Machine learning: per apprendere i parametri vitali tramite video

Redazione Nurse Times10 Aprile 20212 min di lettura

Machine learning: per apprendere i parametri vitali tramite video

Esaminare la frequenza cardiaca e respiratoria in tempo reale attraverso la videocamera di uno smartphone ora è realtà con lo studio sul machine learning (apprendimento automatico) dell’Università di Washington e di Microsoft Research.

La tecnologia verrà presentata prossimamente alla ACM Conference on Health, Interference, and Learning.

“Qualsiasi tecnologia in grado di leggere il polso o la frequenza respiratoria a distanza fornisce nuove opportunità per la cura del paziente attraverso la telemedicina. Questo sistema potrebbe essere utilizzato per il monitoraggio di un paziente durante il follow up o il triage, soprattutto quando la persona non ha la possibilità di raggiungere facilmente il centro di cura“, ha spiegato l’autore senior dello studio Shwetak Patel, riporta pharmastar.it.

Il sistema di machine learning utilizza l’apprendimento automatico per catturare minime variazioni nel modo in cui la luce si riflette sul viso di una persona, che sono correlate al cambiamento del flusso di sangue, e converte questi cambiamenti in frequenza cardiaca e respiratoria.

Una versione precedente di questo sistema è stata “addestrata” con un set di dati di video di volti di persone, insieme a dati di pulsazioni e frequenza respiratoria, misurati da strumenti standard. La tecnologia era in grado di calcolare entrambi i segni vitali sulla base delle informazioni spaziali e temporali basandosi su video, superando sistemi di apprendimento automatico simili che analizzavano video in cui i partecipanti si muovevano e parlavano.

“Ogni persona è diversa. Per questo il sistema deve poter adattarsi rapidamente alla firma fisiologica unica di ogni persona e separarla da altre variazioni. L’aspetto che hanno e l’ambiente in cui si trovano devono essere esclusi per meglio rilevare i parametri vitali”, ha spiegato Xin Liu, autore principale della ricerca e studente di dottorato presso la Paul G. Allen School of Computer Science & Engineering

I ricercatori hanno migliorato il sistema precedente per generare un modello di apprendimento automatico “personalizzato” per ogni paziente.

La versione aggiornata di questo sistema impiega 18 secondi per “la personalizzazione e funziona efficacemente sia in modo supervisionato che non supervisionato”, hanno detto gli autori. Quando è stato valutato su due set di dati di riferimento, il sistema ha mostrato una riduzione dal 42% al 44% degli errori “rispetto agli approcci più all’avanguardia”, hanno aggiunto.

Tuttavia, mentre il nuovo sistema supera il suo predecessore quando gli vengono forniti set di dati più impegnativi, Liu ha notato che “c’è ancora una tendenza verso prestazioni inferiori quando il tipo di pelle del soggetto è più scuro”.

“Questo è in parte dovuto al fatto che la luce riflette in modo diverso sulla pelle scura, con il risultato di un segnale più debole da raccogliere per la fotocamera. Il nostro team sta attivamente sviluppando nuovi metodi per risolvere questa limitazione”, hanno spiegato gli esperti.

Fonte: pharmastar.it