هدف پروژه FEATHER کاهش پیامدهای نامطلوب UTI است

تیمی از محققان دانشگاه ادینبورگ و دانشگاه هریوت وات در حال توسعه هوش مصنوعی (AI) و ربات های کمکی اجتماعی برای تشخیص زودتر عفونت های دستگاه ادراری (UTIs) هستند.

پروژه FEATHER با هدف کاهش تعداد پیامدهای نامطلوب جدی که می‌تواند در نتیجه تشخیص دیرهنگام یا اشتباه ایجاد شود و کاهش مقدار آنتی‌بیوتیک‌هایی که در زمانی که پزشکان منتظر نتایج آزمایشگاهی هستند، تجویز می‌شود.

این تحقیق 1.1 میلیون پوند از دولت بریتانیا توسط شورای تحقیقات مهندسی و علوم فیزیکی، بخشی از تحقیقات و نوآوری انگلستان و موسسه ملی تحقیقات بهداشت و مراقبت (NIHR) اعطا شده است.

عفونت ادراری سالانه 150 میلیون نفر را در سراسر جهان تحت تاثیر قرار می دهد که آن را به یکی از شایع ترین انواع عفونت تبدیل می کند. هنگامی که به موقع تشخیص داده شود، می توان آن را با آنتی بیوتیک درمان کرد. در صورت عدم درمان، عفونت ادراری می تواند منجر به سپسیس، آسیب کلیه و حتی از دست دادن زندگی شود.

با این حال، تشخیص ممکن است با تجزیه و تحلیل آزمایشگاهی دشوار باشد، فرآیندی که تا 48 ساعت طول می کشد و تنها نتیجه قطعی را ارائه می دهد. تشخیص علائم اولیه عفونت ادراری نیز می تواند چالش برانگیز باشد زیرا علائم بسته به سن و شرایط سلامت موجود متفاوت است. هیچ علامت واحدی از عفونت وجود ندارد اما مجموعه ای از علائم که ممکن است شامل درد، درجه حرارت، تکرر ادرار، تغییر در الگوی خواب و لرزش باشد.

تشخیص عفونت ادراری به ویژه در افرادی که مراقبت رسمی دریافت می کنند دشوار است، و درمان بیش از حد آنتی بیوتیکی در این گروه وجود دارد زیرا پزشکان منتظر بازگشت نتایج آزمایشگاهی هستند.

برای رفع این نگرانی ها، محققان دانشگاه ادینبورگ و دانشگاه هریوت وات با دو شریک صنعتی از بخش مراقبت کار می کنند. مرکز ملی استراحت اسکاتلند، Leuchie House، و Blackwood Homes and Care در حال ارائه بینش کاربران برای کمک به محققان برای توسعه روش‌های یادگیری ماشین و تعاملات برای روبات‌های کمک‌کننده اجتماعی هستند تا از تشخیص زودهنگام عفونت بالقوه حمایت کنند و هشداری را برای بررسی توسط پزشک ایجاد کنند.

این پروژه داده‌های مستمری را در مورد فعالیت‌های روزانه افراد در خانه‌شان از طریق حسگرهایی جمع‌آوری می‌کند که می‌تواند به شناسایی تغییرات در رفتار یا سطوح فعالیت کمک کند و باعث ایجاد تعامل با یک ربات کمک‌کننده اجتماعی شود. پلتفرم FEATHER این نقاط داده را ترکیب و تجزیه و تحلیل می کند تا علائم عفونت احتمالی را قبل از اینکه فرد یا مراقبی از وجود مشکل آگاه شود، علامت گذاری کند. تغییرات رفتاری می تواند شامل استفاده از کتری، تغییر در سرعت راه رفتن، عملکرد شناختی از طریق تعامل با یک ربات کمکی اجتماعی یا تغییر در الگوهای خواب باشد.

جنبه های هوش مصنوعی و اجرای پروژه توسط پروفسور کیا نظرپور، دکتر نایجل گدارد و دکتر لیندا وب از دانشگاه ادینبورگ هدایت می شود. جنبه‌های تعامل ربات انسانی توسط پروفسور لین بیلی، با کمک دکتر مائورو دراگون، از دانشگاه هریوت وات هدایت خواهد شد.

ما همچنین معتقدیم که به حداقل رساندن مقدار آنتی بیوتیک هایی که لزوماً به عنوان پوشش تجویز می شوند در زمان انتظار برای نتایج آزمایشگاهی کمک می کند. به عنوان دومین دلیل رایج برای تجویز آنتی‌بیوتیک، عفونت سهم قابل توجهی در مشکل نگران‌کننده باکتری‌های مقاوم به دارو دارد و مزایای گسترده‌ای برای جامعه در اجرای تشخیص بهتر وجود دارد.

پروفسور لین بیلی، سرپرست رباتاریوم ملی در مورد تعامل انسان و ربات، زندگی کمکی و سلامتی، افزود: «امیدواریم این کار یک مکانیسم پشتیبانی ساختاریافته اضافی برای افرادی که به طور مستقل زندگی می کنند ایجاد کند. مطالعات نشان می دهد که ارتباط معنی داری بین هذیان و عفونت ادراری در افراد مسن وجود دارد و اگرچه ممکن است مراقبان این علائم را تشخیص دهند، ما نباید تنها به مشاهدات تکیه کنیم. ما در حال کار با سهامداران هستیم تا تعامل ربات و جمع‌آوری داده‌ها را برای روش‌های یادگیری ماشین طراحی کنیم تا از زندگی مستقل طولانی‌تر و سالم‌تر حمایت کنیم.

«کار با حساسیت و حمایت با این گروه اجتماعی آسیب‌پذیر از اهمیت بالایی برخوردار است. با توسعه این فناوری در آزمایشگاه جدید زندگی کمکی در رباتاریوم ملی، می‌توانیم آن را در یک محیط مراقبت اجتماعی واقع بینانه آزمایش کنیم.»