Die Studie der Penn State University, die möglicherweise als Nebenprodukt fortschrittlicher Techniken zur Früherkennung neuromuskulärer Erkrankungen bei Säuglingen entstand, ist womöglich die erste Studie, die auf dem Einsatz modernster Technologie basiert. Die Einrichtung einer Professur für Ingenieurwissenschaften und Maschinenbau in Gedenken an James L. Henderson Jr. war eine entscheidende Entwicklung, die maßgeblich durch die Einführung einer neuartigen Methodik auf Basis von Wearables und maschinellem Lernen durch die Arbeitsgruppe von Larry Cheng vorangetrieben wurde. Diese Methodik ermöglicht eine außergewöhnlich hohe Genauigkeit bei der Erkennung und Kategorisierung von Risikoneugeborenen.
Innovative Technologie zur Bekämpfung neuromotorischer Erkrankungen
Diese aktuelle Teststudie mit dem Titel „Fortschritte in der Wissenschaft“ besteht aus einem Netzwerk drahtloser, flexibler IMUs in Kombination mit einem miniaturisierten Algorithmus für maschinelles Lernen. Dieser Algorithmus kann zur Überwachung der spontanen Aktivierung motorischer Funktionen bei Säuglingen sowie von Anzeichen für Entwicklungsstörungen oder -verläufe wie Zerebralparese eingesetzt werden. Das KI-gestützte Robotersystem ist darauf ausgelegt, abnorme Bewegungsmuster zu erkennen, die auf Zerebralparese und Autismus-Spektrum-Störungen hindeuten – das ist das Ziel dieser Technologie.
Dr. Cheng gab bewusst zu, dass diese Bewegungen ein Indikator für die allgemeine neuronale Entwicklung eines Menschen in den ersten 20 Lebenswochen sind. Herkömmliche Diagnosemethoden, bei denen Experten die Symptome visuell beurteilen, sind oft durch menschliche Fehler, extreme Wetterbedingungen und die Komplexität der Videoüberwachung beeinträchtigt. Die von Dr. Cheng entwickelte Sensortechnologie bietet zwei wesentliche Vorteile hinsichtlich Objektivität und Praktikabilität. Sie ermöglicht eine schnellere und präzisere Diagnose.
Früherkennung neuromotorischer Probleme mit neuer Sensortechnologie
Sensoren sind in der Fitnessbranche schon seit einiger Zeit im Trend, und dieser Trend wird sich in den kommenden Jahren fortsetzen, da sie Aktivitätsniveaus in Echtzeit messen können. Diese Daten sind äußerst wertvoll für Nutzer, die ihre Fortschritte verfolgen und ihre Fitnessziele erreichen möchten.
Das von Chengs Team entwickelte Sensorsystem besitzt mechanische Eigenschaften, die der menschlichen Haut ähneln, und eignet sich daher ideal für die empfindliche Haut von Säuglingen. Stirn, Handgelenke und Knöchel des Säuglings wurden als Positionen für die ersten fünf IMUs gewählt. Dadurch entsteht ein Netzwerk, das zwar sparsam aufgebaut ist, aber dennoch die gesamte Bewegungsamplitude des Säuglings erfasst, ohne dabei aufdringlich zu wirken. Diese Rohdaten werden anschließend von dem Machine-Learning-Algorithmus des Teams verarbeitet, der mithilfe eines eigens entwickelten Algorithmus Bewegungsmuster als „Normal“, „Hohes Risiko“ oder „Abnormal“dent.
„Daher verbessert es nicht nur die Genauigkeit der Diagnosen, sondern reduziert im Vergleich zu bisherigen Diagnosemethoden auch drastisch die Kosten und den Materialbedarf“, sagte Cheng. Kleine Algorithmen für maschinelles Lernen sind in ressourcenarmen Bereichen weniger nützlich. Der Fokus liegt auf schnellen Ergebnissen durch kleinere Algorithmen, da komplexe KI-Frameworks nicht erforderlich sind.
Weiterentwicklung von Expertensystemen für bessere Gesundheitsergebnisse
Eine Pilotstudie mit 23 Säuglingen war zwar vielversprechend, reicht aber aufgrund der Fehleranfälligkeit solcher Studien nicht aus, um die Ergebnisse zu bestätigen. Daher sind groß angelegte Validierungsstudien erforderlich. Gemeinsam mit Cheng und anderen Teammitgliedern gehört die Zusammenarbeit mit Medizinern zu den Zielen des Teams, ebenso wie die Weiterentwicklung des Produkts und die Optimierung der Technologie. Die Entwicklung dieses Sensornetzwerks wird Forschung ermöglichen, die sich nicht nur auf neuromotorische Untersuchungen beschränkt, sondern auch kardiopulmonale Tests, Stimmbandvibrationen und Sporttraining umfasst.
Der Einsatz von künstlicher Intelligenz und tragbarer Technologie in der medizinischen Diagnostik eröffnet neue Möglichkeiten in der Versorgung von Kleinkindern. Dies kann die Früherkennung und damit die Überlebensrate von Kindern mit erhöhtem Risiko für neuromotorische Erkrankungen verbessern. Mit fortschreitender Forschung könnte diese Technologie zum wichtigsten Instrument für Ärzte und Eltern werden, um Neugeborene präventiv und entwicklungsbezogen zu überwachen.
Dieser Durchbruch der Penn State University unterstreicht die Notwendigkeit und den Nutzen der interdisziplinären Zusammenarbeit, in diesem Fall zwischen Medizin und Informatik. Er verdeutlicht zudem, dass solche Anwendungen heutzutage verfügbar sind. Mithilfe kompakter und effizienter, auf künstlicher Intelligenz basierender Systeme in Kombination mit nicht-invasiven, tragbaren Sensoren könnten sich die medizinische Diagnostik und die Patientenversorgung grundlegend verändern. Technologie wird dabei eingesetzt, um die Erkennung und Behandlung von Krankheiten zu vereinfachen.
Dieser Artikel erschien ursprünglich in News Medical.
