Fepod kehitti koneoppimiseen ja MLOps-käytäntöihin perustuvan vierianalytiikan ratkaisun lääkeainepitoisuuksien mittaamiseen verinäytteestä. Teknologia mahdollistaa nopean analyysin ja tukee hoitopäätösten tekemistä.

1. Yrityksen kuvaus

• Fepod on terveysteknologiastartup, joka on saanut alkunsa vuosien akateemisesta tutkimuksesta Aalto-yliopistossa Suomessa.
• Yritys kehittää uuden sukupolven vieritestidiagnostiikkaratkaisuja (PoC), joiden avulla voidaan mitata kipulääkkeiden, kuten parasetamolin ja opioidien, reaaliaikainen pitoisuus veressä suoraan yhdestä veripisarasta.
• Yhdistämällä kertakäyttöiset elektrokemialliset anturit, kompaktin potentiostaattilaitteen ja mobiilisovelluksen Fepod mahdollistaa terveydenhuollon ammattilaisille tarkan diagnostiikkatiedon saamisen sekunneissa ilman näytteiden lähettämistä keskuslaboratorioihin.
• MedTech-sektorilla toimiva Fepod pyrkii virtaviivaistamaan testausprosesseja, nopeuttamaan kliinistä päätöksentekoa ja parantamaan potilasturvallisuutta päivystyksissä, kipuklinikoilla ja yleisessä terveydenhuollossa.

2. Mikä ongelma tekoälyn oli tarkoitus ratkaista?

• Perinteinen verianalytiikka edellyttää fyysisten näytteiden lähettämistä keskitettyihin laboratorioihin, mikä aiheuttaa merkittäviä viiveitä, korkeita logistisia kustannuksia ja pitkiä odotusaikoja ennen kuin lääkärit voivat määrittää optimaalisen lääkeannoksen.
• Fepodin oli pystyttävä käsittelemään monimutkaisia, raakoja elektrokemiallisia anturisignaaleja, jotka syntyvät mikrotilavuuden veripisaroista, ja muuntamaan ne nopeasti tarkaksi lääkeainepitoisuudeksi suoraan hoitopisteessä.
• Keskeinen laskennallinen haaste oli rakentaa älykäs analytiikka-algoritmi, joka kykenee käsittelemään epälineaarisia datavaihteluita, kohinaa ja monimutkaisia näytekoostumuksia välittömästi mobiililaitteilla, jotta kliinikot voivat tehdä välittömiä ja tarkkoja hoitopäätöksiä ilman laboratoriovaihetta.

3. Miten ongelma ratkaistiin ja millä työkaluilla?

• Solita teki yhteistyötä Fepodin kanssa suunnitellakseen ja rakentaakseen kokonaisvaltaisen koneoppimisen operaatioalustan (MLOps) ja ennakoivan analytiikan dataputken, joka integroitiin Fepodin mobiilitestausalustaan.
• Potentiostaattianturin keräämä raakasignaalidata siirretään mobiilisovelluksen kautta pilvipohjaiseen päättelytaustajärjestelmään, joka arvioi lääkeainepitoisuudet välittömästi.
• Tekninen infrastruktuuri hyödyntää Microsoft Azurea, Databricksia, MLflow’ta malliseurantaan, Databricks Unity Catalogia tiedonhallintaan, Databricks Workflowsia automaattiseen putkiajoon, Databricks Realtime Endpointsia matalan viiveen ennusteisiin sekä Delta Lakea vankkaan datavarastointiin, mahdollistaen saumattoman tiedonkulun mobiililaitteiden ja pilvipohjaisten koneoppimismallien välillä.

4. Mitä tuloksia saavutettiin?

• Projektissa onnistuttiin toimittamaan täysin toimiva, tekoälyllä tehostettu vieritestiverianalytiikan prototyyppi, joka kykenee mittaamaan lääkeainepitoisuudet yhdestä veripisarasta sekunneissa.
• Skaalautuvan pilvipohjaisen MLOps-infrastruktuurin käyttöönotto tarjoaa Fepodille vankan perustan jatkuvalle mallien kehittämiselle, tuleville kliinisille kokeille ja kaupallistamiselle.
• Ratkaisu nopeuttaa merkittävästi terveydenhuollon ammattilaisten diagnostiikkaprosesseja, vähentää laboratoriosta riippuvuutta ja terveydenhuollon kustannuksia sekä avaa huomattavia mahdollisuuksia parantaa potilashoidon laatua tarkan, reaaliaikaisen lääkehoidon seurannan avulla.

5. Mitä ongelmia ilmeni?

• Suurin haaste oli erittäin tiukka projektiaikataulu: täysin toimiva, päästä päähän -demonstraatioratkaisu piti toimittaa vain 2,5 kuukaudessa (huhtikuun alusta heinäkuuhun 2023) merkittävää lääketieteellistä messutapahtumaa varten.
• Lisäksi kehitystiimin oli rakennettava erittäin tarkkoja ennakoivia koneoppimismalleja rajallisella alkuperäisellä koulutusdatalla, joka oli peräisin monimutkaisista elektrokemiallisista verimittauksista.
• Solita ja Fepod ratkaisivat nämä haasteet tiiviillä ketterällä yhteistyöllä, erikoistuneella terveydenhuollon tekoälyosaamisella, mallien iteratiivisella virittämisellä ja modernien MLOps-käytäntöjen käyttöönotolla, jotka mahdollistivat nopean kehityksen ilman analytiikan tarkkuudesta tinkimistä.

6. Aika- ja rahainvestoinnit

• Julkaistussa tapaustutkimuksessa ei paljasteta tarkkoja taloudellisia investointeja, kehitysbudjetteja tai konsulttipalkkioiden rakennetta.
• Ajallisesti alkuvaiheen kehitys toteutettiin tiukassa 2,5 kuukauden aikataulussa, joka kesti huhtikuun alusta heinäkuun puoliväliin 2023, jotta toimiva demonstraatio saatiin valmiiksi alan lääketieteen messuille.
• Tämän alkuvaiheen jälkeen Fepod jatkaa kaupallistamisen tiekarttaa, johon kuuluu laajennettuja kliinisiä testauksia ja lääkinnällisten laitteiden sertifiointiprosesseja.

7. Millaista osaamista tarvittiin ja mitä yhteistyökumppaneita käytettiin?

• Projekti vaati monialaista osaamista, joka kattoi koneoppimisinsinöörityön, MLOps-alusta-arkkitehtuurin, pilvi-infrastruktuurin suunnittelun, mobiilidataintegraation, elektrokemiallisen datamallinnuksen ja terveydenhuollon toimialaosaamisen.
• Solita toimi pääasiallisena ulkoisena tekoäly-, koneoppimis- ja pilviarkkitehtuurikumppanina, tehden tiivistä yhteistyötä Fepodin sisäisen johdon, biolääketieteellisen tutkimustiimin ja teknologiajohtajien kanssa.

8. Liiketoimintafunktion luokitus

• Tämä projekti sijoittuu vieritestidiagnostiikan automaatioon, terveydenhuollon tekoäly- ja koneoppimisanalytiikkaan, pilvipohjaiseen MLOps-arkkitehtuuriin, MedTech-tuoteinsinöörityöhön sekä reaaliaikaiseen signaalinkäsittelyyn.

9. Lähde

https://www.solita.fi/work/next-generation-blood-analytics-boosted-by-ai/