Μια τροποποιημένη πιπίλα και αλγόριθμοι τεχνητής νοημοσύνης για την ανάλυση των δεδομένων που παράγει θα μπορούσαν να καθορίσουν εάν τα νεογέννητα μαθαίνουν τη σωστή μηχανική του θηλασμού, δείχνει μια πρόσφατη μελέτη. Συγκεκριμένα, οι ερευνητές από το Πανεπιστήμιο της Καλιφόρνια στο Σαν Ντιέγκο μέτρησαν εάν τα μωρά παράγουν αρκετή δύναμη θηλασμού για να θηλάσουν και αν θηλάζουν με κανονικό μοτίβο με βάση οκτώ ανεξάρτητες παραμέτρους.
Τα αποτελέσματα, που δημοσιεύθηκαν στην ηλεκτρονική έκδοση της 18ης Απριλίου του IEEE Journal of Translational Engineering in Health and Medicine, δίνουν στους ερευνητές αντικειμενικά δεδομένα που δείχνουν ότι οι τυπικές αξιολογήσεις μπορούν να βελτιωθούν και θα μπορούσαν ενδεχομένως να αποτρέψουν χειρουργικές επεμβάσεις. Επί του παρόντος, για να προσδιορίσουν εάν ένα βρέφος τρέφεται σωστά, οι κλινικοί γιατροί βασίζονται σε δύο μέτρα:
- Το ένα είναι αντικειμενικό: το μωρό παίρνει αρκετό βάρος;
- Το άλλο είναι πιο υποκειμενικό: οι κλινικοί γιατροί βάζουν ένα δάχτυλο στο στόμα του μωρού και αξιολογούν πόσο καλά πιπιλάει το μωρό αυτό το δάχτυλο.
«Η μέθοδος που αναπτύξαμε με τους κλινικούς μας εταίρους αντικαθιστά αυτήν την υποκειμενική αξιολόγηση με αντικειμενικά δεδομένα», δήλωσε ο James Friend, καθηγητής στο San Diego. Η μέθοδος δοκιμής έχει δύο στοιχεία. Το ένα είναι μια συσκευή που αποτελείται από μια απλή πιπίλα, συνδεδεμένη με ένα σωλήνα μήκους 36 ιντσών που συνδέεται με τη σειρά του σε έναν αισθητήρα κενού και ένα τσιπ που συλλέγει τα δεδομένα από τον αισθητήρα. Η συσκευή μπορεί να συνδεθεί με οποιοδήποτε φορητό υπολογιστή.
«Θέλαμε να διατηρήσουμε την τεχνολογία όσο το δυνατόν απλούστερη με εξαρτήματα εκτός ραφιού, οικονομικά αποδοτικά για να διευκολυνθεί η υιοθεσία στην κλινική», δήλωσε ο Friend. Το δεύτερο στοιχείο είναι λογισμικό που εμφανίζει τα δεδομένα και χρησιμοποιεί αλγόριθμους μηχανικής μάθησης για τον εντοπισμό ανωμαλιών και ακραίων τιμών. Το λογισμικό καταγράφει δεδομένα καθώς ένα βρέφος πιπιλάει την πιπίλα και συγκρίνει αυτά τα δεδομένα με πληροφορίες από άλλα βρέφη. Δύο διαφορετικοί αλγόριθμοι μηχανικής μάθησης αναλύουν τα δεδομένα και επισημαίνουν μη φυσιολογικά μοτίβα εάν υπάρχουν.
Προηγούμενες μελέτες έχουν δείξει ότι το μη θρεπτικό θηλασμό σε πιπίλα παράγει δεδομένα που μπορούν να χρησιμοποιηθούν για την αξιολόγηση του θηλασμού. «Είναι καθησυχαστικό για μένα να βασίζομαι σε επιστημονικά δεδομένα για να υποστηρίξω τις αξιολογήσεις μου», δήλωσε η συν-πρωτεύουσα συγγραφέας της μελέτης, Έριν Γουόλς, παθολόγος στο UC San Diego Health. «Ελπίζουμε τα ευρήματά μας να βοηθήσουν τους γονείς που αγωνίζονται να θηλάσουν και να βελτιώσουν τα μακροπρόθεσμα αποτελέσματα υγείας».
Αν και οι μητέρες μπορούν να λάβουν ιατρική βοήθεια, η απουσία ακριβών εργαλείων μέτρησης σημαίνει ότι ο εντοπισμός των υποκείμενων προβλημάτων μπορεί να διαρκέσει περισσότερο, συμβάλλοντας ενδεχομένως στη μείωση των ποσοστών θηλασμού. «Το σύστημα μετρήσεών μας στοχεύει να προσφέρει γρήγορα και ακριβή δεδομένα σχετικά με την ικανότητα θηλασμού ενός βρέφους από νωρίς, δίνοντας τη δυνατότητα στους κλινικούς ιατρούς να αντιμετωπίζουν γρήγορα τις βαθύτερες αιτίες και ενδεχομένως να μετριάζουν τη φθορά του θηλασμού».