Oggi ci occupiamo di un wearable device discreto in grado di coniugare il desiderio di autonomia della fascia di popolazione più anziana alla necessità di mettere in atto un monitoraggio costante e scrupoloso da parte di chi si prende cura di loro. Questa la mission di NannyBand, dispositivo comasco che ha lo scopo di tenere sotto controllo a distanza i parametri biometrici e telemetrici dei propri cari, senza ingerenze nella loro indipendenza e qualità di vita.

Il dispositivo è indossabile al polso, come uno smartwatch, e tramite applicazione dedicata è in grado di trasmettere notifiche istantanee sullo stato di salute agli smartphone collegati. In caso di necessità, oltre all’invio dell’allarme, viene generato automaticamente un report sulla condizione fisica e data notizia della localizzazione dell’anziano, anche in esterno.

In questo modo è data possibilità a uno o più caregiver di avere sempre sott’occhio, da remoto, la condizione di salute dei propri cari e di intervenire tempestivamente in caso di emergenza sopravvenuta, in qualsiasi luogo. I dati generati da NannyBand vengono elaborati in informazioni utili, successivamente inviate all’app, sfruttando le tecnologie di intelligenza artificiale e machine learning.

I sensori dello strumento consentono di rilevare temperatura, anomalie cardiache e saturazione, ma anche di avere dati sulla qualità del sonno, sullo stato generale di benessere e su eventuali cadute o posizioni atipiche improvvisamente assunte.

Nei prossimi anni in Italia, e nel mondo, si vivrà un progressivo aumento dell’età media della popolazione: il device ideato da Marco Epicoco di Wel, Stefano Grima di Aspotech e Andrea D’Aietti di LHUB vuole contribuire a contrastare il conseguente problema di garantire un’assistenza adeguata agli anziani.

NannyBand è stato recentemente presentato sul sito di crowdfunding Kickstarter dall’azienda comasca Aspotech, prima wearable house italiana. La startup innovativa, nata nel 2018, si occupa appunto dell’ingegnerizzazione e sviluppo di dispositivi indossabili e piattaforme tecnologiche di rilevazione in grado di monitorare i dati biometrici e potenziare le performance.

I progetti realizzati dalla realtà comasca spaziano in diversi ambiti: dalla suite pensata per restituire feedback aptici durante il gioco, alla maglia da indossare nelle gare motociclistiche per tenere sotto controllo i parametri dei piloti.

L'articolo NannyBand: un dispositivo smart discreto per monitorare la salute degli anziani proviene da Osservatorio C Quadra.

Sappiamo che le reti neurali convoluzionali, sono strumenti estremamente potenti: più volte, abbiamo descritto come il riconoscimento e l’analisi automatica di grandi set di immagini, possa raggiungere i fini più disparati. Dalla creazione di ologrammi 3D in tempo reale, alla messa a punto di speciali strumenti di diagnosi e prevenzione, l’uso delle pratiche di deep learning si sta profondamente affermando in qualsiasi ambito scientifico.

Ora, ha senso applicare le stesse metodologie di ricerca, anche alle scienze umanistiche? 

A tal proposito, avevamo già scritto del progetto Cultural Landscapes Scanner, dove i ricercatori dell’IIT – Istituto Italiano di Tecnologia puntavano ad identificare – utilizzando speciali algoritmi ed immagini satellitari – nuovi siti archeologici. Mentre tal intenzione presenta ancora molte criticità ed un lungo lavoro di ricerca e sviluppo, oggi parliamo delle più tangibili opportunità illustrate nella pubblicazione “A Deep Learning Approach to Ancient Egyptian Hieroglyphs Classification“. 

Lo studio, frutto di una collaborazione tra il Consiglio Nazionale delle Ricerche, l’Università degli Studi di Firenze e il Center for Ancient Mediterranean and Near Eastern Studies – CAMNES, descrive la concreta prospettiva di codifica, riconoscimento e traslitterazione dei segni geroglifici grazie all’addestramento puntuale di una rete neurale. Ad oggi, i ricercatori hanno testato la capacità del sistema di identificare e classificare singoli ideogrammi, ottenendo risultati estremamente promettenti, tanto da poter far sperare in una sua futura capacità di traduzione automatica. 

#IntelligenzaArtificiale per il riconoscimento automatico dei geroglifici egizi
Studio di #Cnr_Ifac @UNI_FIRENZE e @CAMNES evidenzia come il #DeepLearning possa essere adoperato per classificare l’antica scrittura geroglifica egizia
Scopri di più al link👇https://t.co/ApTj9qo1c8 pic.twitter.com/pluNuFD2UB

— CNR Consiglio Nazionale delle Ricerche (@CNRsocial_) September 17, 2021

Tanta multidisciplinarità ha permesso lo sviluppo di questo progetto: primo autore dello studio pubblicato è Andrea Barucci, esperto analista di immagini biomediche con tecniche di machine e deep learning, collega della ricercatrice Costanza Cucci all’Istituto di Fisica Applicata IFAC-CNR. Dal Centro Studi CAMNES, ha partecipato l’egittologo e filologo Massimiliano Franci, mentre dal Dipartimento di Ingegneria dell’Informazione dell’Università di Firenze, Marco Loschiavo e Fabrizio Argenti:

Dal punto di vista ingegneristico eravamo sicuri delle potenzialità degli strumenti di analisi scelti, tuttavia questo era un banco di prova importante, essendo un tipo di applicazione completamente diverso. Abbiamo voluto esplorare un ambito di ricerca nuovo, che si è rivelato estremamente interessante e promettente.

L'articolo Reti neurali ed ambiziosi obiettivi di traduzione geroglifica proviene da Osservatorio C Quadra.

In passato ci siamo occupati di un tema analogo raccontando del dispositivo biomedicale realizzato dall’Università di Barcellona che sfruttando l’intelligenza artificiale è in grado di effettuare in modo efficace e delicato lo screening del tumore al seno.

Anche la recente ricerca, pubblicata su Scientific Reports, dimostra il potenziale della tecnologia AI nella diagnosi veloce e non invasiva dei tumori. Lo studio condotto si focalizza sul riconoscimento di tre tipi di tumore della fossa cranica posteriore.

Esempi di immagini a risonanza magnetica di pazienti pediatrici con tumore cerebrale

Attestandosi come principale causa di morte per cancro di bambini, l’individuazione celere e certa di queste tre tipologie di malattia appare fondamentale.

La cura dei minori necessita di particolare sensibilità e immediatezza nella gestione di patologie di tale gravità: la possibilità di analizzare le informazioni in modo rapido e indolore evitando la biopsia, così come la garanzia di un referto accurato e la prontezza di intervento adeguato, risultano cruciali.

“Abbiamo combinato l’imaging con l’intelligenza artificiale per fornire una diagnostica di alto livello che possa iniziare a dare alcune risposte”

Professor Andrew Peet, Università di Birmingham

La tecnica messa in atto dal team di ricerca prevede la combinazione di risonanza magnetica di diffusione, esame basato sull’analisi dei movimenti delle molecole d’acqua presenti in un tessuto, e machine learning. Con le scansioni e i dati generati viene estratta una sorta di mappa informativa sul tumore al cervello.

Le immagini, ricavati dalle attrezzature di 12 diversi ospedali e coinvolgendo ben 117 pazienti, sono state prima esaminate da personale medico specializzato e successivamente analizzate dagli algoritmi di AI.

In passato erano stati condotti studi analoghi, ma limitati a singoli centri specializzati: la recente ricerca dimostra invece che è possibile impiegare la tecnica innovativa in molteplici enti ospedalieri. In questo modo si può garantire l’ottimizzazione delle diagnosi di tumore al cervello per molti più piccoli pazienti e, di conseguenza, degli interventi adeguati in caso di malattia.

Per approfondire:

Jan Novak, Niloufar Zarinabad, Heather Rose, Theodoros Arvanitis, Lesley MacPherson, Benjamin Pinkey, Adam Oates, Patrick Hales, Richard Grundy, Dorothee Auer, Daniel Rodriguez Gutierrez, Tim Jaspan, Shivaram Avula, Laurence Abernethy, Ramneek Kaur, Darren Hargrave, Dipayan Mitra, Simon Bailey, Nigel Davies, Christopher Clark, Andrew Peet (2021), Classification of paediatric brain tumours by diffusion weighted imaging and machine learning, Scientific Reports volume 11, 2987 (2021), https://doi.org/10.1038/s41598-021-82214-3

L'articolo L’AI permette la diagnosi non invasiva dei tumori cerebrali pediatrici proviene da Osservatorio C Quadra.

Utilizzare l’apprendimento automatico per ottimizzare la definizione dei modelli predittivi e terapeutici per pazienti che hanno subito l’infarto. Un’innovazione tutta italiana, torinese per l’esattezza, che si attesta a rivoluzionare i reparti di cardiologia e che conferma la città piemontese, già scelta come sede dell’Istituto Italiano per l’Intelligenza Artificiale (I3A), centro innovativo strategico.

Quello tra intelligenza artificiale e ambito sanitario è un rapporto di collaborazione sempre più fertile, destinato a maturare ulteriormente negli anni a venire. L’applicazione della tecnologia alla diagnostica si è rivelata strategica in più di una sperimentazione: abbiamo trattato in precedenti articoli dell’impiego dell’AI per lo screening del tumore al seno, così come per l’individuazione dei pazienti positivi al Covid-19 nella ricerca di EPFL e in quella del MIT.

La ricerca torinese, diretta dal professor Gaetano Maria De Ferrari, è stata coordinata dalla Cardiologia Universitaria dell’Ospedale Molinette della Città della Salute di Torino e condotta in collaborazione al Dipartimento di Informatica dell’Università di Torino e al Dipartimento di Ingegneria Meccanica e Aerospaziale del Politecnico di Torino.

Pubblicato su The Lancet, lo studio sul nuovo sistema di classificazione dei rischi futuri per i pazienti cardiopatici si basa sul machine learning. Gli algoritmi di intelligenza artificiale permettono di costruire i modelli predittivi in base alle informazioni e alle relazioni ricavate dagli ampi database in possesso.

“Lo studio è una dimostrazione fortissima delle possibilità dell’Intelligenza Artificiale in medicina e in cardiologia in particolare.” 

 Professor Gaetano Maria De Ferrari

Per ovviare ai rischi a cui incorrono i pazienti che hanno subito infarto miocardico nei primi anni dopo le cure, i medici devono prendere in considerazione diversi fattori in funzione della possibilità di peggioramento e ai trattamenti in corso. La terapia viene quindi tradizionalmente definita in funzione dell’esperienza e della consultazione di analisi statistiche di rischio, purtroppo non sempre precise.

Gli algoritmi impiegati nella ricerca hanno invece permesso l’analisi di dati clinici inerenti a un bacino di pazienti piemontesi molto più ampio del solito e di individuare tra essi relazioni fondamentali altrimenti difficilmente identificabili. Sfruttando indicazioni e possibili combinazioni sui 23.000 soggetti esaminati attraverso i supercomputer di CINECA e di HPC4AI, è stato possibile ricavare informazioni preziose utili a definire strategie terapeutiche efficienti.

Mentre i punteggi di rischio rilevati con i dati statistici tradizionali hanno una precisione del 70% e un’incidenza di errore per tre pazienti su dieci, l’impiego del machine learning ottimizza le previsioni al 90% e riduce la possibilità di diagnosi scorretta sino a un paziente su dieci. Grazie alle stime ricavate con l’impiego dell’intelligenza artificiale in ambito sanitario risulta quindi possibile mettere in atto cure migliori per i pazienti di cardiologia e ottimizzare le prestazioni sanitarie.

Per Approfondire:

D’Ascenzo, O. De Filippo, G. Gallone, G. Mittone, M. A. Deriu, M. Iannaccone, A. Ariza-Solé, C.Liebetrau, S. Manzano-Fernàndez, Giorgio Quadri, Tim Kinnaird, G. Campo, J. P. S. Henriques, J. M. Hughes, A. Dominguez-Rodriguez, M. Aldinucci, U. Morbiducci, G. Patti, S. Raposeiras-Roubin, E. Abu-Assi, G. M. De Ferrari, PRAISE study group (2021) Machine learning-based prediction of adverse events following an acute coronary syndrome (PRAISE): a modelling study of pooled datasets, The Lancet, Volume 397, Issue 10270, pages 199-207

L'articolo Innovazioni in cardiologia: il rischio di infarto si combatte con l’AI proviene da Osservatorio C Quadra.