ग्राहक स्मार्टवॉचकडून मिळणाऱ्या संकेतांवर चालणारी कृत्रिम बुद्धिमत्ता प्रणाली पारंपरिक कफ रीडिंगच्या आधी कॅलिब्रेशन न करताही उच्च रक्तदाबाचा संकेत देऊ शकते. Natureमध्ये प्रकाशित संशोधनपत्रात वर्णन केलेल्या चाचण्यांमध्ये, या पद्धतीने पारंपरिक कार्यालय-आधारित रक्तदाब तपासणीइतक्याच संवेदनशीलतेने उच्च रक्तदाब ओळखला.

याचा अर्थ स्मार्टवॉच थेट रक्तदाब मोजू शकते किंवा क्लिनिकल मूल्यांकनाची जागा घेऊ शकते असा नाही. त्याऐवजी, हे wearable उपकरणांच्या वेगळ्या वापराकडे निर्देश करते: ज्यांच्या सेन्सर पॅटर्नवरून पुढील तपासणीची गरज सूचित होते अशा लोकांची ओळख करणे. हा फरक महत्त्वाचा आहे, कारण उच्च रक्तदाब हा हृदय व रक्तवाहिन्यांशी संबंधित जोखमीचा प्रमुख घटक आहे; तरीही त्याचा परिणाम झालेल्या निम्म्याहून अधिक प्रौढांना आपली स्थिती माहीत नसते.

दैनंदिन संकेतांमधून तपासणी

Ming-Zher Poh यांच्या नेतृत्वाखालील संशोधन पथकाने Google स्मार्टवॉचकडून गोळा केलेला डेटा वापरला. हे उपकरण photoplethysmography नावाचे optical sensing तंत्रज्ञान वापरते, जे त्वचेखालील ऊतींमधील रक्ताच्या प्रमाणातील बदलांचा मागोवा घेते; तसेच मनगटाची हालचाल मोजणारा accelerometer वापरते. सहभागी व्यक्तीच्या उंचीसह हे इनपुट AI modelद्वारे प्रक्रिया करून, त्या व्यक्तीला उच्च रक्तदाब असण्याची अंदाजे शक्यता तयार करण्यात आली.

ही प्रणाली कफ कॅलिब्रेशनशिवाय काम करण्यासाठी तयार केली आहे. सध्याचे wearable sensors सामान्यतः पारंपरिक रक्तदाब रीडिंगसाठी आवश्यक असलेल्या मानकानुसार थेट रक्तदाब मोजू शकत नाहीत आणि अनेक पद्धती कफच्या मोजमापांशी तुलना करण्यावर अवलंबून असतात. नवीन संशोधन मात्र wearable dataमधील पॅटर्नवरून उच्च रक्तदाबाचा धोका मोजते आणि अनेक रीडिंग्जची आवश्यकता ठेवते.

त्यामुळे ही तपासणीची पद्धत आहे, मनगटावरचा छोटा sphygmomanometer नाही. प्रणालीने ज्याला संभाव्य रुग्ण म्हणून ओळखले असेल, त्याला उच्च रक्तदाब आहे का आणि उपचार योग्य आहेत का हे ठरवण्यासाठी मान्यताप्राप्त रक्तदाब मूल्यांकनाची गरज राहील.

मोठा प्रशिक्षण संच आणि ambulatory reference

2,109 लोकांकडून मिळालेल्या जवळपास 500,000 तासांच्या स्मार्टवॉच डेटाचा वापर करून या modelला प्रशिक्षण देण्यात आले; अनेक cohortsमध्ये पुढील प्रशिक्षण आणि चाचण्या घेण्यात आल्या. Validationसाठी संशोधकांनी 196 सहभागींच्या बाबतीत घड्याळाने केलेल्या उच्च रक्तदाबाच्या अंदाजाची तुलना प्रमाणित कार्यालयीन रक्तदाब मोजमापांशी केली.

महत्त्वाचे म्हणजे, या तुलनेचे मूल्यांकन 24-hour ambulatory blood-pressure monitoringच्या आधारे करण्यात आले. ही पद्धत दिवसभर आणि रात्रभर रक्तदाब नोंदवते आणि अभ्यासात reference standard म्हणून वापरली गेली. Ambulatory monitoringचा वापर आधीच्या संशोधनातील एक मर्यादा दूर करतो. त्या कामात gold-standard मोजमापांचा reference points म्हणून नेहमी वापर केला गेला नव्हता किंवा wearable assessmentsची तुलना स्थापित hypertension-screening methodsशी थेट केली गेली नव्हती.

अहवालानुसार, स्मार्टवॉच प्रणालीची संवेदनशीलता कार्यालय-आधारित कफ तपासणीसारखीच होती. एखादी चाचणी ही स्थिती असलेल्या लोकांना किती प्रभावीपणे ओळखते, हे sensitivity दर्शवते. Screening toolसाठी हा महत्त्वाचा मापदंड आहे, कारण ज्यांना पुढील तपासणीची गरज असू शकते अशा लोकांना ओळखण्यात अपयश आल्यास सोयीस्कर पहिल्या तपासणीचे मूल्य कमी होऊ शकते.

सोय महत्त्वाची का ठरू शकते

रक्तदाब वेळ, हालचाल आणि वातावरणानुसार बदलू शकतो. कार्यालयीन तपासणी ही निदानाची स्थापित पद्धत आहे; परंतु त्यासाठी लोकांना मोजमापाची सुविधा उपलब्ध असणे आणि अपॉइंटमेंटला जाणे आवश्यक असते. Wearable-based screenमुळे धोका ओळखण्यासाठी अनेक अधिक संधी निर्माण होऊ शकतात, विशेषतः एखादे उपकरण दैनंदिन जीवनात आधीपासूनच वापरले जात असेल तर.

उच्च रक्तदाबासाठी ही शक्यता विशेषतः महत्त्वाची आहे, कारण तो अनेकदा कोणतीही लक्षणे न दाखवता राहतो. रक्तदाब वाढल्यामुळे हृदय व रक्तवाहिन्यांशी संबंधित धोका वाढत असतानाही लोकांना आपण ठीक असल्याचे वाटू शकते. एखाद्याला पारंपरिक मोजमाप करून घेण्यास प्रवृत्त करणारे साधन, अन्यथा लक्षात न येणारी प्रकरणे शोधण्यात मदत करू शकते.

हा अभ्यास wearable health technologyमधील व्यापक बदलाचेही उदाहरण देतो. उपयुक्त संकेत नेहमी एकाच संख्येत दाखवलेले थेट शारीरिक मोजमाप असतीलच असे नाही. काही प्रसंगी, अपूर्ण sensors, वारंवार केलेली observations आणि प्रशिक्षित model यांचे संयोजन पुढील clinical stepला मार्गदर्शन करण्याइतका उपयुक्त risk estimate देऊ शकते.

महत्त्वाच्या मर्यादा कायम

संशोधकांचे निष्कर्ष एका विशिष्ट AI-assisted screening methodचा पुरावा म्हणून पाहावेत; कोणतेही स्मार्टवॉच उच्च रक्तदाबाचे निदान करू शकते याचा पुरावा म्हणून नव्हे. अहवालातील प्रणाली विशिष्ट optical आणि motion signals, सहभागींची माहिती आणि मोठ्या datasetवर प्रशिक्षित केलेल्या algorithmवर अवलंबून होती. तिचे output म्हणजे उच्च रक्तदाबाची अंदाजे शक्यता; स्थितीचे निदान आणि व्यवस्थापन करण्यासाठी वापरल्या जाणाऱ्या clinical measurementsचा तो पर्याय नाही.

Multiple readingsही या पद्धतीचा भाग आहेत. एका क्षणातील sensor readingला अंतिम उत्तर न मानता, प्रणाली डेटामधील pattern शोधत आहे, हे या आवश्यकतेतून दिसते.

अशी क्षमता नियमित health feature होण्यापूर्वी अतिरिक्त populationsमध्ये validation, positive screenबद्दल usersना कसे कळवायचे आणि follow-up care कशी हाताळायची, असे प्रश्न कायम राहतील. 24-hour ambulatory monitoringच्या तुलनेत केलेली अभ्यासाची validation हा महत्त्वाचा भाग आहे; मात्र वास्तविक deploymentमध्ये alert आणि diagnosis यांतील फरक कायम ठेवावा लागेल.

उपचाराऐवजी नव्हे, तर त्यासोबतची संभाव्य भूमिका

या तंत्रज्ञानाची नजीकच्या भविष्यातील सर्वाधिक शक्य भूमिका म्हणजे स्थापित careपर्यंत पोहोचण्याचा अतिरिक्त मार्ग. औपचारिक तपासणीचा फायदा होऊ शकणाऱ्या व्यक्तीची ओळख स्मार्टवॉच करू शकते; परिणामाची पुष्टी करण्याची जबाबदारी कफ आणि clinical assessmentचीच राहील. अशा प्रकारे वापरल्यास, वैद्यकीय उपकरणांची जागा घेण्याचा दावा करण्याऐवजी त्याची reach आणि repeatability यातच या उपकरणाचे मूल्य असेल.

नवीन hardwareइतक्याच analysisमुळेही consumer devices clinicalदृष्ट्या महत्त्वाची ठरू शकतात, याची आठवण हे काम करून देते. घड्याळातील optical sensor आणि accelerometer हे परिचित components आहेत. त्यांच्या potentialमध्ये बदल घडवणारी गोष्ट म्हणजे त्यांचे संकेत AIसोबत एकत्र करण्याचा आणि स्वीकारलेल्या reference methodच्या तुलनेत परिणाम validate करण्याचा प्रयत्न.

सध्या हा अभ्यास diagnosisचा नवा standard देत नाही, तर आशादायक screening result देतो. मात्र व्यापक वापरात हे निष्कर्ष टिकून राहिले, तर एखादी सामान्य आणि गंभीर स्थिती लक्षात न येण्यापूर्वी ती ओळखण्याचा consumer wearable हा आणखी एक मार्ग ठरू शकतो.

This article is based on reporting by Medical Xpress. Read the original article.

Originally published on medicalxpress.com