В данной статье рассматривается использование сбора и анализа всевозможных медицинских данных с применением машинного обучения в мобильных приложениях, проводится обзор проектов, которые уже реализованы в данной сфере и представлено решение создания мобильного приложения для устройств на операционной системе iOS с использованием фреймворка для машинного обучения CoreML.
Ключевые слова : машинное обучение, мобильные приложения, мобильное здравоохранение.
Введение
Цифровое здравоохранение — это широкое понятие, охватывающее многие компоненты цифровизации медицины. Они предлагают решения, которые улучшают работу системы здравоохранения. Важным компонентом этого является использование машинного обучения, которое помогает анализировать и обрабатывать большие объемы данных, а также оптимизировать процессы предоставления медицинской помощи, делая их более оперативными и эффективными.
Машинное обучение в области анализа медицинских данных демонстрирует потенциал выявления скрытых закономерностей, что позволяет на их основе принимать решение. Современные технологические достижения и инновации в цифровой сфере проникают в различные аспекты нашей жизни, включая область медицины, и предоставляют уникальные возможности для более глубокого анализа состояния здоровья и обеспечения благополучия человека. Одной из основных областей, где цифровые данные играют важную роль, является отслеживание состояния здоровья при помощи носимых устройств. Они предназначены для использования во время ношения и включают в себя различные продукты, начиная от умных часов до смарт-очков. Их цель обнаруживать, анализировать и передавать текстовую информацию, показатели жизнедеятельности и/или данные об окружающей среде. Носимые медицинские устройства являются частью “интернета медицинских устройств” (IoMD), который включает в себя различные компоненты, в том числе системы и программное обеспечение, медицинские устройства и услуги.
Большой вклад в развитие этих технологий вносит мобильное здравоохранение, а именно использование мобильных устройств, таких как смартфоны и планшеты, для предоставления и получения медицинских услуг и информации о здоровье. Самый распространенный их вид — это приложения, которые объединяют медицинские/носимые устройства с мобильными и предоставляющие информацию о здоровье в виде показателей и персонализированные медицинские расчеты.
Далее рассмотрим проекты, которые работают в данном направлении.
Обзор аналогов
СберЗдоровье
СберЗдоровье — это цифровая платформа, созданная Сбером, одним из IT компаний в России. Эта платформа предназначена для предоставления широкого спектра медицинских услуг и возможностей для мониторинга здоровья онлайн. Их продукт — цифровая платформа, которая позволяет пользователям получать доступ к медицинским услугам и информации о здоровье в любое время и в любом месте через мобильные устройства или интернет.
Также они производят свое IoMD устройство — умный тонометр, который передает данные по Bluetooth на мобильное устройство с установленным приложением, что привязывает его к вышеупомянутому функционалу этой платформы.
iHealth
«iHealth» — это торговая марка, принадлежащая китайской компании Andon Health Co., Ltd. Компания специализируется на производстве и разработке медицинских устройств и технологий, которые помогают людям отслеживать и улучшать свое здоровье.
iHealth предлагает широкий ассортимент продуктов, включая устройства для измерения артериального давления, глюкометры для измерения уровня глюкозы в крови, умные весы для контроля веса, трекеры для мониторинга физической активности и другие устройства и аксессуары для здоровья и фитнеса.
Компания iHealth также разрабатывает приложения для мобильных устройств, которые помогают пользователям управлять и интерпретировать данные, собранные их устройствами iHealth, а также делиться этими данными с медицинскими специалистами или близкими людьми.
Мое предложение
Моим предложением является разработка платформы в виде iOS приложения, которое будет упрощать не только сбор и агрегацию данных, используя HealthKit, но и проводить их анализ с помощью фреймворка CoreML, что облегчит врачам собирать уже систематизированные данные о пациентах и позволит делать более точные медицинские заключения.
HealthKit предоставляет центральное хранилище данных о здоровье и физической форме на iPhone и Apple Watch. С разрешения пользователя приложения взаимодействуют с хранилищем HealthKit Store для доступа и обмена этими данными.
CoreML — это библиотека машинного обучения, выпущенная в свет Apple на WWDC 2017. Она дает разработчикам возможность использовать модели машинного обучения в своих приложениях и помогает им в этом Neural Engine. Это серия сопроцессоров, которые используются для аппаратного ускорения работы алгоритмов искусственных нейронных сетей, компьютерного зрения, распознавания по голосу, машинного обучения и других методов искусственного интеллекта, разработанных для машинного обучения от компании Apple. Главная особенность фреймворка состоит в том, чтобы взять заранее предобученную модель данных и в несколько строк кода интегрировать ее в свое приложение.
Создание и обучение модели проводится в приложении CreateML для macOS и интегрируется в нужное приложение. После этого, уже на устройстве пользователя, можно использовать Core ML для переобучения или точной настройки модели с использованием данных этого пользователя.
Core ML оптимизирует производительность на устройстве за счет использования центрального процессора, графического процессора и нейронного движка, минимизируя объем памяти и энергопотребление. Запуск модели строго на устройстве пользователя устраняет необходимость в подключении к сети, что помогает сохранить конфиденциальность данных пользователя и отзывчивость приложения.
Фреймворк поддерживает Vision для анализа изображений, Natural Language для обработки текста, Speech для преобразования аудио в текст и Sound Analysis для идентификации звуков в аудио.
С помощью Core ML можно реализовать:
— определение объектов на фото и видео;
— предиктивный ввод текста;
— отслеживание и распознавание лиц;
— анализ движений;
— понимание и распознавание текста;
— распознавание изображений в реальном времени;
— стилизацию изображений;
— анализ статистических рядов.
В целом, CoreML — это очень мощный и простой инструмент, который упрощает внедрение моделей машинного обучения в приложения для устройств от компании Apple.
Реализация
Create ML — это инструмент, разработанный Apple, который позволяет разработчикам создавать и обучать собственные модели машинного обучения на устройствах Mac, без необходимости использования внешних облачных сервисов или сторонних инструментов. Он используется для обучения модели в данной работе.
Также я использую, содержащий 90000 строк набор данных «diabet prediction» с сайта kaggle.com [6]. На рисунке 1 показан, пример строки и какие столбцы содержатся в таблице.
Рис. 1. Пример строки из набора данных
Данные подходят для предсказания наличия диабета по таким признакам как:
— Пол;
— Возраст;
— Наличие гипертонии;
— Наличие сердечных заболеваний;
— Индекс массы тела;
— Уровень гемоглобина;
— Уровень сахара в крови;
При обучении автоматически используется алгоритм “Дерево решений”. Дерево решений — математическая модель, которая задаёт процесс принятия решений так, что будут отображены каждое возможное решение, предшествующие и последующие этим решениям события или другие решения и последствия каждого конечного решения. На рисунке 2 можно увидеть форму для описания и обучения модели.
Рис. 2. Форма обучения и описания модели
На рисунке 3 показаны высокие показатели точности работы модели, что говорит о хороших результатах обучения.
Рис. 3. Показатели точности работы модели
Для тестирования модели используется тестовый пациент, на рисунке 4 ниже представлен экран мобильного приложения, написанный на языке Swift с данными о нем:
Рис. 4. Экран мобильного приложения
При загрузке экрана происходит использование модели и в поле “показания” отображается результат работы алгоритма, который сходится с истинным значением.
Заключение
Цифровое здравоохранение — это очень важное направление в медицине. С развитием машинного обучения появилась возможность проще и точнее проводить сбор и анализировать медицинских данные, что приводит к более эффективному и оперативному результату.
Многие компании занимаются исследованиями и ведут проекты в данной области, что подтверждает актуальность этого направления в развитие оказания медицинских услуг. Вместе с тем существует много возможностей и технологий, совокупность которых может помочь достичь еще более крупных прорывов в данной сфере
Литература:
- Цифровое здравоохранение: преобразование системы медицинского обслуживания и расширение его доступности. — Текст: электронный // Всемирная организация здравоохранения: [сайт]. — URL: https://www.who.int/europe/ru/news/item/09–09–2020-digital-health-transforming-and-extending-the-delivery-of-health-services (дата обращения: 01.04.2024).
- m-Health. — Текст: электронный // iot.ru: [сайт]. — URL: https://iot.ru/wiki/m-health#:~:text=m %2DHealth %20(mobile %20health %3B,и %20беспроводных %20технологий %20передачи %20данных (дата обращения: 01.04.2024).
- CoreML. — Текст: электронный // Apple Developer: [сайт]. — URL: https://developer.apple.com/documentation/coreml (дата обращения: 03.04.2024).
- HealthKit. — Текст: электронный // Apple Developer: [сайт]. — URL: https://developer.apple.com/documentation/healthkit (дата обращения: 03.04.2024).
- Набор данных «diabet prediction». — Текст: электронный // Kaggle: [сайт]. — URL: https://www.kaggle.com/datasets/zain280/diabeties-dataset (дата обращения: 05.04.2024).
