BR102020002883A2 - Método para identificação e monitoramento de doenças a partir de amostras de gases captadas por um dispositivo e método de treinamento de uma rede neural para identificação de doenças a partir de amostras de gases captadas por um dispositivo - Google Patents
Método para identificação e monitoramento de doenças a partir de amostras de gases captadas por um dispositivo e método de treinamento de uma rede neural para identificação de doenças a partir de amostras de gases captadas por um dispositivo Download PDFInfo
- Publication number
- BR102020002883A2 BR102020002883A2 BR102020002883-9A BR102020002883A BR102020002883A2 BR 102020002883 A2 BR102020002883 A2 BR 102020002883A2 BR 102020002883 A BR102020002883 A BR 102020002883A BR 102020002883 A2 BR102020002883 A2 BR 102020002883A2
- Authority
- BR
- Brazil
- Prior art keywords
- neural network
- disease
- data
- diseases
- gas
- Prior art date
Links
- 201000010099 disease Diseases 0.000 title claims abstract description 119
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 119
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 105
- 238000000034 method Methods 0.000 title claims abstract description 87
- 238000012549 training Methods 0.000 title claims abstract description 21
- 238000012544 monitoring process Methods 0.000 title claims abstract description 14
- 239000007789 gas Substances 0.000 claims abstract description 118
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 claims description 10
- 239000008103 glucose Substances 0.000 claims description 10
- 238000010801 machine learning Methods 0.000 claims description 9
- 238000003062 neural network model Methods 0.000 claims description 9
- FGUUSXIOTUKUDN-IBGZPJMESA-N C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 Chemical compound C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 FGUUSXIOTUKUDN-IBGZPJMESA-N 0.000 claims description 6
- 239000003814 drug Substances 0.000 claims description 4
- 229940079593 drug Drugs 0.000 claims description 4
- 239000008280 blood Substances 0.000 claims description 3
- 210000004369 blood Anatomy 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 230000004044 response Effects 0.000 claims 2
- 238000004458 analytical method Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 7
- 206010012601 diabetes mellitus Diseases 0.000 description 6
- 238000007664 blowing Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000035945 sensitivity Effects 0.000 description 4
- 201000008827 tuberculosis Diseases 0.000 description 4
- 206010035664 Pneumonia Diseases 0.000 description 3
- 239000012491 analyte Substances 0.000 description 3
- 230000000857 drug effect Effects 0.000 description 3
- 230000002641 glycemic effect Effects 0.000 description 3
- CSCPPACGZOOCGX-UHFFFAOYSA-N Acetone Chemical compound CC(C)=O CSCPPACGZOOCGX-UHFFFAOYSA-N 0.000 description 2
- MWUXSHHQAYIFBG-UHFFFAOYSA-N Nitric oxide Chemical compound O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 description 2
- ATUOYWHBWRKTHZ-UHFFFAOYSA-N Propane Chemical compound CCC ATUOYWHBWRKTHZ-UHFFFAOYSA-N 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 229910002092 carbon dioxide Inorganic materials 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013481 data capture Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000001647 drug administration Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 244000005700 microbiome Species 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 239000011368 organic material Substances 0.000 description 2
- 239000005416 organic matter Substances 0.000 description 2
- 230000029058 respiratory gaseous exchange Effects 0.000 description 2
- MGWGWNFMUOTEHG-UHFFFAOYSA-N 4-(3,5-dimethylphenyl)-1,3-thiazol-2-amine Chemical compound CC1=CC(C)=CC(C=2N=C(N)SC=2)=C1 MGWGWNFMUOTEHG-UHFFFAOYSA-N 0.000 description 1
- LSNNMFCWUKXFEE-UHFFFAOYSA-M Bisulfite Chemical compound OS([O-])=O LSNNMFCWUKXFEE-UHFFFAOYSA-M 0.000 description 1
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 1
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 1
- 206010018429 Glucose tolerance impaired Diseases 0.000 description 1
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 201000010538 Lactose Intolerance Diseases 0.000 description 1
- 206010036790 Productive cough Diseases 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000009530 blood pressure measurement Methods 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 229910002091 carbon monoxide Inorganic materials 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004868 gas analysis Methods 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 150000002431 hydrogen Chemical class 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 229940079826 hydrogen sulfite Drugs 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000007769 metal material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 210000004400 mucous membrane Anatomy 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- JCXJVPUVTGWSNB-UHFFFAOYSA-N nitrogen dioxide Inorganic materials O=[N]=O JCXJVPUVTGWSNB-UHFFFAOYSA-N 0.000 description 1
- QGLKJKCYBOYXKC-UHFFFAOYSA-N nonaoxidotritungsten Chemical compound O=[W]1(=O)O[W](=O)(=O)O[W](=O)(=O)O1 QGLKJKCYBOYXKC-UHFFFAOYSA-N 0.000 description 1
- 210000004205 output neuron Anatomy 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000001294 propane Substances 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 210000003802 sputum Anatomy 0.000 description 1
- 208000024794 sputum Diseases 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 229910001930 tungsten oxide Inorganic materials 0.000 description 1
- 238000005019 vapor deposition process Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
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
-
- 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
- A61B5/083—Measuring rate of metabolism by using breath test, e.g. measuring rate of oxygen consumption
-
- G—PHYSICS
- G08—SIGNALLING
- G08C—TRANSMISSION SYSTEMS FOR MEASURED VALUES, CONTROL OR SIMILAR SIGNALS
- G08C17/00—Arrangements for transmitting signals characterised by the use of a wireless electrical link
- G08C17/02—Arrangements for transmitting signals characterised by the use of a wireless electrical link using a radio link
-
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- 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
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Pulmonology (AREA)
- Biophysics (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Physiology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Emergency Medicine (AREA)
- Obesity (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
método para identificação e monitoramento de doenças a partir de amostras de gases captadas por um dispositivo e método de treinamento de uma rede neural para identificação de doenças a partir de amostras de gases captadas por um dispositivo. a presente invenção refere-se a um método para identificação e monitoramento de doenças a partir de amostras de gases captados por um dispositivo, caracterizado pelo fato de que compreende as etapas de captar pelo menos uma amostra de gases presentes no ambiente em um momento anterior a uma captação de amostra de gases proveniente de um sopro de um usuário, captar a amostra de gases proveniente de um sopro de um usuário; e captar pelo menos uma amostra de gases presentes no ambiente em um momento posterior ao momento da captação do sopro; gerar um array de dados incluindo dados relacionados às amostras de gases captadas; e utilizar o array de dados como entrada de pelo menos uma rede neural treinada para associar pelo menos uma doença com uma assinatura de gases, a rede neural sendo configurada para indicar se o array de dados utilizado como entrada gera uma saída positiva ou negativa para a pelo menos uma doença.
Description
[001] A presente invenção refere-se a um método de identificação e monitoramento de doenças que permite a identificação e geração automática das assinaturas gasosas de doenças/microbiomas a partir do uso de redes neurais e algoritmos de aprendizado de máquina.
[002] São conhecidos do estado da técnica diversos equipamentos, dispositivos e respectivos métodos de processamento de dados para identificação de doenças a partir dos gases exalados pelo sopro, facilitando, assim, os processos de diagnósticos, em geral.
[003] Neste sentido, destaca-se o documento WO2009/020647, que mostra um dispositivo portátil para análise de gases exalados que mede diversos analitos da respiração ou mesmo dos níveis de glicose do sangue e transmite os dados para uma localidade remota, antes ou após analisá-los. O referido dispositivo pode compreender um meio de armazenagem, um meio de análise e um meio de comunicação.
[004] O documento US20180338023, por sua vez, revela um dispositivo móvel que pode ter um módulo de análise de gases exalados para detectar propriedades relacionadas a diferentes condições de saúde ou mesmo informações referentes à ingestão de álcool. Embora o objeto do pedido seja voltado a um dispositivo para uso com um terminal móvel, o equipamento, quando configurado, possui sensor ou sensores de gás e ambiente, uma unidade de leitura de sensor, uma unidade de processamento, uma interface com o usuário, uma unidade de armazenamento e uma unidade de comunicação.
[005] Já o documento estadunidense US2006/0058697 mostra um dispositivo portátil de verificação de estado de saúde que compreende um sensor de respiração, uma unidade de processamento, uma memória, uma unidade de interface com o usuário e uma unidade de comunicação. Este documento descreve um dispositivo baseado na detecção de hidrogênio, utilizando-se óxido de tungstênio produzido por processo de deposição química de vapor metalorgânico. O dispositivo compreende, ainda, identificadores de voz de usuário.
[006] Ainda, o documento US2008045825 descreve um equipamento coletor de amostra de gás exalado em respiração, compreendendo um sistema de controle para determinar a concentração de glicose a partir de gases e sensores que podem adsorver os gases para as análises quantitativas. O equipamento compreende ainda um display, além de uma memória e um sistema de comunicação.
[007] O documento CN108281201, por sua vez, descreve um sistema de diagnóstico remoto baseado em um microprocessador em nuvem que compreende um dispositivo de aquisição, equipamento de usuário, um servidor de nuvem e equipamento de terminal, em que o dispositivo de aquisição com o microprocessador de nuvem é usado para a aquisição de dados de concentração de matérias orgânicas em gás exalado por um usuário e para transmitir sem fio os dados de concentração adquiridos das matérias orgânicas para o equipamento do usuário. O equipamento do usuário compreende um computador para carregar os dados de concentração recebidos das matérias orgânicas para o servidor de nuvem, e o servidor de nuvem é usado para calcular e processar os dados de concentração carregados das matérias orgânicas.
[008] Também como representante do estado da técnica pode ser citado o documento brasileiro BR 11 2013 032313 2, o qual descreve um aparelho de monitoramento de gás de corrente final para o monitoramento de gás na respiração exalada para fins de diagnóstico, compreendendo um sensor de gás de sulfito de hidrogênio, sensor de gás de monóxido de carbono, sensor de gás de dióxido de carbono, sensor de gás de hidrogênio, sensor de gás de óxido nítrico, ou sensor de gás de dióxido de nitrogênio, por exemplo. O dispositivo também compreende um computador operacionalmente acoplado ao componente de sensor de gás; um componente de memória operacionalmente acoplado ao computador; uma base de dados armazenada dentro do componente de memória e um meio de transmissão dos ditos dados.
[009] É um dos objetivos da presente invenção proporcionar um método para identificação e monitoramento de doenças a partir de amostras de gases captadas por um dispositivo que permita a identificação e geração automática das assinaturas gasosas de doenças/microbiomas a partir do uso de redes neurais e algoritmos de aprendizado de máquina.
[0010] É mais um dos objetivos da presente invenção proporcionar um método para identificação e monitoramento de doenças a partir de amostras de gases captadas por um dispositivo, o qual faz uso de redes neurais treinadas para representar as assinaturas gasosas de doenças, de modo a analisar a concentração dos gases identificados para tais doenças.
[0011] É outro dos objetivos da presente invenção proporcionar um método para identificação e monitoramento de doenças a partir de amostras de gases captadas por um dispositivo que realiza captações de dados em momentos anteriores e posteriores ao sopro do usuário, de modo a identificar qualquer interferência no ambiente causada pelo sopro.
[0012] É outro dos objetivos da presente invenção proporcionar um método para treinamento de uma rede neural para identificação de doenças a partir de amostras de gases captadas por um dispositivo.
[0013] A presente invenção atinge esses e outros objetivos através de um método para identificação e monitoramento de doenças a partir de amostras de gases captados por um dispositivo, que compreende:
[0014] a) captar pelo menos uma amostra de gases presentes no ambiente em um momento anterior a uma captação de amostra de gases proveniente de um sopro de um usuário;
[0015] b) captar a amostra de gases proveniente de um sopro de um usuário em um momento posterior ao momento da captação da etapa a);
[0016] c) captar pelo menos uma amostra de gases presentes no ambiente em um momento posterior ao momento da captação da etapa b);
[0017] gerar um array de dados incluindo dados relacionados às amostras de gases captadas; e
[0018] utilizar o array de dados como entrada de pelo menos uma rede neural treinada para associar pelo menos uma doença com uma assinatura de gases, a rede neural sendo configurada para indicar se o array de dados utilizado como entrada gera uma saída positiva ou negativa, ou, ainda, uma saída correspondente a um valor discreto entre 0 e 1 para a pelo menos uma doença.
[0019] As etapas a) e c) podem compreender ainda captar, junto com as amostras de gases presentes no ambiente, dados de temperatura, umidade e vazão de ar; e a etapa d) pode compreende gerar um array de dados incluindo dados relacionados às amostras de gases captadas e aos dados de temperatura, umidade, pressão, GPS, som, altitude e vazão de ar captados nas etapas a) e c).
[0020] Em uma concretização do método da invenção, a etapa a) compreende captar uma pluralidade de amostras de gases e uma pluralidade de dados de temperatura, umidade e vazão de ar em diferentes momentos anteriores à captação da. amostra de gases proveniente de um sopro de um usuário; e a etapa c) compreende captar uma pluralidade de amostras de gases e uma pluralidade de dados de temperatura, umidade, pressão, GPS, som, altitude e vazão de ar em diferentes momentos posteriores à captação da amostra de gases proveniente de um sopro de um usuário.
[0021] Em outra concretização, a etapa d) compreende ainda converter o array de dados em uma imagem gráfica e a etapa e) compreende utilizar a imagem gráfica convertida a partir do array de dados como entrada da pelo menos uma rede neural.
[0022] O array de dados pode ser utilizado em uma pluralidade de redes neurais, cada rede neural sendo treinada para associar uma diferente doença com uma assinatura gasosa, cada rede neural sendo configurada para indicar se o array de dados utilizado como entrada gera uma saída positiva ou negativa, ou, ainda, uma saída com valor discreto entre 0 e 1 para a diferente doença para a qual aquela rede neural foi treinada. Assim, o método pode compreender uma etapa f) de gerar um relatório de resultado com as saídas positiva ou negativa correspondente à cada diferente doença.
[0023] Em outra concretização, o array de dados pode ser utilizado em uma rede neural multiclasse, a rede neural multiclasse sendo treinada para associar uma pluralidade de doenças com um pluralidade correspondente de assinaturas gasosas e sendo configurada para indicar se o array de dados utilizado como entrada gera uma saída positiva ou negativa para cada doença da pluralidade de doenças. Assim, o método pode compreender ainda uma etapa f) de gerar um relatório de resultado com as saídas positiva ou negativa, ou, ainda, entre 0 e 1 para cada doença da pluralidade de doenças.
[0024] Os valores de saída, quando entre 0 e 1, podendo ser convertidos a um valor positivo/negativo para a identificação de uma doença dentre a pluralidade de doenças. Além disso, os valores de saída discretos entre 0 e 1 sendo relacionados ao nível de uma doença, e a fatores, tais como: níveis de glicose ou efeito de um fármaco.
[0025] A presente invenção também contempla um método de treinamento de uma rede neural para identificação e monitoramento de doenças a partir de amostras de gases captados por um dispositivo, que compreender:
[0026] proporcionar um conjunto de dados que inclui, para cada paciente de uma pluralidade de pacientes:
[0027] dados relacionados a pelo menos uma amostra de gases presentes no ambiente em um momento anterior a uma captação de amostra de gases proveniente de um sopro do paciente;
[0028] dados relacionados a uma amostra de gases proveniente de um sopro do paciente;
[0029] dados relacionados a pelo menos uma amostra de gases presentes no ambiente em um momento posterior ao momento da captação da amostra de gases proveniente de um sopro do paciente;
[0030] proporcionar um segundo conjunto de dados compreendendo dados de diferentes doenças diagnosticadas para cada paciente da pluralidade de pacientes; e
[0031] construir automaticamente, utilizando um algoritmo de aprendizado de máquina automático, um modelo de rede neural que relacione uma doença diagnosticada da pluralidade de doenças diagnosticadas a uma diferente assinatura gasosa.
[0032] Em uma concretização, o método pode construir uma pluralidade de modelos de rede neural que relacionam a pluralidade de doenças diagnosticadas a diferentes assinaturas gasosas.
[0033] Em outra concretização, o método pode construir uma rede neural multiclasse que relaciona a pluralidade de doenças diagnosticadas a diferentes assinaturas gasosas.
[0034] A presente invenção será descrita a seguir com mais detalhes, com referências aos desenhos anexos, nos quais:
[0035] Figura 1 – ilustra esquematicamente um dispositivo de captação de gases que utiliza um método de identificação de doenças de acordo com uma concretização da presente invenção;
[0036] Figura 2 – é um fluxograma que ilustra, esquematicamente, a fase de captação de dados do método de identificação de doenças de acordo com uma concretização da presente invenção;
[0037] Figura 3 – é uma ilustração esquemática do array de dados do método de identificação de doenças de acordo com uma concretização da presente invenção;
[0038] Figura 4 – é uma ilustração esquemática da fase de treinamento do método de identificação de doenças de acordo com uma concretização da presente invenção;
[0039] Figura 5 – é uma ilustração esquemática de uma rede neural utilizada pelo método de identificação de doenças de acordo com uma concretização da presente invenção;
[0040] Figura 6 – é uma ilustração esquemática do armazenamento das redes neurais treinadas utilizadas pelo método de identificação de doenças de acordo com uma concretização da presente invenção;
[0041] Figura 7 – é uma ilustração de base de dados de armazenamento das redes neurais treinadas utilizadas pelo método de identificação de doenças de acordo com uma concretização da presente invenção;
[0042] Figura 8 – é uma ilustração de base de dados de armazenamento da rede neural multiclasse utilizada pelo método de identificação de doenças de acordo com uma concretização da presente invenção;
[0043] Figura 9 – é uma ilustração esquemática da fase de treinamento do método de identificação de doenças de acordo com uma concretização da presente invenção, utilizando uma rede neural multiclasse;
[0044] Figura 10 - é uma ilustração esquemática de uma rede neural multiclasse utilizada pelo método de identificação de doenças de acordo com uma concretização
[0045] Figura 11 - é uma ilustração esquemática da fase de análise do método de identificação de doenças de acordo com uma concretização da presente invenção,
[0046] Figura 12 - é uma ilustração esquemática da fase de análise do método de identificação de doenças de acordo com uma concretização da presente invenção, onde o método utiliza uma pluralidade de redes neurais;
[0047] Figura 13 - é uma ilustração esquemática da fase de análise do método de identificação de doenças de acordo com uma concretização da presente invenção, onde o método utiliza uma rede neural multiclasse;
[0048] Figura 14 – é uma tabulação do array de dados do método de identificação de doenças de acordo com uma concretização da presente invenção;
[0049] Figura 15 – é uma plotagem do array de dados do método de identificação de doenças de acordo com uma concretização da presente invenção;
[0050] Figura 16 - é uma ilustração esquemática do método de identificação de doenças de acordo com uma concretização da presente invenção; e
[0051] Figura 17 - é ilustração esquemática da fase de análise do método de identificação de doenças de acordo com uma concretização da presente invenção.
[0052] A presente invenção será descrita a seguir com base em concretizações da invenção ilustradas nas figuras 1 a 17.
[0053] Em uma concretização, a presente invenção refere-se a um método para identificação e monitoramento de doenças a partir de amostras de gases captados por um dispositivo.
[0054] O dispositivo da presente invenção pode ser qualquer dispositivo de captação de gases adequado. Conforme ilustrado na figura 1, em uma concretização, o dispositivo compreende uma unidade de coleta receptando a leitura dos N sensores de gás, dos sensores de umidade, de temperatura, de GPS, som, de pressão, de altitude e de vazão (ex.: anemômetro portátil de alta sensibilidade, acelerômetro ou sensor de vibração), uma placa mãe (Arduino, Intel, Galileo, Raspberry Pi); e uma unidade de processamento, que inclui um conjunto de redes neurais artificiais (ANN) treinadas.
[0055] Os sensores e gás (CP1) podem incluir: sensors de H2, NH3, CO2, CH4, H2NO3, H2S, NO, dentre outros.
[0056] O método da presente invenção compreende uma fase de coleta de dados, responsável pela detecção dos gases no ambiente e composição da amostra (vetor de entradas). O método proposto avalia temperatura, umidade, pressão, GPS, som, altitude e vazão e os gases antes e após o sopro do paciente/ usuário, ou seja, são coletados os dados do ambiente atual e do ambiente após sofrer interferência do sopro. Essa análise antes de depois do sopro possibilita que a presente invenção dispense a necessidade de um ambiente controlado para captação.
[0057] A figura 2 ilustra o processo de coleta dos gases em uma concretização do método da presente invenção. Assim, ao iniciar o dispositivo, antes de iniciar a coleta, o usuário pode entrar manualmente com algumas informações do paciente, como peso, altura e se ele é fumante. Ao iniciar a coleta, o dispositivo irá apresentar uma mensagem solicitando que o usuário aguarde X milissegundos antes de soprar. Durante esse tempo de X milissegundos, o sistema irá coletar os dados do ambiente atual, antes que sofra interferência pelo sopro do usuário. Os dados coletados podem ser temperatura, umidade, vibração, vazão do ar por dentro do dispositivo, e uma leitura discreta dos sensores de gás (leitura dos sensores no tempo 1, tempo 2, e assim em diante). Após finalizado esses X milissegundos, o sistema irá solicitar que o usuário sopre no bico externo, e então, iniciará uma nova coleta de dados de Y milissegundos.
[0058] Dessa maneira, o método é capaz de captar pelo menos uma amostra de gases presentes no ambiente em um momento anterior a uma captação de amostra de gases proveniente de um sopro de um usuário e pelo menos uma amostra de gases presentes no ambiente em um momento posterior ao momento da captação do sopro do usuário. Durante as etapas de captação de gases do ambiente nos momentos pré e pós captação do sopro, podem ser captados, junto com as amostras de gases presentes no ambiente, dados de temperatura, umidade, pressão, GPS, som altitude e vazão de ar.
[0059] Naturalmente, deve ser entendido que o método pode captar qualquer número dentre uma pluralidade de amostras em diferentes tempos dentro dos X milissegundos anteriores ao sopro e dentro dos Y milissegundos posteriores ao sopro.
[0060] [Após, a captação dos dados, o método gera um array de dados incluindo dados relacionados às amostras de gases captadas e aos dados de temperatura e pressão que, de acordo com equação de Clapeyron (P.V = n.R.T), são importantes para conhecer o número de mols de um determinado analito gasoso. Além disso, a temperatura também influencia na sensibilidade do sensor aumentando sua condutividade ou diminuindo dependendo do material utilizado em cada sensor. Ressalta-se que essa variação é prevista pela lei de OHM no estudo da resistividade de um material metálico e sua condutividade. A umidade também pode ser medida, já que ela influencia na sensibilidade dos sensores de gás.
[0061] A presente invenção também pode fazer uso de um GPS, que é capaz de mapear a altitude em que o usuário se encontra. A altitude influencia na pressão que, de acordo com a equação de estado do gás ideal, deve ser medida para se conhecer o número de mols de um analito gasoso.
[0062] O som poderá ser medido através de um sensor, sendo utilizado para conhecer o estado das vias aéreas do usuário, como, por exemplo, se possui ou não obstruções, medir a intensidade e frequência, já que as mucosas liberadas (escarro) durante certas condições de saúde emitem som durante o sopro e respiração. Durante o sopro do usuário, a vazão de ar também pode ser medida, já que é capaz de dizer o volume de analitos por unidade de tempo e também trata-se de um aparelho que contém boa parte do ar dentro de um recipiente semi fechado.
[0063] Assim, espera-se que o fato de um usuário soprar, com mais ou menos força, aumenta a pressão dentro do recipiente, tendo relação direta com a identificação do número de mols de um determinado analito gasoso.
[0064] Assim, o dispositivo utilizado para a implementação do método da presente invenção por utilizar ainda um sensor medidor de pressão para aumentar a confiabilidade de outras medições de pressão (diretas ou indiretas) via corroboração de dados
[0065] A figura 3 exemplifica o array de dados que pode ser gerado durante a fase de coleta ao término de cada execução do dispositivo. O array contém dados tanto do momento que antecede o sopro, como do momento após o sopro.
[0066] O array de dados gerado na fase de coleta pode ser usado tanto na fase de treinamento (geração automática das assinaturas gasosas), como na fase de utilização do dispositivo (dispositivo com rede neural embarcada).
[0067] Assim, no método da presente invenção, o dispositivo utiliza o array de dados como entrada de pelo menos uma rede neural treinada para associar pelo menos uma doença com uma assinatura de gases, a rede neural sendo configurada para indicar se o array de dados utilizado como entrada gera uma saída positiva ou negativa para a pelo menos uma doença.
[0068] Em uma concretização da presente invenção, o método compreende uma pluralidade de rede neurais, onde cada rede neural é treinada para associar uma diferente doença com uma assinatura gasosa. Assim, cada rede neural é configurada para indicar se o array de dados utilizado como entrada gera uma saída positiva ou negativa para a diferente doença para a qual aquela rede neural foi treinada.
[0069] Em uma concretização da presente invenção, o método compreende uma pluralidade de rede neurais, onde cada rede neural é treinada para associar uma diferente doença com uma assinatura gasosa. Assim, cada rede neural é configurada para indicar se o array de dados utilizado como entrada gera uma saída com valor discreto entre 0 e 1 para a diferente doença para a qual aquela rede neural foi treinada. Os valores discretos da saída podendo ser convertidos a positivo ou negativo para identificação de uma doença.
[0070] Além disso, os valores de saída discretos entre 0 e 1 podem ser utilizados para relacionar fatores, tais como: nível de doença do paciente, nível de glicose e efeito de um fármaco.
[0071] Em uma concretização na invenção, durante o treinamento da rede neural, ao invés de apenas correlacionar os dados de entrada com um valor positivo ou negativo para uma doença, pode-se também considerar os níveis de intensidade da doença, quantificando o seu estágio, a exemplo de inicial e avançado.
[0072] Da mesma forma, o treinamento também pode ser feito considerando o nível de glicose. Dessa forma, o valor referência a ser utilizado para o treinamento da(s) rede(s) será um valor discreto, ao invés de apenas positivo e negativo para uma determinada doença. Assim, a saída da rede neural, que gera um valor entre 0 e 1, será convertida para as diferentes medidas de glicose, por exemplo, a saída da rede neural 0.5 pode ser convertida em 120mg/DL. No caso do acompanhamento para efeito de fármaco, para criar a base de dados utilizada para treinamento da rede neural também pode-se, durante um determinado período de tempo, armazenar as informações relativas ao tempo de administração do fármaco pelo paciente e o estágio da doença. Assim, para a análise do efeito do fármaco, é possível converter o valor discreto fornecido pela rede neural, que é calculado a partir dos dados de entrada, como gases, temperatura e estágio da doença, em uma estimativa de tempo para administração do fármaco.
[0073] Ainda em outra concretização, o método compreende uma rede neural multiclasse, treinada para associar uma pluralidade de doenças com uma pluralidade correspondente de assinaturas gasosas. Assim, a rede neural multiclasse é configurada para indicar se o array de dados utilizado como entrada gera uma saída positiva ou negativa para cada doença da pluralidade de doenças.
[0074] As figuras 4 a 10 ilustram o treinamento das redes neurais artificiais utilizadas em concretizações do método da presente invenção.
[0075] Assim, para o treinamento das redes, o dispositivo utilizará um primeiro conjunto de dados que inclui, para cada paciente de uma pluralidade de pacientes, dados relacionados a pelo menos uma amostra de gases presentes no ambiente em um momento anterior a uma captação de amostra de gases proveniente de um sopro do paciente, dados relacionados a uma amostra de gases proveniente de um sopro do paciente, e dados relacionados a pelo menos uma amostra de gases presentes no ambiente em um momento posterior ao momento da captação da amostra de gases proveniente de um sopro do paciente; e um segundo conjunto de dados que um segundo conjunto de dados compreendendo dados de diferentes doenças diagnosticadas para cada paciente da pluralidade de pacientes (por exemplo, diabetes, pneumonia, tuberculose, etc.). Essas informações serão armazenadas em uma base de dados comum, localizada em um servidor central.
[0076] Após a construção da base de dados, o método constrói, utilizando um algoritmo de aprendizado de máquina automático, pelo menos um modelo de rede neural que relacione uma doença diagnosticada da pluralidade de doenças diagnosticadas a uma diferente assinatura gasosa.
[0077] A Figura 4 ilustra o fluxograma desse processo de geração automática de assinaturas gasosas. Os dados salvos, que contém um diagnóstico para pneumonia, por exemplo, serão utilizados por um algoritmo de automatic machine learning (AUTO-ML) ou também conhecido como neural architecture search (ELSKEN, 2018), para construir automaticamente, uma rede neural para análise de pneumonia, até atingir uma sensibilidade e especificidade desejadas. Esse processo se repete para cada doença. Ao término da construção automática dos modelos, o modelo de cada doença será salvo em uma base de dados, juntamente com suas informações de sensibilidade e especificidade. Uma vez identificado as conexões e pesos das redes neurais já treinadas, as mesmas podem ser convertidas em funções, de tal forma, que sejam transladadas para diferentes dispositivos.
[0078] O processo de automatic machine learning ou neural architecture search, já conhecido do estado da técnica, consiste em testar vários modelos de rede neural automaticamente até encontrar um modelo que apresente resultados adequados para uma base de dados específica. Os modelos podem variar de acordo com o número de features (variáveis de entradas), arquitetura da rede neural, função de ativação, etc. A Figura 5 mostra o diagrama de feature-oriented domain analysis (FODA), que é comumente utilizado para representar sistemas configuráveis, para ilustrar as características que podem variar nas redes neurais geradas. Por exemplo, as redes neurais geradas para as diferentes doenças podem variar em termos dos sensores de entrada selecionados, do número de camadas e da função de ativação. Se uma rede neural não considera a entrada de um determinado sensor, o valor obtido pelo sensor será ignorado durante a análise realizada com essa rede neural. Pode acontecer da rede neural para diabetes considerar apenas os valores mínimos e máximos lidos pelo sensor de acetona, enquanto a rede neural para tuberculose considerar todos os valores discretos que foram obtidos por todos os sensores de gás.
[0079] As Figuras 6, 7 e 8 apresentam com mais detalhes o sistema para geração automática de assinaturas gasosas, que são representadas por modelos de redes neurais.
[0080] Conforme ilustrado na Figura 6, todos os dados coletados durante a fase de treinamento do dispositivo são armazenados em um repositório na nuvem. A Figura 7 provê detalhes de como os dados são armazenados na base de dados. Cada linha da tabela de dados representa um array obtido na fase de coleta, contendo as informações das amostras obtidas antes e depois do sopro do usuário. Os dados obtidos dos sensores de gás são armazenados de forma discreta, de acordo com o tempo e intervalo de leitura estabelecidos durante a fase de coleta. Já a Figura 8 ilustra os modelos de redes neurais que podem ser gerados automaticamente para cada uma das doenças, de acordo com os dados armazenados. No exemplo apresentado, a rede neural utilizada para analisar diabetes, é uma rede neural com três camadas, dois neurônios ocultos na camada intermediária e função sigmoide. Como entrada, essa rede neural considera apenas as leituras obtidas do sensor de gás propano (do ambiente antes e após o sopro), do sensor de temperatura e de umidade. Já a rede neural para analisar intolerância a lactose, não utiliza a leitura discreta dos sensores de gás, mas somente a leitura máxima dos sensores de gás antes e depois do usuário soprar dentro do dispositivo.
[0081] As figuras 9 e 10 mostram a concretização do método que utiliza apenas uma única rede neural multiclasse. Como pode ser visto nessas figuras, o sistema de geração de assinatura automática segue a mesma lógica que a da concretização do método que utiliza a pluralidade de redes neurais.
[0082] Após a fase de treinamento do dispositivo, os modelos de rede neural armazenados na base de dados podem ser transladados para o dispositivo, de forma que sejam embarcados, e funcionem off-line e independente, sem precisar de qualquer tipo de conexão.
[0083] As figuras 11 e 12 mostram as etapas do método com redes treinadas, em que os dados são coletados, conforme a fase de coleta descrita acima, e usados como entrada nas N redes neurais armazenadas na memória interna do dispositivo. Se o array de dados contiver dados A e B, mas a rede neural só considerar e entrada A, o dado B será automaticamente ignorado por essa rede neural. Após calcular a saída de todas as redes neurais armazenadas utilizando esse array de dados como entrada, o método irá processar as saídas e converter para linguagem natural. Por exemplo, se a saída da rede neural de diabetes pode assumir valor entre zero e um, e a saída é 0,95, então, a saída para diabetes é convertida em “Sim”. Após processar todas as saídas, o método gera um relatório ao usuário, contendo a análise de todas as doenças para as quais as redes foram treinadas.
[0084] Caso a(s) rede(s) neurais sejam treinadas com valores discretos, como o estágio de uma determinada doença (ex. inicial e avançado), a saída da rede neural poderá ser convertida para um valor discreto, ao invés de apenas "Sim" e "Não". Por exemplo, a tuberculose é uma doença que pode ter um quadro clínico dividido em três estágios, sendo o primeiro, o estágio inicial, e o terceiro, o estágio mais avançado da doença. Nesse caso, a depender dos dados de treinamento da rede neural, se o valor de saída da rede neural para tuberculose for um valor entre o intervalo [0; 0.1], esse valor poderá ser convertido para "Não", indicando a não presença da doença. Se o valor de saída da rede neural for entre o intervalo [0.11;0.4], poderá ser convertido para uma informação textual, indicando a presença do primeiro estágio da doença. O valor entre o intervalo [0.41; 0.8] poderá indicar o segundo estágio, assim como o valor entre [0.81; 1.0], que poderá indicar o estágio mais avançado. Da mesma forma, o sistema sendo treinado para a identificação de glicose, ele pode ser treinado para ter como saída tanto os valores "normal", "pré-diabético" e "diabético", como também o próprio valor do índice glicêmico da pessoa. Nesse caso, dado um array de dados que contém as informações dos sensores de gás, temperatura e umidade, a rede neural terá como saída um valor entre 0 e 1, e esse valor poderá indicar um valor de índice glicêmico correspondente à um valor entre os índices glicêmicos mínimo e máximo que foram identificados durante o processo de treinamento da rede neural.
[0085] A figura 13 mostra as etapas da concretização do método que utiliza uma rede neural multiclasse. Como pode ser visto nessa figura, para a rede neural multiclasse, mais de um neurônio de saída da cama de saída poderá ser atividade, já que um paciente pode possuir uma saída positiva para mais de uma doença.
[0086] As figuras 14 a 17 mostram uma concretização do método da presente invenção, em que o array de dados é convertido em uma imagem gráfica e é a imagem gráfica convertida a partir do array de dados que é utilizada como entrada das redes neurais.
[0087] Assim, conforme representado na figura 17, o método possui etapas similares às demais concretizações já descritas, mas compreende gerar imagens gráficas a partir dos dados coletados de todos os sensores, e treinar uma rede neural multiclasse para processamento de imagens.
[0088] A figura 14 ilustra o array de dados contendo a leitura dos sensores em um tempo N. Esse array será convertido em uma imagem gráfica contendo esses dados plotados no tempo N, conforme ilustrado na Figura 15. Antes da plotagem, todos os dados serão normalizados para uma mesma faixa de valores.
[0089] Em seguida, esse gráfico será convertido para uma matriz de pixels, conforme ilustrado na figura 16, que pode ser uma matriz de 32 linhas e 32 colunas (32X32), por exemplo, em que os valores assumidos podem ser RGB(3 valores entre 0 e 255), ou uma representação simplificada e própria de apenas um valor entre 0 e 255, visto que a imagem não contém muitas cores, além da imagem poder ter um pré-tratamento antes de ser convertida em matriz de pixels. Além disso, algumas partes da imagem gráfica são desnecessárias para a análise, e, por isso, é possível aplicar um algoritmo de feature selection para reduzir o tamanho dessa matriz. A vantagem de utilizar uma imagem contendo todos os dados plotados é que o número de entradas da rede neural pode ser reduzido, a depender do número de sensores. Por exemplo, se utilizarmos uma matriz de entrada 32 X 32, em que as cores são representadas de forma simplificada em apenas um valor entre 0 e 255, o número de entradas da rede neural será 1024. No modelo atual, se o sistema possui 10 sensores, e a coleta realizou 100 leituras antes do sopro e 150 depois do sopro, o número de entradas da rede neural pode ser 2.500 ((100+150)*10), aumentando consideravelmente o tempo de treinamento.
[0090] Tendo sido descritos exemplos de concretizações da presente invenção, deve ser entendido que o escopo da presente invenção abrange outras variações possíveis do conceito inventivo descrito, sendo limitadas tão somente pelo teor das reivindicações anexas, aí incluídos os possíveis equivalentes.
Claims (21)
- Método para identificação e monitoramento de doenças a partir de amostras de gases captadas por um dispositivo e método de treinamento de uma rede neural para identificação de doenças a partir de amostras de gases captadas por um dispositivo, caracterizado pelo fato de que compreende as seguintes etapas:
- a) captar pelo menos uma amostra de gases presentes no ambiente em um momento anterior a uma captação de amostra de gases proveniente de um sopro de um usuário;
- b) captar a amostra de gases proveniente de um sopro de um usuário em um momento posterior ao momento da captação da etapa a);
- c) captar pelo menos uma amostra de gases presentes no ambiente em um momento posterior ao momento da captação da etapa b);
- d) gerar um array de dados incluindo dados relacionados às amostras de gases captadas;
- e) utilizar o array de dados como entrada de pelo menos uma rede neural treinada para associar pelo menos uma doença com uma assinatura de gases, a rede neural sendo configurada para indicar se o array de dados utilizado como entrada gera uma saída positiva ou negativa para a pelo menos uma doença.
- Método, de acordo com a reivindicação 1, caracterizado pelo fato de que: as etapas a) e c) compreendem ainda captar, junto com as amostras de gases presentes no ambiente, dados de temperatura, umidade e vazão de ar; e a etapa d) compreende gerar um array de dados incluindo dados relacionados às amostras de gases captadas e aos dados de temperatura, umidade, pressão, GPS, som, altitude, som e vazão de ar captados nas etapas a) e c).
- Método, de acordo com a reivindicação 2, caracterizado pelo fato de que: a etapa a) compreende captar uma pluralidade de amostras de gases e uma pluralidade de dados de temperatura, umidade, pressão, GPS, som, altitude, som e vazão de ar em diferentes momentos anteriores à captação da amostra de gases proveniente de um sopro de um usuário; e a etapa c) compreende captar uma pluralidade de amostras de gases e uma pluralidade de dados de temperatura, pressão, GPS, altitude, som e umidade e vazão de ar em diferentes momentos posteriores à captação da. amostra de gases proveniente de um sopro de um usuário.
- Método, de acordo com a reivindicação 3, caracterizado pelo fato de que: a etapa d) compreende ainda converter o array de dados em uma imagem gráfica e a etapa e) compreende utilizar a imagem gráfica convertida a partir do array de dados como entrada da pelo menos uma rede neural.
- Método, de acordo com qualquer uma das reivindicações reivindicação 1 a 4, caracterizado pelo fato de que a etapa e) compreende utilizar o array de dados em uma pluralidade de redes neurais, cada rede neural sendo treinada para associar uma diferente doença com uma assinatura gasosa, cada rede neural sendo configurada para indicar se o array de dados utilizado como entrada gera uma saída positiva ou negativa para a diferente doença para a qual aquela rede neural foi treinada.
- Método, de acordo com a reivindicação 5, caracterizado pelo fato de que compreende ainda uma etapa f) de gerar um relatório de resultado com as saídas positiva ou negativa correspondente a pelo menos um dentre: cada diferente doença, o nível de intensidade de uma doença, o nível de glicose no sangue ou a resposta do tratamento à um determinado fármaco.
- Método, de acordo com qualquer uma das reivindicações reivindicação 1 a 4, caracterizado pelo fato de que a etapa e) compreende utilizar o array de dados em uma rede neural multiclasse, a rede neural multiclasse sendo treinada para associar uma pluralidade de doenças com um pluralidade correspondente de assinaturas gasosas, e a rede neural sendo configurada para indicar se o array de dados utilizado como entrada gera uma saída positiva ou negativa para cada doença da pluralidade de doenças.
- Método, de acordo com a reivindicação 7, caracterizado pelo fato de que compreende ainda uma etapa f) de gerar um relatório de resultado com as saídas positiva ou negativa para cada doença da pluralidade de doenças.
- Método para identificação e monitoramento de doenças a partir de amostras de gases captados por um dispositivo, caracterizado pelo fato de que compreende as seguintes etapas: f) captar pelo menos uma amostra de gases presentes no ambiente em um momento anterior a uma captação de amostra de gases proveniente de um sopro de um usuário;
g) captar a amostra de gases proveniente de um sopro de um usuário em um momento posterior ao momento da captação da etapa a);
h) captar pelo menos uma amostra de gases presentes no ambiente em um momento posterior ao momento da captação da etapa b);
i) gerar um array de dados incluindo dados relacionados às amostras de gases captadas;
j) utilizar o array de dados como entrada de pelo menos uma rede neural treinada para associar pelo menos uma doença com uma assinatura de gases, a rede neural sendo configurada para indicar se o array de dados utilizado como entrada gera uma saída em valor discreto entre 0 e 1 para a pelo menos uma doença. - Método, de acordo com a reivindicação 9, caracterizado pelo fato de que: as etapas a) e c) compreendem ainda captar, junto com as amostras de gases presentes no ambiente, dados de temperatura, umidade, pressão, GPS, som, altitude, som e vazão de ar; e
a etapa d) compreende gerar um array de dados incluindo dados relacionados às amostras de gases captadas e aos dados de temperatura, umidade, pressão, GPS, som, altitude, som e vazão de ar captados nas etapas a) e c). - Método, de acordo com a reivindicação 10, caracterizado pelo fato de que: a etapa a) compreende captar uma pluralidade de amostras de gases e uma pluralidade de dados de temperatura, umidade, pressão, GPS, som, altitude, som e vazão de ar em diferentes momentos anteriores à captação da amostra de gases proveniente de um sopro de um usuário; e a etapa c) compreende captar uma pluralidade de amostras de gases e uma pluralidade de dados de temperatura, umidade, pressão, GPS, som, altitude, som e vazão de ar em diferentes momentos posteriores à captação da amostra de gases proveniente de um sopro de um usuário.
- Método, de acordo com a reivindicação 11, caracterizado pelo fato de que: a etapa d) compreende ainda converter o array de dados em uma imagem gráfica e a etapa e) compreende utilizar a imagem gráfica convertida a partir do array de dados como entrada da pelo menos uma rede neural.
- Método, de acordo com qualquer uma das reivindicações reivindicação 9 a 12, caracterizado pelo fato de que a etapa e) compreende utilizar o array de dados em uma pluralidade de redes neurais, cada rede neural sendo treinada para associar uma diferente doença com uma assinatura gasosa, cada rede neural sendo configurada para indicar se o array de dados utilizado como entrada gera uma saída positiva ou negativa para a diferente doença para a qual aquela rede neural foi treinada.
- Método, de acordo com a reivindicação 13, caracterizado pelo fato de que compreende ainda uma etapa f) de gerar um relatório de resultado com as saídas discretas entre 0 e 1 correspondente à cada diferente doença, ou com o nível de intensidade de uma doença, com o nível de glicose no sangue ou com a resposta do tratamento à um determinado fármaco.
- Método, de acordo com qualquer uma das reivindicações reivindicação 9 a 12, caracterizado pelo fato de que a etapa e) compreende utilizar o array de dados em uma rede neural multiclasse, a rede neural multiclasse sendo treinada para associar uma pluralidade de doenças com um pluralidade correspondente de assinaturas gasosas, e a rede neural sendo configurada para indicar se o array de dados utilizado como entrada gera uma saída positiva ou negativa para cada doença da pluralidade de doenças.
- Método, de acordo com a reivindicação 15, caracterizado pelo fato de que compreende ainda uma etapa f) de gerar um relatório de resultado com as saídas discretas entre 0 e 1 para cada doença da pluralidade de doenças.
- Método, de acordo com a reivindicação 9, caracterizado pelo fato de que o valor discreto das saídas entre 0 e 1 é relacionado ao nível da doença, níveis de glicose ou efeito de um fármaco.
- Método, de acordo com a reivindicação 9, caracterizado pelo fato de que o valor discreto das saídas entre 0 e 1 pode ser convertido a positivo e negativo para identificação da doença da pluralidade de doenças.
- Método de treinamento de uma rede neural para identificação de doenças a partir de amostras de gases captados por um dispositivo, caracterizado pelo fato de que compreende as seguintes etapas:
- a) proporcionar um conjunto de dados que inclui, para cada paciente de uma pluralidade de pacientes: dados relacionados a pelo menos uma amostra de gases presentes no ambiente em um momento anterior a uma captação de amostra de gases proveniente de um sopro do paciente; dados relacionados a uma amostra de gases proveniente de um sopro do paciente; dados relacionados a pelo menos uma amostra de gases presentes no ambiente em um momento posterior ao momento da captação da amostra de gases proveniente de um sopro do paciente;
- b) proporcionar um segundo conjunto de dados compreendendo dados de diferentes doenças diagnosticadas para cada paciente da pluralidade de pacientes;
- c) construir automaticamente, utilizando um algoritmo de aprendizado de máquina automático, um modelo de rede neural que relacione uma doença diagnosticada da pluralidade de doenças diagnosticadas a uma diferente assinatura gasosa.
- Método, de acordo com a reivindicação 9, caracterizado pelo fato de que a etapa c) compreende construir automaticamente, utilizando algoritmos de aprendizado de máquina automático, uma pluralidade de modelos de rede neural que relacionam a pluralidade de doenças diagnosticadas a diferentes assinaturas gasosas.
- Método, de acordo com a reivindicação 9, caracterizado pelo fato de que a etapa c) compreende construir automaticamente, utilizando um algoritmo de aprendizado de máquina automático, uma rede neural multiclasse que relaciona a pluralidade de doenças diagnosticadas a diferentes assinaturas gasosas.
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| BR102020002883-9A BR102020002883A2 (pt) | 2020-02-11 | 2020-02-11 | Método para identificação e monitoramento de doenças a partir de amostras de gases captadas por um dispositivo e método de treinamento de uma rede neural para identificação de doenças a partir de amostras de gases captadas por um dispositivo |
| PCT/BR2021/050064 WO2021159195A1 (pt) | 2020-02-11 | 2021-02-10 | Método para identificação e monitoramento de doenças a partir de amostras de gases captadas por um dispositivo e método de treinamento de uma rede neural para identificação de doenças a partir de amostras de gases captadas por um dispositivo |
| US17/904,028 US20230309856A1 (en) | 2020-02-11 | 2021-02-10 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| BR102020002883-9A BR102020002883A2 (pt) | 2020-02-11 | 2020-02-11 | Método para identificação e monitoramento de doenças a partir de amostras de gases captadas por um dispositivo e método de treinamento de uma rede neural para identificação de doenças a partir de amostras de gases captadas por um dispositivo |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| BR102020002883A2 true BR102020002883A2 (pt) | 2021-08-24 |
Family
ID=77291325
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| BR102020002883-9A BR102020002883A2 (pt) | 2020-02-11 | 2020-02-11 | Método para identificação e monitoramento de doenças a partir de amostras de gases captadas por um dispositivo e método de treinamento de uma rede neural para identificação de doenças a partir de amostras de gases captadas por um dispositivo |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US20230309856A1 (pt) |
| BR (1) | BR102020002883A2 (pt) |
| WO (1) | WO2021159195A1 (pt) |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006075447A (ja) * | 2004-09-13 | 2006-03-23 | Hitachi Ltd | 携帯ヘルスチェック装置およびそれを用いた呼気分析サービス方法 |
| US7914460B2 (en) * | 2006-08-15 | 2011-03-29 | University Of Florida Research Foundation, Inc. | Condensate glucose analyzer |
| EP2176670A4 (en) * | 2007-08-08 | 2017-07-12 | Invoy Technologies, LLC | Biosensor system with a multifunctional portable electronic device |
| CN104856679B (zh) * | 2008-12-01 | 2019-02-22 | 创控科技股份有限公司 | 用于哮喘、肺结核及肺癌诊断及疾病管控的呼吸分析***及方法 |
| RU2014102586A (ru) * | 2011-06-28 | 2015-08-10 | Фред Хатчинсон Кэнсер Рисерч Сентер | Устройство контроля газов в конце спокойного выдоха |
| WO2017216794A1 (en) * | 2016-06-16 | 2017-12-21 | Technion Research & Development Foundation Limited | System and method for differential diagnosis of diseases |
| US10491729B2 (en) * | 2017-05-18 | 2019-11-26 | Motorola Mobility Llc | Breath sensory and environmental sensing on a mobile communication device |
| CN108281201A (zh) * | 2018-01-15 | 2018-07-13 | 南京信息工程大学 | 一种基于Arduino云微处理器的远程呼吸诊断*** |
-
2020
- 2020-02-11 BR BR102020002883-9A patent/BR102020002883A2/pt unknown
-
2021
- 2021-02-10 WO PCT/BR2021/050064 patent/WO2021159195A1/pt active Application Filing
- 2021-02-10 US US17/904,028 patent/US20230309856A1/en active Pending
Also Published As
| Publication number | Publication date |
|---|---|
| WO2021159195A1 (pt) | 2021-08-19 |
| US20230309856A1 (en) | 2023-10-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104237456B (zh) | 利用移动设备的浓度测量 | |
| CN103518130B (zh) | 生物体气体检测装置及生物体气体检测方法 | |
| JP2022160694A (ja) | スパイロメトリデータを収集するための方法およびシステム | |
| Hockstein et al. | Diagnosis of pneumonia with an electronic nose: correlation of vapor signature with chest computed tomography scan findings | |
| Gupta et al. | mobileSpiro: accurate mobile spirometry for self-management of asthma | |
| CN109273085A (zh) | 病理呼吸音库的建立方法、呼吸疾病的检测***及处理呼吸音的方法 | |
| CN107106057A (zh) | 用于生物统计测量的情境化的记录的设备、***和方法 | |
| US20230346306A1 (en) | Methods and systems to detect eating | |
| TWI603081B (zh) | 生理參數檢測系統及試紙的辨識及判讀方法 | |
| CN110993043A (zh) | 医疗健康管理*** | |
| JP2021518246A (ja) | 被検者の呼吸イベントを検出するための方法及びシステム並びに呼吸イベントを検出するためのモデルを形成するための方法 | |
| JP2019504747A (ja) | 体状態の分類 | |
| 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 | |
| CN109567822A (zh) | 一种用于器官患病检测的身体检测*** | |
| EP4018927A1 (en) | Apparatus for identifying pathological states and corresponding method. | |
| CN111755120A (zh) | 一种基于边缘智能和多模感知的认知障碍预测方法 | |
| BR102020002883A2 (pt) | Método para identificação e monitoramento de doenças a partir de amostras de gases captadas por um dispositivo e método de treinamento de uma rede neural para identificação de doenças a partir de amostras de gases captadas por um dispositivo | |
| CN109979601B (zh) | 一种具有自动学习功能的流感预测摄像机 | |
| JP6557314B2 (ja) | 肺の健康を監視するシステム | |
| US20200137051A1 (en) | Biometric Patient Identity Verification System | |
| CN107297007B (zh) | 呼吸机运行参数的测量方法和装置 | |
| Kumar | Designing and Evaluating Mobile Health Technology for Ambulatory Monitoring and Diagnosis of Heart Arrhythmias | |
| AU2021103067A4 (en) | Corona recognition method based on visible light color using artificial intelligence | |
| CN107997747A (zh) | 体温检测方法与终端 | |
| US20220125377A1 (en) | System and method for performing an at-home peripheral arterial tonometry |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| B03A | Publication of a patent application or of a certificate of addition of invention [chapter 3.1 patent gazette] |