Un dispositivo AI portatile trasforma i suoni della tosse in dati per la previsione della pandemia

I ricercatori dell’Università di Massachusetts hanno inventato un dispositivo di sorveglianza portatile alimentato dall’apprendimento automatico – chiamato FluSense – in grado di rilevare tosse e dimensioni della folla in tempo reale, quindi analizzare i dati per monitorare direttamente le malattie simil-influenzali e le tendenze influenzali. I creatori di FluSense affermano che la nuova piattaforma di edge computing, prevista per l’uso in ospedali, sale d’attesa sanitarie e spazi pubblici più ampi, potrebbe espandere l’arsenale di strumenti di sorveglianza sanitaria utilizzati per prevedere l’influenza stagionale e altri focolai virali respiratori, come la pandemia di COVID-19 o SARS. Modelli come questi possono essere salvavita informando direttamente la risposta della salute pubblica durante un’epidemia di influenza. Queste fonti di dati possono aiutare a determinare i tempi per le campagne di vaccinazione antinfluenzale, le potenziali restrizioni ai viaggi, l’allocazione delle forniture mediche e altro ancora. Questo può permettere di prevedere le tendenze influenzali in modo molto più accurato. I risultati del loro studio FluSense sono stati pubblicati mercoledì sulla rivista Proceedings of the Association for Computing Machinery on Interactive, Mobile, Wearable and Ubiquitous Technologies. La piattaforma FluSense elabora un array di microfoni a basso costo e dati di imaging termico con un Raspberry Pi ( un computer completo costruito su una scheda a circuito singolo) e un motore di elaborazione neurale. Non memorizza informazioni di identificazione personale, come dati vocali o immagini distintive. I ricercatori hanno inizialmente sviluppato un modello di tosse basato su laboratorio. Quindi hanno addestrato il classificatore di reti neurali profonde a disegnare scatole di delimitazione su immagini termiche che rappresentano le persone e quindi a contarle. Il loro obiettivo principale era quello di costruire modelli predittivi a livello di popolazione, non a livello individuale. Hanno posizionato i dispositivi FluSense, racchiusi in una scatola rettangolare delle dimensioni di un dizionario di grandi dimensioni, in quattro sale di attesa per l’assistenza sanitaria presso la clinica UMass University Health Services. Da dicembre 2018 a luglio 2019, la piattaforma FluSense ha raccolto e analizzato oltre 350.000 immagini termiche e 21 milioni di campioni audio non vocali dalle aree di attesa pubbliche. I ricercatori hanno scoperto che FluSense era in grado di prevedere con precisione i tassi di malattia giornalieri presso la clinica universitaria. Set multipli e complementari di segnali FluSense “fortemente correlati” con test di laboratorio per le malattie simil-influenzali e l’influenza stessa. Secondo lo studio, le prime informazioni relative ai sintomi acquisite da FluSense potrebbero fornire preziose informazioni aggiuntive e complementari agli attuali sforzi di previsione dell’influenza, come la rete FluSight, che è un consorzio multidisciplinare di team di previsione dell’influenza, tra cui il Reich Lab presso UMass Amherst. FluSense è un esempio del potere di combinare l’intelligenza artificiale con il edge computing, la tendenza che spinge la frontiera che consente di raccogliere e analizzare i dati direttamente alla fonte dei dati. Stanno cercando di portare i sistemi di apprendimento automatico al limite, indicando i componenti compatti all’interno del dispositivo FluSense. Tutte le elaborazioni avvengono proprio qui. Questi sistemi stanno diventando più economici e più potenti. Il prossimo passo è testare FluSense in altre aree pubbliche e aree geografiche. Hanno la convalida iniziale che la tosse ha effettivamente una correlazione con la malattia correlata all’influenza. Ora vogliono convalidarla al di là di questo specifico ambiente ospedaliero e dimostrare che possono generalizzarla in tutte le sedi.

Daniele Corbo

Bibliografia: “FluSense: A Contactless Syndromic Surveillance Platform for Influenza-Like Illness in Hospital Waiting Areas”. Forsad Al Hossain, Andrew A. Lover, George A. Corey, Nicholas G. Reich, Tauhidur Rahman. Proceedings of the ACM on Interactive, Mobile, Wearable and Ubiquitous Tech

Immagine: Cough Painting (Andreas Englund)

Rispondi

Inserisci i tuoi dati qui sotto o clicca su un'icona per effettuare l'accesso:

Logo di WordPress.com

Stai commentando usando il tuo account WordPress.com. Chiudi sessione /  Modifica )

Google photo

Stai commentando usando il tuo account Google. Chiudi sessione /  Modifica )

Foto Twitter

Stai commentando usando il tuo account Twitter. Chiudi sessione /  Modifica )

Foto di Facebook

Stai commentando usando il tuo account Facebook. Chiudi sessione /  Modifica )

Connessione a %s...

Questo sito utilizza Akismet per ridurre lo spam. Scopri come vengono elaborati i dati derivati dai commenti.