Επιστήμονες του South Ural State University, σε συνεργασία με άλλους από την Ισπανία, τη Γαλλία και την Αίγυπτο, ανέπτυξαν μοντέλο για πιο αποτελεσματική διάγνωση καρδιαγγειακών νόσων και διαβήτη, χρησιμοποιώντας τεχνητή νοημοσύνη και τεχνολογία  Ίντερνετ των πραγμάτων (Internet of Things).

Η εργασία υποστηρίχτηκε από το ρωσικό υπουργείο επιστημών και ανώτατης εκπαίδευσης.

Το νέο μοντέλο περιγράφηκε σε άρθρο στο περιοδικό  IEEE Access (Q1).

Ο Kumar Sachin, σε συνεργασία με επιστήμονες από άλλες χώρες, δημιουργεί νέο μοντέλο για το χειρισμό ψηφιακών εφαρμογών και την εφαρμογή τους στην ιατρική.

Υπηρεσίες περίθαλψης μπορούν να βελτιωθούν σημαντικά, χρησιμοποιώντας το Internet of Things και την τεχνητή νοημοσύνη. Εξελιγμένες μέθοδοι και επιστημονική θεωρία δημιουργούν τεράστιες ποσότητες ψηφιακών στοιχείων, που μπορούν να εφαρμοστούν για τη δημιουργία κλινικών εφαρμογών, με βάση το Android OS.

Ο κλινικός έλεγχος του ασθενούς, θα γίνει πιο προσωποκεντρικός και όχι μια ιατρική στατιστική. Ιδανικά, θα κινηθούμε από την αντιμετώπιση νόσων προς ένα ιατρικό σύστημα πρόληψης, δήλωσε ο Kumar Sachin.

Η ιδέα των επιστημόνων είναι να δημιουργήσουν μια καθολική εφαρμογή, που θα μπορεί να συλλέγει στοιχεία από διαφορετικές συσκευές και να τα μεταφράζει σε συμβατό format. Έτσι, το smartphone τις επεξεργάζεται και τις οργανώνει. Με βάση τις πολύπλοκες πληροφορίες που λαμβάνει, γίνονται ιατρικές συστάσεις για συγκεκριμένο ασθενή, λαμβάνοντας υπόψη τους δείκτες του.

Tο μοντέλο περιλαμβάνει διάφορα στάδια: Συλλογή στοιχείων, προ- επεξεργασία, κατηγοριοποίηση και προσαρμογή παραμέτρων.

Φορητές συσκευές και αισθητήρες IoT επιτρέπουν την απρόσκοπτη συλλογή στοιχείων, ενώ μέθοδοι τεχνητής νοημοσύνης τα χρησιμοποιούν για διάγνωση παθήσεων.

Με βάση τους δείκτες, είναι πιθανό να καθοριστεί πόσο καλός είναι ο τρόπος ζωής ενός ασθενούς με συγκεκριμένη νόσο.

Το smartphone επεξεργάζεται τα στοιχεία που λαμβάνει μέσω Bluetooth, με χαμηλή κατανάλωση ενέργειας, και τα κατηγοριοποιεί ως υγιή, εντός φυσιολογικού εύρους ή μη υγιή.

Η αποτελεσματικότητα του νέου μοντέλου, επιβεβαιώθηκα από τη χρήση στοιχείων υγείας. Κατά τη διάρκεια των πειραμάτων, το μοντέλο πέτυχε μέγιστη απόδοση 96.16 % και 97.26 % στη διάγνωση της καρδιοπάθειας και του διαβήτη. Επομένως, το μοντέλο μπορεί να χρησιμοποιηθεί ως κατάλληλο όπλο για τη διάγνωση νόσων, για έξυπνο σύστημα περίθαλψης.