AI 기반 스마트 붕대는 상처를 25% 더 빠르게 치유합니다

산타 크루즈 (Santa Cruz) 캘리포니아 대학 (University of California)의 엔지니어가 설계 한 “a-heal”이라는 웨어러블 장치는 프로세스의 각 단계를 최적화하는 것을 목표로합니다. 이 시스템은 작은 카메라와 AI를 사용하여 치유 단계를 감지하고 약물 또는 전기장의 형태로 치료를 전달합니다. 이 시스템은 환자의 고유 한 치유 과정에 반응하여 개인화 된 치료를 제공합니다.

휴대용 무선 장치는 원격 지역의 환자 나 이동성이 제한적인 상처 요법을보다 잘 접근 할 수있게 해줄 수 있습니다. 저널에 게시 된 초기 전임상 결과 NPJ 생물 의학 혁신장치가 치유 과정의 속도를 높이는 것을 보여줍니다.

A-Heal 디자인

UC Santa Cruz와 UC Davis 연구원은 DARPA-Betr 프로그램이 후원하고 UC Santa Cruz Baskin Engineering 의장 및 전기 및 컴퓨터 공학 교수 (ECE) Marco Rolandi가 이끄는 카메라, 생물 전자 및 AI를 결합한 장치를 설계했습니다. 한 장치의 통합으로 인해 연구자들이 알고있는 한 상처 치유의 첫 번째 중 하나 인 “폐쇄 루프 시스템”이됩니다.

Rolandi는“우리 시스템은 신체에서 모든 신호를 취하고 외부 개입으로 치유 진행 상황을 최적화합니다.

이 장치는 ECE Mircea Teodorescu의 동료 부교수가 개발 한 온보드 카메라를 사용하여 2 시간마다 상처 사진을 찍기 위해 Communications Biology Study에서 설명합니다. 이 사진은 응용 수학 부교수 Marcella Gomez의 부교수가 개발 한 머신 러닝 (ML) 모델로 공급됩니다.

Teodorescu는“이것은 본질적으로 붕대의 현미경이다. “개별 이미지는 거의 말하지 않지만 시간이 지남에 따라 지속적인 이미징은 AI 스팟 트렌드, 상처 치유 단계, 플래그 문제 및 치료를 제안 할 수 있습니다.”

AI 의사는 이미지를 사용하여 상처 단계를 진단하고 상처가 최적의 상처 치유의 타임 라인을 따라야하는 위치와 비교합니다. 이미지에 지연이 나타나면 ML 모델은 치료를 적용합니다. 또는 전기장, 상처 폐쇄로의 세포 이동을 향상시킬 수 있습니다.

장치를 통해 국소 적으로 전달되는 치료는 상처에서 세로토닌 수준을 제어하고 염증을 감소시키고 상처 조직 폐쇄를 증가시킴으로써 치유를 향상시키는 선택적 세로토닌 재 흡수 억제제 인 플루옥세틴이다. UC Davis Group의 Isseroff Group의 전임상 연구에 의해 결정된 복용량은 Healing을 최적화하기 위해 DOSE가 개발 한 장치의 생체 전자 액추에이터에 의해 투여된다. 치유를 개선하기 위해 최적화되고 UC Davis의 Min Zhao와 Roslyn Rivkah Isseroff의 사전 작업에 의해 개발 된 전기장도 장치를 통해 제공됩니다.

AI 의사는 전달할 최적의 약물 복용량과 적용된 전기장의 크기를 결정합니다. 치료가 일정 기간 동안 적용된 후 카메라는 다른 이미지를 취하고 프로세스가 다시 시작됩니다.

이 장치는 사용하는 동안 치유 속도와 같은 이미지 및 데이터를 안전한 웹 인터페이스로 전송하므로 인간 의사는 수동으로 개입하여 필요에 따라 미세 조정할 수 있습니다. 이 장치는 편리하고 안전한 사용을 위해 상업적으로 이용 가능한 붕대에 직접 부착됩니다.

임상 사용 가능성을 평가하기 위해 UC Davis 팀은 전임상 상처 모델에서 장치를 테스트했습니다. 이 연구에서, A-Heal으로 처리 된 상처는 치료 표준 치료보다 약 25% 빠른 치유 궤적을 따랐다. 이러한 결과는 급성 상처의 폐쇄를 가속화 할뿐만 아니라 만성 상처에서 점프 시작 된 치유에 대한 기술의 약속을 강조합니다.

당신은 강화되었습니다

응용 수학 조교수 Marcella Gomez가 주도한이 시스템에 사용 된 AI 모델은 생물 공학 저널의 연구에 설명 된 강화 학습 접근법을 사용하여 의사가 사용하는 진단 접근법을 모방합니다.

강화 학습은 모델이 특정 최종 목표를 달성하도록 설계된 기술이며, 시행 착오를 통해 학습하는 방법은 목표 달성 방법을 가장 잘 달성하는 방법입니다. 이러한 맥락에서,이 모델은 상처 폐쇄 시간을 최소화하는 목표를 주어 받고 있으며, 그 목표를 향한 진전에 대한 보상을받습니다. 그것은 지속적으로 환자로부터 배우고 치료 접근법을 조정합니다.

강화 학습 모델은 Gomez와 그녀의 학생들이 Deep Mapper라고 불리는 알고리즘에 의해 안내되며, 사전 인쇄 연구에서 설명하는 Deep Mapper라고 불렀으며, 이는 상처를 처리하여 정상적인 진행과 비교하여 치유의 단계를 정량화하여 치유의 궤적을 따라 매핑합니다. 시간이 상처와 함께 시간이 지남에 따라 과거 치유의 선형 동적 모델을 배우고 치유가 어떻게 진행되는지 예측하는 데 사용합니다.

고메즈는“이미지 만있는 것만으로는 충분하지 않으며,이를 처리하고 상황에 맞게 넣어야한다. 그러면 피드백 제어를 적용 할 수있다”고 말했다.

이 기술을 사용하면 알고리즘이 약물 또는 전기장의 치유에 미치는 영향을 실시간으로 배울 수 있으며, 약물 농도 또는 전기장 강도를 조정하는 방법에 대한 강화 학습 모델의 반복적 의사 결정을 안내합니다.

이제 연구팀은이 장치가 만성 및 감염된 상처의 치유를 개선 할 수있는 잠재력을 탐색하고 있습니다.

이 작품과 관련된 추가 간행물은 여기에서 링크 된 것을 찾을 수 있습니다.

이 연구는 Defense Advanced Research Projects Agency와 Advanced Research Projects Agency for Health의 지원을 받았습니다.