تشخیص کرونا9روز قبل از بروز علائم
تاریخ انتشار: ۲۱ تیر ۱۳۹۹ | کد خبر: ۲۸۵۹۴۴۳۰
محققان آمریکایی الگوریتمی برای ساعتهای هوشمند ابداع کردهاند که آلودگی کاربر را به کووید-۱۹، حدود ۹ روز قبل از بروز علائم تشخیص میدهد. ناطقان: به گزارش پایگاه اینترنتی روزنامه دیلی میل، محققان دانشگاه «استندفورد» در آمریکا برای ساخت این الگوریتم، داده های ۳۱ بیمار مبتلا به کرونا را که از ساعت های هوشمند شرکت «فیت بیت» استفاده می کردند، تجزیه و تحلیل کردند.
بیشتر بخوانید:
اخباری که در وبسایت منتشر نمیشوند!
آنها در ۸۰ درصد از این موارد متوجه تغییراتی در ضربان قلب و سایر علائم حیاتی کاربران شدند که این موضوع نشان می دهد آلودگی به کووید-۱۹ را قبل از بروز علائم می توان تشخیص داد.
در برخی از موارد، علائم آلودگی به این عفونت، ۹ روز قبل از شروع علائم سرفه، تب یا از بین رفتن حس چشایی و بویایی به وجود آمد.
محققان اکنون بر این باورند که ابزارهای پوشیدنی هایی که علائم حیاتی بدن را اندازه گیری می کنند، می توانند راه گشایی برای پیشگیری از همه گیری کووید-۱۹ باشد که منجر به کشته شدن ۵۵۰ هزار نفر در سطح جهان شده است.
این محققان اکنون الگوریتمی طراحی کردند که آلودگی به کووید-۱۹ را در کاربران ساعت هوشمند نشان می دهد.
آنها می گویند: چنین ابزاری برای مهار شیوع ویروس مفید خواهد بود؛ زیرا باعث می شود افراد آلوده در اسرع وقت شناسایی شوند و در نتیجه شمار افرادی را که می توانند این ویروس را به آنها منتقل سازند، محدود می کند.
منبع: ایرنا برچسب ها: تشخیص کرونا ، بروز علائم ، کزونا
منبع: ناطقان
کلیدواژه: تشخیص کرونا بروز علائم بروز علائم کووید ۱۹
درخواست حذف خبر:
«خبربان» یک خبرخوان هوشمند و خودکار است و این خبر را بهطور اتوماتیک از وبسایت nateghan.ir دریافت کردهاست، لذا منبع این خبر، وبسایت «ناطقان» بوده و سایت «خبربان» مسئولیتی در قبال محتوای آن ندارد. چنانچه درخواست حذف این خبر را دارید، کد ۲۸۵۹۴۴۳۰ را به همراه موضوع به شماره ۱۰۰۰۱۵۷۰ پیامک فرمایید. لطفاً در صورتیکه در مورد این خبر، نظر یا سئوالی دارید، با منبع خبر (اینجا) ارتباط برقرار نمایید.
با استناد به ماده ۷۴ قانون تجارت الکترونیک مصوب ۱۳۸۲/۱۰/۱۷ مجلس شورای اسلامی و با عنایت به اینکه سایت «خبربان» مصداق بستر مبادلات الکترونیکی متنی، صوتی و تصویر است، مسئولیت نقض حقوق تصریح شده مولفان در قانون فوق از قبیل تکثیر، اجرا و توزیع و یا هر گونه محتوی خلاف قوانین کشور ایران بر عهده منبع خبر و کاربران است.
خبر بعدی:
ساعت هوشمندی که اختلال در ریتم قلب را زودتر از وقوع پیشبینی میکند
با برنامهریزی گنجاندن این مدل در یک تلفن همراه هوشمند به طوری که بتواند دادههای یک ساعت هوشمند را تجزیه و تحلیل کند میتوان از آن به عنوان یک سیستم هشدار اولیه استفاده کرد.
به گزارش ایسنا، شایعترین اختلال ریتم قلب، فیبریلاسیون دهلیزی (AF) است که به طور قابل توجهی مراجعات بخش اورژانس و خطر بیماریهای دیگر مانند سکته مغزی و زوال عقل را افزایش میدهد. این عارضه زمانی اتفاق میافتد که حفرههای فوقانی قلب یا دهلیزها بهطور آشفتهای میتپند و با حفرههای پایینی یا بطنها هماهنگ نیستند و ریتم قلبی نامنظم و اغلب بسیار سریعی ایجاد میکنند.
بازگرداندن بیمار از فیبریلاسیون دهلیزی به ریتم منظم سینوسی میتواند به مداخلات فشردهای مانند کاردیوورژن و وارد کردن شوک کم انرژی نیاز داشته باشد. بنابراین، تشخیص یک دوره از فیبریلاسیون دهلیزی قبل از وقوع، مداخلات اولیه را امکانپذیر میکند که ممکن است نتایج درمان بیمار را بهبود بخشد.
محققان مرکز سیستمهای زیستپزشکی لوکزامبورگ (LCSB) در دانشگاه لوکزامبورگ مطالعهای را منتشر کردهاند که در آن یک مدل یادگیری عمیق برای پیشبینی دقیق و ۳۰ دقیقه زودتر از وقوع فیبریلاسیون دهلیزی آموزش دیده است.
در حال حاضر، الکتروکاردیوگرافی (ECG) یا نوار قلب فقط میتواند فیبریلاسیون دهلیزی را درست قبل از وقوع آن تشخیص دهد، بنابراین نمیتوان آن را یک سیستم هشدار اولیه در نظر گرفت.
خورخه گونکالوز (Jorge Goncalves)، نویسنده مسئول این مطالعه میگوید: ما از دادههای ضربان قلب برای آموزش یک مدل یادگیری عمیق استفاده کردیم که میتواند مراحل مختلف مانند ریتم سینوسی، پیش فیبریلاسیون دهلیزی و فیبریلاسیون دهلیزی را تشخیص دهد و احتمال خطر ابتلا به یک اتفاق قریبالوقوع را محاسبه کند.
این مدل هشدار فیبریلاسیون دهلیزی (Warning of Atrial fibRillatioN) یا وارن (WARN) نامیده میشود، بر روی ضبط ۲۴ ساعته نوار قلب که از ۳۵۰ بیمار در بیمارستان تانگجی، چین جمع آوری شده بود، آموزش داده و آزمایش شد. دادهها توسط متخصصین قلب به عنوان ریتم سینوسی، پیش فیبریلاسیون دهلیزی و فیبریلاسیون دهلیزی دستهبندی شدند.
برای آموزش مدل برای تشخیص علائم پیش از فیبریلاسیون دهلیزی، محققان از تنوع در فاصله بین امواج در نوار قلب به عنوان منبع اصلی داده استفاده کردند.
با جمعآوری نمونههای ۳۰ ثانیهای هر ۱۵ ثانیه، مدل یادگیری عمیق احتمال بروز فیبریلاسیون دهلیزی قریب الوقوع را محاسبه کرد. در دادههای آزمایش، وارن شروع فیبریلاسیون دهلیزی را بهطور متوسط ۳۱ دقیقه و ۳۳ دقیقه قبل از وقوع، به ترتیب با دقت ۸۳ و ۷۳ درصد پیشبینی کرد.
مارینو گاویدیا (Marino Gavidia) نویسنده اول مطالعه میگوید: مدل ما با استفاده از فواصل امواج R به R، عملکرد بالایی دارد که میتوان این دادهها را از ضبط کنندههای سیگنال پالس ساده و مقرون به صرفه مانند ساعتهای هوشمند دریافت کرد.
محققان پیشبینی میکنند که این دستگاه میتواند در تلفنهای هوشمند برای پردازش دادههای بهدستآمده از یک ساعت هوشمند استفاده شود. هدف در درازمدت این است که بیماران بتوانند به طور مداوم ریتم قلب خود را کنترل کنند و به اندازه کافی هشدار دریافت کنند تا بتوانند از درمانهایی مانند داروهای ضد آریتمی خوراکی برای جلوگیری از شروع فیبریلاسیون دهلیزی استفاده کنند؛ و محققان میگویند، این فناوری را میتوان شخصیسازی کرد.
این مطالعه در مجله Patterns منتشر شده است.
منبع: ایسنا
باشگاه خبرنگاران جوان علمی پزشکی فناوری