IT202000032249A1 - Apparato di identificazione di stati patologici e relativo metodo - Google Patents
Apparato di identificazione di stati patologici e relativo metodo Download PDFInfo
- Publication number
- IT202000032249A1 IT202000032249A1 IT102020000032249A IT202000032249A IT202000032249A1 IT 202000032249 A1 IT202000032249 A1 IT 202000032249A1 IT 102020000032249 A IT102020000032249 A IT 102020000032249A IT 202000032249 A IT202000032249 A IT 202000032249A IT 202000032249 A1 IT202000032249 A1 IT 202000032249A1
- Authority
- IT
- Italy
- Prior art keywords
- identification
- data
- subject
- training
- module
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims description 77
- 230000001575 pathological effect Effects 0.000 title claims description 52
- 238000012549 training Methods 0.000 claims description 77
- 238000012545 processing Methods 0.000 claims description 61
- 238000001514 detection method Methods 0.000 claims description 56
- 238000003745 diagnosis Methods 0.000 claims description 26
- 238000013473 artificial intelligence Methods 0.000 claims description 22
- 238000004891 communication Methods 0.000 claims description 21
- 201000010099 disease Diseases 0.000 claims description 17
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 17
- 238000007781 pre-processing Methods 0.000 claims description 15
- 239000000126 substance Substances 0.000 claims description 12
- 238000013500 data storage Methods 0.000 claims description 8
- 238000002203 pretreatment Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000013523 data management Methods 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 4
- 230000029058 respiratory gaseous exchange Effects 0.000 claims description 4
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 210000000038 chest Anatomy 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000003786 synthesis reaction Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims 2
- 239000005416 organic matter Substances 0.000 claims 1
- 239000007789 gas Substances 0.000 description 25
- 239000012855 volatile organic compound Substances 0.000 description 12
- 230000007170 pathology Effects 0.000 description 9
- 238000003860 storage Methods 0.000 description 9
- 238000007726 management method Methods 0.000 description 6
- 208000025721 COVID-19 Diseases 0.000 description 5
- 230000000241 respiratory effect Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000003750 conditioning effect Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- OKKJLVBELUTLKV-UHFFFAOYSA-N Methanol Chemical compound OC OKKJLVBELUTLKV-UHFFFAOYSA-N 0.000 description 3
- 241000700605 Viruses Species 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 235000019645 odor Nutrition 0.000 description 3
- 201000008827 tuberculosis Diseases 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- CSCPPACGZOOCGX-UHFFFAOYSA-N Acetone Chemical compound CC(C)=O CSCPPACGZOOCGX-UHFFFAOYSA-N 0.000 description 2
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 description 2
- 241000005398 Figaro Species 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 150000001875 compounds Chemical class 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000002085 irritant Substances 0.000 description 2
- 231100000021 irritant Toxicity 0.000 description 2
- 210000004072 lung Anatomy 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241000894006 Bacteria Species 0.000 description 1
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000000844 anti-bacterial effect Effects 0.000 description 1
- 230000000840 anti-viral effect Effects 0.000 description 1
- 230000003197 catalytic effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 239000000356 contaminant Substances 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000007791 dehumidification Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000010419 fine particle Substances 0.000 description 1
- 238000002290 gas chromatography-mass spectrometry Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000011005 laboratory method Methods 0.000 description 1
- 238000011031 large-scale manufacturing process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- WSFSSNUMVMOOMR-NJFSPNSNSA-N methanone Chemical compound O=[14CH2] WSFSSNUMVMOOMR-NJFSPNSNSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000001590 oxidative effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 239000013618 particulate matter Substances 0.000 description 1
- 150000002989 phenols Chemical class 0.000 description 1
- 239000001294 propane Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 208000023504 respiratory system disease Diseases 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- -1 siloxanes Chemical class 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 238000013125 spirometry Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 229910052717 sulfur Inorganic materials 0.000 description 1
- 239000011593 sulfur Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
- A61B5/082—Evaluation by breath analysis, e.g. determination of the chemical composition of exhaled breath
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
- A61B5/097—Devices for facilitating collection of breath or for directing breath into or through measuring devices
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H70/00—ICT specially adapted for the handling or processing of medical references
- G16H70/60—ICT specially adapted for the handling or processing of medical references relating to pathologies
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
- A61B2562/02—Details of sensors specially adapted for in-vivo measurements
- A61B2562/0204—Acoustic sensors
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
- A61B2562/02—Details of sensors specially adapted for in-vivo measurements
- A61B2562/0271—Thermal or temperature sensors
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
- A61B5/0015—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by features of the telemetry system
- A61B5/0022—Monitoring a patient using a global network, e.g. telephone networks, internet
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
- G01N33/483—Physical analysis of biological material
- G01N33/497—Physical analysis of biological material of gaseous biological material, e.g. breath
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Artificial Intelligence (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Physiology (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Pulmonology (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Description
Descrizione del trovato avente per titolo:
"APPARATO DI IDENTIFICAZIONE DI STATI PATOLOGICI E RELATIVO METODO"
CAMPO DI APPLICAZIONE
Il presente trovato si riferisce ad un apparato e ad un metodo di identificazione di stati patologici mediante l?analisi del respiro di un paziente.
Il trovato ? particolarmente idoneo, bench? non limitato ad esse, per l?individuazione di patologie respiratorie.
Il trovato si riferisce inoltre ad una piattaforma di identificazione di stati patologici comprendente un sistema di addestramento di un apparato di identificazione.
STATO DELLA TECNICA
? noto che molti stati patologici portano alla presenza, nell? aria espirata da un soggetto, di sostanze volatili, in particolare di composti volatili organici (VOCs, Volatile Organic Compounds), in concentrazioni superiori a quelle che corrispondono ad un livello fisiologico. In questi casi ? possibile diagnosticare intolleranze, patologie di tipo respiratorio, il diabete, alcuni tumori ed altri tipi di patologia.
L?aria espirata pu? essere raccolta ed analizzata mediante metodi di laboratorio, quali gas-cromatografia con spettrometria di massa, spettrometria per mobilit? ionica o simili. Queste modalit? di analisi presentano solitamente tempi lunghi di attesa e costi elevati. Inoltre, la strumentazione di misura ? solitamente una strumentazione da laboratorio, di ingombro non trascurabile e non trasportabile.
Alcune ricerche, e soluzioni dello stato dell?arte, riportano l?applicazione di insiemi, o array, di sensori, per la rilevazione dei composti volatili. In questo modo, ? possibile realizzare una strumentazione trasportabile e a costi inferiori rispetto alle strumentazioni da laboratorio, ma si presenta l?inconveniente di una bassa ripetibilit? e accuratezza delle misure.
Esiste pertanto la necessit? di perfezionare un apparato per l?identificazione di stati patologici a partire dal respiro di un soggetto che possa superare almeno uno degli inconvenienti della tecnica.
In particolare, uno scopo del presente trovato ? quello di disporre di un apparato di identificazione di stati patologici che permetta di aumentare l?affidabilit? della diagnosi ottenuta, intesa come percentuale di falsi positivi e/o falsi negativi sul totale delle diagnosi.
E anche uno scopo del trovato permettere un aggiornamento continuo dell?apparato di identificazione man mano che nuovi dati e informazioni relative agli stati patologici sono disponibili.
Un ulteriore scopo del presente trovato ? quello di realizzare un apparato di identificazione di stati patologici che necessiti di tempi di sviluppo e di aggiornamento ridotti rispetto alle soluzioni attuali.
Un altro scopo ancora ? quello di richiedere, per l?elaborazione e l?analisi dei dati, risorse di calcolo limitate dal punto di vista della capacit? computazionale, dell? aspetto economico associato e di ulteriori aspetti quali compattezza, portabilit? e consumo dei dispositivi di calcolo associati all?apparato.
Per ovviare agli inconvenienti della tecnica nota e per ottenere questi ed ulteriori scopi e vantaggi, la Richiedente ha studiato, sperimentato e realizzato il presente trovato.
ESPOSIZIONE DEL TROVATO
Il presente trovato ? espresso e caratterizzato nelle rivendicazioni indipendenti. Le rivendicazioni dipendenti espongono altre caratteristiche del presente trovato o varianti dell? idea di soluzione principale.
In accordo con i suddetti scopi, forme di realizzazione qui descritte si riferiscono ad un apparato di identificazione di stati patologici, e ad un relativo metodo, che superano i limiti della tecnica nota ed eliminano i difetti in essa presenti.
Il presente trovato pu? essere applicato per l?identificazione di stati patologici mediante l?analisi del respiro di un soggetto, in particolare ma non esclusivamente per patologie respiratorie, ad esempio quelle derivanti da COVID19 e Tubercolosi.
Forme di realizzazione qui descritte si riferiscono inoltre ad una piattaforma di identificazione di stati patologici comprendente il suddetto apparato di identificazione.
Forme di realizzazione qui descritte si riferiscono inoltre ad un metodo di addestramento di un apparato di identificazione di stati patologici. In accordo con forme di realizzazione, l?apparato di identificazione di stati patologici comprende, come componenti principali, almeno un insieme di dispositivi di rilevazione, o sensori, di gas a banda larga e un modulo di elaborazione dati addestrabile mediante tecniche di intelligenza artificiale.
L?apparato di identificazione comprende inoltre un modulo di comunicazione dati e/o un modulo di salvataggio dati.
L?apparato di identificazione comprende inoltre una camera di contenimento dell?aria espirata dal soggetto, nella quale ? posizionato almeno l?insieme di sensori di gas, detta camera di contenimento comprendendo un ingresso e un?uscita di detta aria.
I sensori di gas a banda larga sono configurati per analizzare un flusso d?aria espirato dal soggetto e fornire un segnale associato alla concentrazione di uno o pi? composti inorganici e organici volatili presenti nell?aria espirata.
Il modulo di elaborazione pu? essere addestrato per l?elaborazione almeno dei suddetti segnali e la sintesi di un indicatore di classificazione del soggetto in una classe tra un insieme di classi di appartenenza dello stato patologico. Le classi di appartenenza identificano dei livelli di gravit? relativi allo stato patologico rispetto al quale si vuole fornire una diagnosi per il soggetto.
Il modulo di comunicazione dati ? configurato per l?invio almeno dei segnali, ed eventualmente dell?indicatore di classificazione, ad un?architettura elettronica distribuita esterna all?apparato di identificazione, e per l?aggiomamento del modulo di elaborazione.
E possibile in questo modo far comunicare l?apparato di identificazione con l esterno, anche in tempo reale, ad esempio per inviare al modulo di elaborazione algoritmi di identificazione di stati patologici costantemente aggiornati con le informazioni e/o segnali e/o indicatori man mano elaborati. L?apparato di identificazione pu? quindi essere aggiornato in maniera continuativa, eventualmente anche durante la stessa fase di identificazione dello stato patologico, con algoritmi di identificazione riaddestrati e quindi aggiornati.
Vantaggiosamente, l?utilizzo di dispositivi di rilevazione di gas a banda larga, non specifici per ogni molecola e che non richiedono la necessit? di accurate tarature, permette di ottenere costi di acquisto e manutenzione ridotti.
Il modulo di elaborazione dati, addestrabile mediante tecniche di intelligenza artificiale, consente inoltre di utilizzare tutta l?informazione associata ai segnali fomiti dai dispositivi di rilevazione, permettendo di ovviare alla scarsa specificit? dei dispositivi di rilevazione mediante la ridondanza dei segnali acquisiti e/o la cross-correlazione tra la quantit? delle diverse sostanze volatili in aria.
Inoltre, l?analisi eseguita tramite il modulo di elaborazione dati, addestrabile mediante tecniche di intelligenza artificiale e aggiornabile anche con continuit?, permette di adeguare l?elaborazione dei segnali alle derive nel tempo dei dispositivi di rilevazioni, senza la necessit? di una manutenzione continua o frequente, ad esempio per operazioni di taratura.
L?utilizzo di tecniche di intelligenza artificiale pu? anche permettere di evitare la necessit? di normalizzare le modalit? di espirazione dei diversi soggetti, sia nel metodo di addestramento dell?apparato di identificazione, sia nel metodo di identificazione, dove l?espirato viene analizzato dall?apparato di identificazione addestrato.
Vantaggiosamente, uno stesso apparato di identificazione pu? essere utilizzato sia per l?addestramento del modulo di elaborazione dati che per l?identificazione di stati patologici.
Ci? permette di ridurre i tempi di sviluppo e di validazione iniziale prima della definizione e messa in produzione in larga scala di un apparato di identificazione specializzato ed ottimizzato alla sola identificazione di interesse. Vantaggiosamente, ? quindi possibile ridurre i tempi di aggiornamento e aumentare l?affidabilit?, in quanto non vengono introdotte ulteriori fonti di incertezza dovute all?utilizzo di strumentazioni e metodi diversi per l?acquisizione dei segnali e per la loro elaborazione nelle due diverse fasi.
Secondo una forma di realizzazione, l?apparato di identificazione comprende inoltre dispositivi di rilevazione per il monitoraggio del respiro scelti in un gruppo comprendente sensori acustici, sensori di flusso e/o portata, sensori di rilevamento del movimento della gabbia toracica del soggetto, sensori di temperatura e/o sensori di umidit?, sensori di particolato sottile.
E in questo modo possibile analizzare anche caratteristiche fisiche dell? espirato, scelte in un gruppo comprendente una durata, un flusso o un profilo di espirazione del paziente. Analizzare le caratteristiche fisiche dell? espirato del paziente pu? integrare il contenuto informativo dell? espirato: le dinamiche di espirazione del soggetto possono essere indicative di particolari patologie, in particolare patologie di tipo respiratorio.
L?apparato di identificazione pu? comprendere un?interfaccia locale per istruire il soggetto sulle modalit? di espirazione dell?aria, durante una o pi? fasi di espirazione. E in questo modo possibile rilevare composti volatili che vengono liberati solo in determinati momenti dell?espirazione, come ad esempio durante la parte di massimo svuotamento del volume polmonare.
Tecniche di acquisizione dell? espirato, ad esempio in spirometria, adottano manovre di espirazione che coinvolgono zone dei polmoni, quali gli alveoli, che per lo stato patologico in analisi possono portare nell? espirato sostanze volatili significative. Un esempio ? il contenuto di sostanze nell?aria espirata durante l??end-tidal?, cio? l?aria a fine espirazione.
Il profilo ottimale dell? espirato da adottare pu? variare da stato patologico a stato patologico. Ad esempio, in alcune patologie, come nei casi sintomatici di COVID19, potrebbe essere difficile seguire le indicazioni di espirare ?a lungo?.
L?apparato di identificazione secondo il trovato pu? invece guidare ad una espirazione pi? significativa, segnalando ad esempio al paziente, in base alle rilevazioni effettuate, di espirare pi? o meno intensamente. L?apparato di identificazione secondo il trovato pu? comprendere almeno un dispositivo di pre-elaborazione degli indicatori forniti dai dispositivi di rilevazione, configurato per pre-elaborare i segnali dei dispositivi di rilevazione per essere rappresentati, come immagini, su due dimensioni. Il modulo di elaborazione dati pu?, in questo caso, essere addestrabile per riconoscere immagini di oggetti. Vantaggiosamente, l?addestramento per immagini del modulo di elaborazione pu? richiedere, per l?elaborazione e l?analisi dei dati, risorse di calcolo pi? limitate rispetto all?elaborazione dei segnali grezzi fomiti dai dispositivi di rilevazione, sia dal punto di vista della capacit? computazionale che dell?aspetto economico associato.
ILLUSTRAZIONE DEI DISEGNI
Questi ed altri aspetti, caratteristiche e vantaggi del presente trovato appariranno chiari dalla seguente descrizione di forme di realizzazione, fomite a titolo esemplificativo, non limitativo, con riferimento agli annessi disegni in cui:
- la fig. 1 ? una rappresentazione schematica di un apparato di identificazione di stati patologici secondo forme di realizzazione;
- la fig. 2 ? una rappresentazione schematica di una piattaforma di identificazione di stati patologici comprendente l?apparato di identificazione di stati patologici di fig.1 , secondo forme di realizzazione; - la fig. 3 ? una rappresentazione schematica di un metodo di addestramento dell?apparato di identificazione di stati patologici di fig. 1 , secondo forme di realizzazione;
- la fig. 4 ? una rappresentazione schematica di un metodo di identificazione di stati patologici mediante l?apparato di identificazione di stati patologici di fig.1.
Per facilitare la comprensione, numeri di riferimento identici sono stati utilizzati, ove possibile, per identificare elementi comuni identici nelle figure. Va inteso che elementi e caratteristiche di una forma di realizzazione possono essere convenientemente combinati o incorporati in altre forme di realizzazione senza ulteriori precisazioni.
DESCRIZIONE DI FORME DI REALIZZAZIONE
Si far? ora riferimento nel dettaglio alle possibili forme di realizzazione del trovato, delle quali uno o pi? esempi sono illustrati nelle figure allegate a titolo esemplificativo non limitativo. Anche la fraseologia e terminologia qui utilizzata ? a fini esemplificativi non limitativi.
Forme di realizzazione qui descritte si riferiscono ad un apparato di identificazione 10 di stati patologici, e ad un relativo metodo 200.
Il trovato pu? essere applicato all?identificazione di stati patologici mediante l?analisi del respiro di un soggetto 300, in particolare ma non esclusivamente, per patologie respiratorie, ad esempio derivanti da COVID19 e Tubercolosi.
Forme di realizzazione qui descritte si riferiscono inoltre ad una piattaforma 50 di identificazione di stati patologici comprendente il suddetto apparato di identificazione 10.
E oggetto del trovato anche un metodo di addestramento 100 di un apparato di identificazione 10 di stati patologici.
Come illustrato in fig. 1, un apparato di identificazione 10 di stati patologici comprende almeno un insieme di dispositivi di rilevazione di gas 11a a banda larga, un modulo di elaborazione 12 dati addestrabile mediante tecniche di intelligenza artificiale, un modulo di comunicazione 13 dati e un modulo di salvataggio dati 69.
Secondo forme di realizzazione, uno stesso apparato di identificazione 10 pu? essere utilizzato sia per l?addestramento del modulo di elaborazione 12 dati che per la sola identificazione e diagnosi di stati patologici.
Secondo varianti di realizzazione, l?apparato di identificazione 10 per la sola identificazione e diagnosi ? costruttivamente e/o funzionalmente diverso dell?apparato di identificazione 10 di addestramento e raccolta dati dal respiro.
L?apparato di identificazione 10 per la sola identificazione e diagnosi pu? presentare la parte di acquisizione e comunicazione semplificata, essendo utilizzato solo come strumento di diagnosi, precaricando gli algoritmi di identificazione, ad esempio una rete neurale addestrata, al momento della produzione e non ri-aggionabile in tempo reale. In questo caso l?apparato di identificazione 10 per la sola identificazione e diagnosi pu? contenere un modulo di elaborazione 12 dati semplificato e/o non contenere un modulo di comunicazione 13 dati, oppure ancora contenere un modulo di comunicazione 13 dati semplificato, ad esempio privo di un software per database, visualizzazione e comunicazione.
In aggiunta o in alternativa, l?apparato di identificazione 10 per la sola identificazione e diagnosi pu? presentare una parte di protezione da contagio semplificata, utilizzabile come dispositivo personale di uso analogo al telefono cellulare. Tali varianti possono risultare vantaggiose per convenienze di mercato, costi e maneggevolezza.
I dispositivi di rilevazione di gas I la a banda larga possono essere configurati per analizzare l?aria espirata dal soggetto 300 e fornire un segnale associato alla concentrazione di una o pi? sostanze volatili presenti nell?aria espirata.
I dispositivi di rilevazione di gas 11 a a banda larga possono essere non specifici per una singola molecola o per una singola patologia.
I dispositivi di rilevazione di gas 11a possono essere sensori e/o trasduttori di gas e/o sostanze organiche volatili, quali sensori di CO, CO2, O2, NO, NO2, O3, SO2, solfuro di idrogeno, gas irritanti, gas riducenti, gas ossidanti, VOCs totali, metanolo, acetone, fenoli, o simili, del tipo elettrochimico, catalitici, a semiconduttore, ottici o simili. Ad esempio, i sensori possono essere sensori MOS (Metal Oxide Semiconductor), che vantaggiosamente sono robusti, anche in presenza di elementi quali silossani, e presentano un?accuratezza sufficiente per misurare concentrazioni di sostanze volatili dell?ordine dei ppb (parti per bilione). In una forma di realizzazione preferita, i dispositivi di rilevazione di gas 1 la sono scelti in un gruppo comprendente sensori per la misura di VOC Totali e CO2 equivalente (valore ricavato dalla misura di Idrogeno molecolare) quali SGP30 di Sensirion, SCD30 di Sensirion per CO2, sensore triplo di CO, Ammoniaca-H2-Etanolo-Metano-IsoButano-Propano, N02 quale MiCS-6814 di SGX, ZE08-CH2O di Winsen per Formaldeide, sensori per la misura di Particolato PM0.5 PM1 PM2.5 PM4 PM10 quale SPS30 di Sensirion, 3SP CO 1000 Package 110-102 di SPEC per CO, 3SP_H2S_50 Package 110-304 di SPEC per H2S, 3SP N02 5F P Package 110-507 di SPEC per N02, 3SP_O3_20 C Package 110-407 di SPEC per 03, RESP_IRR_20 di SPEC per gas irritanti NO2-O3-C12-SO2-H2S, 3SP_SO2_20PPackagel 10-60 Idi SPEC per S02, ZMOD4510 di Sensirion per NOx, 03, ZMOD4410 di Sensirion per TVOC, CO2 equivalente, odori in base zolfo, odori totali, TGS81000 di Figaro per contaminanti vari in aria, iAQ-Core di AMS per TVOC, CO2 equivalente, AGS01DB di ASAIR per VOC, TGS2602-B00 di Figaro per VOC e odori, CCS81 1B-JOPR5K di ScioScience per VOC, TVOC, C02 equivalente, BME680 di BOSH SENSORTEC per VOC, Temperatura, Umidit?, Pressione, BME688 di BOSH SENSORTEC per VOC, Temperatura, Umidit?, Pressione, SCD40 di Sensirion per CO2, XENSIV PAS CO2 di Infineon per CO2 e/o SGP40 di Sensirion per TVOC.
Secondo forme di realizzazione, l?apparato di identificazione 10 pu? comprendere inoltre dispositivi di rilevazione per il monitoraggio del respiro 11b scelti in un gruppo comprendente sensori acustici, sensori di flusso e/o portata, di pressione, di rilevamento del movimento della gabbia toracica del soggetto 300, di temperatura, di umidit? e/o di particolato PM sottile.
Nel testo, si far? riferimento ai dispositivi di rilevazione di gas 11a e di rilevazione per il monitoraggio del respiro 11b, indicati complessivamente come dispositivi di rilevazione 11.
I dispositivi di rilevazione 11 possono inoltre comprendere sensori di temperatura e/o sensori di umidit?, o utilizzare i sensori di temperatura e/o sensori di umidit? 11 b, per correggere i segnali fomiti dai dispositivi di rilevazione di gas 11a, solitamente sensibili anche a dette grandezze fisiche.
Il modulo di elaborazione 12 ? addestrabile per l?analisi almeno dei suddetti segnali e la sintesi di un indicatore di classificazione 19a del soggetto 300 in una classe tra un insieme di classi di appartenenza dello stato patologico.
Le classi di appartenenza identificano dei livelli di gravit? relativi allo stato patologico rispetto al quale si vuole fornire una diagnosi per il soggetto 300. Le classi di appartenenza possono essere almeno due, ad esempio ?Sano? e ?Malato?. Come ulteriore esempio, nel caso di COVID19, l?insieme di classi di appartenenza potr? essere ?Sano?, ?Malato asintomatico?, Malato sintomatico?, ?Guarito?.
Secondo forme di realizzazione, il modulo di elaborazione 12 pu? comprendere algoritmi di identificazione basati su intelligenza artificiale, quali reti neurali, SVM (Software Vector Machine), reti neuro-fuzzy, algoritmi genetici o simili. Preferibilmente, il modulo di elaborazione 12 dati pu? comprendere una rete neurale.
In una forma di realizzazione preferita, allo scopo di sfruttare l?evoluzione ed il livello di sofisticazione raggiunto dalle reti neurali per il riconoscimento di immagini, il modulo di elaborazione 12 pu? comprendere algoritmi basati sullo stato dell? arte delle reti convoluzionali profonde studiate per la classificazione di immagini, quali EfficientNet, MobileNet, ResNet o VGG16. Ci? permette di individuare di volta in volta l?architettura di rete pi? adatta a seconda delle necessit? di accuratezza e costo computazionale. Sfruttare le reti qui citate permette altres? di avvantaggiarsi nell?uso di reti pre-addestrate per applicare tecniche di transfer leaming, e ridurre quindi le dimensioni del dataset necessario al 1 ? addestramento .
Secondo varianti di realizzazione, nell?apparato di identificazione 10 di solo addestramento e raccolta dati dal respiro, il modulo di elaborazione 12 pu? non comprendere i suddetti algoritmi di identificazione basati su intelligenza artificiale. Il modulo di elaborazione 12 pu? inoltre non comprendere hardware idoneo ad eseguire gli algoritmi di identificazione. Poich? l?addestramento pu? essere effettuato dopo aver acquisito i dati, e fuori-linea, come su un?architettura elettronica 60 distribuita, ad esempio implementata con elementi in Cloud 68, in tale apparato di identificazione 10 di solo addestramento e raccolta dati pu? essere utilizzato un modulo di elaborazione 12 comprendente processori di potenza limitata, di varia tecnologia e classe, ad esempio ARM o x86, e classe del tipo Cortex A8 TI AM335x o Intel Atom E3827 o Atom E3845.
Il modulo di elaborazione 12 pu? comprendere un?unit? di elaborazione programmabile ed un modulo di memorizzazione dei dati, non illustrati nelle figure.
L?unit? di elaborazione programmabile pu? essere una qualsiasi forma di processore per computer utilizzabile in ambito informatico, vantaggiosamente nell?ambito dell?elaborazione di segnali acquisiti da dispositivi di rilevazione 11.
L?unit? di elaborazione programmabile pu? comprende un modulo di predizione, per l?utilizzo degli algoritmi di identificazione basati su intelligenza artificiale.
Il modulo di memorizzazione pu? essere connesso all?unit? di elaborazione programmabile ed essere fra quelli commercialmente disponibili, come una memoria ad accesso casuale (RAM), una memoria a sola lettura (ROM), floppy disc, disco rigido (HARD DISK), memoria non volatile (NOR FLASH e NAND FLASH), memoria di massa o qualsiasi altra forma di archiviazione digitale o banca dati elettronica.
Il modulo di memorizzazione pu? essere atto a memorizzare uno o pi? algoritmi di identificazione eseguibili dall?unit? di elaborazione programmabile per ottenere un indicatore di classificazione 19a del soggetto 300 in una classe tra un insieme di classi di appartenenza dello stato patologico.
Il modulo di memorizzazione pu? essere atto a memorizzare, almeno temporaneamente, i suddetti segnali acquisiti dai dispositivi di rivelazione ll, o versioni pre-elaborate di questi.
Secondo forme di realizzazione, il modulo di comunicazione 13 ? configurato per l?invio almeno dei suddetti segnali ed eventualmente del suddetto indicatore di classificazione 19a ad un?architettura elettronica 60 distribuita esterna. Pu? inoltre essere configurato per l?aggiornamento del modulo di elaborazione 12.
L?aggiornamento del modulo di elaborazione 12 pu? prevedere il caricamento di nuovi algoritmi di identificazione, o algoritmi di identificazione ri-addestrati, quali ad esempio una nuova rete neurale addestrata offline per mezzo dei nuovi dati raccolti sul campo.
L?apparato di identificazione 10, in uso sul campo, oltre alle operazioni qui descritte, pu? essere configurato per continuare a raccogliere ed inviare i dati all?architettura elettronica 60 distribuita, ad esempio in Cloud 68.
Secondo forme di realizzazione, detti dati possono essere etichettati rendendo anonime le informazioni del soggetto 300 che si sottopone al test.
Ad esempio, nel caso venga superata una soglia di allarme e sia necessario un esame ad accuratezza pi? elevata, pu? essere previsto di aggiornare i dati presenti sul Cloud 68 con la ?ground truth? derivata da questi esami, e quindi includere questi dati nel training set dell?algoritmo di identificazione per poterne migliorare la capacit? di diagnosi e/o compensare il ?domain shift? (?firma? del virus sui dati registrati). Si noti che questa procedura di aggiornamento continuo basato su Cloud 68 permette di seguire eventuali mutazioni del virus che potrebbero modificare la ?domain shift?.
Il modulo di comunicazione 13 pu? comprendere un modulo di interfaccia 14, un archivio 15 temporaneo, un server 16 di pubblicazione, ed un?interfaccia 17 verso l?architettura elettronica 60 distribuita.
Il modulo di interfaccia 14 pu? essere un modulo MODBUS, Pyhton o simili. Ad esempio il protocollo MODBUS, applicato su linea seriale o Ethernet, semplifica l?interfacciamento con hardware gi? equipaggiato con tale protocollo, trattandosi di protocollo standardizzato. Il modulo di comunicazione 13 pu? convenientemente essere configurato in modo da abilitare un traffico di almeno 1 kbyte/sec, che ? ampiamente disponibile nella maggior parte dei moduli di comunicazione attualmente sul mercato. Il modulo di salvataggio dati 69 pu? essere presente in alternativa o a supporto al modulo di comunicazione 13 in modo da immagazzinare i dati acquisiti. Il modulo di salvataggio dati 69 pu? comprendere una memoria ad accesso casuale (RAM), una memoria a sola lettura (ROM), floppy disc, disco rigido (HARD DISK), memoria non volatile (NOR FLASH e NAND FLASH), memoria di massa o qualsiasi altra forma di archiviazione digitale o banca dati elettronica.
Il modulo di salvataggio dati 69 pu? inoltre comprendere un?interfaccia fisica per il prelievo dei dati. L?interfaccia fisica pu? essere un?interfaccia USB, un dispositivo di lettura/scrittura di dischi ottici, od altro ancora. In assenza di connettivit?, ad esempio, il trasferimento dei segnali ed informazioni da e verso l?architettura elettronica 60 distribuita di addestramento pu? essere realizzato manualmente da un utente o operatore utilizzando un dispositivo removibile di archiviazione dati (ad esempio una memoria su interfaccia USB) come memoria temporanea di trasferimento dei dati.
L?apparato di identificazione 10 pu? comprendere una camera di contenimento 20 dell?aria espirata dal soggetto 300, nella quale ? posizionato almeno l?insieme di dispositivi di rilevazione 1 la di gas. Secondo forme di realizzazione, i dispositivi di rilevazione 11 possono essere disposti ad occupare l?intera area della camera di contenimento 20 ed essere sottoposti contemporaneamente al flusso di espirato.
Alternativamente, i dispositivi di rilevazione 11 possono essere disposti sequenzialmente nel condotto di attraversamento della camera 20, cos? da essere sottoposti all? espirato secondo una sequenza predefinita.
La camera di contenimento 20 pu? comprendere un ingresso e un?uscita di detta aria. Secondo forme di realizzazione, la camera di contenimento 20 pu? comprendere condotti di passaggio dall?aria. In particolare, il condotto di ingresso pu? essere in comunicazione con un foro di ingresso 66 dell? aria.
Secondo forme di realizzazione, l?apparato di identificazione 10 pu? comprendere un elemento di insufflazione dell?aria 67, ad esempio un condoto con un boccaglio o un condoto con una maschera, per permetere al soggeto 300 di espirare l?aria diretamente aH?intemo della camera di contenimento 20. In una variante realizzativa, l?aria pu? essere insufflata in un contenitore esterno, ad esempio un contenitore plastico, una bombola od altro elemento analogo, e poi essere inviata atraverso il foro di ingresso 66 ai dispositivi di rilevazione 1 1.
In modo noto, l?apparato di identificazione 10 pu? comprendere dispositivi di movimentazione dell?aria.
L?apparato di identificazione 10 pu? comprendere un sistema per la pulizia della camera 20 dall?aria espirata dal soggeto 300, in modo da evitare contaminazioni tra un soggeto 300 ed il successivo, ed errori nell?identificazione dello stato patologico. Ad esempio, possono essere previste bombole di aria pulita o gas per il lavaggio, dispositivi di movimentazione delfaria, filtri antivirali e/o antibaterici monouso e simili.
In modo noto, l?apparato di identificazione 10 pu? presentare un modulo di pre-tratamento 21 e condizionamento dell?espirato. Il modulo di pre-tratamento 21 dell?espirato pu? comprendere dispositivi per la modifica della sua temperatura, ad esempio dispositivi di riscaldamento, del tasso di umidit?, ad esempio un dispositivo di deumidificazione o di umidificazione, della pressione e/o simili, non rappresentati nelle figure. Inoltre, il modulo di pre-tratamento 21 pu? essere differenziato a seconda che il flusso di espirato pre-elaborato sia inviato a dispositivi di rilevazione di gas 11a o di monitoraggio del respiro 11b.
Ad esempio, valori opportuni della temperatura possono evidenziare caratteristiche particolari dell? espirato, o fingerprint. Vantaggiosamente, secondo forme di realizzazione, il pretrattamento/condizionamento dell?espirato pu? essere realizzato globalmente sull?intero flusso di espirato in ingresso, oppure localmente per singolo dispositivo di rilevazione 11 o set di dispositivi di rilevazione 11.
L?evento di espirazione del soggetto 300 ha di norma durata limitata a qualche secondo. Inoltre, la ripetizione di eventi di espirazione in sequenza porta porzioni di espirato con contenuti informativi differenti. Infine, per patologie respiratorie il soggetto 300 pu? non essere in grado di ripetere sequenze di espirazione. Per questi motivi, ? molto utile prevedere meccanismi che permettano di analizzare espirato in condizioni fisiche differenti ma contestualmente ad un singolo evento di espirazione. Possibili vantaggiose realizzazioni del modulo di pre-trattamento 21, in combinazione con i dispositivi di rilevazione 11 , possono rendere possibile questa funzionalit?.
Secondo forme di realizzazione esemplificative, il modulo di pretrattamento/condizionamento 21 dell?espirato pu? essere configurato per separare un unico flusso dell? aria espirata in porzioni di flusso separate. In questo caso, il modulo di pre-trattamento 21 pu? comprendere un condotto che presenta un ingresso e due o pi? uscite.
In alternativa, il modulo pu? presentare degli elementi di contenimento, ad esempio delle camere, sacche o simili. Detti elementi di contenimento possono essere atti a contenere flussi di aria acquisiti in momenti diversi. Ad esempio, in uno stesso atto di espirazione la parte iniziale del flusso di aria pu? essere inviata ad una camera e la parte terminale in una camera diversa. La separazione dell? aria pu? avvenire attivando, ad esempio in maniera sequenziale, opportune valvole, ad esempio valvole di non ritorno.
Ogni porzione di flusso pu? essere riscaldata a una temperatura differente da quella delle altre porzioni.
Vantaggiosamente, in forme di realizzazione, l?apparato di identificazione 10 pu? presentare due o pi? copie di uno stesso set di dispositivi di rilevazione 11 , ottenendo quello che pu? essere chiamato un ?array di array di sensori? dello stesso tipo. Ad esempio, l?apparato di identificazione 10 pu? presentare n moduli, o set, identici costituiti da m dispositivi di rilevazione 11, ad esempio di VOC.
Ogni flusso pu? agire su un set di dispositivi di rilevazione 1 1.
Secondo forme di realizzazione, i dispositivi di rilevazione di gas 11a, a banda larga e non compensati in temperatura, possono generare dati diversi su ogni set, contribuendo con maggiore quantit? di dati a fornire una caratterizzazione del flusso espirato. Vantaggiosamente, l?addestramento degli algoritmi di identificazione pu? quindi avvalersi di maggiori informazioni e convergere pi? rapidamente ad una diagnosi efficace. L?utilizzo di copie di uno stesso set di dispositivi di rilevazione 11 pu? anche ridurre i costi complessivi.
Secondo forme di realizzazione, il modulo di pre-trattamento 21 pu? essere programmabile, ad esempio in base alle risultanze cliniche e/o ai risultati del ri- addestramento degli algoritmi di identificazione.
Il modulo di pre-trattamento 21 pu? essere inoltre aggiornato da remoto.
L?apparato pu? comprendere almeno un dispositivo di pre-elaborazione 1 8 dei segnali fomiti dai dispositivi di rilevazione 11.
Il dispositivo di pre-elaborazione 18 pu? essere configurato per selezionare e/o filtrare i segnali, o le parti di segnale, con contenuto informativo utile, per ridurre l?insieme dei dati di addestramento e in generale per migliorare la convergenza dell?apprendimento delle reti con migliori figure di probabilit? per riconoscimento e diagnosi.
Il dispositivo di pre-elaborazione 18 pu? essere configurato per normalizzare i dati in ingresso provenienti dai dispositivi di rilevazione 11. Vantaggiosamente, poich? le grandezze in ingresso non hanno lo stesso intervallo di valori o le stesse unit? di misura, un processo di normalizzazione pu? evitare che l algoritmo di identificazione apprenda dando meno importanza alle caratteristiche rappresentate con intervalli di valori pi? bassi. Una normalizzazione effettuata dal dispositivo di preelaborazione 18 pu? inoltre evitare che il tempo e le risorse necessarie per l?addestramento dell?algoritmo di identificazione aumentino, nel caso in cui l?algoritmo di identificazione debba applicare compensazioni per effettuare autonomamente una normalizzazione.
Ad esempio, possono essere selezionate parti del segnale corrispondenti ad un intervallo desiderato dell?espirazione, possono essere campionati i segnali con frequenze di campionamento diverse per diminuire il numero di dati ed il costo computazionale e di memorizzazione necessari, i segnali possono essere interpolati, combinati tra loro o simili operazioni.
Il dispositivo di pre-elaborazione 18 pu? essere configurato per identificare ed estrarre caratteristiche rilevanti del segnale da utilizzare come ulteriore input all?algoritmo di identificazione. Questo permette di semplificare l implementazione e/o velocizzare l?elaborazione. Ad esempio per segnali fisici relativi all?espirato ? possibile identificare automaticamente marker temporali e caratteristici del profilo dell? espirato. In una forma preferenziale, il dispositivo di pre-elaborazione 18 pu? essere configurato per pre-elaborare i segnali dei dispositivi di rilevazione 11 per essere rappresentati, come immagini, in due dimensioni e il modulo di elaborazione 12 ? addestrabile per riconoscere immagini di oggetti. Una modalit? di trasformazione in immagini 2D delle sequenze temporali che rappresentano l?evoluzione dei dispositivi di rilevazione 1 1 durante l?espirazione del paziente pu? essere realizzata, ad esempio, costruendo una matrice in cui ogni colonna contiene i dati di tutti i dispositivi di rilevazione 11 al tempo t, e la colonna successiva contiene i dati di tutti i dispositivi di rilevazione 11 al tempo t+1, ad esempio una colonna per ogni secondo, ogni mezzo secondo o simili. Se ad ogni valore ? associato un colore, ad esempio in tonalit? di grigio, con le opportune pre-elaborazioni per espandere l?intervallo possibile di valori di ogni dispositivo di rilevazione 11 all?intemo dell?intervallo rappresentabile in toni di grigio, ad esempio tra 0 e 255, la matrice realizzata ? un?immagine a toni di grigio, relativa a una singola espirazione del paziente. L?algoritmo di identificazione pu? quindi essere addestrato con le immagini relative a tutti i soggetti 300.
A titolo di esempio, i segnali possono essere elaborati mediante tecniche di cambio di dominio applicate ad un singolo segnale, utilizzando spettrogrammi e trasformate di Fourier, o a pi? segnali, ad esempio riportando in una unica immagine l?intero contenuto informativo dell?insieme di dispositivi di rilevazione 11.
L?apparato di identificazione 10 pu? comprendere un?interfaccia locale 19 per la visualizzazione dell?indicatore di classificazione 19a e/o per istruire il soggetto 300 sulle modalit? di espirazione deH?aria durante una o pi? fasi di espirazione.
L?interfaccia locale 19 pu? comprendere un display, un monitor o simili.
L?interfaccia locale 19 pu? comprendere inoltre una tastiera, o altro dispositivo di input, per permettere ad un operatore di inserire informazioni relative al soggetto 300, quali dati identificativi, informazioni relative al test eseguito, quali data e ora di esecuzione, anamnesi e/o simili.
Secondo forme di realizzazione, la piattaforma 50 di identificazione di stati patologici comprende un?architettura elettronica 60 distribuita di addestramento e gestione dei dati e uno o pi? apparati di identificazione 10 di stati patologici.
L?architettura elettronica 60 pu? comprendere uno o pi? elementi di gestione 61 dei dati, un dispositivo accentratore 62 di informazioni e un modulo di addestramento 63 di algoritmi basati su intelligenza artificiale.
Gli elementi di gestione 61 possono essere configurati per acquisire dati dagli uno o pi? apparati di identificazione 10 e per memorizzarli. Gli elementi di gestione 61 possono comprendere un?unit? di elaborazione programmabile, un modulo di memorizzazione dei dati, un?interfaccia di comunicazione con l?apparato di identificazione 10 come precedentemente descritto, e interfacce per la comunicazione con il Cloud 68, non illustrati nelle figure. Gli elementi di gestione 61 possono essere configurati anche per visualizzare i segnali e/o gli indicatori foniti dall?apparato di identificazione 10. Gli elementi di gestione 61 possono essere configurati anche per l?inserimento di ulteriori informazioni, quali un?eventuale diagnosi, eventualmente in cooperazione con un dispositivo di acquisizione 65, o un?anamnesi o simili.
Ad esempio, un elemento di gestione 61 pu? essere un tablet o un personal computer sul cui display o monitor possono essere visualizzati i segnali e/o gli indicatori e attraverso cui possono essere inserite informazioni.
In una forma preferenziale che permette la comunicazione autonoma dell?apparato di identificazione 10 con l?architettura elettronica distribuita, l?elemento di gestione 61 ? integrato nell?apparato 10 stesso.
Il dispositivo accentratore 62 di informazioni pu? essere configurato per acquisire dati e informazioni, quali segnali e/o indicatori inviati dagli elementi di gestione 61 , informazioni inviate da un archivio dati 64 esterno o dal dispositivo di acquisizione 65, per gestirli e inviarli al modulo di addestramento 63.
Il dispositivo accentratore 62 di informazioni pu? comprendere un?unit? di pre-elaborazione programmabile 62a dei segnali in ingresso da 61, 64 e 65.
La suddetta unit? di pre-elaborazione programmabile 62a pu? essere configurata, ad esempio, per una pre-elaborazione dei dati solitamente utile nella fase di training, in quanto il training pu? richiedere elevata potenza di calcolo. Come ulteriore esempio, pu? essere configurata per sperimentare varianti alla procedura di training e/o di identificazione dell? algoritmo di identificazione. Il dispositivo accentratore 62 di informazioni pu? comprendere un?unit? di elaborazione programmabile ed un modulo di memorizzazione dei dati, non illustrati nelle figure.
Il modulo di addestramento 63 pu? comprendere un?unit? di elaborazione programmabile ed un modulo di memorizzazione dei dati, non illustrati nelle figure. Per ridurre i tempi di addestramento, il modulo 63 pu? comprendere una unit? di calcolo parallelo, quale ad esempio una Graphic Processing Unit (GPU).
Il modulo di addestramento 63 pu? comprendere interfacce verso un operatore, non illustrate nelle figure, ad esempio un dispositivo di output, quale uno schermo o videoterminale e/o una tastiera o altro dispositivo di input o altra interfaccia utente anche di tipo remota, quale ad esempio interfaccia grafica web-based, terminale a caratteri o simili, per permettere all?operatore di eseguire il metodo di addestramento 100 dell?algoritmo basato su intelligenza artificiale in modo noto.
Ad esempio, l?apprendimento pu? avvenire con modalit? supervisionata: per ogni sessione di espirazione ne viene ricavata una rappresentazione, ad esempio come matrice 2D a colori o toni di grigio, e ad essa ? associata una sua etichetta (malato asintomatico, malato sintomatico, guarito, mai malato, sano o simili), nota al momento dell?esame o successivamente. Tali immagini o rappresentazioni, associate al loro significato diagnostico, cio? alla suddetta etichetta, sono utilizzate per addestrare l?algoritmo di identificazione secondo metodologie note.
Ad esempio, per ridurre il numero di dati necessari perch? l?algoritmo di identificazione raggiunga un sufficiente grado di accuratezza ? possibile applicare tecniche di transfer leaming. Nel caso in esame ? possibile riaddestrare algoritmi di identificazione gi? addestrati per il riconoscimento di immagini e sfruttare la loro conoscenza pregressa, specializzandole ulteriormente sui dati dal respiro di possibili malati.
Inoltre in un?ottica di miglioramento continuo e per contrastare gli effetti di possibili cambiamenti degli effetti sul respiro, causati ad esempio da mutazioni del virus nel caso del Covid, o dei batteri, ad esempio nella TBC, o in altre malattie, pu? essere possibile continuare ad addestrare l?algoritmo di identificazione con i dati provenienti dalle espirazioni, sfruttando la connessione col Cloud 68 per la raccolta e l?etichettamento dei nuovi dati raccolti. L?addestramento continuo produce nuovi algoritmi di identificazione addestrati che possono essere nuovamente caricati negli apparati di identificazione sul campo.
Il modulo di addestramento 63 pu? comprendere inoltre un?interfaccia grafica, che pu? presentare in particolare un?unit? grafica di elaborazione (GPU) e un modulo sofware grafico di monitoraggio della procedura di addestramento.
Il modulo grafico di addestramento pu? essere configurato per cooperare con detti dispositivi di output o di input per permettere all?operatore di inserire, gestire e visualizzare dati relativi all ? addestramento dell? algoritmo .
L?architettura elettronica 60 pu? comprendere l?archivio dati 64 esterno. L?archivio dati 64 pu? comprendere dati relativi ad ulteriori informazioni potenzialmente utili, quali diagnosi ed anamnesi relative ad altri soggetti, diagnosi ottenute con strumenti di altro tipo o effettuate da personale medico 400, dati statistici e/o simili. Secondo una variante realizzativa, l?architettura elettronica 60 pu? cooperare con un archivio dati esterno alla piattaforma 50, e i suddetti dati essere memorizzati su banche dati di terze parti a cui la piattaforma ? abilitata all?accesso in lettura.
L?architettura elettronica 60 pu? comprendere un dispositivo di acquisizione 65 di informazioni relative ai soggetti 300 testati mediante detto apparato di identificazione 10. Il dispositivo di acquisizione 65 pu? essere un computer, un server, un tablet o qualsiasi altro dispositivo dotato di un?unit? di elaborazione e un?unit? di memorizzazione per l?acquisizione ed il salvataggio delle suddette informazioni. Le suddette informazioni possono comprendere una diagnosi relativa ai soggetti 300 testati effettuata da personale medico 400 autonomamente o mediante ulteriore strumentazione, ad esempio strumentazione da laboratorio. Possono inoltre comprendere dati relativi ai soggetti 300, uno storico di precedenti patologie e/o simili.
Secondo forme di realizzazione e come rappresentato nella f?g. 3, il metodo di addestramento 100 di un apparato di identificazione 10 di stati patologici comprende almeno:
- individuare un gruppo di soggetti 300;
- ricevere 101, nell?apparato di identificazione 10, l?aria espirata da ogni soggetto 300;
- porre a contatto l?aria espirata almeno con i dispositivi di rilevazione di gas 11a;
- rilevare segnali prodotti almeno dai dispositivi di rilevazione di gas 1 1 a e associati alla concentrazione di una o pi? sostanze volatili presenti nell?aria espirata;
- trasmettere 102 almeno i suddetti segnali ad un?architettura elettronica 60 distribuita di addestramento e gestione dei dati;
- acquisire informazioni 103 relative ad ogni soggetto 300, associandole ai segnali rilevati per il soggetto 300, che comprendono almeno una diagnosi relativa alla classificazione del soggetto 300 in una classe tra un insieme di classi di appartenenza dello stato patologico;
- inviare 104 i suddetti segnali ed informazioni ad un modulo di addestramento 63 di algoritmi basati su intelligenza artificiale ed elaborarli per l?addestramento di un algoritmo di identificazione di stati patologici;
- aggiornare 105 il modulo di elaborazione 12 mediante l algoritmo di identificazione addestrato.
Il trasmettere 102 all?architettura elettronica 60 pu? comprendere la fase di trasmettere l?indicatore di classificazione 19a, utile per analisi statistica e per re-training continuo.
L?acquisire informazioni 103 relative ad una diagnosi pu? essere effettuato, durante le acquisizioni per l?addestramento, con soggetti 300 la cui diagnosi ? gi? nota con procedura medica non assistita dal trovato e anamnesi, oppure non ? ancora nota e verr? resa nota successivamente, con diagnosi da procedura medica non assistita dal trovato e anamnesi.
Vantaggiosamente, questa informazione potr? essere utilizzata, in modo noto, dal modulo di addestramento 63 per l?addestramento dell?algoritmo di identificazione.
L?acquisire informazioni 103 pu? prevedere di associare, alla diagnosi, anche ulteriori informazioni di anamnesi. Vantaggiosamente, tali ulteriori informazioni di anamnesi possono essere utilizzate per una migliore diagnosi e/o cura.
Il metodo di addestramento 100 pu? prevedere di definire il numero di soggetti 300 da testare per l?addestramento dell?apparato di identificazione 10. Ad esempio, il numero di soggetti pu? essere sufficiente a formare insiemi per l?addestramento, o insiemi per l?addestramento (Training Set) e la validazione (Validation Set) o simili.
Il metodo di addestramento 100 pu? comprendere acquisire ulteriori informazioni da un archivio dati 64 esterno.
Il metodo di addestramento 100 pu? comprendere, per l?addestramento dell? algoritmo di identificazione, di acquisire ed aggiornare un algoritmo pre-esistente basato su intelligenza artificiale relativo ad un diverso stato patologico. Ad esempio, una rete neurale gi? addestrata per effettuare diagnosi sul respiro di possibili pazienti tubercolotici pu? essere utilizzata come rete da cui partire per riaddestrarla per la diagnosi di pazienti COVID-19. Lo stato dell?arte giustifica vantaggi nell?utilizzo di questa tecnologia. Vantaggiosamente, ? in questo modo possibile utilizzare algoritmi basati su intelligenza artificiale noti, utilizzati ed economici, riducendo tempi e costi di sviluppo ed aumentando l affidabilit? dell? algoritmo addestrato. Ad esempio, si possono utilizzare tecniche di transfer-leaning su algoritmi gi? addestrati con altri set di dati.
Il metodo di addestramento 100 pu? comprendere pre-elaborare i segnali dei dispositivi di rilevazione 1 1 , per essere rappresentati, come immagini, su due dimensioni, ed addestrare l?algoritmo di identificazione per riconoscere immagini.
Secondo forme di realizzazione e come rappresentato nella fig. 4, il metodo di identificazione 200 di stati patologici in un soggetto 300 mediante un apparato di identificazione 10 di stati patologici pu? comprendere almeno:
- addestrare mediante un algoritmo di identificazione un modulo di elaborazione 12 dati o verificare che il modulo di elaborazione 12 dati sia stato addestrato;
- ricevere 201, in un apparato di identificazione 10, l?aria espirata dal soggetto 300;
- porre a contatto 202 l?aria espirata almeno con dispositivi di rilevazione di gas 11 a a banda larga;
- rilevare 203 segnali prodotti dai dispositivi di rilevazione di gas 11 a e associati alla concentrazione di una o pi? sostanze volatili presenti nell?aria espirata;
- elaborare 204, tramite il modulo di elaborazione 12 dati addestrato, i segnali per ottenere un indicatore di classificazione 19a del soggetto 300 in una classe tra un insieme di classi di appartenenza dello stato patologico;
- trasmettere 205 ad un?architettura elettronica 60 distribuita almeno detti segnali e detto parametro di classificazione.
Il metodo di identificazione 200 pu? comprendere rendere disponibile 206 l?indicatore di classificazione 19a tramite un?interfaccia locale 19 per la visualizzazione dell?indicatore di classificazione 19a.
Il metodo di identificazione 200 pu? comprendere inviare 208 i suddetti segnali ed informazioni ad un modulo di addestramento 63 di algoritmi basati su intelligenza artificiale ed elaborarli per l?addestramento/ riaddestramento di un algoritmo di identificazione di stati patologici.
Il metodo di identificazione 200 pu? comprendere aggiornare 209 il modulo di elaborazione 12 dati mediante l algoritmo di identificazione riaddestrato.
Il metodo di identificazione 200 pu? comprendere acquisire informazioni 207 relative ad ogni soggetto 300. L?acquisire informazioni 207 pu? prevedere di acquisire, durante l identificazione dello stato patologico, con soggetti la cui diagnosi non ? nota, ulteriori informazioni di anamnesi. Vantaggiosamente, tali ulteriori informazioni di anamnesi possono essere utilizzate per una migliore diagnosi e/o cura.
Il metodo di identificazione 200 pu? comprendere utilizzare uno stesso apparato di identificazione 10 sia per l?addestramento che per l?identificazione di stati patologici.
Secondo varianti di realizzazione, il metodo di identificazione 200 pu? comprendere la fase di utilizzare apparati diversi per l?addestramento e per l?identificazione di stati patologici. Ad esempio, un primo apparato di identificazione 10 pu? essere utilizzato per la raccolta dei dati dal respiro, mentre un secondo apparato di identificazione 10 pu? essere utilizzato per la sola identificazione e diagnosi. Vantaggiosamente, il metodo di identificazione 200 pu? prevedere di utilizzare un secondo apparato di identificazione 10 avente una parte di acquisizione e comunicazione semplificata.
In aggiunta o in alternativa, il metodo di identificazione 200 pu? prevedere di utilizzare un secondo apparato di identificazione 10 che presenta una parte di protezione da contagio semplificata, utilizzabile come dispositivo personale di uso analogo al telefono cellulare.
Il metodo di addestramento 100 e il metodo di identificazione 200 possono comprendere inoltre analizzare le caratteristiche fisiche dell? espirato, scelte in un gruppo comprendente una durata, un flusso o un profilo di espirazione del soggetto 300.
Il metodo di addestramento 100 e il metodo di identificazione 200 possono comprendere istruire il soggetto 300 sulle modalit? di esalazione dell? aria durante una o pi? fasi di espirazione. Includere nel protocollo di acquisizione (sia per la fase di addestramento sia per la fase di diagnosi) un sistema di guida su come espirare pu? essere determinante all? acquisizione ottimale dei dati dell? espirato.
Il metodo di addestramento 100 e il metodo di identificazione 200 possono comprendere aggiornare in maniera automatica il sistema di guida al soggetto 300 all?espirazione (procedura, intensit?, durata) sulla base di una o pi? analisi, in corso o effettuate precedentemente dall?apparato di identificazione 10 e memorizzate, e/o a indicazioni del personale medico 400.
Il metodo di addestramento 100 e il metodo di identificazione 200 possono comprendere pre-trattare/condizionare l?espirato.
Il metodo di addestramento 100 e il metodo di identificazione 200 possono comprendere una personalizzazione per classi di soggetti 300. ? chiaro che all?apparato di identificazione 10 di stati patologici, alla piattaforma 50 di identificazione di stati patologici, al metodo di addestramento 100 dell?apparato di identificazione 10 ed al metodo di identificazione 200 di stati patologici fin qui descritti possono essere apportate modifiche e/o aggiunte di parti o fasi, senza per questo uscire dall?ambito del presente trovato come definito dalle rivendicazioni.
Claims (23)
1. Apparato di identificazione di stati patologici di un soggetto mediante analisi del respiro, comprendente almeno:
- un insieme di dispositivi di rilevazione di gas a banda larga configurati per analizzare l?aria espirata dal soggetto e fornire segnali associati alla concentrazione di sostanze volatili presenti nell?aria espirata;
- una camera di contenimento dell?aria espirata dal soggetto, nella quale ? posizionato almeno l?insieme di dispositivi di rilevazione di gas, detta camera di contenimento comprendendo un ingresso e un?uscita di detta aria;
- un modulo di elaborazione almeno di detti segnali addestrabile mediante tecniche di intelligenza artificiale per la sintesi di un indicatore di classificazione del soggetto in una classe tra un insieme di classi di appartenenza dello stato patologico; e
- un modulo di comunicazione dati ad un?architettura elettronica distribuita per l?invio almeno di detti segnali ed eventualmente di detto indicatore di classificazione e per l' aggiornamento del modulo di elaborazione e/o un modulo di salvataggio dati, in alternativa o a supporto al modulo di comunicazione dati, atto ad immagazzinare i dati.
2. Apparato come nella rivendicazione 1, in cui l?apparato comprende due o pi? copie di uno stesso set di dispositivi di rilevazione.
3. Apparato come nella rivendicazione 1, in cui l?apparato comprende un modulo di pre-trattamento dell?aria espirata dal soggetto.
4. Apparato come nella rivendicazione 3, in cui il modulo di pretrattamento dell?aria espirata dal soggetto comprende dispositivi scelti tra dispositivi per la modifica della temperatura dell?aria, dispositivi per la modifica del tasso di umidit? dell?aria e dispositivi per separare il flusso dell?aria espirata in flussi separati.
5. Apparato come nella rivendicazione 1, in cui i dispositivi di rilevazione di gas sono scelti in un gruppo comprendente sensori di sostanze organiche volatili e sensori di gas.
6. Apparato come nella rivendicazione 1, in cui l?apparato comprende dispositivi di rilevazione per il monitoraggio del respiro scelti in un gruppo comprendente sensori acustici, sensori di flusso e/o portata, sensori di rilevamento del movimento della gabbia toracica del soggetto, sensori di temperatura e/o sensori di umidit?.
7. Apparato come nella rivendicazione 1, in cui l?apparato comprende almeno un dispositivo di pre-elaborazione dei segnali forniti dai dispositivi di rilevazione.
8. Apparato come nella rivendicazione 7, in cui il dispositivo di preelaborazione ? configurato per pre-elaborare i segnali dei dispositivi di rilevazione per essere rappresentati, come immagini, su due dimensioni e il modulo di elaborazione dati ? addestrabile per riconoscere immagini di oggetti.
9. Apparato come nella rivendicazione 1, in cui il modulo di elaborazione dati addestrabile mediante tecniche di intelligenza artificiale comprende una rete neurale, preferibilmente una rete convoluzionale profonda.
10. Apparato come nella rivendicazione 1, in cui l?apparato comprende un?interfaccia locale per la visualizzazione dell?indicatore di classificazione e/o per istruire il soggetto sulle modalit? di espirazione dell?aria durante una o pi? fasi di espirazione.
1 1. Piattaforma di identificazione di stati patologici comprendente un?architettura elettronica distribuita di addestramento e gestione dei dati e uno o pi? apparati di identificazione di stati patologici comprendenti almeno un insieme di dispositivi di rilevazione di gas a banda larga, un modulo di elaborazione dati addestrabile mediante tecniche di intelligenza artificiale e un modulo di comunicazione dati a detta architettura elettronica e/o un modulo di salvataggio dati, l?architettura elettronica comprendendo almeno un modulo di addestramento di algoritmi basati su intelligenza artificiale.
12. Piattaforma di identificazione come nella rivendicazione 11, in cui l?architettura elettronica comprende un archivio dati e/o coopera con un archivio dati esterno e comprende un dispositivo di acquisizione di informazioni relative ai soggetti testati mediante detti uno o pi? apparati di identificazione di stati patologici.
13. Metodo di addestramento di un apparato di identificazione di stati patologici comprendente almeno un insieme di dispositivi di rilevazione di gas a banda larga, un modulo di elaborazione dati addestrabile mediante tecniche di intelligenza artificiale e un modulo di comunicazione dati ad un?architettura elettronica distribuita di addestramento e gestione dei dati e/o un modulo di salvataggio dati, il metodo comprendendo almeno: - individuare un gruppo di soggetti;
- ricevere, nell?apparato di identificazione di stati patologici, l?aria espirata da ogni soggetto;
- porre a contatto l?aria espirata almeno con i dispositivi di rilevazione di gas;
- rilevare segnali prodotti almeno dai dispositivi di rilevazione di gas e associati alla concentrazione di una o pi? sostanze volatili presenti nell?aria espirata;
- trasmettere almeno detti segnali ad un?architettura elettronica distribuita di addestramento e gestione dei dati e/o salvare i dati per la trasmissione; - acquisire informazioni relative ad ogni soggetto, associandole ai segnali rilevati per il soggetto, dette informazioni comprendendo almeno una diagnosi relativa alla classificazione del soggetto in una classe tra un insieme di classi di appartenenza dello stato patologico;
- elaborare detti segnali ed informazioni tramite un modulo di addestramento di algoritmi basati su intelligenza artificiale per l?addestramento di un algoritmo di identificazione di stati patologici; - aggiornare il modulo di elaborazione dati mediante l' algoritmo di identificazione addestrato;
14. Metodo di addestramento come nella rivendicazione 13, comprendente acquisire ulteriori informazioni da un archivio dati esterno.
15. Metodo di addestramento come nella rivendicazione 13, comprendente, per l?addestramento del detto algoritmo di identificazione di stati patologici, acquisire ed aggiornare un algoritmo pre-esistente basato su intelligenza artificiale relativo ad un diverso stato patologico.
16. Metodo di addestramento come nella rivendicazione 13, comprendente pre-elaborare i segnali dei dispositivi di rilevazione per essere rappresentati, come immagini, su due dimensioni ed addestrare l?algoritmo di identificazione per riconoscere immagini.
17. Metodo di addestramento come nella rivendicazione 13, comprendente inoltre analizzare le caratteristiche fisiche dell? espirato, scelte in un gruppo comprendente una durata, un flusso o un profilo di espirazione del paziente.
18. Metodo di addestramento come nella rivendicazione 13, comprendente inoltre istruire un soggetto sulle modalit? di . esalazione dell?aria durante una o pi? fasi di espirazione.
19. Metodo di identificazione di stati patologici in un soggetto mediante un sistema di identificazione di stati patologici comprendente almeno un insieme di dispositivi di rilevazione di gas a banda larga, un modulo di elaborazione dati addestrabile mediante tecniche di intelligenza artificiale e un modulo di comunicazione dati ad una piattaforma remota e/o un modulo di salvataggio dati, il metodo di identificazione comprendendo almeno:
- addestrare mediante un algoritmo di identificazione il modulo di elaborazione dati o verificare che il modulo di elaborazione dati sia stato addestrato;
- ricevere, in un apparato di identificazione di stati patologici, l?aria espirata dal soggetto;
- porre a contatto l?aria espirata con dispositivi di rilevazione di gas a banda larga;
- rilevare segnali prodotti dai dispositivi di rilevazione di gas e associati alla concentrazione di una o pi? sostanze volatili presenti nell?aria espirata;
- elaborare tramite il modulo di elaborazione dati addestrato detti segnali per ottenere un indicatore di classificazione del soggetto in una classe tra un insieme di classi di appartenenza dello stato patologico;
- trasmettere ad un?architettura elettronica distribuita almeno detti segnali e detto indicatore di classificazione e/o salvare i dati per la trasmissione.
20. Metodo di identificazione come nella rivendicazione 19, in cui ? previsto di rendere disponibile detto indicatore di classificazione tramite un?interfaccia locale per la visualizzazione dell?indicatore di classificazione.
21. Metodo di identificazione come nella rivendicazione 19, in cui ? previsto di utilizzare uno stesso apparato sia per l?addestramento che per l?identificazione di stati patologici.
22. Metodo di identificazione come nella rivendicazione 19, comprendente inoltre analizzare le caratteristiche fisiche dell?espirato, scelte in un gruppo comprendente una durata, un flusso o un profilo di espirazione del paziente.
23. Metodo di identificazione come nella rivendicazione 19, comprendente inoltre istruire un soggetto sulle modalit? di esalazione dell?aria durante una o pi? fasi di espirazione.
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| IT102020000032249A IT202000032249A1 (it) | 2020-12-23 | 2020-12-23 | Apparato di identificazione di stati patologici e relativo metodo |
| US17/313,527 US20220192534A1 (en) | 2020-12-23 | 2021-05-06 | Apparatus for identifying pathological states and method thereof |
| EP21217630.9A EP4018927A1 (en) | 2020-12-23 | 2021-12-23 | Apparatus for identifying pathological states and corresponding method. |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| IT102020000032249A IT202000032249A1 (it) | 2020-12-23 | 2020-12-23 | Apparato di identificazione di stati patologici e relativo metodo |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| IT202000032249A1 true IT202000032249A1 (it) | 2022-06-23 |
Family
ID=74875157
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| IT102020000032249A IT202000032249A1 (it) | 2020-12-23 | 2020-12-23 | Apparato di identificazione di stati patologici e relativo metodo |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US20220192534A1 (it) |
| EP (1) | EP4018927A1 (it) |
| IT (1) | IT202000032249A1 (it) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2024020130A1 (en) * | 2022-07-20 | 2024-01-25 | Children's Hospital Los Angeles | Systems and methods for detecting pathologic breaths/breathing patterns |
| US20240027426A1 (en) * | 2022-07-25 | 2024-01-25 | Alko Prevent | Method for determining the alcohol content in exhaled air |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2001000265A1 (en) * | 1999-06-30 | 2001-01-04 | University Of Florida | Medical ventilator and method of controlling same |
| US20100137733A1 (en) * | 2008-12-01 | 2010-06-03 | Tricorn Tech Corporation | Breath analysis systems and methods for asthma, tuberculosis and lung cancer diagnostics and disease management |
| WO2017180606A1 (en) * | 2016-04-12 | 2017-10-19 | Endo Medical, Inc. | Breath analysis device |
| WO2018131044A1 (en) * | 2017-01-12 | 2018-07-19 | Mazor Robotics Ltd. | Image based pathology prediction using artificial intelligence |
| US20190125211A1 (en) * | 2017-10-31 | 2019-05-02 | NGageIT Digital Health, Inc. | Portable devices and methods for detecting and identifying compounds in breath |
| US20200029858A1 (en) * | 2018-07-29 | 2020-01-30 | nGagelT Digital Health, Inc. | Systems, Methods and Devices for Detecting and Identifying Substances in a Subject's Breath |
-
2020
- 2020-12-23 IT IT102020000032249A patent/IT202000032249A1/it unknown
-
2021
- 2021-05-06 US US17/313,527 patent/US20220192534A1/en active Pending
- 2021-12-23 EP EP21217630.9A patent/EP4018927A1/en active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2001000265A1 (en) * | 1999-06-30 | 2001-01-04 | University Of Florida | Medical ventilator and method of controlling same |
| US20100137733A1 (en) * | 2008-12-01 | 2010-06-03 | Tricorn Tech Corporation | Breath analysis systems and methods for asthma, tuberculosis and lung cancer diagnostics and disease management |
| WO2017180606A1 (en) * | 2016-04-12 | 2017-10-19 | Endo Medical, Inc. | Breath analysis device |
| WO2018131044A1 (en) * | 2017-01-12 | 2018-07-19 | Mazor Robotics Ltd. | Image based pathology prediction using artificial intelligence |
| US20190125211A1 (en) * | 2017-10-31 | 2019-05-02 | NGageIT Digital Health, Inc. | Portable devices and methods for detecting and identifying compounds in breath |
| US20200029858A1 (en) * | 2018-07-29 | 2020-01-30 | nGagelT Digital Health, Inc. | Systems, Methods and Devices for Detecting and Identifying Substances in a Subject's Breath |
Also Published As
| Publication number | Publication date |
|---|---|
| US20220192534A1 (en) | 2022-06-23 |
| EP4018927A1 (en) | 2022-06-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| ES2659945T3 (es) | Monitorización basada en residuos de la salud humana | |
| CN103518130B (zh) | 生物体气体检测装置及生物体气体检测方法 | |
| CN104237456B (zh) | 利用移动设备的浓度测量 | |
| EP4018927A1 (en) | Apparatus for identifying pathological states and corresponding method. | |
| ES2910573T3 (es) | Procedimiento y sistema para determinar la concentración de un analito en una muestra de un líquido corporal, y procedimiento y sistema para generar un módulo implementado por programa informático | |
| Gupta et al. | mobileSpiro: accurate mobile spirometry for self-management of asthma | |
| Trivedy et al. | Design and development of smartphone-enabled spirometer with a disease classification system using convolutional neural network | |
| CN110146651A (zh) | 基于气体传感器的呼出气检测系统 | |
| JP2024511897A (ja) | 被験体の疾患をスクリーニングするためのシステム、方法及び装置 | |
| Aggarwal et al. | A structured learning approach with neural conditional random fields for sleep staging | |
| Smulko et al. | Analysis of exhaled breath for dengue disease detection by low-cost electronic nose system | |
| KR101497662B1 (ko) | 진단 보조용 내시경 시스템 및 그 제어 방법 | |
| CN110403611B (zh) | 血液中糖化血红蛋白成分值预测方法、装置、计算机设备和存储介质 | |
| CN108680748B (zh) | 基于丙酮传感器的血糖检测仪及其检测方法 | |
| WO2016033186A1 (en) | Chemical monitoring system | |
| Zhang et al. | NOS. E: a new fast response electronic nose health monitoring system | |
| JP4961579B2 (ja) | 近赤外分光を用いた慢性疲労症候群（ｃｆｓ）診断法および装置 | |
| Jaeschke et al. | Modular Breath Analyzer (MBA): introduction of a breath analyzer platform based on an innovative and unique, modular enose concept for breath diagnostics and utilization of calibration transfer methods in breath analysis studies | |
| US20230309856A1 (en) | Method for identifying and monitoring illnesses from gas samples captured by a device and method for training a neural network to identify illnesses from gas samples captured by a device | |
| Guo | Electronic Nose Design for Respiratory Disease Detection: Flow Delivery, Sensing Mechanism, and Machine Learning Recognition Algorithm | |
| US20220322965A1 (en) | Transforming cheap spirometers to estimate flow-volume graph by deep learning | |
| Humaira et al. | Electronic nose applications for monitoring and odor classification in cattle farm | |
| Jaswal et al. | Advances in Non-Invasive Urinalysis Techniques for Monitoring Health and Detecting Disorders: A Review | |
| Evangelista et al. | Design of Breath Acetone Detection for Diabetes Detection and Classification using Electronic Nose | |
| CN116028845A (zh) | 一种肺泡气体识别模型的训练方法及肺泡气体采集装置 |