Onderzoekers van de Universiteit van Massachusetts Amherst hebben een draagbaar bewakingsapparaat uitgevonden dat wordt aangedreven door machine learning, FluSense genaamd, dat hoesten en de grootte van de menigte in realtime kan detecteren. analyseer vervolgens de gegevens om griepachtige ziekten en grieptrends direct te volgen.

De makers van FluSense zeggen dat het nieuwe edge-computingplatform, bedoeld voor gebruik in ziekenhuizen, wachtkamers voor gezondheidszorg en grotere openbare ruimtes, kan het arsenaal aan instrumenten voor gezondheidstoezicht uitbreiden die worden gebruikt om seizoensgriep en andere virale uitbraken van de luchtwegen te voorspellen, zoals de COVID-19-pandemie of SARS.

Modellen zoals deze kunnen levensreddend zijn door de volksgezondheid tijdens een griepepidemie direct te informeren. Deze gegevensbronnen kunnen helpen bij het bepalen van de timing voor griepvaccincampagnes, mogelijke reisbeperkingen, de toewijzing van medische benodigdheden en meer.

"Hierdoor kunnen we grieptrends veel nauwkeuriger voorspellen, " zegt co-auteur Tauhidur Rahman, universitair docent computer- en informatiewetenschappen, die adviseert Ph.D. student en hoofdauteur Forsad Al Hossain. De resultaten van hun FluSense-onderzoek werden woensdag gepubliceerd in de Proceedings of the Association for Computing Machinery on Interactive, mobiel, Draagbare en alomtegenwoordige technologieën.

Om hun uitvinding een real-world try-out te geven, de uitvinders van FluSense werkten samen met Dr. George Corey, uitvoerend directeur van Universitaire Gezondheidsdiensten; biostatisticus Nicholas Reich, directeur van het in de UMass gevestigde CDC Influenza Forecasting Centre of Excellence; en epidemioloog Andrew Lover, een door vectoren overgedragen ziekte-expert en assistent-professor aan de School of Public Health and Health Sciences.

Het FluSense-platform verwerkt een goedkope microfoonarray en warmtebeeldgegevens met een Raspberry Pi en neurale computerengine. Het slaat geen persoonlijk identificeerbare informatie op, zoals spraakgegevens of onderscheidende beelden. In het mozaïeklab van Rahman, waar computerwetenschappers sensoren ontwikkelen om de menselijke gezondheid en gedrag te observeren, de onderzoekers ontwikkelden eerst een laboratoriumgebaseerd hoestmodel. Daarna trainden ze de diepe neurale netwerkclassificator om begrenzingsvakken te tekenen op thermische beelden die mensen vertegenwoordigen, om ze vervolgens te tellen. "Ons belangrijkste doel was om voorspellende modellen op populatieniveau te bouwen, niet het individuele niveau, ' zegt Rahmaan.

Ze plaatsten de FluSense-apparaten, ingekapseld in een rechthoekige doos ter grootte van een groot woordenboek, in vier wachtkamers van de UMass University Health Services-kliniek.

Van december 2018 tot juli 2019, het FluSense-platform verzamelde en analyseerde meer dan 350, 000 warmtebeelden en 21 miljoen niet-spraakgestuurde audiosamples uit de openbare wachtruimtes.

De onderzoekers ontdekten dat FluSense de dagelijkse ziektecijfers in de universiteitskliniek nauwkeurig kon voorspellen. Meerdere en complementaire sets van FluSense-signalen "sterk gecorreleerd" met laboratoriumtests voor griepachtige ziekten en griep zelf.

Volgens de studie, "de vroege symptoomgerelateerde informatie die door FluSense wordt verzameld, kan waardevolle aanvullende en aanvullende informatie opleveren voor de huidige inspanningen om griep te voorspellen, " zoals het FluSight-netwerk, dat is een multidisciplinair consortium van teams voor griepvoorspelling, inclusief het Reich Lab in UMass Amherst.

"Ik ben al heel lang geïnteresseerd in niet-spraakachtige lichaamsgeluiden, " zegt Rahman. "Ik dacht dat als we hoest- of niesgeluiden konden vastleggen uit openbare ruimtes waar veel mensen van nature samenkomen, we zouden deze informatie kunnen gebruiken als een nieuwe gegevensbron voor het voorspellen van epidemiologische trends."

Al Hossain zegt dat FluSense een voorbeeld is van de kracht van het combineren van kunstmatige intelligentie met edge computing, de grensverleggende trend waarmee gegevens direct bij de bron van de gegevens kunnen worden verzameld en geanalyseerd. "We proberen machine learning-systemen naar de rand te brengen, "Al Hossain zegt, wijzend naar de compacte componenten in het FluSense-apparaat. "Alle verwerking gebeurt hier. Deze systemen worden goedkoper en krachtiger."

De volgende stap is om FluSense te testen in andere openbare ruimtes en geografische locaties.

"We hebben de eerste validatie dat het hoesten inderdaad een correlatie heeft met griepgerelateerde ziekte, " zegt Lover. "Nu willen we het valideren buiten deze specifieke ziekenhuisomgeving en laten zien dat we over locaties kunnen generaliseren."