Dieser Artikel handelt von der jüngsten Vorstellung einer neuen, innovativen Smartphone-Anwendung, die darauf abzielt, die körperlichen Anzeichen eines Schlaganfalls bei Patienten genau zu erkennen, unter Verwendung fortschrittlicher Machine-Learning-Technologie. Diese bahnbrechende Neuerung wurde während der 20. Jahrestagung der Society of NeuroInterventional Surgery (SNIS) angekündigt und diskutiert. Diese Anwendung stellt einen bedeutenden Fortschritt im Bereich der mobilen Gesundheitstechnologie dar und bietet ein revolutionäres Werkzeug, das Menschen befähigen kann, mögliche Anzeichen eines Schlaganfalls so schnell wie möglich zu identifizieren und zu bewerten, was die Chancen auf eine schnelle, effektive Reaktion erhöht.

Um dieses leistungsfähige Werkzeug zu entwickeln, wurde eine Studie mit dem Titel 'Smartphone-gestützte Machine-Learning-Algorithmen für die autonome Schlaganfallerkennung' durchgeführt. Dabei arbeiteten Forscher der David Geffen School of Medicine der UCLA eng mit zahlreichen medizinischen Einrichtungen in Bulgarien zusammen. Sie sammelten Daten von 240 Patienten, die in vier verschiedenen städtischen Schlaganfallzentren wegen Schlaganfällen behandelt wurden. Die Daten wurden innerhalb von 72 Stunden nach Beginn der Symptome der Patienten erfasst.

Die von diesen Forschern hauptsächlich angewandte Methode bestand darin, Videos der Patienten über Smartphones aufzunehmen und Tests zur Armstärke durchzuführen. Ziel dieser Tests war es, wichtige Schlaganfallsymptome wie Gesichtsasymmetrie, Sprachveränderungen und Armschwäche zu erkennen. Für die Gesichtsasymmetrie analysierten die Forscher mit Hilfe von Machine Learning 68 verschiedene Gesichtslandmarkenpunkte.

Zur Bewertung der Armschwäche nutzten sie Daten vom eingebauten 3D-Beschleunigungsmesser des Smartphones. Darüber hinaus nutzten sie das Gyroskop und den Magnetometer des Telefons, um effektiv alle Standard-Interner Funktionen des Geräts zu nutzen. Um Veränderungen in den Sprachmustern festzustellen, verwendeten sie Mel Frequency Cepstral Coefficients - eine gängige Methode zur Klangerkennung, die Schallwellen in Bilder umwandelt. Dies ermöglichte es ihnen, nützliche Vergleiche zwischen normalen und undeutlichen Sprachmustern zu ziehen.

Der nächste Schritt bestand darin, die Anwendung zu testen. Dies geschah durch den Vergleich der Ergebnisse der App mit den Berichten von Neurologen und Daten von Gehirnscans der Patienten. Diese gründlichen Tests ergaben, dass die App in der Mehrheit der Fälle sowohl eine ausreichende Sensitivität als auch Spezifität aufwies, um einen Schlaganfall genau zu diagnostizieren. Dr. Radoslav Raychev, ein Gefäß- und NeuroInterventioneller Neurologe von der David Geffen School of Medicine der UCLA, äußerte seine Begeisterung über das Potenzial, das die innovative App hat und die immense Hilfe, die die aufkommende Technologie des Maschinenlernens zur schnellen und genauen Beurteilung von Symptomen und zur Ermöglichung der Schlaganfallüberleben und Wiedererlangung der Unabhängigkeit bieten kann.