Разработка AI-системы анализа данных носимых медицинских устройств
Носимые устройства генерируют непрерывный поток биосигналов — потенциально богатейший источник данных о здоровье. Но без AI это просто терабайты цифр. Задача — извлечь клинически значимые инсайты из неаннотированного потока.
Типы носимых и их данные
Consumer wearables (Apple Watch, Garmin, Polar, Samsung)
- ЧСС (PPG-сенсор, 1–5 Hz)
- SpO2 (фотоплетизмография)
- ЭКГ (однокальный Lead I, Apple Watch Series 4+)
- Акселерометр (3-axis, 50–100 Hz): активность, шаги, падения
- Кожно-гальваническая реакция (ЭДА): стресс
- Температура кожи (Fitbit Sense, Oura Ring)
Медицинские wearables
- CGM (Dexcom G7, FreeStyle Libre): глюкоза каждые 5 минут
- Patch ЭКГ мониторы (iRhythm Zio, BioTel): непрерывная 14-дневная ЭКГ
- Ambulatory BP: суточное АД
- Smart inhalers: timing и техника ингаляций
Специализированные
- Нейромышечные: EMG patches для оценки мышечной активности
- Ортопедические: force plates, gait analysis insoles
AI-задачи для каждого типа данных
ЧСС вариабельность (HRV)
HRV — вегетативная регуляция сердца. Маркер стресса, восстановления, автономной нейропатии. Временные (RMSSD, SDNN) и частотные (LF, HF, LF/HF) признаки + ML:
- Предсказание риска внезапной сердечной смерти
- Оценка функционального состояния спортсменов
- Детекция стресса и overtraining
- Автономная нейропатия у диабетиков
Непрерывная глюкозометрия + ML
CGM данные → предсказание гипогликемии за 30–60 минут. LSTM на последних N точек глюкозы + акселерометр (физическая активность) + время суток. Предупреждение до симптомов.
Персонализированные инсулиновые рекомендации: Reinforcement Learning agent, оптимизирующий Time-In-Range (TIR) для конкретного пациента с T1D. Основа для "искусственной поджелудочной железы" (artificial pancreas).
Детекция падений (Accelerometer)
Шаблон падения: нарастание ускорения → резкий удар → последующая неподвижность. CNN на 3-axis акселерометр и гироскоп данных. False positive проблема: прыжки, быстрые движения похожи на падение.
Персонализация порога: разные пороги для молодых и пожилых, обученные на индивидуальных паттернах движения.
Детекция фибрилляции предсердий из PPG
PPG (пульсоксиметр) — значительно менее информативен, чем ЭКГ, но доступен в каждых смарт-часах. Нерегулярный R-R ритм при AF отражается в PPG. Deep Learning на PPG формах + temporal rhythm analysis: sensitivity AF 95%+, specificity 93%+.
Работа с continuous streaming data
On-device inference
Медицинские алерты требуют низкой latency. Модели для inference на ARM Cortex-M (32kB–1MB RAM): TFLite, ONNX Runtime Mobile, Edge Impulse. Размер модели << точность компромисс, важны quantization techniques (INT8).
Cloud analytics
Долгосрочные тренды, population health analytics, model training — в облаке. Batch processing uploaded data.
Синхронизация и качество данных
Пропуски в данных, артефакты от движения, разряд батареи — реальные проблемы continuous monitoring. ML-компоненты качества данных:
- Artifact detection и removal
- Imputation коротких пропусков
- Quality score для каждого окна данных
Регуляторные аспекты
SaMD (Software as Medical Device) регулирование для clinical-grade интерпретации:
- Мониторинг ЧСС как information device (не медицинское изделие)
- AF alert → SaMD → FDA De Novo или 510(k)
- Insulin dosing recommendations → высокий regulatory класс, жёсткие требования
Consumer wellness features — значительно меньше регуляторного давления, но и меньше клинической точности.
Срок разработки: 2–4 месяца для конкретного алгоритма + время на клиническую валидацию и регуляторный путь.