Drohnen und Smart Watch: Lebensrettend für Patienten mit kardiologischen Problemen
Verfasst von Priyanka Dey am 23.02.2023
Die Weiterentwicklung von AI und tragbaren IOT hat den Bereich der medizinischen Diagnostik revolutioniert, insbesondere die Diagnostik von Herzrhythmusstörungen. Anstelle der langjährigen und teuren konventionellen Methode werden heutzutage intelligente tragbare Geräte (Smartwatch, Smart Textile usw.) aufgrund ihrer Tragbarkeit und Benutzerfreundlichkeit häufig zur Herzfrequenzüberwachung verwendet.
Darüber hinaus werden auch auf maschinellem Lernen (ML) basierende Vorhersagemodelle über Smart-Wearable-Daten verwendet, um Frühwarnsysteme zu erstellen, d. h. kontinuierliche Herzmonitore und viele weitere nützliche medizinische Schnittstellen. Mit Cloud-Frameworks [1] als Rückgrat haben diese intelligenten Systeme den Zugriff auf eine große Menge persönlicher Gesundheitsdaten für eine bessere Diagnose und Behandlung ermöglicht. In diesem Artikel beschreiben ich aus der Vogelperspektive ein Notfall-Drohnenliefersystem, das Smart Wearables (Smart Watch) und eine mobile App verwendet, um einen Notflug auszulösen [2]. Dieses Projekt ist ein laufendes Projekt im Rahmen von Med4PAN, das Benutzern/Patienten mit einem Herznotfall einen medizinischen Notfalldrohnendienst bietet.
Alle Drohnen unter diesem Service sind mit der erforderlichen Hardware (z. B. ardupilot/pixhawk2.1), Raspberry-Pi-Systemen, Batterien, Sensoren und GPS-Empfängern sowie einem Internetmodul für die automatische Drohnenlieferung ausgestattet [3] .
Die Drohnen sind außerdem mit automatisierten externen Defibrillatoren (AEDs) ausgestattet. AEDs sind tragbare elektronische Geräte, die in Notfallsituationen lebensbedrohliche Herzerkrankungen diagnostizieren und behandeln können. Smart Watches werden verwendet, um den Versand solcher mit AED ausgestatteten Drohnen auszulösen. Wenn eine Smartwatch unter Berücksichtigung anderer medizinischer (persönliche medizinische Daten des Benutzers) und situativer (Zustand des Benutzers, z. B. Gehen, Laufen, Ausruhen) Parameter eine potenzielle Anomalie der Herzfrequenz erkennt, sendet sie automatisch eine Warnung an den Notfalldrohnendienst mit dem Live-Standort des Benutzers.
Nach Erhalt der Warnung fliegt eine mit AED vorkonfigurierte Drohne zum Ziel (d. h. zum Live-Standort des Benutzers). Es gibt drei Hauptkomponenten des auf Smartwatch basierenden Erkennungssystems für kardiale Bedrohungen – (i) einen Offline-Prozess, der befolgt wird, um ML-Modelle aus öffentlich verfügbaren Datensätzen zu erstellen; (ii) eine mobile App, die kontinuierlich medizinische (EKG, PPG, klinische Parameter)[4] [5] und Situationsdaten (Zustand des Benutzers, Routine) des Benutzers unter Verwendung vorgefertigter Smart-Watch-Sensoren sammelt; (iii) Vorhersagestrom von Modellen (während des Offline-Prozesses trainiert) [6] auf Benutzerdaten, die kontinuierlich auf mögliche Warnungen überwacht werden. Darüber hinaus werden alle vom Framework verarbeiteten Daten zur späteren Wiederverwendung und Analyse auf einer Cloud-basierten Plattform (AWS) gespeichert. Als zusätzlicher Unterfall können diese Drohnen auch mit Kameras und anderer Hardware ausgestattet werden, um Fernkonsultationen zwischen Ärzten und Patienten zu erleichtern. Dies kann besonders für Patienten in ländlichen Gebieten nützlich sein, die möglicherweise keinen einfachen Zugang zu Fachärzten haben. Dieser Anwendungsfall hat das Potenzial, die öffentliche Gesundheitsversorgung erheblich positiv zu beeinflussen, indem die Reaktionszeit des Emergency Medical Response Service (EMRS) für Gesundheitseinrichtungen verbessert wird.
Abbildung 1: Framework für die Herzdiagnose mit Cloud-, Benutzer- und App-Oberfläche
Referenzen:
[1] Yang, Z. a. (2016). An IoT-cloud based wearable ECG monitoring system for smart healthcare. Springer, 1--11.
[2] Duncker, D. a. (2021). Smart wearables for cardiac monitoring—real-world use beyond atrial fibrillation. MDPI, 2539.
[3] https://ardupilot.org/copter/index.html
[4] Ribeiro, H. D.-S. (2022). ECG-based real-time arrhythmia monitoring using quantized deep neural networks: A feasibility study. Elsevier, 105249.
[5] Ghosh, P. a. (2021). Efficient prediction of cardiovascular disease using machine learning algorithms with relief and LASSO feature selection techniques. IEEE, 19304--19326.
[6] Sabahi, A. F. (2022). Modified Self-Adaptive Bayesian Algorithm for Smart Heart Disease Prediction in IoT System. MDPI, 14208.