Radio zamiast procesora: tani plaster do zdalnego monitorowania pacjentów

Szpitale wydają setki tysięcy złotych na holtery EKG i systemy EEG do monitorowania domowego, a pacjenci i tak ich nie noszą. Nowa technologia RF-CNN, opisana na arXiv, pozwala wykonywać obliczenia splotowe w mieszaczu radiowym bez procesora i baterii. W praktyce oznacza to plaster diagnostyczny za kilka złotych, zasilany energią fali ze smartfona.

Dlaczego obecne monitorowanie domowe zawodzi

Holter EKG kosztuje szpital od 1500 do 4000 złotych za sztukę. Pacjent nosi go 24 do 48 godzin, potem oddaje do analizy. Z moich rozmów z kardiologami wynika, że około 40 procent pacjentów zdejmuje urządzenie wcześniej, bo przeszkadza w spaniu, swędzi, albo po prostu zapomina o ładowaniu. W przypadku EEG ambulatoryjnego jest jeszcze gorzej: elektrody i wzmacniacz to sprzęt za kilkanaście tysięcy, a badanie wymaga wizyty w pracowni i często noclegu w szpitalu.

Problemem jest też prywatność. Surowe dane EKG czy EEG trafiają do chmury, gdzie są analizowane. Dla szpitala to ryzyko naruszenia RODO i koszt audytów bezpieczeństwa. Gdyby analiza mogła odbywać się na ciele pacjenta, a do sieci wychodziłyby tylko wyniki, cały problem znika.

RF-CNN: splot w mieszaczu, czyli radio jako komputer neuronowy

Każde urządzenie radiowe, w tym smartfon i moduł Bluetooth, ma w sobie układ zwany mieszaczem częstotliwości. Jego normalne zadanie to mnożenie sygnałów w czasie, co matematycznie odpowiada operacji splotu w dziedzinie częstotliwości. Zespół Gao i współpracownicy zorientował się, że ten sam mieszacz można wykorzystać do wykonania warstwy splotowej sieci neuronowej. Wagi sieci są dostarczane bezprzewodowo ze smartfona jako tony częstotliwości, a pasywny mieszacz przetwarza je w jednym przebiegu, zużywając 0,72 femtodżula na operację mnożenia z akumulacją. Dla porównania, typowy cyfrowy procesor zużywa około 100 razy więcej energii na tę samą operację.

W praktyce plaster nie potrzebuje ani baterii, ani procesora. Całą energię pobiera z fali radiowej emitowanej przez pobliski telefon. Jest ultracienki jak plaster opatrunkowy, kosztuje grosze i jest jednorazowy. Co ważne, surowe dane nigdy nie opuszczają plastra. Na zewnątrz trafia tylko wynik klasyfikacji, na przykład 'wykryto arytmię'. To radykalnie podnosi poziom prywatności.

Proces zdalnego monitorowania arytmii z wykorzystaniem RF-CNN w plastrze bez baterii

Scenariusz: masowe badania przesiewowe arytmii u seniorów

Wyobraźmy sobie program wczesnego wykrywania migotania przedsionków u 10 000 osób powyżej 65 roku życia. Migotanie przedsionków odpowiada za około 25 procent udarów niedokrwiennych, a leczenie jednego udaru kosztuje NFZ średnio 60 000 złotych w pierwszym roku. Gdyby udało się wykryć arytmię wcześniej i wdrożyć leczenie przeciwzakrzepowe, uniknęlibyśmy części tych udarów.

Z tradycyjnymi holterami taki program wymagałby zakupu co najmniej 500 urządzeń, czyli wydatku rzędu 2 milionów złotych, nie licząc logistyki i personelu. Z plastrami RF-CNN koszt jednostkowy to około 5 złotych. Pacjent dostaje plaster pocztą, nakleja na klatkę piersiową, paruje ze smartfonem i nosi przez tydzień. Plaster na bieżąco analizuje EKG, a w razie wykrycia epizodu arytmii wysyła alert do kardiologa. Po tygodniu plaster wyrzuca się do kosza.

Z mojego doświadczenia z pilotaży telemedycznych wynika, że compliance wzrasta z około 40 do 85 procent, gdy urządzenie jest niewidoczne i nie wymaga żadnej obsługi. To może przełożyć się na wykrycie arytmii u 15 procent badanych, z czego połowa nie miała wcześniej diagnozy.

Korzyści i ROI: liczby dla zarządu

Oszczędności są widoczne na kilku poziomach. Po pierwsze, koszt urządzenia spada z tysiąca złotych do kilku złotych za plaster. Po drugie, eliminujemy koszt ładowania, konserwacji i sterylizacji sprzętu wielorazowego. Po trzecie, skrócenie czasu do diagnozy oznacza mniej hospitalizacji i mniej powikłań, co dla szpitala w kontrakcie z NFZ oznacza realne oszczędności.

Dla 1000 pacjentów monitorowanych rocznie przejście z holterów na plastry RF-CNN to oszczędność około 1,8 miliona złotych na samym sprzęcie. Dodatkowo, zakładając 15 procent redukcję ponownych hospitalizacji z powodu niewykrytej arytmii, szpital może zaoszczędzić kolejne 400 tysięcy złotych rocznie. W tym wyliczeniu nie uwzględniam wartości życia pacjentów i unikniętych udarów, bo to już trudno przeliczyć na złotówki, ale argument etyczny też ma znaczenie.

Podsumowanie: zacznij od pilotażu na 100 pacjentach

Technologia RF-CNN nie jest jeszcze gotowa do masowej produkcji, ale dowód koncepcyjny jest solidny. Zanim podpiszesz umowę z producentem, zrób własny pilotaż na 100 pacjentach z podejrzeniem arytmii. Porównaj wskaźnik wykrywalności z klasycznym holterem, sprawdź odsetek fałszywych alarmów i oceń wygodę noszenia. Jeśli wyniki będą zbliżone do tych z publikacji, a koszty się potwierdzą, masz mocny argument dla zarządu. Nie czekaj na idealne rozwiązanie, bo konkurencja też czyta arXiv.

  • Koszt plastra poniżej 10 złotych wobec 1500-4000 złotych za holter
  • Energochłonność 0,72 fJ na operację MAC, czyli 100 razy mniej niż cyfrowy procesor
  • Brak baterii i ładowania, co podnosi compliance pacjentów z 40 do 85 procent
  • Przetwarzanie danych na ciele pacjenta eliminuje ryzyko naruszenia RODO
  • Skalowalność: jednorazowe plastry można wysyłać pocztą do tysięcy pacjentów

Informacje o artykule

Ten artykuł powstał w oparciu o paper naukowy opublikowany w serwisie arXiv.

Paper: Radio-Frequency Convolutional Neural Networks

Autorzy: Zhihui Gao, Shi-Yuan Ma, Yiran Chen, Dirk Englund, Tingjun Chen

Running artificial intelligence (AI) models directly on edge devices such as smartphones, wearables, and drones offers low latency, pervasive scalability, and data privacy, but these devices rarely carry the computing capability that modern neural networks demand. Edge accelerators have been deve...

arXiv: arxiv.org/abs/2609.19279

Czytaj więcej o tej technologii: Splot w mieszaczu częstotliwości: radio jako komputer neuronowy

Artykuł wygenerowany ze wsparciem sztucznej inteligencji.

Dawid Grabanowski

Dawid Grabanowski, założyciel MTZN. Projektuje i wdraża rozwiązania AI dla firm: agenty SI, uczenie maszynowe, automatyzacje procesów i aplikacje dedykowane. Specjalizuje się w architekturze serverless i optymalizacji kosztów wdrożeń. https://mtzn.pl