اپلیکیشن جدیدی که با استفاده از تحقیقات انجام شده در دانشگاه "پرینستون" توسعه یافته با پرسش سوالاتی در مورد سلامت فرد و ترکیب آن با داده‌های مربوط به حسگر ساعت هوشمند می‌تواند در عرض چند دقیقه پیش‌بینی کند که آیا فرد به کووید-۱۹ آلوده شده است یا خیر.
جی پلاس، به نقل از تک‌اکسپلور، این ابزار جدید تشخیص کووید-۱۹ براساس تحقیقات "نیراج چا"(Niraj Jha)، استاد مهندسی برق و کامپیوتر در دانشگاه پرینستون توسعه یافته است. تیم او در حال توسعه فناوری هوش مصنوعی برای تشخیص کووید-۱۹ و همچنین نظارت بر بیماری‌های مزمن مانند افسردگی، اختلال دو قطبی، اسکیزوفرنی، دیابت و بیماری سلول‌های داسی‌شکل بودند.
ایسنا نوشت؛ شرکت "NeuTigers" که برای تجاری‌سازی کارهای "چا" تاسیس شده بود به سازمان غذا و دارو ایالات متحده آمریکا برای دریافت مجوز برای نرم‌افزار "کوویددیپ"(COVIDDeep) درخواست داد.
شایان حسن‌تبار، دانشجوی دکتری در گروه "چا" نویسنده اصلی مقاله‌ای در IEEE Transactions on Consumer Electronics، توسعه و آزمایش "کوویددیپ" را توضیح می‌دهد.
این نرم‌افزار داده‌های ساعت هوشمند از ضربان قلب، دما و پاسخ گالوانیکی پوست را به همراه فشار و سطح اکسیژن خون با داده‌های به دست آمده از یک پرسشنامه در مورد علائم کووید-۱۹ ترکیب می‌کند.
گروه تحقیقاتی "چا" در پرینستون مدت‌هاست بر سازگار کردن نوعی هوش مصنوعی به نام "یادگیری عمیق" با دستگاه‌های الکترونیکی کم مصرف مانند تلفن‌ها و ساعت‌های هوشمند به جای مراکز محاسبات متمرکز ابری، تمرکز دارند. این رویکرد که "Edge AI" نام دارد به حفظ حریم شخصی کاربران و افزایش امنیت کمک می‌کند.
"چا" می‌گوید: این یک چارچوب قابل تعمیم است و مراقبت‌های بهداشتی هوشمند تنها یکی از کاربردهای آن است. ما همچنین آن را برای امنیت سایبری و سایر برنامه‌های کاربردی اینترنت اشیا مورد استفاده قرار می‌دهیم. مانند مداخلات پزشکی پیشگیرانه، مدل‌های یادگیری ماشینی می‌توانند الگوهای ناهنجار را شناسایی کنند و به رفع آسیب‌پذیری نرم‌افزاری پیش از حمله سایبری کمک کنند.
در سال‌های اخیر، تیم "چا" "edge AI" را برای مراقبت بهداشتی مانند تشخیص غیرتهاجمی دیابت و بیماری‌های روان با استفاده از داده‌های ساعت هوشمند و حسگرهای تلفن همراه مورد بررسی قرار داده‌اند.
چندین مورد از فناوری‌های ثبت اختراع شده "چا" تاکنون مجوز دریافت کرده‌اند از جمله روش‌هایی برای تشخیص دیابت و بیماری‌های مربوط به سلامت روان و تشخیص آسیب‌پذیری امنیت در سیستم‌های اینترنت اشیاء.
هنگامی که همه‌گیری کووید-۱۹ در ماه مارس ۲۰۲۰ اعلام شد، "چا" می‌خواست بداند که آیا می‌توان از رویکردهای یادگیری عمیق تیمش برای تشخیص ویروس به ویژه در کسانی که بدون داشتن علائم خاص می‌توانند ویروس را منتشر کنند و مشکلی بزرگ برای کنترل بیماری هستند استفاده کرد یا خیر.
او می‌گوید: فرض بر این بود که این بیماری اثرات منحصربه‌فردی بر سیگنال‌های فیزیولوژیکی منتشر شده از بدن بر جای می‌گذارد. به نظر می‌رسد این فرضیه دستکم در بیمارانی که ما بررسی کردیم درست است. بنابراین می‌خواستیم ببینیم که آیا می‌توان کووید-۱۹ را از این طریق تشخیص داد.
در ماه مه سال ۲۰۲۰، "ویشو گاناکوتا"(Vishu Ghanakota) مدیر ارشد فناوری شرکت "NeuTigers" به ایتالیا سفر کرد تا ساعت‌های هوشمند پزشکی و اپلیکیشن‌های نرم‌افزاری را به همکاران "ایگنازیو مارینو"(Ignazio Marino) استاد جراحی در دانشگاه توماس جفرسون در فیلادلفیا و مدیر اجرایی مرکز جفرسون ایتالیا تحویل دهد.
محققان بالینی، داده‌های ۸۷ نفر را که تست ۳۰ نفر از آن‌ها منفی، ۳۰ نفر مثبت و دارای علائم و ۲۷ نفر مثبت و بدون علائم بودند جمع‌آوری کردند.
این داده‌ها شامل داده‌های ۶۰ دقیقه‌ای حسگرهای ساعت هوشمند در مورد ضربان قلب، دما و پاسخ گالوانیکی پوست(معیاری برای فعالیت غدد عرق) بود. این داده‌ها به فواصل ۱۵ ثانیه‌ای تقسیم شدند. پزشکان به طور جداگانه فشار خون و سطح اکسیژن خون شرکت کنندگان را نیز اندازه‌گیری کردند و به پرسشنامه‌ای در مورد وجود یا عدم وجود تنگی نفس، سرفه، تب و یا سایر هشت علائم دیگر در داوطلبین پاسخ دادند.
محققان دانشگاه پرینستون به رهبری حسن‌تبار از زیرمجموعه‌ای از این داده‌ها برای آموزش مدل‌های شبکه عصبی برای پیش‌بینی وضعیت کووید-۱۹ بیمار استفاده کردند و از سایر داده‌ها نیز برای آزمایش نتایج استفاده کردند. آن‌ها دریافتند که مدل‌ها قادر به تشخیص کووید-۱۹ با دقت ۹۸.۱ درصدی هستند.
یکی از روش‌هایی که حسن‌تبار برای افزایش دقت مدل‌ها اسفاده کرد افزودن داده‌های مصنوعی به دست آمده براساس احتمال توزیع داده‌های واقعی بود.
از آن زمان تاکنون محققان این روش را تحت یک آزمایش میدانی بزرگ‌تر در فرانسه قرار دادند و سازمان‌های بهداشت در ایالات متحده و الجزایر نیز "کوویددیپ" را بر روی کارمندان‌شان به صورت آزمایشی اجرا کرده‌اند.
"NeuTigers" در تلاش است تا این نرم‌افزار را برای برخی از انواع ساعت‌های هوشمند سامسونگ، فیت بیت و اپل سازگار کند.
"مارینو" که در جمع‌آوری داده‌های بالینی نقش داشته می‌گوید: وارد کردن اطلاعات بالینی به صورت دستی در یک اپلیکیشن تلفن همراه می‌تواند یکی دیگر از روش‌های مفید برای غربالگری در بسیاری از مناطق باشد. به خصوص از آن جا که تلفن‌های هوشمند در سراسر جهان نسبت به ساعت رایج‌تر هستند. با این حال ممکن است استفاده از یک ساعت هوشمند برای بسیاری از کاربران ارجح باشد و به همین دلیل محققان در تلاشند تا مدل‌های شبکه عصبی را با ساعت‌های هوشمند تطبیق دهند.
او افزود: من فکر می‌کنم این روش بهتر از انجام تست خانگی کووید- ۱۹ باشد زیرا دقت آزمایشی که در خانه انجام می‌دهید محدود است و انجام سواب بینی نیز کار دردناکی است و من نمی‌دانم که آیا افراد این کار را با دقت انجام می‌دهند یا خیر اما داشتن دستگاهی روی مچ تهاجمی نیست و من فکر می‌کنم خیلی بهتر است.
او همچنین ابراز امیدواری کرد که این فناوری بتواند روزی در تشخیص زودهنگام بیماری‌های شایع مانند دیابت مفید واقع شود.
