اینترنت اشیای پزشکی در خدمت مراقبت‌های بهداشتی هوشمند
(بخش نخست)
اینترنت اشیای پزشکی (IoMT) به مجموعه‌ای از فناوری‌های اینترنت اشیا (IoT) اشاره دارد که به‌طور خاص، برای مراقبت‌های بهداشتی طراحی شده‌اند. دستگاه‌های IoMTدستگاه‌های پزشکی به‌هم‌پیوسته‌ای هستند که امکان نظارت و مدیریت از راه دور مراقبت‌های بهداشتی را فراهم میکنند.
با ادغام حسگرها و هوش مصنوعی مبتنی بر یادگیری ماشین، این دستگاه‌ها جمع‌آوری و انتقال داده‌های لحظه‌ای بین بیماران و پزشکان را، بدون نیاز به مداخلة مستقیم انسان، ممکن میکنند. فناوری IoMT با امکان نظارت بیسیم و مستمر بر شاخصه‌های سلامت، به کاهش بستری‌های بیمارستانی و هزینه‌های مربوط به آن کمک می‌کند.
بخش فناوری‌های پزشکی IoMT شامل موارد زیر است:
• دستگاه‌های پوشیدنی: این دستگاه‌ها شامل دستبندهای هوشمند، لباس‌های هوشمند، دستگاه‌های ادغام‌شده با تلفن هوشمند و ساعت‌های هوشمند میشوند. این دستگاه‌ها سطح فعالیت و تناسب اندام را نظارت میکنند و برخی ممکن است معیارهای سلامت دیگری را نیز ردیابی کنند.
• دستگاه‌های نظارت لحظه‌ای سلامت در خانه: این دستگاه‌ها سلامت در خانه را نظارت و امکان پیگیری مستمر و شناسایی زودهنگام مشکلات بالقوه را فراهم میکنند.
• دستگاه‌های نقطة مراقبت در بیمارستان یا کلینیک: این دستگاه‌ها در محیطهای پزشکی برای نظارت و تشخیص فوری سلامت استفاده میشوند.
فناوری‌های IoMT با امکان نظارت از راه دور و دسترسی به داده‌های لحظه‌ای، کارایی و اثربخشی مراقبت‌های بهداشتی را بهبود می‌بخشند.
نظارت نقطه‌ای مبتنی بر IoMT، برای کاربردهای بالینی شامل معاینة پزشکی و سیستم ملاقات از راه دور است. دستگاه‌های پوشیدنی مبتنی بر IoMT می‌توانند بر امکان افتادن‌های غیرارادی در افراد مسن نظارت کنند. این سقوط‌ها در جمعیت سالمند اجتناب‌ناپذیر است، اما با نظارت و پیشگیری شرایط این سقوط‌ها، می‌توان از آسیب‌های مزمن جلوگیری کرد.
فناوری‌های IoMT با تسهیل نظارت بیسیم بر شاخصه‌های سلامت، به کاهش بستری‌های غیرضروری در بیمارستان و کاهش هزینه‌های مرتبط کمک میکنند. نظارت سنتی بر سلامت، درحال دگرگونی است و مراقبت‌های بهداشتی دیجیتال، ابزارهای تشخیص خودکار و محصولات ابری یکپارچه را در دسترس مصرف‌کنندگان قرار می‌دهد. این تحول دیجیتال به بیماران، پزشکان و افراد در جوامع روستایی، امکان می‌دهد تا برای دستیابی به نتایج بهتر، به خدمات بهداشتی باکیفیت دسترسی داشته باشند.
دستگاه‌های POC مانند سونوگرافی، دماسنج، گلوکومتر و دستگاه‌های ECG، با قابلیت اتصال به اینترنت و امکانات ذخیره‌سازی ابری عرضه میشوند و به کاربران امکان می‌دهند وضعیت سلامت خود را پیگیری کنند. این روند بهبود و توسعه برای ارتقای کیفیت مراقبت‌های بهداشتی، تنظیم دزهای انسولین و اتصال مستقیم بیماران به پزشکان، بسیار حیاتی‌اند. مراکز پیشرفتة بهداشتی استفاده از تخت هوشمند را آغاز کرده‌اند که می‌تواند با نظارت بر وضعیت خواب بیمار، زاویه و موقعیت تخت را تغییر دهد.
دستگاه‌های مجهز به IoMT به تحول خدمات سنتی مراقبت‌های بهداشتی خانگی نیز کمک میکنند. برای مثال، سیستم هوشمند توزیع دارو در خانه، به‌طور خودکار اطلاعات مربوط به سابقة پزشکی بیمار را در فضای ابری بارگذاری می‌کند. این سیستم به پزشکان و بیماران دربارة داروهایی که باید مصرف شوند، هشدار می‌دهد و درصورتی‌که بیمار دارویی را مصرف نکند، به پزشک اطلاع می‌دهد. بهبود دستگاه‌های مجهز به IoMT با ادغام گوشی‌های هوشمند، حسگرها و محرک‌ها، می‌توانند نظارت دوره‌ای بر سلامت را تضمین کنند و تمامی این جنبه‌ها، موضوع اصلی این بررسی‌اند.
نقش هوش مصنوعی در ایجاد شبکة حسگر هوشمند
هوش مصنوعی ، به‌دلیل توانایی‌اش در پردازش حجم زیاد داده‌ها، تولید نتایج دقیق و کنترل فرایندها برای ایجاد بهترین نتیجة ممکن، توجه محققان و صنایع پزشکی را جلب کرده است. هوش مصنوعی پدیده‌ای جدید نیست؛ زیرا ماشین‌ها از مدت‌ها پیش برای تصمیم‌گیری و پیش‌بینی آثار بیماری‌ها و پیامدهای آن‌ها در درازمدت، استفاده می‌شده‌اند. در دنیای مدرن امروزی، بیشتر کارهای روزمره با کمک ماشین‌ها و الگوریتم‌ها انجام می‌شود.
هوش مصنوعی را می‌توان به‌عنوان توانایی کامپیوتر یا ربات در بازتولید هوش انسانی، در قالب نرم‌افزار و الگوریتم‌ها، تفسیر کرد. هوش مصنوعی می‌تواند فرایندهای فکری مانند استدلال منطقی، یادگیری مبتنی بر دانش، کشف دارو، جراحی هدایت‌شده و تصویربرداری پیشرفته را انجام دهد. علاقة اخیر به هوش مصنوعی ممکن است جدید به نظر برسد، اما این مفهوم را در اواخر دهة ۱۹۴۰، محققان مختلف ایجاد کرده‌اند و ایده‌های آن‌ها هنوز به‌عنوان پایه‌ای برای تحقیقات و اختراعات مبتنی بر هوش مصنوعی مدرن، ارزشمند است.
در سال ۱۹۷۲، محققان در ژاپن، اولین ربات انسان‌نمای جهان به نام «WABOT-1» را ساختند که قادر بود با به زبان ژاپنی با اشخاص ارتباط برقرار کند و فاصله‌ها و جهت‌ها را اندازه بگیرد. بااین‌حال، به‌دلیل محدودیت‌های قدرت محاسباتی و بودجه، تحقیقات هوش مصنوعی تا اواخر دهة ۱۹۹۰، با رکود مواجه شد. در اواخر دهة ۱۹۹۰، شرکت‌های بزرگ فناوری مانند آی‌بی‌ام ، کار روی مدل‌های مبتنی بر هوش مصنوعی را شروع کردند.
در اواسط دهة ۲۰۰۰، پلتفرم‌های شبکه‌های اجتماعی، ارائه‌دهندگان خدمات ایمیل، موتورهای جست‌وجو و بسیاری از شرکت‌های دیگر، که حجم زیادی از داده‌ها را پردازش می‌کردند، از مدل‌ها و برنامه‌های هوش مصنوعی بهره‌مند شدند. یکی از دلایل گسترش هوش مصنوعی، بهبود قدرت محاسباتی در CPUها و کاربرد GPUها در زمینة محاسبات است. دلیل دیگر پذیرش سیستم‌های مبتنی بر هوش مصنوعی، داده‌های بزرگ ایجادشده توسط تقاضای کاربران برای تحلیل‌های بهتر است.
یادگیری ماشین یکی از پرکاربردترین روش‌های هوش مصنوعی برای پیش‌بینی براساس الگوهاست. براساس ساختار الگوریتم و روش‌های یادگیری، یادگیری ماشین به انواع مختلفی تقسیم می‌شود. روش‌های یادگیری به سه دسته کلی تقسیم میشوند: یادگیری نظارت‌شده، یادگیری بدون نظارت و یادگیری تقویتی.
در یادگیری نظارت‌شده، الگوریتم با استفاده از داده‌های ورودی آموزش می‌بیند. یادگیری نظارت‌شده در کاربردهایی استفاده می‌شود که داده‌های برچسب‌دار در دسترس‌اند و می‌توان از آن‌ها برای پیش‌بینی رویدادهای احتمالی آینده استفاده کرد. ازآنجا‌که این الگوریتم‌ها از داده‌های برچسب‌دار برای آموزش استفاده میکنند، این روش‌ها ساده‌تر و دقیق‌ترند. این الگوریتم‌ها به دو دستة رگرسیون و طبقهبندی تقسیم میشوند. یادگیری نظارت‌شده می‌تواند مشکل واقعی را حل و خروجی را براساس داده‌های موجود پیش‌بینی کند.
روش‌های یادگیری بدون نظارت می‌توانند الگوهایی را در هر مجموعة داده شناسایی کنند، حتی اگر داده‌ها به‌درستی طبقهبندی یا برچسب‌گذاری نشده باشند. در این روش، الگوریتم‌ها پیچیده‌تر میشوند و دقت نیز کاهش می‌یابد. این الگوریتم‌ها می‌توانند داده‌ها را براساس شباهت‌ها و تفاوت‌های موجود در داده‌ها، به گروه‌هایی تقسیم کنند.
این الگوریتم‌ها به دو دسته تقسیم میشوند: خوشه‌بندی و وابستگی . در الگوریتم‌های خوشه‌بندی، داده‌ها براساس شباهت‌ها به خوشه‌ها تقسیم میشوند. الگوریتم وابستگی نوعی الگوریتم یادگیری قانون‌محور است که روابط بین متغیرها را در هر مجموعة داده پیدا می‌کند.
یادگیری تقویتی نوعی روش یادگیری مبتنی بر پاداش و تنبیه است. در این روش، الگوریتم‌ها را به نتایج مطلوب، ارزش‌های مثبت و آثار نامطلوب ارزش‌های منفی اختصاص می‌دهند. این الگوریتم‌ها سخت‌تر آموزش داده میشوند و زمان‌بر هستند. یادگیری عمیق نوعی خاص از یادگیری ماشین است که به کامپیوترها آموزش می‌دهد تا رفتار انسانی را تقلید کنند.
یادگیری عمیق از شبکه‌های عصبی استفاده می‌کند که برای حل مسائل پیچیده، به قدرت محاسباتی زیادی نیاز دارند. بااین‌حال، پیشرفت‌های اخیر در قدرت محاسباتی و تحلیل داده‌ها، به الگوریتم‌های یادگیری عمیق این امکان را داده است که موقعیت‌های دشوار را مشاهده کنند و یاد بگیرند و به آن‌ها واکنش نشان دهند. الگوریتم‌های یادگیری عمیق می‌توانند براساس کاربرد مدنظر، از روش‌های یادگیری نظارت‌شده، بدون نظارت یا تقویتی استفاده کنند.
نوآوری‌ها و اختراعات در حوزة زیست‌پزشکی، به بهبود کیفیت مراقبت‌های بهداشتی کمک میکنند. بااین‌حال، نقش نانوتکنولوژی نیازمند درک بهتری است و کسب دانش عمیق‌تر از طریق هوش مصنوعی، برای دستیابی به حساسیت زیاد، اهمیت دارد. ایجاد پیوند میان نانوتکنولوژی و سیستم‌های مبتنی بر هوش مصنوعی، که با فناوری اینترنت اشیای پزشکی تعامل دارند، برای توسعة راه‌حل‌های نوآورانه در حوزة مراقبت‌های بهداشتی، از جمله نانوداروها و نانوربات‌ها، ضروری است.
دستگاه‌های پوشیدنی پیشرفته با حسگرهای نانویی تعبیه‌شده، قادر به نظارت مداوم بر عوامل فیزیولوژیکی هستند. یک مجموعة دادة گستردة بالینی، برای تشخیص و پیش‌بینی دقیق، به تحلیل و آموزش هوش مصنوعی نیاز دارد. این دستگاه‌ها، حوزه‌های پژوهشی گسترده‌ای ازجمله نانوتکنولوژی و مهندسی زیست‌پزشکی را به هم پیوند می‌دهند، تا چالش‌های تشخیص و درمان (جراحی و دارودرمانی هدفمند) را مرتفع کنند.
به‌تازگی، حسگرهای مبتنی بر پوست الکترونیکی برای نظارت بر حرکات انسانی، براساس اصل تبدیل فشار نیز گزارش شده‌اند. اینترنت اشیای پزشکی به‌سرعت درحال پیشرفت است و جدیدترین فناوری‌ها بر بهبود مراقبت از بیماران، نظارت لحظه‌ای، دقت داده‌ها و ادغام با سیستم‌های پیشرفتة دیگر مانند هوش مصنوعی و بلاک‌چین تمرکز دارند. در اینجا، برخی از جدیدترین و پیشرفته‌ترین فناوری‌ها در این حوزه، آورده شده است.
1. دستگاه‌های پوشیدنی سلامت با حسگرهای پیشرفته
• پوشیدنی‌های نانو: این دستگاه‌ها با استفاده از نانوتکنولوژی، امکان نظارت فوق‌العاده حساس و دقیق بر شاخصه‌های فیزیولوژیکی مانند سطح گلوکز، ضربان قلب و فشار خون را فراهم میکنند. مدل‌های جدیدتر حسگرهای چندکاره‌ای دارند که می‌توانند بر مجموعه‌ای از علائم حیاتی به‌صورت هم‌زمان نظارت کنند.
• حسگرهای پوست الکترونیکی: این حسگرهای انعطاف‌پذیر و کششی، که با موادی مانند MXenes یا گرافن ترکیب شده‌اند، می‌توانند بر طیف وسیعی از حرکات انسانی و سیگنال‌های فیزیولوژیکی نظارت کنند و بازخورد لحظه‌ای با دقت زیاد ارائه دهند.
2. سیستم‌های IoMT یکپارچه با هوش مصنوعی
• تحلیل‌های پیش‌بینی‌کننده: الگوریتم‌های هوش مصنوعی داده‌های گسترده‌ای را که دستگاه‌های IoMT جمع‌آوری کرده‌اند، تحلیل میکنند و بینش‌های پیش‌بینی‌کننده‌ای برای شرایطی مانند بیماری‌های قلبی، دیابت و حتی تشخیص سرطان در مراحل اولیه ارائه می‌دهند.
• ایمپلنت‌های هوشمند: ایمپلنت‌های مبتنی بر هوش مصنوعی، قابلیت نظارت و تنظیم عملکرد خود را در لحظه دارند. برای مثال، ضربان‌سازهای هوشمند یا پمپ‌های انسولین، که براساس نظارت مداوم بر علائم حیاتی بیمار، دز را تنظیم میکنند.
3. سیستم‌های نظارت از راه دور بیماران (RPM)
• ادغام با تله‌مدیسین: سیستم‌های پیشرفته RPM اکنون به‌طور کامل با پلتفرم‌های تله‌مدیسین ادغام شده‌اند و انتقال داده‌های بدون درز بین بیماران و ارائه‌دهندگان خدمات بهداشتی را امکان‌پذیر میکنند. این موضوع، امکان نظارت مداوم بر شرایط مزمن را فراهم می‌کند و نیاز به بازدیدهای مکرر بیمارستان را کاهش می‌دهد.
4. بلاک‌چین برای مدیریت ایمن داده‌های سلامت
• یکپارچگی و امنیت داده‌ها: فناوری بلاک‌چین برای اطمینان از امنیت و یکپارچگی داده‌هایی که دستگاه‌های IoMT جمع‌آوری کرده‌اند، استفاده می‌شود و برای حفظ حریم خصوصی بیماران و رعایت مقرراتی مانند HIPAA ضروری است.
5. قرص‌های هوشمند و حسگرهای قابل بلعیدن
• نظارت لحظه‌ای بر دارو: قرص‌های هوشمند به حسگرهایی مجهزند که می‌توانند داده‌هایی دربارة پایبندی به مصرف دارو و متابولیسم دارو را منتقل کنند و برای طرح‌های درمان شخصی‌سازی‌شده، اطلاعات حیاتی ارائه دهند.
• نظارت بر دستگاه گوارش: حسگرهای قابل بلعیدن می‌توانند بر سیستم گوارش نظارت کنند و داده‌های لحظه‌ای ارائه دهند که به تشخیص و درمان شرایطی مانند سندروم رودة تحریک‌پذیر کمک می‌کند.
این پیشرفت‌ها درIoMT ، آیندة پزشکی شخصی‌سازی‌شده را پیش می‌برد و به ارائه‌دهندگان خدمات بهداشتی امکان می‌دهد تشخیص‌های دقیق‌تر، درمان‌های هدفمندتر و مدیریت پیشگیرانه‌تری از مراقبت‌ها را ارائه دهند. حسگرهای پوست الکترونیکی یا E-skin، حسگرهایی پیشرفته، انعطاف‌پذیر و کششی‌اند که به‌منظور تقلید از ویژگی‌های پوست انسان طراحی شده‌اند. این حسگرها می‌توانند انواع سیگنال‌های فیزیولوژیکی، تحریکات محیطی و حتی حرکات انسانی را تشخیص دهند.
در شمارة آینده، ساختار، نحوة عملکرد و برخی ویژگی‌های آن‌ها را بررسی خواهیم کرد.
References
1. P. Manickam, S. Ananth, “Artificial Intelligence (AI) and Internet of Medical Things (IoMT) Assisted Biomedical Systems for Intelligent Healthcare”, Biosensors 2022, 12, 562.
