物聯(lián)網(wǎng)哨兵為心臟病緊急情況做好準備

ISTOCK

This article is part of our exclusive IEEE Journal Watch series in partnership with IEEE Xplore.

心臟病和中風是世界上兩大死亡原因。然而，兩者都很難被發(fā)現(xiàn)，這賦予了它們臭名昭著的沉默殺手的名聲。心臟病的早期診斷——包括心臟病發(fā)作和中風等并發(fā)癥——將挽救生命。

為了幫助早期檢測，英國的研究人員提出了一系列物聯(lián)網(wǎng)設備、人工智能和云計算技術，以在某人出現(xiàn)疑似心血管緊急情況時提供實時警報。

Muhammed Golec是倫敦瑪麗女王大學計算機科學博士生，參與了這項研究。“心臟病很難用傳統(tǒng)方法檢測出來，”他說，并強調(diào)了，診斷通常需要專門的測試，如心電圖和鉈測試。

幸運的是，人工智能的專長之一是識別數(shù)據(jù)中的異常，檢測人眼不太明顯能夠分辨的情況下的微妙之處。因此，Golec提出，物聯(lián)網(wǎng)設備（包括智能手表和其他可穿戴設備）可以用來監(jiān)測一個人的生命體征，然后將數(shù)據(jù)傳輸?shù)皆贫?，由人工智能算法進行分析。如果一個人出現(xiàn)心血管并發(fā)癥，系統(tǒng)會自動向醫(yī)生和/或最近的醫(yī)療服務提供商發(fā)送警報。該平臺名為HealthFaaS —— 該名字參考了流行的云計算術語“功能即服務”（function as a service，F(xiàn)aaS）。

Golec和他的同事在5月18日發(fā)表在《IEEE物聯(lián)網(wǎng)雜志》上的一項研究中描述了他們是如何創(chuàng)建和測試HealthFaaS的。研究人員分析了五種不同的人工智能，這些人工智能是根據(jù)精確度、準確性、召回率和排名預測等因素訓練來檢測心臟并發(fā)癥的。結果顯示，這些模型在心臟病風險檢測方面的準確率在83%至92%之間。

接下來，該團隊評估了排名第一的模型（稱為LightGMB）在serverless platform（Google Cloud Functions）上與non-serverless platform (Heroku)相比的工作效果。他們發(fā)現(xiàn)，serverless platform比non-serverless platform實現(xiàn)了更大的吞吐量和更低的延遲，尤其是隨著用戶數(shù)量的增加后。

例如，假設有500人同時使用該系統(tǒng)。如果用戶數(shù)量突然增加到10000，non-serverless platforms將崩潰，可能無法響應。Golec表示：“但serverless platform可以通過自動增加資源來在不崩潰的情況下做出響應。對于HealthFaaS，我們使用了一個serverless platform，因為它可以同時響應大量用戶，這要歸功于它的動態(tài)可擴展性功能。它還提供了一些好處，如降低操作復雜性和現(xiàn)收現(xiàn)付定價?！?/p>

然而，他指出，隱私和安全仍然可能是一個問題。為了解決這一問題，他建議在HealthFaas中添加區(qū)塊鏈、OAuth 2.0和傳輸層安全等安全方法。

在未來的工作中，Golec表示，他希望創(chuàng)建一個新的框架，以確保智能醫(yī)療系統(tǒng)的安全和隱私。他還考慮將人工智能和serverless computing相結合的方法，以提高時間敏感的物聯(lián)網(wǎng)應用的計算效率，如即時患者隨訪和自動駕駛汽車。