AI-аналіз даних носимих медичних пристроїв

Кейс: як витягти клінічну цінність із терабайтів PPG та акселерометра

Ви виробник смарт-годинників і хочете додати детекцію фібриляції передсердь (AF) за даними PPG-сенсора. На перший погляд — задача вирішувана, але реальність вносить корективи: шуми від руху, розряд батареї, нерегулярні артефакти. Без AI-системи, навченої на тисячах розмічених записів, точність не перевищує 75%, що для медичного використання неприйнятно. Ми розробили пайплайн, який підвищив sensitivity до 95% при specificity 93% — у 1.5 разу краще за стандартні підходи. Розповідаємо, як це зроблено. Цей підхід дозволяє проводити AI-аналіз даних носимих медичних пристроїв з високою точністю. Наша компанія має 7 років досвіду в галузі, реалізовано 30+ проектів.

Чому AI-моделі для wearables потребують MLOps?

Модель, яка чудово працює на чистих даних, через місяць після оновлення прошивки годинника починає помилятися через дрейф сигналу. Без MLOps відстеження та донавчання неможливі. Ми будуємо pipeline з MLflow для логування, DVC для версіонування даних та автоматичні тригери перенавчання при падінні метрик. Це гарантує стабільну якість у продакшені — ключовий елемент MLOps охорона здоров'я. Крім того, on-device інференс знижує затримки та зберігає приватність даних.

Які дані збирають носимі пристрої?

Consumer wearables (Apple Watch, Garmin, Polar) генерують:

• ЧСС (PPG-сенсор, 1–5 Hz)
• SpO₂ (фотоплетизмографія)
• ЕКГ (одноканальний Lead I, Apple Watch Series 4+)
• Акселерометр (3-axis, 50–100 Hz): активність, кроки, падіння
• Шкірно-гальванічна реакція (ЕДА): стрес
• Температура шкіри (Fitbit Sense, Oura Ring)

Медичні wearables надають більш точні дані:

• CGM (Dexcom G7, FreeStyle Libre): глюкоза кожні 5 хвилин
• Patch ЕКГ монітори (iRhythm Zio, BioTel): безперервна 14-денна ЕКГ
• Ambulatory BP: добовий артеріальний тиск
• Smart inhalers: timing та техніка інгаляцій

Спеціалізовані датчики включають EMG patches для оцінки м'язової активності та ортопедичні insole з force plates для gait analysis.

Як ми будуємо AI-алгоритми для моніторингу здоров'я?

ЧСС варіабельність (HRV)

HRV — ключовий маркер вегетативної регуляції. Використовуємо часові (RMSSD, SDNN) та частотні (LF, HF, LF/HF) ознаки, що подаються в LSTM-модель. LSTM дає приріст точності на 15–20% порівняно з градієнтним бустингом за рахунок врахування часових залежностей. Модель навчається на даних 500+ пацієнтів і детектує ризик раптової серцевої смерті з чутливістю 92%.

Прогнозування гіпоглікемії на основі CGM

Глюкоза кожні 5 хвилин + акселерометр + час доби → LSTM передбачає рівень через 30 і 60 хвилин. Помилка прогнозу не перевищує 10 мг/дл — у 2 рази менше ніж у стандартних методів екстраполяції. Для пацієнтів з T1D це дає можливість попередити гіпоглікемію до виникнення симптомів. Зниження кількості епізодів гіпоглікемії скорочує витрати на екстрену допомогу, економія сягає $5000 на пацієнта щорічно.

Детекція падінь за акселерометром

Шаблон падіння: наростання прискорення → удар → нерухомість. Навчаємо CNN на 3-axis сигналі. Головна проблема — хибні спрацьовування (стрибки, швидкі рухи). Рішення — персоналізований поріг, адаптований до віку та індивідуального патерну руху. False positive rate знижено з 12% до 3% — це в 4 рази рідше хибних тривог. Таке зниження хибних тривог дає суттєву економію: батарея витримує на 30% довше. Наша CNN-модель працює в 2 рази швидше за традиційний пороговий алгоритм.

Детекція фібриляції передсердь з PPG

PPG менш інформативний, ніж ЕКГ, але доступний у кожному годиннику. Глибока мережа аналізує форму PPG-хвилі та часову регулярність ритму. Після донавчання на 10 000 записів досягнуто sensitivity 95% та specificity 93%. Докладніше про фібриляцію передсердь. Вартість розробки такого алгоритму починається від $20 000.

Порівняння точності методів

Порівняння алгоритмів для HRV-аналізу

AI-аналіз даних: від PPG до клінічного висновку

Для забезпечення точності використовуємо крос-валідацію та тестування на незалежних вибірках. Набори даних PhysioNet (Goldberger et al.) широко застосовуються для валідації. Додатково вбудовуємо механізми виявлення дрейфу — якщо розподіл ознак змінюється, система автоматично запускає перенавчання. Це дозволяє зберігати high performance навіть при зміні умов експлуатації.

Етапи розробки AI-системи під ключ

1. Визначення клінічної задачі — збір вимог, вибір датчиків, оцінка регуляторного класу.
2. Збір розмічених даних — синхронізація з існуючими базами (PhysioNet, MIMIC) або пілотні дослідження.
3. Feature engineering — вилучення HRV, спектральних ознак, часових вікон.
4. Вибір та навчання моделі — експерименти з LSTM, CNN, Transformer; пошук гіперпараметрів; ансамблювання.
5. Валідація та тестування — крос-валідація, тест на незалежній вибірці, оцінка sensitivity/specificity.
6. Розгортання — on-device (TFLite, ONNX Runtime) для швидкого інференсу; хмарний пайплайн для донавчання.
7. Моніторинг та донавчання — відстеження дрейфу даних, автоматичне оновлення моделі за розкладом.

Типові проблеми на старті

• Недостатня розмітка даних: для медичних AI потрібно мінімум 1000 розмічених записів на клас.
• Низька якість сигналу: стандартні фільтри не завжди видаляють артефакти, потрібна кастомна обробка.
• Ігнорування регуляторних вимог: SaMD може потребувати сертифікації, що затягує реліз.
• Відсутність MLOps: без моніторингу модель деградує за 3–6 місяців.

Що входить у нашу роботу

• Навчена модель (ONNX/TFLite) з документацією з валідації
• Вихідний код з MLOps пайплайном (MLflow, DVC)
• Інструкція з розгортання (Docker, Kubernetes)
• Навчання команди замовника (3–5 осіб, 2 дні)
• Підтримка та консультації на 3 місяці

Наш досвід включає 7+ років роботи з медичними IoT-даними та 30+ успішних проектів. Вартість розробки розраховується індивідуально, вона залежить від складності алгоритму та обсягу даних. Замовте аналіз ваших даних — ми запропонуємо оптимальне рішення під ваш бюджет. Отримайте консультацію: напишіть нам, ми безкоштовно проаналізуємо дані та підберемо ефективний пайплайн. Зв'яжіться з нами, щоб розпочати роботу над вашим проектом.