در یک مطالعه جامع، پیشرفتهای اخیر در زمینه اندازهگیری علائم حیاتی با استفاده از هوش مصنوعی مورد بررسی قرار گرفته است. این تحقیق تأکید دارد که فناوریهای جدید میتوانند اندازهگیریهای دقیقتر و غیرتماسی را در دما، فشار خون، اشباع اکسیژن، ضربان قلب و نرخ تنفس فراهم کنند.
در خصوص دمای بدن، نتایج مرور حاکی از آن است که اگرچه تصویربرداری حرارتیِ بدون تماس برای غربالگری جمعی مزیتهایی از حیث سهولت و مقیاسپذیری دارد، اما دقت آن برای اندازهگیری دمای مرکزی بدن در محیطهای بالینی همچنان ناکافی است. این محدودیت بهویژه در بیماران بدحال مشهود است؛ جایی که عواملی نظیر جریان هوای محیط، تعریق و تنگی عروق محیطی میتوانند قرائتها را بهطور معناداری دچار انحراف کنند و به خطاهایی تا حدود ±۰٫۵ درجه سانتیگراد بینجامند. ازاینرو، نوآوریهای امیدبخشتر در حوزه حسگرهای پوشیدنی مانند پوستهای الکترونیکی (e-skin) و منسوجات هوشمند متمرکز شدهاند که امکان پایش پیوسته با دقت بالاتر را فراهم میکنند و به خطاهایی تا حدود ۰٫۱ درجه سانتیگراد دست مییابند؛ هرچند این فناوریها نیز برای دستیابی به استانداردهای بالینی، نیازمند اعتبارسنجیهای بیشتر هستند.
در زمینه اشباع اکسیژن خون، پالساکسیمتری متعارف همچنان بهعنوان استاندارد غیرتهاجمی پذیرفته میشود؛ با این حال، فوتوپلتیسموگرافی از راه دور (rPPG) مبتنی بر دوربینهای معمولی، افق مهمی برای پزشکی از راه دور بهشمار میآید. دقت این روش همچنان بهشدت تحت تأثیر آرتیفکتهای حرکتی و تغییرات نورپردازی قرار دارد که میتوانند سیگنال ضربانی ظریفِ زیربنایی را مخدوش کنند. با وجود این، الگوریتمهای پیشرفته مبتنی بر هوش مصنوعی توانستهاند این چالشها را تا حد زیادی مرتفع سازند و با کاهش خطای مطلق میانگین (MAE) به ≤۲٪، قابلیت اطمینانی همتراز با ابزارهای تماسی در شرایط کنترلشده فراهم آورند.
در مورد نرخ ضربان قلب و نرخ تنفس، این مرور تأیید میکند که هوش مصنوعی و یادگیری عمیق نقش توانمندسازهای بنیادین را در نسل آینده تجهیزات پایش ایفا میکنند. این روشها برای پالایش آرتیفکتهای حرکتی پیچیده و غیرتناوبی مانند حرکات دست در حسگرهای پوشیدنی PPG یا حرکات سر در سامانههای ویدئویی بدون تماس که پردازش سیگنال کلاسیک در مواجهه با آنها ناتوان است، حیاتی هستند. بهطور خاص، برای نرخ تنفس، روشهای بدون تماس مبتنی بر تصویربرداری حرارتی و RGB کارایی بالایی نشان دادهاند و به خطای مطلق میانگین بین ۱٫۵ تا ۲٫۰ تنفس در دقیقه دست یافتهاند. افزون بر این، همجوشی دادهها از منابع متعدد نظیر ECG و PPG با فراهمکردن اطلاعات فیزیولوژیک مکمل، به برآوردهای پایدارتر و دقیقتر منجر شده است.
شاید تحولآفرینترین تغییر در حوزه پایش فشار خون مشاهده میشود؛ جایی که حرکت بهسوی روشهای بدون کاف(زمان انتقال نبض (PTT) یک روش غیرمستقیم برای تخمین فشار خون است که بر اساس تحلیل زمان بین ضربان قلب و سیگنالهای فوتوپلتیسموگرافی (PPG) و الکتروکاردیوگرام (ECG) عمل میکند.) مبتنی بر زمان انتقال نبض (PTT) در جریان است. در این زمینه، مدلهای هوش مصنوعی برای تبدیل سیگنالهای خام حسگری به مقادیر دقیق فشار خون نقشی غیرقابلجایگزین دارند و معماریهای یادگیری عمیق مانند CNN-LSTM توانستهاند به مقادیر MAE در بازه ۳٫۱۶ تا ۴٫۸ میلیمتر جیوه دست یابند که با استانداردهای بالینی سختگیرانه همخوانی دارد.
با این حال، چالشهای اساسیِ کالیبراسیون مکرر و شخصیسازیشده، و نیز تغییرپذیری قابلتوجه بین افراد ناشی از عواملی همچون سفتی شریانی وابسته به سن و پروفایلهای منحصربهفرد سلامت قلبی عروقی همچنان موانع اصلی پذیرش گسترده بالینی محسوب میشوند. مدلی که برای یک فرد کالیبره شده است، ممکن است برای فردی دیگر بهشدت نادقیق و حتی مخاطرهآمیز باشد؛ موضوعی که پیچیدگی ذاتی این مسئله را بهروشنی برجسته میکند.
منبع: پردیس هوش مصنوعی و نوآوری دیجیتال ایران
