به گزارش جهانی پرس از برنا؛ محققان دانشگاه یو سی ال ای به دستاوردی قابل توجه در حوزه تشخیص پزشکی دست یافتند و یک ابزار سنجش جریان عمودی مبتنی بر کاغذ (VFA) با کمک یادگیری عمیق، قادر به تشخیص تروپونین I (cTnI) قلبی با حساسیت بالا ابداع کردند.

تروپونین I یک پروتئین بازدارنده است و در ۳ ایزوفرم عضله قلبی، عضله اسکلتی کند انقباض و عضله اسکلتی تند انقباض ظاهر می‌شود.

این روش سنجش نوآورانه پتانسیل دسترسی سریع و قابل اعتماد به تشخیص پزشکی به خصوص در محیط‌هایی که دسترسی به منابع محدود است را فراهم می‌کند.

بیماری‌های قلبی همچنان دلیل اصلی مرگ و میر در سراسر جهان هستند و عامل مرگ و میر سالانه ۱۹ میلیون نفر هستند. ردیابی اولیه سکته قلبی یا انفارکتوس حاد (AMI) برای بهبود وضعیت بیمار و کاهش نرخ مرگ و میر حیاتی است اما هزینه‌های بالا و الزامات زیرساختی مرتبط با تجهیزات تشخیصی مرتبط با آزمایشگاه‌های فعلی بیش‌تر اوقات دسترسی به مراقبت‌های پزشکی با کیفیت در مناطق کم درآمد و فقیر را محدود می‌کند.

محققان دانشگاهی برای برطرف کردن این چالش یک ابزار سنجش جریان عمودی (hs-VFA) ابداع کردند که دقت آزمایشگاه‌های سنتی را با سهولت استفاده و ارزانی فناوری‌های مراقبت در محل ترکیب می‌کند. یافته‌های آن‌ها نشان می‌دهد این پلتفرم نوآورانه می‌تواند به طور دقیق سطح تروپونین I را با استفاده از یک نمونه کوچک ظرف ۱۵ دقیقه تعیین کند و به همین دلیل برای تشخیص پزشکی سریع در وضعیت‌های اورژانسی یا مناطق دورافتاده مناسب است.

قلب این پلتفرم یکپارچگی الگوریتم یادگیری عمیق با قابلیت تقویت نانوذرات نوآورانه است. سیستم hs-VFA از عکسبرداری تایم لپس (time-laps imaging) و تحلیل رایانشی برای ارتقای ردیابی (cTnI) که نشانگری کلیدی برای آسیب قلبی است، استفاده می‌کندو می‌تواند با دقت ۰٫۲ پیکوگرم به ازای هر میلی لیتر پروتئین مورد نظر را ردیابی کند. این سطح از دقت بسیار بالاتر از ویژگی دستگاه‌های قابل حمل فعلی است.

سیستم hs-VFA در ۲ مرحله عمل می‌کند که شامل مرحله اولیه ارزیابی ایمنی و سپس فاز تقویت سیگنال است. در مرحله ارزیابی ایمنی، این آزمایش از نانوذرات طلا برای اتصال به cTnI در سرم استفاده می‌شود. در مرحله تقویت سیگنال، یون‌های طلا توسط نانوذرات کاتالیز می‌شوند و در نتیجه تغییر رنگی به وجود می‌آید که توسط یک دستگاه خوانش قابل حمل ثبت می‌شود سپس الگوریتم‌های یادگیری عمیق این تصاویر را برای افزایش حساسیت و دقت تشخیص cTnI تجزیه و تحلیل می‌کنند.