AI erkennen kann, die niedrigen Blutzuckerspiegel über EKG ohne fingerprick test

AI erkennen kann, die niedrigen Blutzuckerspiegel über EKG ohne fingerprick test

Eine neue Technologie für die Erkennung niedriger Blutzuckerwerte über EKG-mithilfe einer nicht-invasiven tragbar-sensor, der mit der neuesten künstlichen Intelligenz erkennen können hypoglykämische Ereignisse von raw-EKG-Signale wurde durch Forscher von der University of Warwick.

Derzeit kontinuierlichen Glukose-Monitore (CGM) sind über den NHS für Hypoglykämie-Erkennung (Blutzuckerspiegel in Blut oder derma). Sie Messen glucose in interstitieller Flüssigkeit mit einem invasiven sensor mit einer kleinen Nadel, die sendet Alarme und Daten auf einem display-Gerät. In vielen Fällen benötigen Sie die Kalibrierung zweimal am Tag mit invasiven finger-prick-Blutzucker-tests.

Doch Dr. Leandro Pecchia s team an der University of Warwick haben heute, dem 13. Januar 2020 veröffentlicht die Ergebnisse in einem Papier mit dem Titel „Precision Medizin und künstliche Intelligenz: Eine Pilot-Studie, die auf Deep Learning für Hypoglykämische Ereignisse Erkennung basierend auf EKG“ in der Natur-Springer-Fachzeitschrift Scientific Reports belegen, dass nach den neuesten Erkenntnissen der künstlichen Intelligenz (D. H., tiefes lernen), Sie können erkennen, hypoglykämische Ereignisse von raw-EKG-Signale, die mit off-the-shelf-nichtinvasive tragbare sensoren.

Zwei pilot-Studien mit gesunden Probanden gefunden, die Durchschnittliche Sensitivität und Spezifität von etwa 82 Prozent für Hypoglykämie-Erkennung, die vergleichbar ist mit der aktuellen CGM-Leistung, obwohl nicht-invasive

Dr. Leandro Pecchia von der School of Engineering an der University of Warwick Kommentare:

„Fingerpicks sind nie angenehm und in einigen Fällen sind besonders umständlich. Unter fingerpick in der Nacht ist sicherlich unangenehm, vor allem für Patienten in der pädiatrischen Alter.

„Unsere innovation Bestand in der Verwendung von künstlicher Intelligenz für die automatische Erkennung der Hypoglykämie über einige EKG-beats. Dies ist wichtig, da die EKG erkannt werden kann in jeder Situation, einschließlich zu schlafen.“

Die Abbildung zeigt die Ausgabe der algorithmen, die im Laufe der Zeit: die grüne Linie stellt, normale Traubenzucker-Niveaus, während die rote Linie stellt die low-glucose-Spiegel. Die horizontale Linie stellt die 4mmol/L Glukose-Wert, die als signifikante Schwelle für hypoglykämische Ereignisse. Der graue Bereich um die durchgehende Linie spiegelt die Messfehler bar.

Die Warwick-Modell zeigt auf, wie die EKG-Veränderungen in jedem Fach während einer hypoglykämische Ereignis. Die Abbildung unten ist ein Vorbild. Die durchgezogenen Linien stellen die durchschnittlichen Takte für zwei verschiedene Themen, wenn der Blutzuckerspiegel normal ist (grüne Linie) oder low (rote Linie). Die rote und grüne Schatten repräsentieren die Standardabweichung der Herzschläge um den Mittelwert. Ein Vergleich unterstreicht, dass diese zwei Fächer haben unterschiedliche EKG-Kurve die Veränderungen, die während hypo-events. Insbesondere Unterliegen 1 zeigt einen sichtlich längeren QT-Intervall während der hypo, wobei der Gegenstand 2 nicht.

Die senkrechten Balken repräsentieren die relative Bedeutung der einzelnen EKG-Welle bei der Bestimmung, ob ein Herzschlag ist klassifiziert als hypo-oder normal.

Von diesen bars, eine ausgebildete Arzt sieht, dass für Person 1, die T-wave displacement Einflüsse, Klassifikation, Reflexion, dass, wenn das Thema in die hypo, die repolarisation der Ventrikel langsamer ist.

In Thema 2 werden die wichtigsten Komponenten des EKG sind die P-Welle und dem ansteigen der T-Welle, was darauf hindeutet, dass, wenn dieses Thema in der hypo, die depolarisation der Vorhöfe und die Schwelle für die ventrikuläre Aktivierung sind besonders betroffen. Dies könnte Einfluss auf spätere klinische Interventionen.

Dieses Ergebnis ist möglich, weil die Warwick AI-Modell trainiert wird mit jedem Thema den eigenen Daten. Intersubjektive Unterschiede sind so bedeutend, dass die Ausbildung der system-Kohorte mit Daten nicht geben würde die gleichen Ergebnisse. Ebenso personalisierte Therapie basierend auf unserem system effektiver sein könnten als die derzeitigen Ansätze.

Dr. Leandro Pecchia Kommentare:

„Die Unterschiede werden farblich hervorgehoben oben könnte erklären, warum frühere Studien mit EKG zu erkennen hypoglykämische Ereignisse fehlgeschlagen. Die Leistung von KI-algorithmen ausgebildete Kohorte EKG-Daten behindert werden durch diese inter-Subjekt-Differenzen.“