Opracowany w porozumieniu z klinicystami i neurologami system Verum wykorzystuje moc danych biometrycznych, głównie głosowych i elektromiograficznych (EMG), oraz uczenie maszynowe w celu lepszego zrozumienia wyników i zwiększenia prawdopodobieństwa sukcesu klinicznego. System oparty na uczeniu maszynowym może zapewnić głębszy wgląd w wyniki uczestników badania podczas prób. Strumieniowanie danych w czasie rzeczywistym umożliwia lekarzom, pielęgniarkom i koordynatorom testów m.in. wpływ poziomu stresu na wyniki badania klinicznego. 

Jaquie Finn z Cambridge Consultants wyjaśnia, że podstawowym wskaźnikiem poziomu stresu jest stężenie kortyzolu, jednak jego pomiar wymagał do tej pory pobrania krwi lub śliny. Zastępczy system pomiaru poziomu stresu oparty jest na czujnikach i sztucznej inteligencji. Aby zebrać potrzebne informacje, badacze umieszczali na ciałach osiem różnych czujników biometrycznych i nosili je przez 12 godzin na dobę, 4 dni w tygodniu. Stworzono aplikację, za pomocą której zebrano dane kontekstowe i behawioralne. Następnie, korzystając z trzech wzorcowych kwestionariuszy do mierzenia poziomu stresu, przeprowadzono odpowiednie uczenie algorytmu. Zbadano 256 różnych kombinacji czujników, aby sprawdzić, które kombinacje są niezbędne do pomiaru stresu. 

Dotychczas monitorowanie samopoczucia pacjentów biorących udział w próbach klinicznych najczęściej opierało się na codziennym wypełnianiu testu. Kompleksowe badanie samopoczucia leczonej osoby odbywało się natomiast podczas wizyt w określonych tygodniach, nawet po miesiącu od rzeczywistego badania.

Nowy system działa poprzez umożliwienie lekarzom, pielęgniarkom i koordynatorom dostępu do danych biometrycznych i behawioralnych stale monitorowanych pacjentów. Zastosowanie algorytmu uczenia maszynowego analizującego spływające na bieżąco dane, pozwala określić konkretny stan pacjenta w konkretnym czasie oraz jego zmiany, np. przy podaniu jakiegoś leku.

Rozwiązania z zakresu sztucznej inteligencji znajdują coraz szersze zastosowanie w medycynie. Już dziś algorytmy uczenia maszynowego są w stanie precyzyjnie diagnozować chociażby zmiany nowotworowe. Według wyników badań opublikowanych w majowym numerze specjalistycznego czasopisma Annals of Oncology głęboko uczące się splotowe sieci neuronowe (CNN) wykryły potencjalnie rakowe zmiany skórne lepiej niż 58 dermatologów uczestniczących w teście. Ustalenia te mogą mieć znaczący wpływ na przyszłość opieki zdrowotnej. 

Według Skin Cancer Foundation w ostatnim dziesięcioleciu roczna liczba diagnozowanych przypadków czerniaka wzrosła o prawie 53%. Potrzeba wdrożenia szybkich i wydajnych narzędzi diagnostycznych jest więc większa niż kiedykolwiek, a CNN bardzo może pomóc dermatologom wcześniej wykryć i leczyć potencjalnie nowotworowe zmiany skórne.

Sztuczna inteligencja znajduje w medycynie ogromne zastosowanie również w salach operacyjnych. Zrobotyzowane systemy chirurgiczne wyposażone w sztuczną inteligencję mogą być używane do standaryzacji jakości procedur chirurgicznych. Sztuczna inteligencja napędzająca działanie robotów umożliwia chirurgom wykonywanie skomplikowanych procedur z wysoką dokładnością i precyzją.

Źródło: Newseria