AI-system til detektering af fejl ved selvmedicinering

Forskere på MIT har udviklet et system, der afhænger af trådløse radiosignaler og kunstig intelligens (AI) til at detektere fejl, når patienter selvmedicinerer. Den nye udvikling kan have en stor indvirkning, når man tager i betragtning det alarmskabende antal patienter, der ikke overholder lægernes ordrer, hvilket fører til tusindvis af dødsfald og milliarder af dollars i medicinske omkostninger hvert år.

Systemet bruger trådløs sensing og AI sammen til at bestemme, når en patient bruger en insulinpen eller inhalator. Potentielle fejl detekteres af systemet, når en patient selvmedicinerer.

Dina Katabi er Andrew og Erna Viteri-professoren på MIT. Katabis forskningsgruppe var ansvarlig for udviklingen af det nye system.

“Nogle tidligere arbejder rapporterer, at op til 70% af patienter ikke tager deres insulin, som foreskrevet, og mange patienter bruger ikke inhalatorer korrekt,” siger Katabi.

Ifølge forskerne kan det nye system installeres hjemme og advare patienter og plejepersonale om medicinfejl, hvilket hjælper med at reducere unødvendige hospitalsbesøg.

Forskningen blev offentliggjort sidste måned i tidsskriftet Nature Medicine. Hovedforfatterne på studiet inkluderer Mingmin Zhao, PhD-student på MIT’s Computer Science and Artificial Intelligence Laboratory (CSAIL), og Kreshnik Hoti, tidligere gæsteforsker på MIT og nuværende medlem af fakultetet på Universitetet i Prishtina i Kosovo. Medforfattere på forskningen inkluderer Hao Wang, tidligere CSAIL-postdoc og nuværende medlem af fakultetet på Rutgers Universitet, og Aniruddh Raghu, CSAIL PhD-student.

Medicinleveringsmekanismer

Mange mediciner kræver komplekse leveringsmekanismer.

“For eksempel kræver insulinpenne primning for at sikre, at der ikke er luftbobler inde. Og efter injicering skal du holde i 10 sekunder,” siger Zhao. “Alle disse små skridt er nødvendige for at levere medicinen korrekt til dens aktive sted.”

Med hvert ekstra skridt kommer der flere chancer for fejl, hvilket øges endnu mere, hvis der ikke er en farmaceut til stede. Da patienter ofte begår fejl uden at være klar over det, havde teamet til formål at skabe et automatiseret system.

Det nye system har tre brede skridt, starting med en sensor, der sporer en patients bevægelser inden for en 10-meter radius. Dette skridt udføres gennem radiobølger, der reflekterer af deres krop. Derefter ser AI på de reflekterede signaler for at bestemme, om en patient selvmedicinerer en inhalator eller insulinpen. Det sidste skridt er for systemet at advare patienten eller sundhedsplejepersonalet, når en fejl detekteres i selvmedicineringen af medicinen.

“En dejlig ting ved dette system er, at det ikke kræver, at patienten bærer nogen sensorer,” siger Zhao. “Det kan endda fungere gennem forhindringer, ligesom du kan få adgang til dit Wi-Fi, når du er i et andet rum end din router.”

Sensor og neuralt netværk

Sensoren sidder i baggrunden af et hus, mens den bruger AI til at fortolke de modulerede radiobølger. Et neuralt netværk blev udviklet til at detektere mønstre i brugen af medicinen, og det blev trænet til at udføre eksempelbevægelser. Gennem forstærkningslæring detekterede netværket succesfuldt 96% af insulinpenneadministreringer og 99% af inhalatorbrug.

Efter at have identificeret eventuelle fejl kan netværket også korrigere dem. Korrekt medicinadministration følger lignende sekvenser, hvilket betyder, at systemet kan identificere enhver afvigelse i de specifikke skridt. Denne information kan derefter sendes til patienten eller lægen, hvilket hjælper med at korrigere teknikken.

“Ved at bryde det ned i disse skridt kan vi ikke kun se, hvor ofte patienten bruger deres enhed, men også vurderer deres administrations-teknik for at se, hvor godt de gør det,” siger Zhao.

“En alternativ måde at løse dette problem på er ved at installere kameraer,” fortsætter Zhao. “Men brugen af en trådløs signal er meget mindre indtrængende. Det viser ikke menneskers udseende.”

Ifølge teamet kunne dette nye system muligvis tilpasses til andre mediciner ved at gen-træne det neurale netværk.