همانطور که یک زخم بهبود می یابد ، از چندین مرحله عبور می کند: لخته شدن ، پاسخ سیستم ایمنی بدن برای متوقف کردن خونریزی ، پوسته پوسته شدن و زخم.
طراحی شده توسط مهندسین در دانشگاه کالیفرنیا ، سانتا کروز ، وسیله ای پوشیدنی به نام “A-Kalan” با هدف بهینه سازی هر مرحله از فرآیند است. این سیستم از یک دوربین کوچک و هوش مصنوعی برای تشخیص فاز بهبودی و تهیه دارو یا میدان الکتریکی استفاده می کند. این سیستم به روند بهبودی منحصر به فرد بیمار با درمان شخصی پاسخ می دهد.
دستگاه بی سیم قابل حمل می تواند برای مناطق از راه دور یا بیماران مبتلا به تحرک ، درمان زخم را در دسترس تر کند. اولین نتایج قبل از کلینیکی منتشر شده در مجله نوآوری های زیست پزشکی NPJنشان دهید که دستگاه با موفقیت روند بهبودی را تسریع می کند.
طراحی A-Kalan
تیمی متشکل از محققان UC Santa Cruz و UC Davis ، دستگاهی را طراحی کرده اند که توسط برنامه DARPA-BETR پشتیبانی می شود و توسط مهندسی UC Santa Cruz Baskin و ترکیب استاد مهندسی برق و رایانه (ECE) مارکو رولاندی ، دوربین ، بیوالکترونیک و هوش مصنوعی طراحی شده است. ادغام در یک دستگاه ، آن را به “سیستم حلقه بسته” تبدیل می کند-از اولین نوع نوع نوع برای بهبود زخم و همچنین آگاهی.
رولاندی گفت: “سیستم ما همه سرنخ ها را از بدن می گیرد و پیشرفت بهبودی را با مداخلات خارجی بهینه می کند.” گفت
این دستگاه از یک دوربین ساخته شده ساخته شده توسط استادیار ECE MIRCEA Teodorescu استفاده می کند و در یک مطالعه زیست شناسی ارتباطی شرح داده شده و هر دو ساعت یک بار از زخم عکس می گیرد. عکس ها به یک مدل یادگیری ماشین (ML) ساخته شده توسط استادیار ریاضی کاربردی مارچلا گومز ، که محققان آن را “پزشک هوش مصنوعی” می نامند ، تهیه می شود.
Teodorescu گفت: “این در واقع یک میکروسکوپ در یک باند است.” “تصاویر فردی بسیار اندک می گویند ، اما با گذشت زمان به طور مداوم نمایش ، روند نقطه هوش مصنوعی ، مراحل درمانی ، مشکلات پرچم و درمان.”
پزشک هوش مصنوعی از تصویر برای تشخیص مرحله زخم استفاده می کند و زخم را با بهبودی بهینه زخم در طول جدول زمانی مقایسه می کند. اگر تأخیر رخ دهد ، مدل ML یک درمان را اعمال می کند: یا دارویی که از طریق بیوالکترونیک داده می شود. یا یک میدان الکتریکی که می تواند مهاجرت سلولی را به سمت بسته شدن زخم افزایش دهد.
درمان موضعی از طریق دستگاه ، فلوکستین ، یک بازگشت مجدد سروتونین ، که سطح سروتونین در زخم را کنترل می کند و با کاهش التهاب و افزایش بسته شدن بافت زخم ، بهبودی را افزایش می دهد. برای بهینه سازی بازیابی ، دوز تعیین شده توسط گروه Isseroff در گروه UC دیویس با مطالعات قبل از کلینیکی توسط محرک های بیوالکترونیک در دستگاه تهیه شده توسط رولاندی استفاده می شود. یک میدان الکتریکی ، که برای بهبودی بهینه شده است و توسط کار قبلی UC Davis’s Min Zhao و Roslyn Rivkah Isseroff ساخته شده است ، از طریق دستگاه نیز تحویل داده می شود.
پزشک هوش مصنوعی دوز بهینه داروهای داده شده و اندازه میدان الکتریکی کاربردی را تعیین می کند. پس از استفاده از درمان برای مدت زمان مشخصی ، دوربین تصویر دیگری را ترسیم می کند و دوباره شروع می شود.
هنگام استفاده ، دستگاه تصاویر و داده ها را به یک رابط وب ایمن منتقل می کند ، به طوری که یک پزشک انسانی می تواند به صورت دستی به صورت دستی مداخله کند و در صورت لزوم درمان کند. این دستگاه به طور مستقیم به بانداژ واقع شده مستقیم در بازار برای استفاده مناسب و ایمن متصل می شود.
برای ارزیابی پتانسیل استفاده بالینی ، تیم UC دیویس دستگاه را در مدل های زخم قبل از کلینیکی آزمایش کرد. در این مطالعات ، زخم های تحت درمان با A-Kalan از مدار درمانی تقریباً ۲۵ ٪ سریعتر از استاندارد نگهداری استاندارد پیروی کردند. این یافته ها بر نوید فناوری نه تنها برای بسته شدن زخم های حاد ، بلکه برای بهبودی پرش در زخمهای مزمن تأکید می کند.
مکمل AI
مدل AI مورد استفاده برای این سیستم ، که توسط دستیار ریاضیات کاربردی مارچلا گومز اداره می شود ، از یک رویکرد یادگیری تقویت شده که در یک مطالعه در یک مطالعه در مجله Biyomühendislik شرح داده شده است ، برای تقلید از رویکرد تشخیصی استفاده شده توسط پزشکان استفاده می کند.
یادگیری تقویت کننده تکنیکی است که در آن یک مدل برای تحقق یک هدف نهایی خاص طراحی شده است و یاد می گیرد که چگونه از طریق آزمایش و خطا به بهترین شکل به این هدف برسد. در این زمینه ، به این مدل هدف از به حداقل رساندن زمان برای بسته شدن زخم داده می شود و برای پیشرفت در این هدف پاداش می گیرد. او دائماً از بیمار یاد می گیرد و روش درمانی را تطبیق می دهد.
مدل یادگیری تقویت شده توسط یک الگوریتم کارگردانی شده است ، که در یک مطالعه قبل از شورش گومز و دانش آموزان آن شرح داده شده است و تصاویر زخم را برای اندازه گیری مرحله بهبود در مقایسه با پیشرفت عادی و نقشه برداری در مدار بهبودی پردازش می کند. با گذشت زمان با دستگاه بر روی زخم ، یک مدل پویا خطی از بازیابی گذشته را می آموزد و از آن برای تخمین نحوه بهبود بهبود استفاده می کند.
گومز ، “فقط داشتن تصویر کافی نیست ، شما باید آن را پردازش کرده و آن را به یک زمینه تبدیل کنید. سپس می توانید کنترل بازخورد را اعمال کنید.” گفت
این روش باعث می شود که الگوریتم تأثیر دارو یا میدان الکتریکی بر بهبودی در زمان واقعی را بیاموزد و مدل یادگیری تقویت را هدایت کند تا مجدداً در نحوه تنظیم غلظت دارو یا قدرت میدان الکتریکی تکرار شود.
اکنون ، تیم تحقیق در حال بررسی پتانسیل بهبود بهبود زخم های مزمن و آلوده این دستگاه است.
انتشارات اضافی مربوط به این مطالعه را می توان در اینجا یافت.
این تحقیق توسط آژانس پروژه های تحقیقاتی پیشرفته دفاعی و آژانس پیشرفته پروژه های بهداشتی برای بهداشت پشتیبانی شده است.