Während eine Wunde heilt, durchläuft sie mehrere Phasen: Gerinnung zur Blutstillung, Reaktion des Immunsystems, Schorfbildung und Narbenbildung. Ein tragbares Gerät namens „a-Heal“, das von Ingenieuren der University of California in Santa Cruz entwickelt wurde, zielt darauf ab, jede Phase des Prozesses zu optimieren. Das System verwendet eine winzige Kamera und KI, um das Stadium der Heilung zu erkennen und eine Behandlung in Form von Medikamenten oder einem elektrischen Feld durchzuführen. Das System reagiert auf den individuellen Heilungsprozess des Patienten und bietet eine personalisierte Behandlung. Das tragbare, kabellose Gerät könnte die Wundtherapie für Patienten in abgelegenen Gebieten oder mit eingeschränkter Mobilität zugänglicher machen. Erste präklinische Ergebnisse, die in der Fachzeitschrift „npj Biomedical Innovations“ veröffentlicht wurden, zeigen, dass das Gerät den Heilungsprozess erfolgreich beschleunigt.
Entwicklung von a-Heal
Ein Team von Forschern der UC Santa Cruz und der UC Davis, das vom DARPA-BETR-Programm gefördert und von Marco Rolandi, Baskin Engineering Endowed Chair und Professor für Elektrotechnik und Informationstechnik (ECE) an der UC Santa Cruz, geleitet wird, hat ein Gerät entwickelt, das eine Kamera, Bioelektronik und KI kombiniert, um die Wundheilung zu beschleunigen. Die Integration in einem Gerät macht es zu einem „geschlossenen System“ – nach Kenntnis der Forscher eines der ersten seiner Art für die Wundheilung. „Unser System nimmt alle Signale des Körpers auf und optimiert mit externen Eingriffen den Heilungsprozess“, sagte Rolandi.
Das Gerät verwendet eine integrierte Kamera, die von Mircea Teodorescu, ebenfalls Associate Professor für ECE, entwickelt und in einer Studie in Communications Biology beschrieben wurde, um alle zwei Stunden Fotos von der Wunde zu machen. Die Fotos werden in ein Machine-Learning-Modell (ML) eingespeist, das von Marcella Gomez, Associate Professor für Angewandte Mathematik, entwickelt wurde und von den Forschern als „KI-Arzt” bezeichnet wird, der auf einem nahe gelegenen Computer läuft. „Im Grunde handelt es sich um ein Mikroskop in einem Verband”, so Teodorescu. „Einzelne Bilder sagen wenig aus, aber im Laufe der Zeit kann die KI durch kontinuierliche Bildgebung Trends erkennen, Wundheilungsstadien feststellen, Probleme melden und Behandlungen vorschlagen.” Der KI-Arzt nutzt das Bild, um das Wundstadium zu diagnostizieren, und vergleicht es mit dem Stadium, in dem sich die Wunde gemäß einem Zeitplan für eine optimale Wundheilung befinden sollte. Wenn das Bild eine Verzögerung zeigt, wendet das ML-Modell eine Behandlung an: entweder ein Medikament, das über Bioelektronik verabreicht wird, oder ein elektrisches Feld, das die Zellmigration in Richtung Wundverschluss fördern kann.
Beschleunigung der Wundheilung
Die über das Gerät topisch verabreichte Behandlung ist Fluoxetin, ein selektiver Serotonin-Wiederaufnahmehemmer, der den Serotoninspiegel in der Wunde reguliert und die Heilung verbessert, indem er Entzündungen verringert und den Wundverschluss fördert. Die Dosis, die durch präklinische Studien der Isseroff-Gruppe an der UC Davis zur Optimierung der Heilung ermittelt wurde, wird durch bioelektronische Aktuatoren auf dem von Rolandi entwickelten Gerät verabreicht. Ein elektrisches Feld, das zur Verbesserung der Heilung optimiert und durch frühere Arbeiten von Min Zhao und Roslyn Rivkah Isseroff von der UC Davis entwickelt wurde, wird ebenfalls über das Gerät abgegeben.
Der KI-Arzt bestimmt die optimale Dosierung der zu verabreichenden Medikamente und die Stärke des angelegten elektrischen Feldes. Nachdem die Therapie für einen bestimmten Zeitraum angewendet wurde, nimmt die Kamera ein weiteres Bild auf, und der Vorgang beginnt von vorne. Während des Gebrauchs überträgt das Gerät Bilder und Daten wie die Heilungsrate an eine sichere Webschnittstelle, sodass ein menschlicher Arzt manuell eingreifen und die Behandlung bei Bedarf feinabstimmen kann. Das Gerät wird direkt an einem handelsüblichen Verband befestigt, um eine bequeme und sichere Anwendung zu gewährleisten. Um das Potenzial für den klinischen Einsatz zu bewerten, testete das Team der UC Davis das Gerät in präklinischen Wundmodellen. In diesen Studien heilten mit a-Heal behandelte Wunden etwa 25% schneller als bei der Standardbehandlung. Diese Ergebnisse unterstreichen das Potenzial der Technologie nicht nur für die Beschleunigung der Wundheilung bei akuten Wunden, sondern auch für die Wiederbelebung der Heilung chronischer Wunden.
Modell des verstärkenden Lernens
Das für dieses System verwendete KI-Modell, das unter der Leitung von Marcella Gomez, Assistenzprofessorin für Angewandte Mathematik, entwickelt wurde, nutzt einen Ansatz des verstärkenden Lernens, der in einer Studie in der Fachzeitschrift Bioengineering beschrieben wird, um den diagnostischen Ansatz von Ärzten nachzuahmen. Verstärkendes Lernen ist eine Technik, bei der ein Modell so konzipiert ist, dass es ein bestimmtes Endziel erfüllt und durch Versuch und Irrtum lernt, wie dieses Ziel am besten erreicht werden kann. In diesem Zusammenhang wird dem Modell das Ziel gesetzt, die Zeit bis zum Wundverschluss zu minimieren, und es wird für Fortschritte bei der Erreichung dieses Ziels belohnt. Es lernt kontinuierlich vom Patienten und passt seinen Behandlungsansatz an.
Das Modell des verstärkenden Lernens wird von einem Algorithmus gesteuert, den Gomez und ihre Studenten entwickelt haben und der Deep Mapper heißt. Dieser Algorithmus, der in einer Vorabstudie beschrieben wird, verarbeitet Wundbilder, um den Heilungsfortschritt im Vergleich zum normalen Verlauf zu quantifizieren und ihn entlang des Heilungsverlaufs abzubilden. Mit der Zeit, in der das Gerät auf einer Wunde angebracht ist, lernt es ein lineares dynamisches Modell der bisherigen Heilung und nutzt dieses, um den weiteren Heilungsverlauf vorherzusagen.
Es reicht nicht aus, nur das Bild zu haben, man muss es auch verarbeiten und in einen Kontext setzen. Dann kann man die Rückkopplungssteuerung anwenden“, sagte Gomez. Diese Technik ermöglicht es dem Algorithmus, in Echtzeit die Auswirkungen des Medikaments oder des elektrischen Feldes auf die Heilung zu lernen, und leitet die iterative Entscheidungsfindung des Reinforcement-Learning-Modells darüber, wie die Medikamentenkonzentration oder die Stärke des elektrischen Feldes angepasst werden soll. Derzeit untersucht das Forschungsteam das Potenzial dieses Geräts zur Verbesserung der Heilung chronischer und infizierter Wunden.