Toward an end-to-end platform for digital health care

: a smart sensor

Resumo

Neste trabalho, pretendeu-se contribuir para o desenvolvimento de um sensor inteligente para biomarcadores direcionados, uma etapa muito necessária para a descentralização da saúde, impulsionada por recursos de triagem pensados no Point of Care (POC). O bottleneck para esta transição reside na ausência de plataformas End-to-End (E2E) capazes de identificar biomarcadores, armazenar conhecimento em data lakes dinâmicos e distribuir suavemente as informações, conectando produtores e consumidores de dados, fazendo pleno uso de automação, fluxo de dados e infraestruturas de deep learning existentes. Nesse contexto, um sensor para POC necessita de acessibilidade, transparência na aquisição e processamento de dados, ou seja, um Smart Sensor. Os componentes principais são (i) filtros digitais para curar os dados on-the-fly, (ii) modelagem e (iii) distribuição. Os biomarcadores utilizados neste trabalho foram hemoglobina, glucose e TMAO. Os primeiros dois são responsáveis pela saúde geral da pessoa. O TMAO é um marcador capaz de prever o risco de doenças cardíacas. O sensor escolhido foi um NIR-M-R2 da InnoSpectra, visto que são sensores acessíveis, portáteis e capazes de serem controlados por equipamentos IoT. Porém estes apresentam algumas barreiras como o facto de ser necessário um utilizador com experiência. Para combater isto, o Smart Sensor tem filtros digitais para curar os dados. Modelos de previsão para cada biomarcador foram criados usando amostras filtradas. Estes modelos foram corrigidos ortogonalmente contra o efeito de secagem das amostras. Após isso, a calibração foi transferida de um sensor primário para um secundário, através de transfer by orthogonal projection (TOP). Por fim, aplicaram-se modelos de redes neuronais convolucionais (CNN), de forma a automatizar o processo de criação de modelos. Conclui-se que os filtros digitais melhoram o RMSEP até 58%, apresentando RMSEP para a hemoglobina, glucose e TMAO de 0.575, 2.399 and 1,185 g/l. Comparando o CNN ao PLS, não existem diferenças significativas entre eles. Porém o CNN apresenta várias vantagens como: não necessita de pré-processamento, os modelos já são robustos a efeitos externos. Assim sendo, o CNN reduz significativamente a complexidade e o tempo necessário para a criação de modelos. Finalmente, os filtros digitais e os modelos foram embutidos numa infraestrutura na cloud. Concedendo uma plataforma E2E, que permite a análise destes biomarcadores em POC.

Data de atribuição	16 jan. 2023
Idioma original	English
Instituição de premiação	Universidade Católica Portuguesa
Supervisor	António Silva Ferreira (Supervisor) & António de Sousa Barros (Co-Orientador)