Ένα εργαλείο τεχνητής νοημοσύνης που αναπτύσσεται από επιστήμονες του Duke University μπορεί να προστεθεί σε συμβατικές κατά τα άλλα τουαλέτες για να βοηθά στην ανάλυση των κοπράνων των ασθενών και να παρέχει στους γαστρεντερολόγους τις πληροφορίες που χρειάζονται για να παρέχουν την κατάλληλη θεραπεία για χρόνια προβλήματα όπως το IBD (φλεγμονώδης νόσος του εντέρου) και το IBS (σύνδρομο ευερέθιστου εντέρου).
Ένα εργαλείο τεχνητής νοημοσύνης που αναπτύσσεται από επιστήμονες του Duke University μπορεί να προστεθεί σε συμβατικές κατά τα άλλα τουαλέτες για να βοηθά στην ανάλυση των κοπράνων των ασθενών και να παρέχει στους γαστρεντερολόγους τις πληροφορίες που χρειάζονται για να παρέχουν την κατάλληλη θεραπεία για χρόνια προβλήματα όπως το IBD (φλεγμονώδης νόσος του εντέρου) και το IBS (σύνδρομο ευερέθιστου εντέρου).
«Τυπικά, οι γαστρεντερολόγοι πρέπει να βασίζονται σε πληροφορίες που αναφέρουν οι ίδιοι οι ασθενείς για τα κόπρανά τους για να βοηθήσουν να διαπιστωθούν τα προβλήματα γαστρεντερικής υγείας τους, που μπορεί να είναι πολύ αναξιόπιστες» είπε η Ντέμπορα Φίσερ, αναπληρώτρια καθηγήτρια Ιατρικής και μία εκ των lead authors της μελέτης.
«Οι ασθενείς συχνά δεν μπορούν να θυμηθούν πώς μοιάζουν τα κόπρανά τους ή πόσο συχνά αφοδεύουν, που είναι μέρος της διαδικασίας παρατήρησης» είπε χαρακτηριστικά. «Η τεχνολογία Smart Toilet θα μας επιτρέπει να συλλέγουμε τις μακροπρόθεσμες πληροφορίες που χρειάζονται για πιο ακριβείς και έγκαιρες διαγνώσεις χρόνιων γαστρεντερικών προβλημάτων».
Η τεχνολογία αυτή μπορεί να εγκατασταθεί στις σωληνώσεις μιας υπάρχουσας τουαλέτας. Όταν κάποιος τη χρησιμοποιήσει και τραβήξει το καζανάκι, η τουαλέτα τραβάει μια φωτογραφία των κοπράνων στους σωλήνες. Τα δεδομένα που συλλέγονται σε βάθος χρόνου θα παρέχουν στον γαστρεντερολόγο καλύτερη κατανόηση της μορφής των κοπράνων ενός ασθενούς και στοιχεία για την παρουσία αίματος, επιτρέποντάς του να κάνουν σωστή διάγνωση.
Για την ανάπτυξη του εργαλείο τεχνητής νοημοσύνης για την ανάλυση εικόνων οι ερευνητές ανέλυσαν 3.328 εικόνες που βρέθηκαν online ή παρείχαν συμμετέχοντες στη μελέτη. Όλες οι εικόνες εξετάστηκαν και αξιολογήθηκαν από γαστρεντερολόγους. Χρησιμοποιώντας ένα συνελικτικό νευρωνικό δίκτυο- ένα είδος αλγορίθμου deep learning που μπορεί να αναλύει εικόνες- οι ερευνητές βρήκαν πως ο αλγόριθμος μπορούσε να καταχωρεί με ακρίβεια τη μορφή των κοπράνων στο 85% των περιπτώσεων, ενώ ο εντοπισμός αίματος ήταν ακριβής στο 76% των εικόνων.