《可穿戴肺贴使用深度学习检测哮喘和 COPD》

  • 来源专题:重大慢性病
  • 编译者: 李永洁
  • 发布时间:2024-09-29
  • 喘息是一种尖锐的口哨声,是由于气道炎症和肿胀而引起的慢性呼吸系统疾病的常见指标,包括哮喘和慢性阻塞性肺病 (COPD)。

    哮喘和 COPD 的早期发现和管理至关重要。在全球范围内,哮喘和 COPD 的诊断不足(哮喘为 20-70%,COPD 高达 81%)。此外,美国疾病控制和预防中心估计,50% 的儿童和 62% 的成人哮喘未得到控制,导致频繁和剧烈发作,从而导致急诊科就诊次数增加以及错过上学日和工作日。

    虽然数字听诊器比传统听诊器有所改进,但它们会拾取空气传播的噪声,从而干扰喘息检测。

    需要一种先进的技术解决方案,可以用作临床筛查工具和远程患者监测,这将使医生能够及早干预。

    佐治亚理工学院的研究人员开发了一种深度学习 (DL) 模型,他们将该模型与配备高灵敏度传感器的可穿戴贴片配对,该传感器可以自动检测喘息声。深度学习模型有可能对呼吸系统疾病进行分类,从而加快其诊断和治疗速度。试点患者研究的结果发表在 BioSensors 上。



  • 原文来源:https://medicalxpress.com/news/2024-09-wearable-lung-patch-deep-asthma.html
相关报告
  • 《自供电可穿戴技术》

    • 来源专题:纳米科技
    • 编译者:郭文姣
    • 发布时间:2019-05-08
    • 对于新兴的可穿戴技术而言,它需要改进的电源。现在密歇根州立大学的研究人员通过皱巴巴的碳纳米管森林或CNT森林提供了潜在的解决方案。 MSU软机和电子实验室主任曹长永带领一支科学家团队创建了高度可拉伸的超级电容器,为可穿戴电子设备提供动力。新开发的超级电容器具有坚固的性能和稳定性,即使在数千次拉伸/松弛循环中拉伸至其原始尺寸的800%时也是如此。 该团队的成果发表在Advanced Energy Materials杂志上,可能会刺激新的可拉伸能量电子系统,植入式生物医学设备以及智能包装系统的发展。 “成功的关键是对垂直排列的CNT阵列或CNT森林进行压皱的创新方法,”MSU包装学院助理教授曹说。 “我们的设计不是在制造过程中严格限制扁平薄膜,而是使三维互连的CNT森林保持良好的导电性,使其更加高效,可靠和坚固。” 大多数人都知道可穿戴技术的基本形式是与智能手机通信的iWatches。在这个例子中,这是需要电池的两项技术。现在想象一下烧伤受害者的智能皮肤补丁,可以监控治疗,同时为自己供电 - 这是Cao的发明可以创造的未来。 在医疗领域,正在开发可伸缩/可穿戴电子设备,其能够产生极端扭曲并且能够符合复杂的不平坦表面。将来,这些创新可以整合到生物组织和器官中,以检测疾病,监测改善,甚至与医生沟通。 然而,令人烦恼的问题是一种可互补的可穿戴电源 - 一种持久耐用的电源。为什么要开发出很酷的新贴片,如果他们不得不使用笨重的电池组来加热并需要充电? (这是极端的,但你明白了。) Cao的发现是第一个使用皱折的常规CNT用于可伸展的能量存储应用,它们像树木一样生长,它们的檐篷缠绕在晶圆上。然而,这片森林只有10-30微米高。转移和揉皱后,CNT森林形成令人印象深刻的可拉伸图案,如毯子。 3D互连的CNT森林具有更大的表面积,并且可以使用纳米颗粒轻松修改或适应其他设计。 “它更加强大;它确实是一项设计突破,”Cao说,他也是机械工程和电气和计算机工程的助理教授。 “即使它沿着每个方向伸展到300%,它仍然可以有效地传导。其他设计会失去效率,通常只能在一个方向上伸展,或者当它们以更低的水平拉伸时完全失灵。” 就其收集和储存能量的能力而言,Cao的皱巴巴的纳米森林胜过大多数已知存在的基于CNT的超级电容器。尽管表现最佳的技术可以承受数千次拉伸/放松循环,但仍有改进的余地。 金属氧化物纳米颗粒可以容易地浸渍到皱折的CNT中,从而本发明的效率进一步提高。 Cao补充说,新发明的方法应该推动自供电可拉伸电子系统的发展。 ——文章发布于2019年5月2日
  • 《基于可穿戴的监测和自我监督对比学习可检测血液系统恶性肿瘤治疗期间的临床并发症》

    • 来源专题:重大疾病防治
    • 编译者:蒋君
    • 发布时间:2023-06-05
    • 严重临床并发症(鳞状细胞癌;CTCAE ≥ 级 3) 常见于接受血液系统恶性肿瘤治疗的患者。鳞状细胞癌的早期诊断和治疗对于改善结局至关重要。在这里,我们报告了一个深度学习模型派生的SCC-Score,以根据医疗可穿戴设备连续记录的时间序列数据来检测和预测SCC。在这项单臂、单中心的观察性队列研究中,79名患者(54名住院患者(IC)/25名门诊患者(OC))使用可穿戴设备记录了31,234?h的生命体征和体力活动。将没有SCC证据的生理功能正常的小时呈现给深度神经网络,该网络由自我监督的对比学习目标来训练,以从时间序列中提取具有规则周期的典型特征。该模型用于计算SCC分数,该分数测量与常规特征的不相似性。将SCC评分的检测和预测性能与SCC的临床文献(AUROC±SD)进行比较。在IC中总共有124例临床记录的SCC发生,OC中发生了16例。 在IC中实现了鳞状细胞癌的检测,灵敏度为79.7%,特异性为87.9%,AUROC为0.91±0.01。在临床诊断前2天可以预测感染性SCC。我们使用可穿戴数据和深度学习模型为血液恶性肿瘤治疗患者的 SCC 检测和预测提供了原理证明。因此,远程患者监测可以实现先发制人的并发症管理。