En ny generasjon pasientsentrisk helseomsorg

Om forfatteren

Wojciech Bober er teknisk produktdirektør i Nordic Semiconductor.

Dette medfører reelle konsekvenser. Det påvirker personvern, reaksjonsevne og generell klinisk nytte, låser opp nye funksjoner og applikasjoner, forlenger batterilevetiden og muliggjør nye formfaktorer. Til syvende og sist handler det om å levere bedre pasientresultater, forbedre livskvaliteten og tilgang til den omsorgen de trenger, når de trenger det.

Holde data lokalt

Kritisk sett betyr det å holde prosessering lokal, at inferenstiden er deterministisk. Resultatene går ikke ned selv om et mobiltårn er overbelastet eller en pasient har gått inn i et rom uten signal. Det feiler heller ikke dersom en skyleverandør opplever DDOS-angrep som forstyrrer tjenestene deres. For en enhet som er ment å gjenkjenne et anfall eller arytmi og ivareta rask handling, betyr forutsigbarhet like mye som rå hastighet.

Batterilevetiden blir også bedre. Man oppnår betydelige strømbesparelser ved å slippe å overføre data via mobilnettet (4G/5G), ettersom radiokommunikasjon kan være mange ganger mer energikrevende (målt i mW per bit) enn lokal databehandling utført av spesialisert maskinvare. Disse besparelsene vil bare øke etter hvert som applikasjoner blir mer avanserte og dataintensive.

En annen fordel er at sensitive medisinske data ikke forlater enheten i sin rå form. I stedet for å strømme akselerometerdata, EKG eller kontinuerlige glukoseavlesninger, tillater kantbasert inferens at kun den resulterende innsikten kan overføres. Det gjør navigering av personvern- og sikkerhetshensyn og reguleringer langt enklere, i tråd med rammeverk som EUs GDPR-dataminimeringsprinsipper.

Overlegent silisium

Ingenting av dette ville vært mulig uten betydelige fremskritt på maskinvaresiden. Laveffekt prosessnoder (22nm) har drevet ned energikostnadene for prosessering, sammen med raskere kjerner som fullfører oppgaver på kortere tid, noe som i seg selv også sparer strøm. Integrerte maskinvareakselerasjons- og nevrale prosesseringsenheter (NPU-er), slik som de som er integrert i Nordics nRF54L-serien, har tatt dette enda lenger, og avlastet generelle CPU-er for kostbare arbeidsbelastninger, samtidig som de leverer inferenshastigheter som er størrelsesorden høyere. For utviklere betyr dette plass til å kjøre mer krevende maskinlæringsmodeller (ML) for komplekse applikasjoner. Lydklassifisering, bildegjenkjenning, biometrisk mønstergjenkjenning og bevegelsesregistrering er alt sammen plutselig mulig, uten å sprenge enhetens effektbudsjett.

Den stadig viktigere betydningen av gestdeteksjon 

Gest- og bevegelsesdeteksjon har raskt blitt et av de mest levende utviklingsområdene innen KI-aktiverte bærbare helsetjenester. Dette skyldes delvis hvor godt den underliggende datamodaliteten passer til spesialiserte ultrakompakte ML-modeller, som Nordics Neuton-modeller. Deres nye tilnærming til fullt tilkoblede dype nevrale nettverk er spesielt god på klassifiseringsproblemer på egenskaper konstruert fra et inngangssignal, som akselerometre og gyroskopiske sensorer. Disse genererer tidsstemplede datastrømmer som kombineres for å beregne presis retning og bevegelse. Neuton-modeller, som en benchmark for en standard bevegelsesgjenkjenningsoppgave, brukte 43 % mindre ikke-flyktig minne og kjørte omtrent 33 ganger raskere enn en tilsvarende TensorFlow Lite-modell på samme brikke, samtidig som de ga litt bedre nøyaktighet. Det er denne typen tall som gjør bevegelsesgjenkjenning levedyktig på enheter med sterkt begrensede effekt- og minnebudsjetter.

Berøringsfri samhandling

Berøringsfri samhandling er et slikt eksempel. I kliniske omgivelser betyr hver berøring mulig kontaminering eller spredning av patogener. Grensesnitt som drives av bevegelse i stedet for fysisk kontakt gir meningsfull infeksjonsforebygging i strengt kontrollerte miljøer. Kirurger bruker allerede geststyrt PACS (bildearkiverings- og kommunikasjonssystemer) for å sikkert hente, zoome, panorere og gjennomgå anatomiske bilder direkte i operasjonssaler uten å bryte hygieniske rutiner. Mens dagens systemer er avhengige av maskinsyn fremfor gjenkjenning av gester med kroppsnært utstyr, kan nøyaktigheten deres bare forbedres med supplement av data fra en treghetsmålingsenhet (IMU) – akselerometer, gyroskop, magnetometer – og de fungerer som et solid bevis på konseptet for berøringsfri aseptisk kontroll.

Kommunikasjonshull

Pasienter med begrenset finmotorisk kontroll eller mobilitet kan bruke denne teknologien på lignende måte. Hodenikk, lette arm- eller fingerbevegelser og til og med øyebevegelser kan nå oversettes til presise kommandoer, noe som forbedrer tilgjengeligheten og adresserer kommunikasjonshull. Løsninger som Cato gjør det allerede mulig for brukere å samhandle med støtteteknologi, smart-

hjemenheter, telefoner og nettbrett gjennom denne typen KI-gjenkjente gester. De gir et alternativ til øyestyringsteknologi som, selv om den er en utrolig kraftig og nyttig teknologi, står overfor sin egen rekke av tilpassings- og anvendelsesutfordringer.

Detekteringsmetoder som dette kan strekke seg helt til å gjenkjenne presise muskelbevegelser, noe som er avgjørende for geststyrte proteser. I kombinasjon med myoelektrisk mønstergjenkjenning (der sensorer fanger opp elektriske signaler fra muskelkontraksjoner) kan moderne proteser tolke intensjonen bak disse gjenværende muskelsignalene og omsette dem til bevegelser som å gripe, peke, rotere og utføre gester. Styringen av protesen trenes opp og tilpasses brukerens unike bevegelsesmønstre, som deretter kan gjenkjennes lokalt på selve enheten ved hjelp av kant-KI.

Passiv overvåking, diagnose, og håndtering av Parkinsons sykdom

Parkinsons sykdom (PD) er et av de tydeligste eksemplene på at passiv bevegelsesdeteksjon ved hjelp av kroppsnær teknologi gir en vesentlig fordel, sammenlignet med episodiske vurderinger på klinikken. Sykdommens karakteristiske symptomer – som hviletremor, «frysing» av ganglaget og langsomme bevegelser – varierer i løpet av dagen og kan ofte fremstå annerledes under en legekonsultasjon. Kroppsnært utstyr som kontinuerlig overvåker og kartlegger bevegelser, gir klinikere et langt mer fullstendig bilde og bidrar til vurderingen i henhold til Unified Parkinson’s Disease Rating Scale (UPDRS).

Slike fordeler kan også bidra til diagnostisering av Parkinsons sykdom. Leger må ofte skille Parkinsons sykdom i tidlig fase fra essensiell tremor (skjelvinger) – en egen bevegelsesforstyrrelse som kan ligne ved første øyekast, men som krever en helt annen behandlingsmetode.

En studie fra 2023, publisert i Journal of Neurology, viste at data om ganglag og stillingsendringer fra bærbare treghetssensorer, kombinert med maskinlæring, kunne skille mellom de to tilstandene med en nøyaktighet på opptil 84 %.

Vesentlig endring

Kant-KI med svært lavt strømforbruk følger en utvikling som vil virke kjent for alle som har fulgt med på Bluetooth Low Energy og strømgjerrig IoT det siste tiåret. Funksjonalitet som opprinnelig var spesialisert og uforholdsmessig kostbar, har raskt blitt tilgjengelig og utbredt – i en slik grad at det nå regnes som en selvfølge i ethvert utviklingsverktøy. Moderne SoC-er med innebygd KI har forenklet maskinvaredesignet, små og svært effektive modeller som Neuton har gjort det praktisk å kjøre meningsfull inferens selv på eldre maskinvare, og et stadig mer modent utvalg av utviklerverktøy – inkludert plattformer uten krav til koding – har senket kompetanseterskelen betraktelig.

Tilstedeværelsen av kant-KI i utvikling av bærbare helsetjenester endrer nivået på omsorg, overvåking og behandling som er tilgjengelig, og har en vesentlig innvirkning på livskvalitet og pasientresultater.