIB programos direktorė Ph.D. Tiffani Lash. Sveikatos informatikos technologijų (informatikos) skyrius.
„Tokie technologiniai sprendimai, kaip šis, gali pagerinti sveikatos rezultatus ir sumažinti naštą žmonėms, sergantiems šiomis lėtinėmis ligomis“, – sakė ji.