Bærbar AI-enhed forvandler hostelyde til sundhedsdata til influenza- og pandemiprognoser

University of Massachusetts Amherst forskere har opfundet en bærbar overvågningsenhed drevet af maskinlæring - kaldet FluSense - som kan registrere hoste og mængden i realtid, analyser derefter dataene for direkte at overvåge influenzalignende sygdomme og influenzatendenser.

FluSense-skaberne siger, at den nye edge-computing-platform, tænkt til brug på hospitaler, sundhedsvæsenets venteværelser og større offentlige rum, kan udvide arsenalet af sundhedsovervågningsværktøjer, der bruges til at forudsige sæsonbestemt influenza og andre virale luftvejsudbrud, såsom COVID-19-pandemien eller SARS.

Modeller som disse kan være livreddere ved direkte at informere folkesundhedens reaktion under en influenzaepidemi. Disse datakilder kan hjælpe med at bestemme timingen for influenzavaccinekampagner, potentielle rejserestriktioner, tildeling af medicinske forsyninger med mere.

"Dette kan give os mulighed for at forudsige influenza-tendenser på en meget mere præcis måde, " siger medforfatter Tauhidur Rahman, assisterende professor i data- og informationsvidenskab, der rådgiver ph.d. studerende og hovedforfatter Forsad Al Hossain. Resultaterne af deres FluSense-undersøgelse blev offentliggjort onsdag i Proceedings of the Association for Computing Machinery on Interactive, Mobil, Bærbare og allestedsnærværende teknologier.

For at give deres opfindelse en prøve i den virkelige verden, FluSense-opfinderne gik sammen med Dr. George Corey, administrerende direktør for University Health Services; biostatistiker Nicholas Reich, direktør for det UMass-baserede CDC Influenza Forecasting Center of Excellence; og epidemiolog Andrew Lover, en vektorbåren sygdomsekspert og adjunkt på School of Public Health and Health Sciences.

FluSense-platformen behandler en lavpris mikrofon-array og termiske billeddata med en Raspberry Pi og neural computing-motor. Den gemmer ingen personlig identificerbar information, såsom taledata eller skelnende billeder. I Rahmans mosaiklaboratorium, hvor dataloger udvikler sensorer til at observere menneskers sundhed og adfærd, forskerne udviklede først en laboratoriebaseret hostemodel. Derefter trænede de den dybe neurale netværksklassifikator til at tegne afgrænsningskasser på termiske billeder, der repræsenterer mennesker, og derefter at tælle dem. "Vores hovedmål var at bygge prædiktive modeller på befolkningsniveau, ikke det individuelle niveau, " siger Rahman.

De placerede FluSense-enhederne, indkapslet i en rektangulær æske på størrelse med en stor ordbog, i fire sundhedsvæsenets venteværelser på UMass' University Health Services klinik.

Fra december 2018 til juli 2019, FluSense-platformen indsamlede og analyserede mere end 350, 000 termiske billeder og 21 millioner ikke-tale lydprøver fra de offentlige venteområder.

Forskerne fandt ud af, at FluSense var i stand til præcist at forudsige daglige sygdomsrater på universitetsklinikken. Flere og komplementære sæt FluSense-signaler er "stærkt korreleret" med laboratoriebaserede tests for influenzalignende sygdomme og selve influenzaen.

Ifølge undersøgelsen "den tidlige symptomrelaterede information indfanget af FluSense kan give værdifuld yderligere og komplementær information til den nuværende influenzaforudsigelsesindsats, "såsom FluSight Network, som er et tværfagligt konsortium af influenzaprognosehold, herunder Reich Lab ved UMass Amherst.

"Jeg har været interesseret i ikke-tale kropslyde i lang tid, " siger Rahman. "Jeg tænkte, hvis vi kunne fange hoste- eller nyselyde fra offentlige rum, hvor mange mennesker naturligt samles, vi kunne bruge denne information som en ny kilde til data til at forudsige epidemiologiske tendenser."

Al Hossain siger, at FluSense er et eksempel på styrken ved at kombinere kunstig intelligens med edge computing, den grænseoverskridende tendens, der gør det muligt at indsamle og analysere data lige ved datakilden. "Vi forsøger at bringe maskinlæringssystemer til kanten, "Al Hossain siger, peger på de kompakte komponenter inde i FluSense-enheden. "Al behandlingen foregår lige her. Disse systemer bliver billigere og mere kraftfulde."

Det næste trin er at teste FluSense i andre offentlige områder og geografiske steder.

"Vi har den første validering af, at hosten faktisk har en sammenhæng med influenza-relateret sygdom, " Lover siger. "Nu vil vi validere det ud over dette specifikke hospitalsmiljø og vise, at vi kan generalisere på tværs af lokationer."