| Name: | Description: | Size: | Format: | |
|---|---|---|---|---|
| 3.5 MB | Adobe PDF |
Abstract(s)
In this work, it was intended to contribute to the development of a Smart Sensor for targeted biomarkers, a much-needed footstep toward healthcare decentralization driven by thought-out the Point of Care (POC) screening capabilities. The bottleneck for this transition lies in the absence of End-to-End (E2E) platforms capable of collecting biomarkers, compiling on dynamic data lakes, and smoothly distributing the information, hardwiring data producers to data consumers, making full use of automation, data flow, and deep learning existing infrastructures. In this context, a sensor for POC needs to combine affordability, and transparency regarding data acquisition and processing, i.e., the Smart Sensor. The respective main components are (i) embedded digital filters for on-the-fly data curation, (ii) modeling, and (iii) deployment. The biomarkers chosen for this work were hemoglobin, glucose, and TMAO. The first two are markers of the person's general health. TMAO is a marker capable of predicting the risk of heart disease. The sensor chosen was an InnoSpectra NIR-M-R2, as it is affordable, portable, and capable of being controlled by IoT devices. However, these sensors present some barriers, such as the need for an experienced user. To combat that, the Smart Sensor has digital filters for data curation. Prediction models for each biomarker were created using the filtered samples and the PLS algorithm. These models were orthogonally corrected against the drying effect of samples. After that, the calibration was transferred between 2 sensors through transfer by orthogonal projection (TOP). Finally, convolutional neural network (CNN) models were applied to automate the model creation process. Digital filters improved RMSEP up to 58%, showing RMSEP for hemoglobin, glucose, and TMAO of 0.575, 2.399, and 1.185 g/l. Comparing CNN to PLS, there are no significant differences between them. However, CNN has several advantages, such as: does not require pre-processing, and the models are already robust to external effects, eliminating the need for an additional DOE. As such, CNN significantly reduces the complexity and time required to create models. Finally, the digital filters and models were embedded in cloud infrastructure, creating an E2E platform that analyzes these biomarkers in POC.
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.
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.
Description
Keywords
Smart Sensor End-2-End Biomarkers Healthcare Biomarcadores Cuidados de Saúde