Zbornik 19. mednarodne multikonference INFORMACIJSKA DRUŽBA - IS 2016 Zvezek G Proceedings of the 19th International Multiconference INFORMATION SOCIETY - IS 2016 Volume G Delavnica Elektronsko in mobilno zdravje Workshop Electronic and Mobile Health Uredila / Edited by Matjaž Gams, Marko Bajec http://is.ijs.si 10.-11. oktober 2016 / 10-11 October 2016 Ljubljana, Slovenia Zbornik 19. mednarodne multikonference INFORMACIJSKA DRUŽBA – IS 2016 Zvezek G Proceedings of the 19th International Multiconference INFORMATION SOCIETY – IS 2016 Volume G Delavnica Elektronsko in mobilno zdravje Workshop Electronic and Mobile Health Uredila / Edited by Matjaž Gams, Marko Bajec 10.-11. oktober 2016 / 10-11 October 2016 Ljubljana, Slovenia Urednika: Matjaž Gams Odsek za inteligentne sisteme Institut »Jožef Stefan«, Ljubljana Marko Bajec Univerza v Ljubljani Fakulteta za računalništvo in informatiko Založnik: Institut »Jožef Stefan«, Ljubljana Priprava zbornika: Mitja Lasič, Vesna Lasič, Lana Zemljak Oblikovanje naslovnice: Vesna Lasič, Mitja Dostop do e-publikacije: http://library.ijs.si/Stacks/Proceedings/InformationSociety Ljubljana, oktober 2016 CIP - Kataložni zapis o publikaciji Narodna in univerzitetna knjižnica, Ljubljana 659.23:004:614.2(082) DELAVNICA Elektronsko in mobilno zdravje (2016 ; Ljubljana) Delavnica Elektronsko in mobilno zdravje [Elektronski vir] : zbornik 19. mednarodne multikonference Informacijska družba - IS 2016, 10.-11. oktober 2016, [Ljubljana, Slovenija] : zvezek G = Workshop Electronic and Mobile Health : proceedings of the 19th International Multiconference Information Society - IS 2016, 10-11 October 2016, Ljubljana, Slovenia : volume G / uredila, edited by Matjaž Gams, Marko Bajec. - El. zbornik. - Ljubljana : Institut Jožef Stefan, 2016 Način dostopa (URL): http://library.ijs.si/Stacks/Proceedings/InformationSociety/2016/IS2016_Volume_G%20- %20EMZ.pdf ISBN 978-961-264-103-0 (pdf) 1. Gl. stv. nasl. 2. Vzp. stv. nasl. 3. Gams, Matjaž, računalništvo 4. Mednarodna multikonferenca Informacijska družba (19 ; 2016 ; Ljubljana) 1537201347 PREDGOVOR MULTIKONFERENCI INFORMACIJSKA DRUŽBA 2016 Multikonferenca Informacijska družba (http://is.ijs.si) je z devetnajsto zaporedno prireditvijo osrednji srednjeevropski dogodek na področju informacijske družbe, računalništva in informatike. Letošnja prireditev je ponovno na več lokacijah, osrednji dogodki pa so na Institutu »Jožef Stefan«. Informacijska družba, znanje in umetna inteligenca so spet na razpotju tako same zase kot glede vpliva na človeški razvoj. Se bo eksponentna rast elektronike po Moorovem zakonu nadaljevala ali stagnirala? Bo umetna inteligenca nadaljevala svoj neverjetni razvoj in premagovala ljudi na čedalje več področjih in s tem omogočila razcvet civilizacije, ali pa bo eksponentna rast prebivalstva zlasti v Afriki povzročila zadušitev rasti? Čedalje več pokazateljev kaže v oba ekstrema – da prehajamo v naslednje civilizacijsko obdobje, hkrati pa so planetarni konflikti sodobne družbe čedalje težje obvladljivi. Letos smo v multikonferenco povezali dvanajst odličnih neodvisnih konferenc. Predstavljenih bo okoli 200 predstavitev, povzetkov in referatov v okviru samostojnih konferenc in delavnic. Prireditev bodo spremljale okrogle mize in razprave ter posebni dogodki, kot je svečana podelitev nagrad. Izbrani prispevki bodo izšli tudi v posebni številki revije Informatica, ki se ponaša z 39-letno tradicijo odlične znanstvene revije. Naslednje leto bo torej konferenca praznovala 20 let in revija 40 let, kar je za področje informacijske družbe častitljiv dosežek. Multikonferenco Informacijska družba 2016 sestavljajo naslednje samostojne konference: • 25-letnica prve internetne povezave v Sloveniji • Slovenska konferenca o umetni inteligenci • Kognitivna znanost • Izkopavanje znanja in podatkovna skladišča • Sodelovanje, programska oprema in storitve v informacijski družbi • Vzgoja in izobraževanje v informacijski družbi • Delavnica »EM-zdravje« • Delavnica »E-heritage« • Tretja študentska računalniška konferenca • Računalništvo in informatika: včeraj za jutri • Interakcija človek-računalnik v informacijski družbi • Uporabno teoretično računalništvo (MATCOS 2016). Soorganizatorji in podporniki konference so različne raziskovalne institucije in združenja, med njimi tudi ACM Slovenija, SLAIS, DKZ in druga slovenska nacionalna akademija, Inženirska akademija Slovenije (IAS). V imenu organizatorjev konference se zahvaljujemo združenjem in inštitucijam, še posebej pa udeležencem za njihove dragocene prispevke in priložnost, da z nami delijo svoje izkušnje o informacijski družbi. Zahvaljujemo se tudi recenzentom za njihovo pomoč pri recenziranju. V 2016 bomo četrtič podelili nagrado za življenjske dosežke v čast Donalda Michija in Alana Turinga. Nagrado Michie-Turing za izjemen življenjski prispevek k razvoju in promociji informacijske družbe bo prejel prof. dr. Tomaž Pisanski. Priznanje za dosežek leta bo pripadlo prof. dr. Blažu Zupanu. Že šestič podeljujemo nagradi »informacijska limona« in »informacijska jagoda« za najbolj (ne)uspešne poteze v zvezi z informacijsko družbo. Limono je dobilo ponovno padanje Slovenije na lestvicah informacijske družbe, jagodo pa informacijska podpora Pediatrične klinike. Čestitke nagrajencem! Bojan Orel, predsednik programskega odbora Matjaž Gams, predsednik organizacijskega odbora i FOREWORD - INFORMATION SOCIETY 2016 In its 19th year, the Information Society Multiconference (http://is.ijs.si) remains one of the leading conferences in Central Europe devoted to information society, computer science and informatics. In 2016 it is organized at various locations, with the main events at the Jožef Stefan Institute. The pace of progress of information society, knowledge and artificial intelligence is speeding up, but it seems we are again at a turning point. Will the progress of electronics continue according to the Moore’s law or will it start stagnating? Will AI continue to outperform humans at more and more activities and in this way enable the predicted unseen human progress, or will the growth of human population in particular in Africa cause global decline? Both extremes seem more and more likely – fantastic human progress and planetary decline caused by humans destroying our environment and each other. The Multiconference is running in parallel sessions with 200 presentations of scientific papers at twelve conferences, round tables, workshops and award ceremonies. Selected papers will be published in the Informatica journal, which has 39 years of tradition of excellent research publication. Next year, the conference will celebrate 20 years and the journal 40 years – a remarkable achievement. The Information Society 2016 Multiconference consists of the following conferences: • 25th Anniversary of First Internet Connection in Slovenia • Slovenian Conference on Artificial Intelligence • Cognitive Science • Data Mining and Data Warehouses • Collaboration, Software and Services in Information Society • Education in Information Society • Workshop Electronic and Mobile Health • Workshop »E-heritage« • 3st Student Computer Science Research Conference • Computer Science and Informatics: Yesterday for Tomorrow • Human-Computer Interaction in Information Society • Middle-European Conference on Applied Theoretical Computer Science (Matcos 2016) The Multiconference is co-organized and supported by several major research institutions and societies, among them ACM Slovenia, i.e. the Slovenian chapter of the ACM, SLAIS, DKZ and the second national engineering academy, the Slovenian Engineering Academy. In the name of the conference organizers we thank all the societies and institutions, and particularly all the participants for their valuable contribution and their interest in this event, and the reviewers for their thorough reviews. For the fourth year, the award for life-long outstanding contributions will be delivered in memory of Donald Michie and Alan Turing. The Michie-Turing award will be given to Prof. Tomaž Pisanski for his life-long outstanding contribution to the development and promotion of information society in our country. In addition, an award for current achievements will be given to Prof. Blaž Zupan. The information lemon goes to another fall in the Slovenian international ratings on information society, while the information strawberry is awarded for the information system at the Pediatric Clinic. Congratulations! Bojan Orel, Programme Committee Chair Matjaž Gams, Organizing Committee Chair ii KONFERENČNI ODBORI CONFERENCE COMMITTEES International Programme Committee Organizing Committee Vladimir Bajic, South Africa Matjaž Gams, chair Heiner Benking, Germany Mitja Luštrek Se Woo Cheon, South Korea Lana Zemljak Howie Firth, UK Vesna Koricki Olga Fomichova, Russia Mitja Lasič Vladimir Fomichov, Russia Robert Blatnik Vesna Hljuz Dobric, Croatia Aleš Tavčar Alfred Inselberg, Israel Blaž Mahnič Jay Liebowitz, USA Jure Šorn Huan Liu, Singapore Mario Konecki Henz Martin, Germany Marcin Paprzycki, USA Karl Pribram, USA Claude Sammut, Australia Jiri Wiedermann, Czech Republic Xindong Wu, USA Yiming Ye, USA Ning Zhong, USA Wray Buntine, Australia Bezalel Gavish, USA Gal A. Kaminka, Israel Mike Bain, Australia Michela Milano, Italy Derong Liu, Chicago, USA Toby Walsh, Australia Programme Committee Bojan Orel, chair Andrej Gams Vladislav Rajkovič Grega Nikolaj Zimic, co-chair Matjaž Gams Repovš Franc Solina, co-chair Marko Grobelnik Ivan Rozman Viljan Mahnič, co-chair Nikola Guid Niko Schlamberger Cene Bavec, co-chair Marjan Heričko Stanko Strmčnik Tomaž Kalin, co-chair Borka Jerman Blažič Džonova Jurij Šilc Jozsef Györkös, co-chair Gorazd Kandus Jurij Tasič Tadej Bajd Urban Kordeš Denis Trček Jaroslav Berce Marjan Krisper Andrej Ule Mojca Bernik Andrej Kuščer Tanja Urbančič Marko Bohanec Jadran Lenarčič Boštjan Vilfan Ivan Bratko Borut Likar Baldomir Zajc Andrej Brodnik Janez Malačič Blaž Zupan Dušan Caf Olga Markič Boris Žemva Saša Divjak Dunja Mladenič Leon Žlajpah Tomaž Erjavec Franc Novak Bogdan Filipič iii iv KAZALO / TABLE OF CONTENTS Delavnica Elektronsko in mobilno zdravje / Workshop Electronic and Mobile Health ....................................... 1 PREDGOVOR / FOREWORD ................................................................................................................................. 3 PROGRAMSKI ODBORI / PROGRAMME COMMITTEES ..................................................................................... 5 Projekt IN LIFE v Sloveniji / Bizjak Jani, Gjoreski Hristijan, Gams Matjaž ............................................................. 7 Pametna ura za starejše / Bizjak Jani, Gjoreski Hristijan, Gams Matjaž .............................................................. 10 Med3D - spletno vizualizacijsko ogrodje volumetričnih medicinskih podatkov s podporo oddaljenemu sodelovanju / Bohak Ciril, Lavrič Primož, Marolt Matija .................................................................................. 14 Smartwatch Fal Detection / Bonchanoski Martin, Gjoreski Hristijan, Bizjak Jani, Gams Matjaž ......................... 17 Telerehabilitacija / Burger Helena ........................................................................................................................ 21 SmartPARK – inteligentni nadzorni sistem / Černe Tomaž, Žganec Mario, Žganec Gros Jerneja ...................... 22 Spremljanje zdravstvenega in psihičnega stanja v domačem okolju / Ciglarič Mojca, Grohar Miha, Pančur Matjaž ............................................................................................................................................................... 26 Izkušnje pri uvajanju IKT podprtih kliničnih poteh / Cukjati Iztok, Bon Jure, Pirtošek Zvezdan ........................... 28 Faze pri uvajanju informacijsko podprtih kliničnih poti / Cuzak Gregor, Bon Jure, Pirtošek Zvezdan ................. 30 Tristopenjski model vključevanja uporabnikov v razvoj pametnih storitev za aktivno in zdravo staranje / Dolinčar Vesna, Šetinc Mojca, Petrovčič Andraž, Košir Igor, Savanović Arso ................................................ 32 Uporabnost obstoječega mobilnega senzorja pri obravnavi Parkinsonove bolezni / Flisar Dušan, Bon Jaka, Pirtošek Zvezdan .................................................................................................................................... 36 Elektronsko in mobilno zdravje - opis in struktura projekta / Gams Matjaž, Gjoreski Hristijan ............................ 39 Monitoring Psychological Stress / Gjoreski Martin, Gjoreski Hristijan, Luštrek Mitja, Gams Matjaž .................... 43 Mobilno spremljanje okoljskih dejavnikov in njihovega vpliva na zdravje / Golija Andrej, Demšar Nejc .............. 44 DOKTOR 24 - Vizija v EM-ZDRAVJE / Goljuf Karmen ........................................................................................ 45 Platforma za prepoznavanje in klasifikacijo različnih tipov zvokov / Gradišek Anton, Bizjak Jani, Gams Matjaž ............................................................................................................................................................... 46 Informacijsko-komunikacijske tehnologije za neodvisno življenje starejših / Isaković Maša, Cijan Jaka, Volk Mojca, Sedlar Urban ................................................................................................................................. 49 myDataHub / Janković Marko, Žitnik Slavko, Bajec Marko .................................................................................. 50 Demografski in ekonomski vidiki zdravljenja Parkinsonove bolezni / Kasesnik Karin, Sedlak Sabina ................ 52 Improved Management of Parkinson’s Disease Patients Using a Col aborative Health Portal / Klasinc Matija, Jarc Tomo ............................................................................................................................................. 56 Future Trends and Smart Dental Care / Kokol Peter, Žalik Borut, Colnarič Matjaž, Špelič Denis, Zorman Milan, Verber Domen, Završnik Jerneja , Jurič Simon, Slemnik Bojan ............................................................ 59 Pametne zapestnice / Kompara Tomaž, Gornik Igor ........................................................................................... 60 Aplikacija za pomoč pri telesni vadbi bolnikov s srčnim popuščanjem / Luštrek Mitja, Dovgan Erik, Vodopija Aljoša, Bohanec Marko, Baert Anneleen, Pardaens Sofie, Clays Els .............................................. 61 IN LIFE Web Portal for Care-Giver Support / Magajna Tadej, Bizjak Jani, Gjoreski Hristijan, Gams Matjaž ...... 63 Closed-Loop Stimulation / Perel ón Alfonso Ruben, Pileckyte Indre, Bon Jure ................................................... 65 BLE omrežje za spremljanje gibanja oseb / Planina Andrej ................................................................................. 66 Modularna aplikacija za telemedicinsko spremljanje kroničnih bolezni in ohranjanje stabilnega zdravstvenega stanja / Planinc Nataša, Pavliha Denis ................................................................................... 68 Projekt - Pametni sistem integriranega zdravstva in oskrbe / Pustatičnik Peter .................................................. 71 Wireless Body Sensor Data Analytics - Chal enges and Approaches / Rashkovska Aleksandra, Avbelj Viktor, Trobec Roman....................................................................................................................................... 73 Some Possibilities of Applying AI to Early Detection and Monitoring of Parkinson’s Disease / Sadikov Aleksander, Bratko Ivan ................................................................................................................................... 77 Protonska terapija za zdravljenje raka / Smole Andreja ....................................................................................... 79 Varovanje zdravstvenih podatkov z metodami anonimiziranja / Stepančič Živa .................................................. 81 Platforma za pametna mesta / Tavčar Aleš, Šorn Jure, Gams Matjaž ................................................................ 84 Simulators and Simulations in Medical Education / Vidic Denis, Strnad Cestar Maja, Štempelj Mateja, Pavletič Lina ..................................................................................................................................................... 87 Napovedovanje hospitalizaciji pri bolnikih s srčnim popuščanjem iz podatkov telespremljanja / Vodopija Aljoša, Cvetković Božidara, Luštrek Mitja, Rudel Drago, Balorda Zdravko ..................................................... 89 Indeks avtorjev / Author index ................................................................................................................................ 93 v vi Zbornik 19. mednarodne multikonference INFORMACIJSKA DRUŽBA – IS 2016 Zvezek G Proceedings of the 19th International Multiconference INFORMATION SOCIETY – IS 2016 Volume G Delavnica Elektronsko in mobilno zdravje Workshop Electronic and Mobile Health Uredila / Edited by Matjaž Gams, Marko Bajec 10.-11. oktober 2016 / 10-11 October 2016 Ljubljana, Slovenia 1 2 PREDGOVOR V letu 2016 smo pripravili drugo delavnico na temo »e&m-zdravja« (elektronsko in mobilno zdravje, kratko EMZ), tj. predlog izvedbe infrastrukture in vpeljave uporabe informacijsko in mobilno podprte celostne zdravstvene oskrbe za izboljševanje preventivne, diagnostične in terapevtske obravnave državljanov, ki bi zmanjšala stroške, obenem pa povečala dostopnost zdravstvene oskrbe v obdobju 2016-2020. Delavnico sestavljajo predvsem prispevki EMZ, delno tudi prispevki programa EkoSMART. V letu 2016 je bil sprejet program EkoSMART v domeni pametne specializacije pametnih mest, kjer je EMZ predstavlja enega nosilnih stebrov. V okviru javnega razpisa »RRI v verigah in mrežah vrednosti« − sklop 1: »Spodbujanje izvajanja raziskovalno-razvojnih programov (TRL 3-6)« je bilo razpisanih 55 milijonov evrov sredstev. Komisija je izbrala v sofinanciranje devet vlog, vrednih 53,6 milijona evrov. Vsak od devetih izbranih programov je dobil 5,9 milijona evrov. Projekt EMZ sestavlja 5 delovnih sklopov: • Informacijske tehnologije za podporo celostni oskrbi / bolnice / prof. Z. Pirtošek • Podpora na domu za zdrave, starejše in za kronične bolnike / doma / prof. M. Gams • Mobilno spremljanje vitalnih in okolijskih podatkov / mobilno / dr. R. Trobec • Računalniška podpora, podatki, kreiranje novih znanj /algoritmi / prof. P. Kokol • IKT platforma / prof. M. Bajec Delavnica EMZ predstavlja ključno točko pri snovanju dela na programu EMZ znotraj programa EkoSMART. Vsi partnerji so pripravili prispevke in prvič se bo vsak javno predstavil vsem drugim z že precej usklajenim predlogom. Vse predloge bomo nato dokončno uskladili in pripravili specifikacijo dela na programu. Pri tem je vsak prispevek postavljen v dvodimenzionalno matriko, kjer matrice predstavljajo opravila znotraj omenjenih 5 delovnih sklopov, stolpce pa predstavljajo klinične poti, npr. srce, pomoč starejšim itd. Podrobneje je shema predstavljena v zbirnem prispevku delavnice. Osnovne zamisli so ostale kot pri snovanju EMZ in jih sedaj poskušamo sestaviti v SRIP: Pobudo EMZ, ki sta jo podprla rektor Univerze v Ljubljani, prof. dr. Ivan Svetlik in direktor IJS, prof. dr. Jadran Lenarčič, sestavlja preko 120 partnerjev inštitucij. Partnerji pokrivajo naslednja področja: veliko in srednje gospodarstvo, velika slovenska medicinska podjetja, mala slovenska podjetja, zdravstvene zavarovalnice, telekomunikacijska podjetja, bolnice in klinični centri, zdravstveni domovi, rehabilitacijski inštituti in toplice, centri, zavodi in domovi, farmacevtska združenja in povezana podjetja, univerze, inštituti, ministrstva, občine, intervencijske službe, združenja bolnikov, organizacije starejših, gibanja za zdravo življenje. Izmed omenjenih 120 inštitucij je bilo zaradi omejitev v financiranje v projekt EMZ sprejetih le 17 partnerjev, vsi partnerji EMZ pa so povabljeni k sodelovanju, saj projekt EMZ omogoča win-win sodelovanje tudi brez neposrednega financiranja preko vzpostavljenih verig. Pobudo e&m-zdravje so vzpodbudile potrebe po horizontalnem in vertikalnem povezovanju, trendi in dileme področja. Predlagana pobuda e&m-zdravje vpeljuje v zdravstveno oskrbo nove koncepte, ki bodo s svojimi multiplikacijskimi in sinergijskimi učinki sprožili hitrejšo in učinkovitejšo prilagoditev obstoječega sistema celostne zdravstvene oskrbe na današnje izzive. E&m-zdravje (EMZ) vidimo kot eno najbolj perspektivnih smeri v več pobudah od zdravstva do pametnih mest. E&m-storitve nudijo izboljšano kvaliteto življenja državljanom ob zmanjšanih stroških, hkrati pa omogočajo preboj Slovenije v svet na e&m-področju. E&m-zdravje se bo predvidoma vsebinsko oblikovalo delno kot samostojna pobuda s svojo platformo, organizacijo in projekti, ki bo povezana tako s pametnimi mesti kot z zdravjem. Za zdravstveno in socialno skrbstvo v Sloveniji namenjamo 25% državnega proračuna. Združene držav Amerike samo za zdravstvo namenjajo 17.2% celotnega GDP in preko 8.000 dolarjev na prebivalca letno. Amerika generira dvakrat več pomembnih inovacij v zdravstvu kot EU ter vlaga štirikrat več sredstev v nova, z medicino povezana podjetja. Leta 2025 bo več kot milijarda, ali skoraj osmina svetovnega prebivalstva, starejša od 60 let. Stroški za 3 zdravstveno oskrbo starejše populacije predstavljajo v EU skoraj polovico vseh stroškov za zdravstvo, kar pomeni, da grozi zdravstvenemu in gospodarskemu sistemu in kvaliteti življenja zlom, če ne bomo vpeljali storitev e&m-zdravja. Druga pomembna komponenta je povezovanje in ustvarjanje kritične mase komplementarnih partnerjev, ki edino omogoča uspešen prodor na svetovna tržišča. Slovenija potrebuje sodelovanje in koordiniranje že zaradi svoje relativne majhnosti, kar dokazuje relativno slaba izkušnja z velikim številom malih in razdrobljenih projektov, ki nimajo dovolj podpore za vpeljavo novih rešitev. Tretja ključna komponenta: zdravstvo v Sloveniji bo na ta način dobilo novo priložnost, da vzpostavi nacionalno platformo in mednarodne standarde, preseže ujetost v nedopustno dolge čakalne dobe za pregled pri specialistih, poveže razdrobljene in nekompatibilne sisteme in že samo s tem opraviči vložena sredstva. Matjaž Gams, Zvezdan Pirtošek, Roman Trobec 4 PROGRAMSKI ODBOR / PROGRAMME COMMITTEE Matjaž Gams, koordinator Zvezdan Pirtošek, koordinator Roman Trobec, koordinator Marko Bajec Peter Kokol Jure Bon Roland Petek Andrej Kos Marko Hren Aleš Tavčar Hristijan Gjoreski Anton Gradišek Stanislav Erzar Janez Uplaznik 5 6 Projekt IN LIFE v Sloveniji Jani Bizjak Hristijan Gjoreski Matjaž Gams Institut ' Jožef Stefan' Institut ' Jožef Stefan' Institut ' Jožef Stefan' Jamova cesta 39 Jamova cesta 39 Jamova cesta 39 1000, Ljubljana 1000, Ljubljana 1000, Ljubljana +386 1 477 3147 +386 1 477 3812 +386 1 477 3644 jani.bizjak@ijs.si hristijan.gjoreski@ijs.si matjaz.gams@ijs.si POVZETEK ki je potrebna od uporabnika je dnevno polnjenje naprave. Tudi Evropa se sooča s problemi starajočega prebivalstva. Cilj nastavitve se nastavljajo na daljavo peko spletnega vmesnika. evropskega projekta IN LIFE je podpora starejšim in njihovim Trenutno sta razviti dve vrsti ure (Slika 1): S8 – model za običajne skrbnikom, tako da jim je omogočeno daljše samostojno življenje, uporabnike ter S99 – model za napredne uporabnike. Modela ur sta brez strahu pred padci in ostalimi nevarnostmi povezanimi s prikazana na Sliki 1. V osnovnih funkcijah se uri ne razlikujeta, obe starostjo. V prispevku sta opisana dva glavna podsistema: pametna ponujata state-of-the-art sistem za zaznavanje padcev in nevarnih ura ter portal za podporo skrbnikom. Sistema sta bila razvita v situacij, razlika je v tem, da model S99 omogoča dostop do Android Sloveniji in bosta tudi prvič uporabljena v pilotnem testiranju v podsistema in z njim povezanih aplikacij. V primeru nepravilne Sloveniji. uporabe, je mogoče varnostne funkcije ure onemogočiti, zato je primerna le za zahtevnejše uporabnike, ki se spoznajo na Android Ključne besede sistem. IN LIFE, podpora starejšim, podpora skrbnikom, e-zdravje, pametna ura 1. UVOD Evropa, se tako kot večina razvitega sveta, srečuje z velikimi demografskimi spremembami. Padanje rodnosti ter podaljšanje življenjske dobe močno spreminjajo demografsko podobo. Po napovedih Eurostata, se bo delež starejših ob 65 v EU iz trenutnih 18% do leta 2030 povzpel na 25%. To v Sloveniji predstavlja kar pol milijona prebivalcev, od tega jih bo kar 150.000 starejših od 80 let. To hkrati pomeni porast števila oseb, ki zaradi zdravstvenih težav ne morejo živeti samostojno, vse manj pa je mladih, ki bi lahko skrbeli zanje. Za rešitev tega problema, so potrebne nove Slika 1: Pametna ura model S8 in S99. informacijske tehnologije, ki povišujejo starost, pri kateri je oseba še sposobna samostojnega življenja. 2.1 Funkcije pametne ure V tem razdelku so na kratko opisane glavne in najpomembnejše IN LIFE (INdependent LIving support Functions fort he Elderly) je funkcionalnosti, ki jih ponujata obe uri. Trenutno sta razviti in triletni evropski Horizon 2020 projekt, katerega glavni cilj je testirani do te mere, da se lahko predajo prvim uporabnikom, tekom podpora starejšim pri samostojnem življenju. V konzorciju sodeluje pilotov pa se bodo dodatno prilagodile (dodale, odstranile ali 20 partnerjev iz 9 držav: Slovenija, Švedska, Združeno kraljestvo, spremenile) glede na predloge in želje uporabnikov. Nizozemska, Španija ter Grčija. Partnerji prihajajo tako iz akademskih kot podjetniških voda. Slovenijo zastopata Institut 2.1.1 Zaznavanje padca ' Jožef Stefan'' in Doktor 24 [1,2]. Zaznavanje padca je glavna funkcija sistema IN LIFE. Ura je Osnovna naloga projekta IN LIFE je testirati in dopolniti sposobna prepoznati težke padce, po katerih se oseba ne more raziskovalne prototipe, ki so dosegli dokazano [3,4] izjemne pobrati in poklicati na pomoč. Ura po zaznavi takega dogodka rezultate, v realnem okolju in jih nato prenesti v praktično uporabo. avtomatsko pokliče v naprej določeno telefonsko številko V Sloveniji bo 75 prototipov testiranih na dvakrat po 75 starejših formalnega ali neformalnega skrbnika. V primeru, da je klicana kot 65 ter pripadajočih formalnih in neformalnih skrbnikih. številka nedosegljiva, bo ura avtomatsko ponovila klic čez nekaj sekund na isto ali v primeru, da ima shranjenih več številk na Partnerji v okviru projekta razvijajo široko platformo (enoten bazen naslednjo številko. naprav in storitev), ki bo združeval že obstoječe tehnologije in prototipe v robusten, učinkovit ter finančno dosegljiv sistem, ki bo 2.1.2 Ročno proženje alarma pomagal tako starejšim kot njihovim skrbnikom. V sklopu V primeru, da se uporabnik slabo počuti oz. potrebuje pomoč iz slovenskih pilotnih testiranj bo poudarek predvsem v pametni uri drugih razlogov, ki jih detektor padcev ne more zaznati, lahko ter sistemu za podporo skrbnikom. ročno sproži alarm. To stori z držanjem spodnjega gumba na uri. Klic se bo avtomatsko izvedel na enak način, kot pri zaznavi padca. 2. PAMETNA URA IN LIFE Pametna ura IN LIFE je naprava, ki prepoznava padce in ostale nevarne situacije ter ob tem samodejno pokliče na pomoč vnaprej določene telefonske številke. Ura deluje avtomatsko, edina akcija, 7 2.1.3 Analiza gibanja Ura spremlja količino gibanja za posamezno obdobje (ena ura) v dnevu. V primeru, da gibanje močno odstopa od povprečnega, je to lahko razlog za alarm in na to opozori skrbnike. 2.1.4 Lokacija Preko spletnega vmesnika ali poslanega SMS z ključno besedo je mogoče pridobiti lokacijo pametne ure. Natančnost lokacije je odvisna od signala (GPS, Wi-Fi- GSM), niha pa med nekaj metri do nekaj sto metri. 2.1.5 Peskovnik Ura omogoča nastavitev t.i. peskovnika, to je območje, kjer se uporabnik lahko nahaja, v primeru, da uporabnik zapusti določeno območje, se sproži alarm s sporočilom za skrbnike. 2.1.6 Opomniki Preko spletnega portala, ki je opisan v poglavju 3, se na uro lahko pošiljajo opomniki, ki uporabnika opomnijo s kratkim sporočilom. Primerni so za opomin o obisku skrbnika, jemanju zdravil ali opominu, da je uro potrebno polniti. 2.2 Nadzor nad uro Zaradi lažje uporabe je primarni način spreminjanja parametrov in nastavitev na uri mogoč na daljavo, preko spletnega portala. Nekaj najpogostejših ukazov pa je mogoče nastaviti preko SMS, seveda pa mora biti številka na uri shranjena kot formalni ali neformalni skrbnik. Slika 2: Domača stran spletnega portala IN LIFE. Na njej so hitro Ura omogoča tudi periodično poročanje o statusu ali lokaciji dostopne informacije o bodočih obiskih skrbnikov, ter o alarmih direktno na določene telefonske številke. S tem je olajšan nadzor oz. drugih obvestilih uporabnikov sistema. nad uporabnikom ter povečano udobje ob uporabi ter upravljanju z pametno uro IN LIFE. 3.2 Pregled uporabnikov 3. PODPORA SKRBNIKOM IN LIFE Pregled uporabnikov združuje najpomembnejše informacije o uporabniku na enem mestu. Vidijo ga lahko le skrbniki in Pametna ura poveča varnost ter omogoča samostojno življenje dlje sorodniki, katerim je bila dodeljena oskrba za določenega časa. Kljub temu, pa mora sistem nekdo nadzorovati, bodisi uporabnika. formalni (zdravniki, medicinsko osebje) ali neformalni (družinski člani, prijatelji) skrbniki. Pomembno je, da takšen sistem Na levi polovici zaslona so prikazane informacije o uporabniku, kot skrbnikom olajša delo. S tem namenom je bil razvit spletni portal so naslov za oskrbo, kontaktni podatki, število obiskov skrbnika ter IN LIFE za podporo skrbnikom [5]. število opravljenih in neopravljenih nalog (Slika 3). Portal na enem mestu združuje informacije o obiskih (oskrba na Na desni strani zaslona je prikazan zemljevid s preteklimi domu), uporabnikih ter alarmih, ki jih uporabniki sprožijo (npr. lokacijami uporabnika. S pritiskom na gumb Pridobi lokacijo je padec), omogoča upravljanje z napravami na daljavo ter nudi lokacijo mogoče posodobiti. avtomatske opomnike ter pomoč pri razporejanju terminov obiskov Pod zemljevidom se nahajajo informacije o obiskih, opravljenih (Slika 2). nalogah v njih ter skrbnikih, ki so naloge opravljali. 3.1 Razporejanje terminov obiskov Informacije, ki so vezane na pametno uro, se nahajajo v levem Ena glavnih nalog spletnega portala je olajšanje planiranja in bloku spodaj. Najprej je prikazano polje za pošiljanje opomnika. razporejanja terminov obiskov. Sistem omogoča poenostavljeno Sledi status aktivnosti, ki je lahko zelen (dobro), rumen izbiranje in dodeljevanje nalog skrbnikom z uporabo privzetih (sprejemljivo) ter rdeč (malo ali nič gibanja). Količina gibanja se nalog, poleg tega pa omogoča dodeljevanje novih unikatnih nalog. primerja glede na preteklo gibanje. Rdeč status torej pomeni nič Čas obiska se samodejno izračuna na podlagi dodeljenih nalog, v gibanja (nekaj je narobe), uporabnik je padel a se alarm ni sprožil, primeru, da skrbnik zamuja na oskrbo oz. ga ne more opraviti (npr. druga možnost je, da uporabnik ne nosi zapestnice, v vsakem nima prave opreme), sistem samodejno opozori administratorja na primeru je dobro, da se uporabnika pokliče ter preveri stanje. Pod problem, ki ga nato reši z menjavo skrbnika za določen obisk ali statusom se nahaja seznam preteklih alarmov ter ali je bil klic ob prestavitvijo obiska. Vse spremembe v obiskih se tudi avtomatsko sprožitvi alarma narejen. sporočajo oskrbovancem. 8 5. ZAKLJUČEK V prispevku smo predstavili projekt IN LIFE, natančneje, podsistema pametne ure ter spletnega portala namenjenega podpori skrbnikom. Opisali smo demografske probleme, s katerimi se Evropa srečuje ter kako jih naš sistem omili ali odpravi. Razvoj sistema poteka v sklopu projekta H2020 in je trenutno razvit do te mere, da je pripravljen za vstop na trg. Dodatne informacije kot tudi (pred)-naročila za pametne ure so na voljo na spletni strani [6]. 6. ZAHVALA Delo je bilo financirano s strani IN LIFE projekta – H2020 (grant agreement No. 643442). 7. REFERENCE Slika 3: Informacije o uporabniku. V levem bloku so [1] A. Gradišek, H. Gjoreski, M. Gams, Z znanostjo na pomoč predstavljene kontaktne informacije. Na desni strani so zbrane starostnikom : projekt InLIFE, Delo, pp(16) pretekle informacije o lokaciji uporabnika. Na dnu slike, pa so [2] M. Gams, H. Gjoreski, Storitve za zdrave, starejše, za kronične prikazane informacije o zadnjih obiskih. bolnike in za vse s posebnimi potrebami, EM-zdravje,pp 46-48 [3] S. Kozina, H. Gjoreski, M. Gams, M. Luštrek. Efficient 4. STANJE SISTEMA Activity Recognition and Fall Detection Using Accelerometers. Evaluating AAL Systems Through Competitive Benchmarking Trenutni sistem je razvit do TRL8, to pomeni, da so vse funkcionalnosti definirane v specifikacijah končane in testirane. Communications in Computer and Information Science, Volume Pametna ura je bila testirana na okoli 10 internih ter eksternih 386, 2013, pp 13-23 uporabnikih, skupno več kot 3 mesece. Spletni vmesnih za podporo [4] Gjoreski, M., Gjoreski, H., Luštrek, M., & Gams, M. (2016). skrbnikom je bil testiran s strani partnerjev IN LIFE. V kratkem se How accurately can your wrist device recognize daily activities bo začelo pilotno testiranje IN LIFE, kjer bo več kot 250 and detect falls?. Sensors,16(6), 800. uporabnikov ter skrbnikov uporabljalo sistem 6 mesecev. [5] Spletni portal IN LIFE https://slovenija.inlife-projekt.si [6] Projekt IN LIFE http://inlife-projekt.si/ Sistem pametne zapestnice je na voljo tudi zainteresiranim zunanjim uporabnikom, ki si želijo zagotoviti dodatno varnostno napravo v vsakdanjem življenju ali ekstremnih situacijah (npr. športno plezanje, kolesarjenje). 9 Pametna ura za starejše Jani Bizjak Hristijan Gjoreski Matjaž Gams Institut ' Jožef Stefan' Institut ' Jožef Stefan' Institut ' Jožef Stefan' Jamova cesta 39 Jamova cesta 39 Jamova cesta 39 1000, Ljubljana 1000, Ljubljana 1000, Ljubljana +386 1 477 3147 +386 1 477 3812 +386 1 477 3644 jani.bizjak@ijs.si hristijan.gjoreski@ijs.si matjaz.gams@ijs.si POVZETEK Aplikacija IN LIFE se ročno zažene s klikom na ikono InLife. Ikona Glavni cilj sistema pametne ure IN LIFE je pomoč starejšim pri se nahaja med ostalimi aplikacijami, ki so nameščene na napravi vsakodnevnih opravilih, avtomatska detekcija padcev in ostalih (Slika 2). nevarnih situacij ter obveščanje svojcev oz. skrbnikov, če do teh pride. Sistem temelji na state-of-the-art tehnologijah in nagrajenih algoritmih. Ključne besede IN LIFE; pametna ura, detekcija padcev in nevarnih situacij 1. UVOD V tem referatu je predstavljen sistem pametne ure IN LIFE [1,2,3]. Njegova glavna naloga je varovanje uporabnika pred padci, v celoti pa nudi deset storitev. Zasnova oz. motivacija sistema je, da pomaga starejšim samim doma kot umetno-inteligentna Slika 2: Ročni zagon IN LIFE elektronska verzija osebnega pomočnika. Ura je torej v marsičem samodejna kot živa bitja (npr. samodejno ugotovi padec), da bi 4. NAVODILA ZA UPORABO lahko čimbolj pomagala, hkrati pa je »omejeno pametna«. Na pametni uri je že pred-nameščena aplikacija IN LIFE, ki olajša Kljub temu, da pametna ura deluje samodejno, vsebuje veliko delo z uro in je enostavna za uporabo. Pametna ura deluje število parametrov, ki se lahko nastavijo, tako da uporabniku in avtomatsko, edina akcija, ki je zahtevana od uporabnika, je skrbnikom omogočijo karseda udobno in nemotečo uporabo polnjenje naprave (npr. ponoči med spanjem, ali med sistema. V tem delu predstavimo vse funkcije in parametre, ki se popoldanskim počitkom ipd.). Vse nastavitve so že vnaprej lahko nastavijo na pametni uri IN LIFE. nastavljene, ura pa se zna do neke mere sama učiti ter prilagoditi življenjskemu stilu uporabnika. V primerih specifičnih želja se jo 2. GUMBI NA PAMETNI URI IN LIFE lahko nastavi tudi preko spletnega vmesnika na daljavo ali preko Na Sliki 1, sta predstavljena oba modela pametne ure IN LIFE. Z SMS. različnimi barvami so obkroženi fizični gumbi, ki ob pritisku ali držanju upravljajo z uro. 4.1 Glavni zaslon V primeru, da je ekran na uri zatemnjen (črn), ga lahko zbudite – (ekran se bo osvetlil) s pritiskom na zgornji gumb na desnem robu ure. Ekran se samodejno prebudi tudi ob prepoznavanju morebitnih nevarnih situacij ali ob prejetju in prikazu opomnikov. Zaradi potrebe po čim daljši življenjski dobi pametne ure se ekran avtomatsko izklopi po nekaj minutah neuporabe (npr. 30 sekundah). Glavni zaslon je prikazan na Sliki 3. Vsebuje trenutni čas, trenutni datum in trenutno stanje baterije. Po končani uporabi pametne ure IN LIFE, je uro vedno potrebno vrniti na glavni zaslon. S tem zagotovite varčno in zanesljivo delovanje pametne ure. Slika 1: Z zeleno je označen gumb za zaklep zaslona. Rdeče je obarvan gumb za klic v sili. V primeru, da rdeč gumb držimo ali pritisnemo 5 krat, se bo avtomatsko sprožil klic na vnaprej določeno številko. Prva ura ima tudi fizični gumb »Domov«, na sliki je označen z rumeno barvo. Ob pritisku gumba »Domov«, se ura vrne na domač zaslon IN LIFE. 3. ZAGON APLIKACIJE IN LIFE V primeru, da se aplikacija ob pritisku na gumb domov (ang. home) ne vrne na glavni zaslon IN LIFE (Slika 3), jo je potrebno ročno zagnati. Slika 3: Glavni zaslon IN LIFE 10 4.2 Detekcija padcev Pametna ura spremlja gibanje uporabnika [4] in če v gibanju prepozna znake padca [5], avtomatsko sproži klic na vnaprej določene telefonske številke. Preden se klic sproži, se ekran osvetli, prikaže se zaslon na Sliki 4. V primeru, da uporabnik ne pritisne na noben gumb v času, ko siva črta doseže desen rob ekrana, se klic prične. V primeru, da je klicana številka zasedena, se bo klic avtomatsko ponovil čez 20 sekund. V primeru, da ima pametna ura IN LIFE shranjenih več telefonskih številk za nujne klice, se naslednja klicana številka izbira po naslednjem postopku; Najprej se 4 krat pokličejo številke, shranjene kot neformalni skrbniki, v primeru, da štiri različne Slika 5: Levo je začetni zaslon, iz katerega so nastavitve številke niso shranjene, se prva številka pokliče večkrat. V primeru, dostopne. Desno je prikaz prvih nekaj opcij, dosegljivih v da nobena številka iz prvega kroga klicev ni dosegljiva, ura preide nastavitvah. na klic telefonskih številk shranjenih kot formalni skrbniki, tukaj se 4.5.1 Nastavitev časa številke kličejo po enakem postopku kot številke za neformalne Prva nastavitev v seznamu omogoča nastavitev časa. S klikom skrbnike. V primeru, če tudi te številke niso dosegljiva, se kot nanjo se odprejo android nastavitve za čas. Možnih je več načinov zadnja pokliče številka centrale ter številka, rezervirana za nujne izbire časa: samodejna iz GSM signala, samodejna iz GPS signala primere (npr. 112). ali ročna. Z izbiro ročne nastavite lahko čas samodejno nastavimo, S 5-sekundnim pritiskom na ekran se procedura klicev ustavi, ura preko gumba nastavi datum (ang. set date) ter gumba nastavi čas preide v način normalnega delovanja. (ang. set time). S klikom na gumb nazaj (ang. back) ali klikom na gumb domov (ang. home) se vrnemo v aplikacijo IN LIFE. 4.5.2 Fotoaparat in Galerija Naslednja opcija v nastavitvah omogoča dostop do fotoaparata na napravi ter galerije s posnetimi slikami. S klikom na gumb posnami sliko se odpre zaslon s kamero, kjer se lahko posname slika. Posnete slike so dostopne preko gumba odpri galerijo. 4.5.3 Telefonske številke V razdelku telefonske številke so prikazane vse številka, ki so shranjene v napravi. Zaradi varnosti je dobro, da so v napravi shranjene vsaj 2 številki poleg številke strežnika. Slika 4: Prikazni zaslon pred proženjem klica na pomoč. Ko siva črta doseže desni rob, se klic prične. Pritisk na zaslon potrdi, da je 4.5.4 Tihi način/Nočni način vse OK. Tihi način utiša vsa opozorila na uri, kot je določeno v razdelku. Priporočeno je, da se ta nastavitev vklopi, v kolikor je ura moteča 4.3 Ročno proženje klica v večernem času. V primeru, da želite ročno sprožiti klic na pomoč, to storite tako, 4.5.5 Prikaz baterije da 5 krat stisnete spodnji gumb na desni strani pametne ure (Rdeč gumb na Sliki 1). Sprožil se bo enak postopek klicev, kot je opisan Vklop te nastavitve omogoči prikaz stanja baterije (v odstotkih) na v odseku 4.2. glavnem zaslonu aplikacije IN LIFE. 4.4 Opomniki 4.5.6 GPS Lokacija V primeru, da je pošiljanje GPS koordinat strežniku ter skrbnikom Pametna ura IN LIFE lahko prikazuje opomnike. Na primer, nezaželeno, se to lahko izklopi s pomočjo nastavitve GPS lokacija, uporabnika lahko opozori, da mora vzeti zdravila, kdaj ga bo tako da se odkljuka nastavitev. obiskal sorodnik ali skrbnik ter naj si nadene uro v primeru, da jo nima na roki. 4.6 Napredne nastavitve Opomniki se nastavljajo preko spletnega vmesnika, dosegljivega na Napredne nastavitve so namenjene naprednim uporabnikom ter [1]. skrbnikom. Če se ne uporabljajo pravilno, lahko onemogočijo ali celo izklopijo pametno uro IN LIFE, kar onemogoči prepoznavanje 4.5 Nastavitve padcev in ostale varnostne mehanizme. Nastavitve se nahajajo na ekranu levo od glavnega zaslona, Napredne nastavitve se aktivira tako, da na zaslonu z nastavitvami dosežejo se tako, da se glavni zaslon povleče v desno. Prikaže se 5-krat hitro stisnete na logotip IN LIFE. Prikaže se zaslon z zaslon z logotipom IN LIFE ter gumbom nastavitve. S klikom na naprednimi nastavitvami. gumb se odprejo osnovne nastavitve (Slika 5). 4.6.1 Izbira jezika S to nastavitvijo lahko izbirate jezik aplikacije. Izbirate lahko med angleščino in slovenščino. 4.6.2 Zbujanje zaslona Zbujanje zaslona je eksperimentalna nastavitev, ki zbudi zaslon v primeru, ko ura zazna gesto pogleda na uro. Funkcija je 11 eksperimentalna, kar pomeni, da detekcija geste še ni dovolj 4.7.1 Prenesi nastavitve z naprave natančna. Ker se določene nastavitve lahko spreminjajo tudi na uri, jih je 4.6.3 Tiho/Glasno priporočljivo najprej sinhronizirati s spletnim portalom. S klikom Funkcija tiho/glasno omogoča utišanje vseh zvokov in sporočil na gumb Prenesi nastavitve z naprave naprava prebere in pošlje SMS, ki jih ura spušča. Deluje na enak način, kot funkcija Tihi spletnemu strežniku vse vrednosti nastavitev, tako da jih lahko način (2.4.4) s to razliko, da je vklopljena ves čas. spletna stran pravilno prikaže 4.6.4 Nočni način 4.7.2 Nastavitve naprave V nastavitvah za nočni način lahko izbirate interval, med katerim Desno od razdelka za sinhronizacijo nastavitev se nahaja prikazno se bo avtomatsko vklopila funkcija tihega načina (2.4.4). Ura polje, kjer so prikazane trenutno nastavljene vrednosti na pametni intervala se izbere s klikom na začetni ali končni čas intervala. uri. 4.6.5 Izhod Najprej je predstavljena spodnja ter zgornja meja, ki določa občutljivost algoritma za detekcijo padcev. Ta nastavitev je S klikom izhod se aplikacija IN LIFE začne izvajati v ozadju. namenjena predvsem formalnim skrbnikom, ki ob prevelikem Pojavijo se vse možnosti, ki jih ponuja mobilni sistem android. številu zaznanih lažnih padcev, zmanjšajo občutljivost le teh. S pritiskom na gumb domov (ang. home) se aplikacija IN LIFE Sledi nastavitev nočnega načina, opisanega v razdelku 4.6.4 ter vse vrne v privzet način delovanja. telefonske številke, ki so trenutno shranjene v uri. Kot zadnji 4.6.6 Ponovni zagon razdelek je prikazan čas, kdaj so bile nastavitve nazadnje Ponovni zagon izklopi ter ponovno zažene pametno uro. V primeru, sinhronizirane. da je ura zaščitena z geslom, je ob ponovnem zagonu potrebno 4.7.3 Shranjevanje nastavitev v napravo vnesti geslo (pin), preden ura začne ponovno delovati. Aplikacija V tem razdelku je mogoče nastavljati ter spreminjati določene IN LIFE se samodejno zažene ob vklopu naprave. nastavitve na napravi. Najprej lahko upravljamo z nastavitvami za 4.6.7 Izklop posamezno telefonsko številko ali skupino (npr. neformalni S pritiskom na gumb izkop se ura izklopi za nedoločen čas. Ura v skrbniki). tem stanju ne deluje in ne zaznava padcev ter ostalih nevarnih 4.7.3.1 Nastavitev tihega načina situacij. Pametna ura se ponovno vklopi z držanjem zgornjega S to nastavitvijo utišamo vsa sporočila (ura ne pošilja več SMS desnega gumba (Slika 1, zelen gumb). sporočil), ki jih ura pošilja na to številko. Zaradi varnosti moramo 4.6.8 Dodajanje strežniške številke določiti interval, koliko časa bo ta nastavitev veljavna. Izbiramo Z gumbom za dodajanje strežniške številke se lahko doda številka, lahko med minutami, urami ali dnevi. ki jo strežnik uporablja za upravljanje z uro na daljavo. Ta 4.7.3.2 Nastavitev intervala poročanja o lokaciji nastavitev je namenjena predvsem za tehnično vzdrževanje ure. Nastavitev omogoča vklop periodičnega poročanja o lokaciji na 4.6.9 Številke neformalnih skrbnikov določeno številko. Če je način vklopljen, bo ura v vsakem V tem razdelku so prikazane številke neformalnih skrbnikov. Vse nastavljenem intervalu časa poslala SMS s trenutno lokacijo številke se prikažejo s klikom na spustni meni. Številka se izbere s naprave (če je to mogoče pridobiti). klikom na eno izmed številk v seznamu. Izbrana številka se izbriše 4.7.3.3 Nastavitev intervala poročanja o stanju s klikom na gumb izbriši številko. Podobno kot interval poročanja o lokaciji, interval poročanja o Nova številka se doda s klikom na gumb dodaj številko. Prikaže se stanju pove periodo, s katero se pošilja SMS s stanjem. številčna tipkovnica, preko katere se lahko vnese nova številka. S Priporočljivo je, da nastavite periodo poročanja stanja enkrat na klikom na gumb shrani se številka shrani kot nov neformalni dan, s tem lahko preverite, ali ura še vedno deluje (npr. če SMS skrbnik. niste dobili že nekaj dni zapored, je to morda znak, da nekaj ne 4.6.10 Ponastavitev številk deluje pravilno). S klikom na gumb ponastavitev številk se vse na novo dodane 4.7.3.4 Preklic nastavitve številke izbrišejo, ostane le original strežniška številka. Funkcija prekliče nastavitev tihega načina, oz. ustavi pošiljanje 4.6.11 Način brez povezave SMS ob določenem intervalu. Način brez povezave je namenjen zmanjševanju stroškov, ki 4.7.3.5 Odstranitev telefonske številke nastanejo ob komunikaciji pametne ure s strežnikom in Ta funkcija odstrani telefonsko številko iz pametne ure. V primeru neformalnimi skrbniki. Z vklopom te funkcije se vsa zunanja padca ura ne bo več klicala odstranjene številke. Opomba: komunikacija onemogoči. Ob morebitnem padcu ali nevarni Strežniške številke ni mogoče odstraniti. situaciji bo ura še vedno začela proces klicanja telefonskih številk. 4.7.4 Detekcija padcev Nastavitve delovanja na daljavo preko spletnega portala ne bodo S to nastavitvijo je mogoče spreminjati parametre, ki vplivajo na delovale pravilno v primeru vklopa te nastavitve. občutljivost zaznavanja padcev (zgornja in spodnja meja). Mogoče 4.7 Spletne nastavitve pa je tudi vstaviti ali zagnati detekcijo padcev. Ta nastavitev je namenjena predvsem tehničnemu osebju, saj lahko onemogoči Nekatere nastavitve pametne ure IN LIFE se lahko nastavljajo tudi pravilno delovanje pametne ure IN LIFE. na daljavo – preko spletnega vmesnika. Da ta funkcija deluje pravilno, se ura ne sme nahajati v načinu brez povezave (4.6.11), 4.7.5 Dodajanje telefonske številke ura mora imeti dodeljen spletni račun ter biti povezana z njim. Preko te nastavitve se uri doda nova telefonska številka z izbrano Nastavitve se nastavljajo preko nastavitev uporabnikov, na skupino. Mogoče je tudi določiti ime, ki se bo izpisalo na pametni spletnem vmesniku [6] . zapestnici ob prejetju klica iz te številke. 12 4.7.6 Nastavitev nočnega načina Administrativna funkcija aplikacije IN LIFE se vklopi preko Nastavitev omogoča vklop ali izklop nočnega načina. Omogoča pa nastavitev android. Preko naprednih nastavitev zapustite aplikacijo tudi nastavitev intervala, med katerim se nočni način samodejno IN LIFE (4.6.5). Poiščite gumb nastavitve (ang. settings) med vklopi. android aplikacijami, nato kliknite na gumb osebno (personal) in zaščita (security). Potegnite ekran navzgor, dokler ne zagledate 4.7.7 Peskovnik administrativnih funkcij (device administration), izberite aplikacijo Peskovnik omogoča opozorilo (alarm), ko oseba zapusti določeno IN LIFE ter jo odprite. Na prikazanem zaslonu kliknite aktiviraj območje. V polje lokacija je potrebno vpisali naslov lokacije, kjer (ang. activate)(Slika 6), s tem ste uspešno aktivirali administrativne naj bi se oseba nahajala ter radij (v metrih) kako daleč iz te točke funkcije za aplikacijo IN LIFE. lahko oseba zaide (zaradi napak, pri določanju lokacije, je priporočljivo radij povečati za 10% željenega). Časovno obdobje S pritiskom na gumb domov (home) se vrnite na domač zaslon IN pove, koliko časa bo peskovnik vključen. LIFE. Zaradi varčevanja z baterijo naprava samodejno (po potrebi) 5.3 Gumb domov posodablja lokacijo. Če se oseba hitro premika (npr. v vozilu), V primeru, da se ob pritisku na gumb domov prikaže izbira lahko v času preverbe lokacije prevozi veliko območje (npr. nekaj privzete aplikacije (Slika 7). Izberite aplikacijo IN LIFE deset kilometrov iz območja peskovnik). Priporočljivo je, da se ob uporabi peskovnika nastavi tudi periodično poročanje lokacije s periodo nekaj minut. 4.8 SMS Nastavitve Pogosto uporabljene nastavitve, kot so status, lokacija ali zadnji alarm lahko od ure zahtevamo tudi preko navadnega SMS sporočila. Pogoj je, da je telefonska številka, iz katere pošiljamo sporočilo, dodana kot neformalni skrbnik na pametni uri. Ukazi so InLife:Status, InLife:GPS in InLife:Alarm. Pošljejo se kot navadno SMS sporočilo z besedilom ukaza. 5. ODPRAVLJANJE TEŽAV 5.1 Ob držanju gumba se klic ne prične Slika 7: Aplikacijo IN LIFE je potrebno nastaviti kot privzeto V primeru, da je na spodnjem delu glavnega zaslona prikazana domačo aplikacijo. slušalka (Slika 3), to pomeni, da naprava nima shranjene nobene telefonske številke, na katero naj pokliče v primeru alarma. 6. ZAKLJUČEK V prispevku smo opisali številke funkcije, ki jih omogoča sistem Novo telefonsko številko se lahko doda preko spletne strani ali v pametne ure IN LIFE. Kljub številnim možnim parametrom in naprednih nastavitev opisanih v razdelku 4.6.9. nastavitvam je ura avtomatizirana in enostavna za uporabo. Od 5.2 Aplikacija IN LIFE ni bila označena kot uporabnika ne zahteva nič drugega, kot da uro nosi ter jo polni vsak administrativna aplikacija dan. V primeru, da je v uri potrebno kaj spremeniti ter jo s tem prilagoditi uporabnikovim željam, se to lahko naredi na daljavo IN LIFE aplikacija potrebuje nekatere administrativne funkcije kot preko spletnega vmesnika. so: zaklep zaslona, sprejem klica, proženje klica ipd. Če administrativne funkcije niso dovoljene za aplikacijo IN LIFE, 7. ZAHVALA delovanje naprave ne bo pravilno – avtomatski klici ne bodo Delo je bilo financirano s strani IN LIFE projekta – H2020 (grant mogoči. agreement No. 643442). 8. REFERENCE [1] A. Gradišek, H. Gjoreski, M. Gams, Z znanostjo na pomoč starostnikom : projekt InLIFE, Delo, pp(16) [2] Projekt IN LIFE http://inlife-projekt.si/ [3] M. Gams, H. Gjoreski, Storitve za zdrave, starejše, za kronične bolnike in za vse s posebnimi potrebami, EM-zdravje,pp 46-48 [4] Gjoreski, M., Gjoreski, H., Luštrek, M., & Gams, M. (2016). How accurately can your wrist device recognize daily activities and detect falls?. Sensors,16(6), 800. Slika 6: Slika levo aplikacija nima nastavljenega [5] S. Kozina, H. Gjoreski, M. Gams, M. Luštrek. Efficient administrativnega dovoljenja. Slika desno – vklop Activity Recognition and Fall Detection Using Accelerometers. administrativnega načina. Evaluating AAL Systems Through Competitive Benchmarking Communications in Computer and Information Science, Volume 386, 2013, pp 13-23 Ali je funkcija omogočena se najlažje preveri tako, da na glavnem [6] Spletni portal IN LIFE https://slovenija.inlife-projekt.si zaslonu aplikacije pritisnete na zgornji gumb (Slika 1 – zelen gumb). Če se ekran pravilno zaklene (postane temen) potem je funkcija vklopljena (Slika 6). 13 Med3D - Spletno vizualizacijsko ogrodje volumetri čnih medicinskih podatkov s podporo oddaljenemu sodelovanju Ciril Bohak, Primož Lavrič, Matija Marolt Faculty for Computer and Information Science University of Ljubljana Večna pot 113 1000 Ljubljana, Slovenia ciril.bohak@fri.uni-lj.si ABSTRACT vitih več ogrodij in aplikacij. Exposure Renderer [9] in Sim- V tem članku predstavljamo spletno vizualizacijsko ogrodje, Vascular1 sta namenjeni lokalni vizualizaciji volumetričnih ki se v osnovi osredotoča na vizualizacijo medicinskih podat- podatkov in podpirata napredne osvetlitvene tehnike. Pa- kov v mrežni in volumetrični obliki. Ogrodje omogoča 3D raView2 omogoča paralelno obravnavo in vizualiziranje ob- upodabljanje mrežnih modelov, navigiranje po sceni in po- sežnih podatkov z uporabo namenskih strežnikov. Predsta- sredno upodabljanje volumetričnih podatkov z integrirano vljena orodja ne podpirajo širokega nabora platform in so pretvorbo v mrežni model z uporabo računsko učinkovitega omejena na uporabo na namiznih računalnikih ali preno- pristopa Marching cubes. Ogrodje omogoča uporabnikom snikih. ParaViewWeb3 omogoča uporabo preko spletnega tudi oddaljeno sodelovanje z deljenjem pogleda, deljenjem brskalnika s pomočjo oddaljenega upodabljanja, a je prav anotacij in interaktivnim klepetom. zato njena uporaba nekoliko omejena zaradi manjše odzivno- sti. Predstavljeno orodje sicer deluje na veliko platformah, a enako kot prejšnja ne omogoča oddaljenega sodelovanja med 1. UVOD uporabniki. Z razvojem novih tehnologij se v vsakdanje življenje vse bolj vključujejo 3D vizualizacije podatkov na številnih področjih, V članku predstavimo ogrodje Med3D, razvito z namenom na primer medicine, strojništva in geodezije. V medicini do- vizualizacije volumetričnih podatkov neposredno v spletnem bra in pravilna 3D vizualizacija zajetih podatkov v veliko brskalniku z možnostjo oddaljenega sodelovanja med upo- primerih močno pripomore k določanju pravilne končne di- rabniki. Ogrodje delno temelji na predhodno razvitem ogrodju agnoze pacientov, saj omogoča natančnejši vpogled v no- Neck Veins [2]. Spletna implementacija poveča doseg upo- tranjost človeškega telesa in s tem zmanjšuje potrebo po rabnikov in omogoča uporabo tudi na mobilnih napravah. invazivnejših posegih. Volumetrični medicinski podatki so v Uporabniku omogoča lokalno obdelavo in vizualizacijo po- večini primerov zajeti s pomočjo tehnik volumetričnega ske- datkov v okviru zmožnosti naprave, na kateri deluje, in s tem niranja s tehnikami računske tomografije (angl. computed omogoča visoko stopnjo interaktivnosti. V primeru zahtev- tomography - CT) [4, 7], slikanja s pomočjo magnetne reso- nejših vizualizacij in slabših uporabniških naprav (mobilne nance (angl. magnetic resonance imaging - MRI) [16], slika- naprave) ogrodje omogoča izvajanje zahtevnejših izračunov nja s pomočjo pozitronske emisijske tomografije (angl. posi- na strežniku, kar lahko zajema zgolj obdelavo ali pretvorbo tron emission tomography - PET) [15] in ultrazvoka (angl. podatkov ali celostno oddaljeno upodabljanje. Oddaljeno ultrasound - US) [8]. Tako zajeti podatki so večinoma ob- sodelovanje obsega možnost deljenja pogleda z oddaljenim sežni in posledično predstavlja njihova vizualizacija svojevr- uporabnikom in s tem njegov vpogled v dejansko stanje pa- sten izziv. V večini primerov se izvaja na namenski, dovolj cienta. zmogljivi strojni in programski opremi. Takšna oprema je draga in stacionarna ter zdravnikom ne omogoča podajanja 1.1 Vizualizacijsko ogrodje na spletu diagnoze in priprave na poseg na daljavo, kar otežuje prido- Razvoja v obliki spletne aplikacije smo se lotili, ker je sple- bivanje drugega mnenja ali mnenja specialista na oddaljeni tna platforma najbolj razširjena in dostopna tako na osebnih lokaciji. računalnikih kot mobilnih napravah. Vizualizacijsko ogrodje je primarno namenjeno vizualizaciji 3D medicinskih podat- Načine vizualizacije ločimo na posredne in neposredne. Pri kov, lahko pa prikazuje tudi ostale 3D podatke tako v obliki posrednem upodabljanju podatke večinoma najprej pretvo- poligonske mreže kot tudi volumetrične podatke, ki jih pre- rimo v predstavitev s 3D mrežnimi modeli [13, 11, 5], ki jih tvori v poligonsko mrežo. Spletna platforma omogoča boljšo nato izrišemo [3]. Pri neposrednem upodabljanju podatke dostopnost aplikacije čim širšemu krogu uporabnikov ter po- vizualiziramo brez predhodne pretvorbe. Pri tem se upora- enostavi možnost uporabe oddaljenega upodabljanja in od- bljajo tehnike volumetričnega upodabljanja [6, 12] in njihove daljenega sodelovanja med uporabniki. Na sliki 1 je prikazan sodobne izpeljanke [10]. vmesnik razvitega ogrodja, oblikovan z namenom uporabe na različnih napravah z različnimi zaslonskimi ločljivostmi. Za namene vizualizacije volumetričnih podatkov je bilo raz- 1http://simvascular.github.io/ 2http://www.paraview.org/overview/ 3http://paraviewweb.kitware.com/ 14 zualiziranih podatkov in realnočasovno sinhroniziranje pri- kaza podatkov (scene), pogleda kamere in delitev anota- cij modela med uporabniki ter vgrajeni interaktivni klepet. Uporabniki lahko z ustreznimi dovoljenji tudi prevzamejo nadzor nad kamero in podatki. Tako implementirano sode- lovanje omogoča bistveno hitrejšo interpretacijo vizualiza- cije podatkov, hitrejšo medsebojno komunikacijo in prenos informacij ter znanja med uporabniki. 2.1 Anotacije podatkov V ogrodju smo omogočili dodajanje prostorsko definiranih anotacij na prikazan model. Uporabnik lahko na želeno me- Figure 1: Slika prikazuje uporabniški vmesnik sto na modelu s klikom pripne anotacijo, ki jo lahko kasneje ogrodja Med3D. tudi deli z ostalimi uporabniki. Primer takšnih anotacij je prikazan v sliki 2. 1.2 Pretvorba volumetričnih podatkov v mre- žni model Večina neobdelanih volumetričnih medicinskih podatkov je podana v obliki tridimenzionalnega skalarnega polja. Zaradi želje po hitrejšem in računsko manj zahtevnem upodablja- nju, kot tudi zaradi želje po hitrejšem prenosu podatkov do uporabnikov, se najpogosteje uporablja pretvorba volume- tričnih podatkov v mrežni model. Za namen pretvorbe podatkov iz volumetrične oblike v mre- žni model smo v ogrodju implementirali metodo Marching cubes. Za pretvorbo obstajajo tudi sodobnejše metode [14], a smo se za uporabo Marching cubes odločili zaradi relativno nizke časovne in prostorske zahtevnosti in možnosti visoke Figure 2: Prikaz anotacij na modelu žil. stopnje paralelizacije [1]. To je pomembno zaradi dejstva, da se lahko algoritem poganja tudi v spletnem brskalniku na strani uporabnika, ki ponuja omejen dostop do sistem- 2.2 Klepet skih virov, še posebej pomnilnika. Pretvorba volumetričnih Za potrebe hitrejše komunikacije smo v ogrodje vdelali tudi podatkov je pomembna tudi zaradi oddaljenega sodelovanja, možnost interaktivnega klepeta med uporabniki v isti seji. saj je velikost poligonske mreže precej manjša od tridimen- Tako lahko uporabniki med pregledom podatkov medsebojno zionalnega skalarnega polja in posledično omogoča hitrejšo komunicirajo in s tem izmenjujejo mnenja. Primer vgraje- sinhronizacijo podatkov med uporabniki. nega klepeta je predstavljen v sliki 3. Glede na performančne rezultate različnih implementacij smo se odločili za implementacijo z uporabo ogrodja ASM.js4, ki predstavlja nizkonivojsko podmnožico programskega jezika Javascript in dosega visoke pohitritve v primerjavi z osnov- nimi implementacijami. Prav tako smo izkoristili možnosti paralelizacije z uporabo aplikacijskega vmesnika Web Wor- kers5. 2. ODDALJENO SODELOVANJE Pri vizualizaciji podatkov se velikokrat pojavi potreba po delitvi in skupni interpretaciji vizualizacij z oddaljenimi ose- bami. V primeru medicine to pogosto pomeni pridobivanje mnenja oddaljenih specialistov. Delitev podatkov, lokalno vizualiziranje ter interpretacija so pogosto precej neučinko- viti tako z vidika časovne potratnosti kot tudi z vidika pre- nosa informacij med uporabniki. Ta problem smo v pred- Figure 3: Prikaz vgrajenega interaktivnega klepeta. stavljanem vizualizacijskem ogrodju rešili z implementacijo oddaljenega sodelovanja. 2.3 Sinhronizacija scene med uporabniki Implementacija oddaljenega sodelovanja omogoča delitev vi- Ko uporabnik vzpostavi želeno sceno, lahko ta prikaz prične 4http://asmjs.org/ deliti z ostalimi uporabniki vizualizacijskega ogrodja. Gosti- 5https://www.w3.org/TR/workers/ telj seje svojo sceno sinhronizira s strežnikom, ta pa začne 15 pošiljati posodobitve v obliki sprememb deljenih parametrov lumetričnih podatkov z možnostjo oddaljenega sodelovanja objektov v sceni. Tako lahko uporabnik prenese spremembe med uporabniki. V prihodnosti nameravamo v ogrodje do- transformacij objektov, spremembe geometrije, anotacije in dati naprednejše algoritme za pretvorbo v mrežni model in druge podatke. Minimalni čas med posodobitvami se nastavi vgraditi tako podporo za neposredno upodabljanje volume- dinamično in ga je mogoče prilagajati glede na kvaliteto po- tričnih podatkov kot tudi oddaljeno upodabljanje na strani vezave med gostiteljem in strežnikom. Prejeto sceno strežnik strežnika. Kot je v delu omenjeno, želimo z ogrodjem pod- lokalno shrani in jo posodablja s posodobitvami gostitelja preti tudi performančno manj zmogljive naprave in omogo- seje. S tem gostitelja seje razbremenimo razpošiljanja ce- čiti računsko zelo kompleksne vizualizacije s pomočjo odda- lotne scene novim udeležencem, saj lahko novi udeleženec ljenega upodabljanja. pridobi trenutno sceno in njeno zadnje stanje neposredno iz strežnika. 4. REFERENCE [1] C. Bohak, A. Sodja, M. Marolt, U. Mitrović, and F. Pernuš. Fast segmentation, conversion and rendering of volumetric data using gpu. In IWSSIP 2014 Proceedings, pages 239–242, May 2014. [2] C. Bohak, S. Žagar, A. Sodja, P. Škrlj, U. Mitrović, F. Pernuš, and M. Marolt. Neck veins: an interactive 3D visualization of head veins. In Proceedings of the 4th International Conference World Usability Day Slovenia 2013, 25 Nov, Ljubljana, Slovenia, E. Stojmenova (Ed.), pages 64–66, 2013. [3] W. J. Bouknight. A procedure for generation of three-dimensional half-toned computer graphics presentations. Commun. ACM, 13(9):527–536, Sept. 1970. [4] C. R. Crawford and K. F. King. Computed tomography scanning with simultaneous patient translation. Medical Physics, (17):967 – 982, 1990. [5] M. T. Dehkordi, S. Sadri, and A. Doosthoseini. A review of coronary vessel segmentation algorithms. J Med Signals Sens, 1(1):49–54, 2011. [6] R. A. Drebin, L. Carpenter, and P. Hanrahan. Volume rendering. SIGGRAPH Comput. Graph., 22(4):65–74, June 1988. [7] W. A. Kalender, W. Seissler, E. Klotz, and P. Vock. Spiral volumetric CT with single-breath-hold technique, continuous transport and continuous scanner rotation. Radiology, (176):181 – 183, 1990. [8] D. Krakow, J. Williams, M. Poehl, D. L. Rimoin, and L. D. Platt. Use of three-dimensional ultrasound imaging in the diagnosis of prenatal-onset skeletal dysplasias. Ultrasound Figure 4: Slika prikazuje shemo komunikacije pri od- in Obstetrics and Gynecology, 21(5):467–472, 2003. daljenem sodelovanju. Levo zgoraj je gostitelj seje, [9] T. Kroes, F. H. Post, and C. P. Botha. Exposure render: An interactive photo-realistic volume rendering framework. ki deli sceno z ostalimi uporabniki spletne aplika- PLoS ONE, 7(7):1–10, July 2012. cije. Gostitelj je na shemi že sinhroniziral sceno s [10] E. P. Lafortune and Y. D. Willems. Bi-directional path strežnikom (spodaj desno) in mu posreduje posodo- tracing. In Proceedings if Third International Conference bitev deljene scene, katero strežnik razpošlje vsem on Computational Graphics and Visualization Techiques naročnikom in posodobi svojo lokalno kopijo scene. (COMPUGRAPHICS ’93, pages 145–153, 1993. Zgoraj na sredini je prikazan udeleženec seje, ki je že [11] D. Lesage, E. D. Angelini, I. Bloch, and G. Funka-Lea. A prenesel sceno iz strežnika in sedaj prejema posodo- review of 3d vessel lumen segmentation techniques: Models, features and extraction schemes. Medical Image Analysis, bitve gostitelja. Desno zgoraj pa je nov udeleženec 13(6):819 – 845, 2009. seje, ki iz strežnika prenaša zadnjo verzijo scene. [12] M. Levoy. Display of surfaces from volume data. Computer Graphics and Applications, IEEE, 8(3):29–37, 1988. [13] W. E. Lorensen and H. E. Cline. Marching cubes: A high Shema komunikacije pri oddaljenem sodelovanju je prika- resolution 3d surface construction algorithm. SIGGRAPH zana na sliki 4, kjer je prikazano, kako poteka sinhroniza- Comput. Graph., 21(4):163–169, Aug. 1987. cija scene med dvema povezanima uporabnikoma na primeru [14] Y. Ohtake, A. Belyaev, M. Alexa, G. Turk, and H.-P. Seidel. Multi-level partition of unity implicits. ACM Trans. spremembe orientacije kamere in potek priklopa novega upo- Graph., 22(3):463–470, July 2003. rabnika, ki prejme celoten opis scene. [15] J. M. Ollinger and J. A. Fessler. Positron-emission tomography. IEEE Signal Processing Magazine, Takšna implementacija oddaljenega sodelovanja omogoča zelo 14(1):43–55, Jan 1997. odzivno interakcijo z objekti v sceni in ponuja enak vpogled [16] P. A. Rinck. Magnetic Resonance in Medicine. The Basic v podatke več uporabnikom ogrodja sočasno. Textbook of the European Magnetic Resonance Forum. 9th edition, volume 9.1. TRTF, 2016. E-Version. 3. ZAKLJU ČKI IN NADALJNJE DELO Predstavili smo spletno vizualizacijsko ogrodje, razvito z na- menom širše dostopnosti vizualizacije 3D medicinskih in vo- 16 Smartwatch Fall Detection Martin Bonchanoski, Hristijan Gjoreski, Jani Bizjak, Matjaž Gams Jožef Stefan Institute Odsek za Inteligentne Sisteme ABSTRACT 2. RELATED WORK Unintentional injuries are the fifth leading cause of death in older There are many researches on this topic that can be divided in 3 adults and falls constitute two-thirds of these deaths. Family and main types [5] to detect falls: 1) Video or image processing [5], friends, remain the most important group of providers of first aid by using several camera to track objects; 2) Acoustic recognition in a case of a fall. A system that is able to detect a fall would be of [7], by having devices implanted in the floor and analyzing great importance to reduce the bad consequences and reduce the acoustic frequency; 3) Wearable sensors [8, 9], mostly using time from fall to medical help being given. Existing systems are accelerometers or gyroscopes based on sensors worn on parts of the body that are usually inconvenient for the users or restrict their movements. Thus, we In this research we focus on the last type of systems, using suggest a system based on smartwatch’s accelerometer. We are accelerometers in wearable devices. For detecting a fall using comparing different methods for fall detection, two of them are accelerometers, generally two approaches are used: analytical threshold-based and two of them are based on machine learning methods and machine learning methods. models. In addition, we show a comparison between results from a smartwatch worn on the left and right hand. Our best results Bourke et al. [8] used lower and upper fall threshold and in [9] were achieved using SVM on data from smartwatch worn on the use the difference between maximum and minimum acceleration. left hand. Some researches use a combination of accelerometer and gyroscope. Li et al. (2009) used two triaxial accelerometers and gyroscopes worn on the chest and thigh. By applying threshold on Keywords acceleration, angles and angular velocities a fall was detected, but Fall detection, Acceleration, Threshold-based, Machine learning, also activity after the fall was considered, too. Decision trees, Support Vector Machines Some researchers used machine learning instead of threshold- based methods. Mitchell Yuwono et al [10] used waist-worn 1. INTRODUCTION wireless tri-axial accelerometer combined with digital signal Improving the quality of life of Europe’s increasing elderly processing, clustering and neural network classifiers. They have population is one of the most pressing challenges facing our reached very good results, 98.6% sensitivity and 99.6% society. In 2016, 18.9 % of the population in Europe is older than specificity. Mark V. Alber et al (2012) [11] used SVM and 65 [1] and by 2025 more than 20% of Europeans will be 65 or regularized logistic regression and were able to identify a fall with over, with a particularly rapid increase in the number of over 80s. 98% accuracy and classify the type of fall with 99% accuracy on a [2]. The predictions for the further future show that those aged 65 dataset with 4 different types of falls using tri-axial accelerometer years or over will account for 28.7 % of the EU’s population by from a mobile phone. 2080. [1] Dependent older people in EU receiving care in institutions would almost triple, reaching 8.3 million; those Of our particular interest would be the results retrieved by receiving formal care at home would more than double, from 5.5 watches and wrist-based sensors. Smartwatches have many to 13.9 million; and those receiving informal or no care would advantages to track the movements compared to the other types of increase from 12.2 to 22.3 million. [3] sensors. First, they are easy and comfort to use, then data retrieved from the watch is easy to use and an algorithm for fall detection Unintentional falls happen quite often and can be hazardous can be easily implemented. especially for elderly people. They are a cause of substantial rates of mortality and morbidity as well as major contributors to Shang-Lin Hsieh et al. (2014) [12] has used a wrist-worn sensor immobility. Unintentional injuries are the fifth leading cause of to detect falls. The average sensitivity and specificity of the death in older adults (after cardiovascular disease, cancer, stroke system reached 95% and 96.7%, respectively. The high and pulmonary disorders), and falls constitute two-thirds of these sensitivities are mainly due the fact that they have limited deaths. [4] In a case of a fall, it is very important to give help as scenarios of falls that contains only 4 types. They use soon as possible. Informal care givers, i.e. family and friends, accelerometer and gyroscope and apply different thresholds. In remain the most important group of providers of first aid. Thus it another research [13], smartwatches are used for fall detection. can be very beneficial to have a system to detect a fall and call for They use only accelerometer data, split the data into windows of help especially if the person is unconscious. The system should 6s, lower and upper threshold and count the number of times not be obtrusive, should not restrict people’s movements nor these thresholds are exceeded. The achieved results are worse than make them feel uncomfortable, but it should improve their sense the previous research, with 92.18% and 87.29% sensitivity and of security. specificity respectively. This paper describes threshold-based method and method based on a machine learning model for automatically classifying falls and Activities of Daily Living (ADLs) using tri-axial accelerometers. 17 3. FALL DETECTION ANALYSIS 5.1 Shock threshold method A fall can be modeled as staged event consisting of essentially 4 The first method, tries to find Acceleration Fall Pattern (AFP). It phases [14]: pre-fall phase, critical phase, post-fall phase and constantly monitors the signals from the accelerometer. The recovery phase. rationale for this method is that the acceleration pattern during a typical fast uncontrolled fall shows a decrease in the acceleration Overall, the acceleration pattern during a typical fall is a decrease (free fall) followed by a rapid increase (impact with the ground). in acceleration followed by a fast increase. The reason for this In our implementation of the AFP, the difference between the pattern is that the acceleration at rest is 1g and during free fall 0g. maximum and minimum accelerations within a half-second When a person starts falling, the acceleration decreases from 1g to window was calculated. If the difference exceeded the threshold around 0.5g (perfect free fall is never achieved). Upon the impact and the maximum appeared after the minimum, a fall was with the ground, a short increase in the acceleration is measured. declared. The threshold was chosen by conducting different tests and was set to 18 m/s2. If the value goes above the threshold then 4. DATASET a fall is detected. For the purposes of this research, we have conducted recordings of different types of intentional falls and ADLs which are usually 5.2 Shock and movement threshold hard to distinguish from fall events. This method extends the previous method. The main idea is to Because it is hard to record intentional fallings from elders, we apply one more threshold as a filter to reduce the number of ‘false have done the recordings with 6 healthy young individuals (3 positives’. After a potential fall is detected using shock threshold, male and 3 female, average age 26) wore a smartwatch on the left an alarm is not triggered immediately, but first more data is and right hand and performed different activities. Individuals were gathered, then it is used to detect if the person moves after the fall. not advised how they should act after the fall - they had freedom If the person is moving, then we believe that it was not a fall or at to choose if they are going to move their hands or not. least he/she can call for help, else a fall is detected. We use the Acceleration Vector Changes (AVC) feature for Our dataset includes recordings of most common types of falls movement detection. This feature sums up the differences (tripping, fainting, collapsing, slipping), but also some scenarios between consecutive values of the lengths of the acceleration that are hard for the system to recognize as falls (fall while vector, and divides the sum by the time interval as described in picking up something, slow fall, fall when sitting down on chair [16]. etc.). ADLs contain scenarios like running, walking, jumping, picking up something from ground, fast sitting down on a chair, By applying a threshold to the AVC value, the movement is jump in a bed, walking downstairs etc. detected. Overall, the dataset contains 83 falls and 48 non-falls recordings. 5.3 Machine learning method Furthermore, each recording that contains fall is as well classified The third method we have implemented is using the previously as: movement (25 recordings), no movement (12 recordings) or mentioned shock threshold together with machine learning (ML) getting up (46 recordings); depending on the actions that were model. More details about the implementations follows. taken after the fall. In this way we ensured that all realistic scenarios including complete recovery from a fall are covered. 5.3.1 Data windowing The samples are retrieved from a smartwatch that has dynamic This part includes our novelty approach. Actually we propose new sampling rate based on the movement ratio – it has higher way to determine which part of the data the model should try to sampling rate when there is movement with a maximum of 50Hz. learn. First, we set the shock threshold to be at highest value but to 5. METHODS remain sensitivity value of 1 i.e. it should detect all falls with the The dataset has been preprocessed in order to be in a format that shock threshold. Next, in some of the recordings that include falls is easy to deploy in different learning models and techniques. The the threshold was reached more than once, thus manually data from the accelerometer was first split in different files for disambiguation (labeling) of the time when the fall occurred had every user for each scenario. These files also contain information to be done. Next, we labeled all these as falls, and all the rest as about the label of the fall (movement, no movement or getting non-falls. up). The smartwatch measures the data for each axis x, y and z, We have created windows containing every fall and non-fall event then using this data we calculate the total acceleration vector at whenever the threshold was exceeded. Actually, every time the one point of time. We are using the following formula which is threshold was reached three windows of data samples were the most used formula for detecting falls [15] created. We named those windows as window A, B and C, where: 2 2 2 length • Window A contains 3-7 seconds before the potential fall = a x + a y + a z • Window B contains 1-2 seconds containing the potential fall After this value is computed, we are applying low-pass filter to in the middle of the window this value. The filtered data is smoother and has fewer changes. • Window C contains 5-15 seconds after the potential fall We have tested different values for the alpha value, but the best results with any method were achieved when alpha was 0.2 or 0.3. 5.3.2 Feature extraction In the following subsections three different methods are presented After data windowing is done, next steps include extracting that we have used to detect falls based on the data retrieved from a features for each window. tri-axial accelerometer from a smartwatch. 18 Our goal is to define features which would be able to describe the Table 1 shows the best results for each hand for our own-defined falls, but also determine ADLs as best as it is possible. We have measure. However, accuracy value is not the accuracy value used a combination of features proposed in two different papers retrieved with same parameters, but the best one with any [17] [5] combination of parameters that was achieved. 1. Maximum acceleration found in the window Table 1. Results from shock threshold based method 2. Minimum acceleration found in the window Accuracy Sensitivity Specific. Se * Sp 3. Average acceleration, average of all data in the window Left 76.34% 83.45% 52.08% 65.92% 4. Standard deviation, computed for every window Right 77.86% 87.31% 62.5% 73.81% 5. Free fall, boolean value set to true if the total acceleration length value falls below 5 m/s2 We can notice that generally we have similar accuracy for both of the hands, but the best value for our own-defined measure differs 6. Time difference, difference in time between the maximum by 8%. The individuals that performed the recordings for the and minimum acceleration training and testing data were free to choose their movements, 7. Maximum difference, the difference between the maximum thus there are some recordings where the individual was not doing and the minimum acceleration any movement with one of the hands, but was moving the other 8. Speed change, the speed of change in acceleration between hand. the maximum and the minimum acceleration However, the best results according to our own-defined measure First four features were extracted for x-, y- and z-axis and for the are performed with the same parameters, shock threshold set to 20 total acceleration length and the last four only for the total and 0.2 as a value for the alpha for the lowpass filter. acceleration length value. Next, using shock & movement threshold method we have tested The speed of change in acceleration between the maximum and different values for the following parameters: shock threshold, the minimum acceleration is calculated as follows: movement parameter and waiting time. Shock threshold parameter has the same function as in the previous method, the movement max( a) − min( a) Speedchan e g = tan threshold is used to detect if there is a movement and the waiting t(max( a)) − t(min( a)) time parameter specifies the amount of time that should be considered after the potential fall to detect if the user is moving. Max (a) and min (a) are the maximum and minimum acceleration within the window, and t(max(a)) and t(min(a)) are the times they The gap between the results for the left and right hand are similar were measured. as with the previous method, mainly due to the same reasons. 5.3.3 Implementation Table 2. Shock and movement threshold based method The implementation of this model is composed of two main parts. Accuracy Sensitivity Specific. Se * Sp The first part is the completely identical like the one that is described in 5.1. When shock threshold method decides that a fall Left 77.86% 70.34% 77.08% 73.63% may have occurred, samples of acceleration data are used to create Right 78.63% 81.67% 75% 78.26% different windows and compute the features that were previously described per each window. Then a prebuilt model is used for The best results have been achieved using a shock threshold and classification. We decided to use Decision Tree and SVM for ML models. We have tested two different ML models. First we building classification models. created a model based on Decision Trees, then we have used Support Vector Machines (SVM). The results with the latter one 6. EVALUATION are better and also the best amongst any results that were obtained Our recordings, models and testing have been done using wrist- during this research. watches worn on both left and right hand. To evaluate the Table 3. Results from ML using Decision Tress performance of our fall detection system, common criteria sensitivity and specificity are calculated. Sensitivity shows the Accuracy Sensitivity Specific. Se * Sp capacity of the model to detect the falls and specificity to classify Left 90.77% 82.15% 75% 78.49% non-fall activities as ADLs. We have modified the common formula for sensitivity (TP/TP+FN) to favor the correct Right 88.79% 82.75 79.17% 80.94% classification of fall labeled as no movement. We use weights, we Table 4. Results from ML using SVM use value 50 for no movement falls, 35 for fall labeled as movement and 15 for falls labeled as getting up. Next, we use one Accuracy Sensitivity Specific. Se * Sp more formula to evaluate the model. This formula favors the Left 92.26% 88.67% 79.17% 83.34% balance between correctly classified and misclassified recordings. Right 91.72% 80.54% 85.42% 82.94% Measure = Specifici y t * Sensitivi y t We have also calculated accuracy as all previously mentioned measures for each method. Summary results from the conducted tests using different methods Even though shock threshold method looks very simple, it is able are shown in Graph 1. to reach accuracy of 77%. We have tested different parameters for the shock threshold and alpha value for the lowpass filter. 19 Figure 1Accuracy overview using different methods [2] European Commission - Population Groups website, [Online]:http://ec.europa.eu/health/population_groups/elderl 100% y/index_en.htm Accessed: 2016 80% [3] Bettio, F. and Verashchagina, A., 2010. Long-term care for the elderly: provisions and providers in 33 European 60% countries. Luxembourg: European Commission. 40% [4] Rubenstein, L.Z., 2006. Falls in older people: epidemiology, 20% risk factors and strategies for prevention. Age and 0% ageing, 35(suppl 2), pp.ii37-ii41. Shock Shock & ML (DT) ML (SVM) [5] Ge, Y. and Xu, B., 2014. Detecting Falls Using Accelerometers by Adaptive Thresholds in Mobile Movement Devices. JOURNAL OF COMPUTERS, 9(7), p.1553. Left hand Right hand [6] Mastorakis, G. and Makris, D., 2014. Fall detection system using Kinect’s infrared sensor. Journal of Real-Time Image Processing, 9(4), pp.635-646. We have also tested building DT models using smaller set of [7] Popescu, M., Li, Y., Skubic, M. and Rantz, M., 2008, features. We have excluded features related to each x-, y- or z- August. An acoustic fall detector system that uses sound axis, we only kept the features related to the length of the height information to reduce the false alarm rate. In 2008 acceleration vector and the results were almost the same as when 30th Annual International Conference of the IEEE all features that were described in 5.3.2 were used. There are two Engineering in Medicine and Biology Society (pp. 4628- explanations for this: first the model generalizes better and 4631). IEEE. second, axis are not that important due to the fact that people move their hands freely and there is not a specific state of the [8] Bourke, A.K., O’brien, J.V. and Lyons, G.M., 2007. arms when people fall down. Evaluation of a threshold-based tri-axial accelerometer fall detection algorithm. Gait & posture, 26(2), pp.194-199. 7. CONCLUSION AND FURTHER WORK [9] Gjoreski, M., Gjoreski, H., Luštrek, M. and Gams, M., 2016. How accurately can your wrist device recognize daily Motivated to create a system for fall detection on a device that activities and detect falls?. Sensors, 16 (6), p.800. also has other common usages we have developed methods that work on a smartwatch. Since people make a lot of quick [10] Yuwono, M., Moulton, B.D., Su, S.W., Celler, B.G. and movements with their hands there are a lot of false alarms when Nguyen, H.T., 2012. Unsupervised machine-learning method threshold-based methods are applied on acceleration data. One for improving the performance of ambulatory fall-detection solution that we have proposed is to integrate another threshold systems. Biomedical engineering online, 11(1), p.1. that detects motion and reduces the number of false positives. [11] Albert, M.V., Kording, K., Herrmann, M. and Jayaraman, A., However, this method reduced the True Positive Rate (TPR) of 2012. Fall classification by machine learning using mobile the system. Out last approach to this problem included Machine phones. PloS one, 7(5), p.e36556. Learning models on newly-proposed time windowing that proved [12] Hsieh, S.L., Chen, C.C., Wu, S.H. and Yue, T.W., 2014, to work best. These models are capable to learn features about the April. A wrist-worn fall detection system using acceleration during the fall, but also they are capable to learn accelerometers and gyroscopes. In Networking, Sensing and some patterns about the acceleration before and after the fall. Control (ICNSC), 2014 IEEE 11th International Conference Even though our dataset contains scenarios which are very hard to on (pp. 518-523). IEEE. determine if they are falls, it has performed very well achieving [13] Kostopoulos, P., Nunes, T., Salvi, K., Deriaz, M. and accuracy of 92.26%. Torrent, J., 2015. Increased fall detection accuracy in an This system can be significantly improved by adding more ADLs accelerometer-based algorithm considering residual data received from users who are testing the system. We also movement. In International Conference on Pattern believe that adding data from different sensors, mainly barometer Recognition Applications and Methods. can lead to even better results. [14] Noury, N., Rumeau, P., Bourke, A.K., ÓLaighin, G. and Lundy, J.E., 2008. A proposal for the classification and 8. ACKNOWLEDGMENTS evaluation of fall detectors. Irbm, 29(6), pp.340-349. [15] Pannurat, N., Thiemjarus, S. and Nantajeewarawat, E., 2014. The research leading to these results has received funding from IN Automatic fall monitoring: a review. Sensors, 14(7), LIFE project—H2020 (grant agreement No. 643442) pp.12900-12936. 9. REFERENCES [16] Gjoreski, H., Gams, M. and Chorbev, I., 2010. 3-axial accelerometers activity recognition. ICT Innovations, pp.51- [1] Population structure and ageing website, [Online]: 58. http://ec.europa.eu/eurostat/statistics-explained/index.php/ Population_structure_and_ageing Accessed: 2016 [17] Luštrek, M., Gjoreski, H., Kozina, S., Cvetković, B., Mirchevska, V. and Gams, M., 2011, August. Detecting falls with location sensors and accelerometers. In Twenty-Third IAAI Conference (pp. 1662-1667) 20 Telerehabilitacija Helena Burger Univerzitetni rehabilitacijski inštitut Republike Slovenije - Soča Linhartova 51 helena.burger@ir-rs.si RAZŠIRJENI POVZETEK voditi specialisti FRM ter mora obsegati začetno oceno V večini evropskih držav ocenjujejo razširjenost zmanjšanih funkcijskega stanja, izvajanje ustreznih terapij za izboljšanje ter zmožnosti (omejitev dejavnosti in sodelovanja) na 10 %. S končno oceno uspešnosti, usmerjena pa mora biti na vse nivoje staranjem prebivalstva se raven zmanjšane zmožnosti zvišuje [1 – funkcioniranja posameznika. 3]. Posledice zmanjšane zmožnosti so lahko težave na vseh V predavanju bo dodatno predstavljen tudi razvoj ravneh funkcioniranja posameznika. Uspešno jih lahko telerehabilitacije pri bolnikih po amputaciji, razvit v okviru zmanjšamo ali razrešimo s celostno rehabilitacijo, ki je usmerjena projekta Telerehabilitacija [5], ki ga je financirala ARRS. na vse ravni funkcioniranja posameznika [1]. Rehabilitacija se mora začeti takoj po pojavu zmanjšanih zmožnosti in se zaključi z LITERATURA uspešno vrnitvijo v domače okolje [1]. Pomanjkanje rehabilitacije bo pri večini posameznikov poslabšalo njihovo stopnjo [1] Bela knjiga o fizikalni in rehabilitacijski medicini v Evropi. samostojnosti in kakovost življenja [4]. 1. izd. Ljubljana: Inštitut Republike Slovenije za rehabilitacijo; 2008. Rehabilitacija lahko poteka v različnih ustanovah, od [2] Ward AB, Chamberlain MA. Disabled young adults. In: specializiranih rehabilitacijskih centrov in oddelkov v bolnišnicah Goodwill CJ, Chamberlain MA, Evans C, eds. Rehabilitation do dnevnih bolnišnic in ustanov v lokalni skupnosti. Na vseh of the physically disabled adult. 2nd ed. Cheltenham: Stanley ravneh jo mora voditi specialist fizikalne in rehabilitacijske Thorne; cop. 1997. medicine (FRM). Dostopnost, financiranje in struktura rehabilitacijskih služb se med državami razlikujejo in so odvisni [3] Dennis M. Langhorne P. So stroke units save lives: where do od sistema zdravstvenega in socialnega varstva. Različno we go from here? BMJ 1994; 309: 1273–7. financiranje v različnih državah je vzrok za razlike v dostopnosti [4] Patla E, Shumway-Cook A. Dimensions of mobility: defining akutne rehabilitacije in rehabilitacije za vzdrževanje funkcijskega the complexity and difficulty associated with community stanja [1]. Te razlike pa ne smejo biti vzrok za to, da osebe niso mobility. J Aging Phys Act 1999; 7: 7–19. vključene v ustrezno rehabilitacijo. [5] Burger H, Rudel D, Balorda Z, Oberžan D, Zalar M, Križnar Zaradi pomanjkanja strokovnjakov in rehabilitacijskih timov na A, Prešern-Štrukelj M. Storitev telerehabilitacije na domu za vseh ravneh številne osebe v Sloveniji ne prejmejo ustrezne osebe po trans-tibialni amputaciji. Rehabilitacija 2015; 14 rehabilitacije. Ena od možnosti za povečanje dostopnosti in (2): 37-42. kakovosti rehabilitacije na primarni in sekundarni ter zato tudi terciarni ravni je morda telerehabilitacija. Ta preko sodobnih informacijskih in komunikacijskih tehnologij omogoča bolniku rehabilitacijo na njegovem domu. Tudi telerehabilitacijo morajo 21 SmartPARK – inteligentni nadzorni sistem Tomaž Černe, Mario Žganec, Jerneja Žganec Gros ALPINEON razvoj in raziskave, d.o.o. {tomaz.cerne, mario, jerneja}@alpineon.com POVZETEK aktivni infrardeči senzorji, indukcijske zanke, magnetometri, Sistem SmartPARK omogoča nadzor dostopa s pomočjo magnetni sensorji s spremenljivo upornostjo, piezoelektrični samodejne prepoznave vozil na podlagi registrske tablice vozila z senzorji, pnevmatske cestne cevi, mikrovalovni radarji, akustični uporabo strojnega vida in razpoznavanja vzorcev. Nadzor dostopa senzorji, pasivni infrardeči senzorji ter ultrazvočni senzorji. SmartPARK omogoča sprotno spremljanje ter upravljanje Za razliko od detekcije vozil, pri kateri mora sistem ugotoviti, ali je območij z dostopno kontrolo, kot so plačljiva parkirišča, na določenem prostoru prisotno vozilo, ali ne, gre pri identifikaciji parkirišča podjetij in hotelov. Upravljavec ob zbiranju registrskih za ugotavljanje identitete posameznega vozila. Poznamo številne številk od uporabnikov pridobi njihovo soglasje o uporabi. postopke za identifikacijo vozil, ki jih lahko v grobem razdelimo Analitika SmartPARK omogoča analizo navad uporabnikov na na dve skupini: na postopke, ki zahtevajo poseg v obstoječa vozila, območjih prostega dostopa. Sistem analizira trajanje in kot je npr. montaža dodatne opreme, ali dodatnih oznak in na ponovljivost parkiranja ter prehode vstopno/izstopnih točk. Sistem postopke, ki lahko identificirajo vozila na osnovi že obstoječih informacije zbira transparentno in predstavlja primer t.i. »privacy lastnosti vozil. Med prvimi se najpogosteje uporablja RFID enhanced technology« oziroma tehnologije, ki je načrtovana po metoda, pri kateri se v vozilo namesti RFID transponder. Za načelu vgrajene zasebnosti (»privacy by design)«, kar pomeni, da idenfikacijo vozila na podlagi obstoječih lastnosti vozil se zagotavlja minimizirano obdelavo osebnih podatkov in visoko najpogosteje uporablja prepoznavanje registrskih tablic kot obliko stopnjo varnosti zbranih podatkov. tehnične metoda umetnega vida za razpoznavanje vzorcev (OCR). Optimizacija prometa na parkirnih površinah vpliva tudi na ABSTRACT pretočnost ostalih prometnih površin v urbanem okolju. Promet, ki SmartPARK is a system for vehicle identification by their license ga povzročajo vozila, ki iščejo parkirni prostor lahko v prometnih plates using image processing technology. The SmartPARK konicah doseže 30% delež celotnega urbanega prometa. Slabo access-control system enables effective ongoing monitoring and vodenje prometa na parkirnih površinah povzroči zastoje pri management of areas with access control, such as parking lots, uvozih na parkirne površine, ki se odražajo v zastojih v prometu corporate campuses, hotels.. The operator obtains users’ consent izven parkirnih površin. Veliko število vozil, ki krožijo v garažnih for the collection and management of their personal data. hišah, povzroča s svojimi izpušnimi plini dodatno obremenitev SmartPARK analytics enables effective ongoing monitoring and okolja, še posebej slabo pa vpliva na zdravje voznikov in osebja management of areas with no access control, such as shopping zaposlenega v garažnih hišah. malls and open public parking lots. The system provides statistical Optimizacija prometa na parkirnih površinah vpliva tudi na information on entry and exit points of a vehicle, when and for pretočnost ostalih prometnih površin v urbanem okolju. Slabo how long a vehicle has been parked, and frequency of visits to the vodenje prometa na parkirnih površinah povzroči zastoje pri facility. The SmartPARK analytics is a privacy enhanced uvozih na parkirne površine, ki se odražajo v zastojih v prometu technology based on the privacy by design principle where data izven parkirnih površin. are collected while privacy is assured at the same time. 2 SISTEM SMARTPARK 1 UVOD Sistem SmartPARK omogoča energetsko učinkovito in okolju Prevozna sredstva omogočajo več svobode, krajše potovalne čase prijazno optimizirano upravljanje pametnih parkirnih sistemov in in boljši izkoristek delovnega in prostega časa, hkrati pa pametnih mest. predstavljajo izzive za urbani promet ter povzročajo dodatno onesnaževanje okolja. Ceste je potrebno širiti, potrebno je urejati SmartPARK je sistem za avtomatsko prepoznavo vozil s pomočjo promet v križiščih in prilagajati prometna pravila. Eno izmed namenskega senzorja za zaznavo registrske številke vozila. pomembnih prometnih področij, na katerih je možno hitro in Postopek prepoznavanje registrskih tablic je razdeljen na tri učinkovito izboljšati razmere z uporabo sodobne tehnologije, je korake: detekcijo vozila, zajem slike in razpoznavanje. Pri detekciji področje parkiranja in preučevanje prometnih tokov na omejenih vozila je pomembno, da zajamemo sliko vozila v pravem trenutku. območjih. To pomeni, da je na sliki vidna registrska tablica. V ta namen se Pri velikih parkiriščih želi lastnik parkirišča dosegati čim večjo lahko uporabijo trije postopki: mehanski sprožilec (ang. hardware ekonomsko učinkovitost investicije, kar pomeni, da želi optimalno trigger), pri katerem nameščeni senzor zazna vozilo in sproži zajem izkoristiti razpoložljivi prostor in omogočiti čim večjemu številu slike, programski sprožilec (ang. software trigger), pri katerem se strank čim hitrejše in učinkovitejše parkiranje. Podobne so tudi zajem slike sproži na podlagi signala programa, ki upravlja z želje uporabnikov parkirnih prostorov. Tako lastniki, kot nameščenim senzorjem, ter prosti tek (ang. free flow), pri katerem uporabniki, potrebujejo sistem za nadzor parkirnih prostorov, ki zajem slik poteka stalno (snemanje) in sam razpoznavalnik zazna informira uporabnika o zasedenosti parkirišča, omogoča hitro in vozilo. Sistem SmartPARK uporablja slednjo metodo. Ko je vozilo učinkovito navigacijo do najugodnejšega parkirnega prostora in zaznano, se zajame njegova slika. Pri razpoznavanju registrskih omogoča preprosto plačevanje storitve. V ta namen se v odprtih tablic se običajno uporablja infrardeča svetloba. Glavni razlog za sistemih najpogosteje uporabljajo senzorji za detekcijo vozil, kot so uporabo infrardeče svetlobe je, da je človeško oko ni sposobno 22 samostojno zaznati in tako ne moti voznika. Infrardeči filter na kameri pa omogoča, da se poudari odsevna registrska tablica, medtem ko preostali deli slike ostanejo temnejši, kot je prikazano na spodnji sliki. V drugem koraku poteka samo prepoznava registrske tablice. Algoritem se izvaja po korakih: 1. lociranje in izrez registrske tablice iz slike; 2. prilagajanje svetlosti in kontrasta slike; 3. ločevanje posameznih znakov registrske tablice; 4. razpoznavanje posameznih znakov registrske tablice. Postopek identifikacije poteka s prepoznavanjem registrskih tablic s postopki strojnega vida. Registrska številka vozila je osebni podatek, zato je potrebno posebno pozornost posvečati varovanju zasebnosti v celotnem postopku zbiranja, shranjevanja in obdelovanja podatkov [1, 2]. 2.1 Nadzor dostopa SmartPARK Nadzor dostopa SmartPARK omogoča in učinkovito sprotno spremljanje ter upravljanje območij z dostopno kontrolo, kot so plačljiva javna parkirišča (uporaba za abonente), parkirišča podjetij, hotelov, letališč in bolnišnic. Upravljavec parkirišča ima v tem primeru seznam registrskih tablic uporabnikov in specifikacije omogočenega dostopa. Dostop je lahko časovno omejen, torej da lahko uporabnik vstopi na območje samo v določenem časovnem oknu (npr. med 8:00 in 16:00 uro). Možno je, da ima en uporabnik na seznamu več registrskih številk, vendar mu sistem omogoča hkraten vstop le z enim vozilom. Koncept delovanja prikazuje slika 1. Ko vozilo pripelje na Slika 1: Koncept nadzora dostopa SmartPARK . kontrolno točko območja nadzora dostopa, sistem najprej zazna prisotnost vozila, nato pa izvede postopek identifikacije. V kolikor Trajanje in ponovljivost parkiranja sta bistvena podatka za se prepoznana registrska tablica nahaja na t.i. pozitivni listi, se preučevanje navad uporabnikov in prilaganje ponudbe upravljavca zapornica dvigne in omogoči dostop brez aktivnosti uporabnika, parkirišča njihovim potrebam. Trajanje parkiranja bi sicer lahko kar zmanjša potreben čas za dostop in tako pohitri celoten merili z namenskim senzorjem prisotnosti vozila, ki bi se nahajal postopek. na vsakem parkirnem mestu, a tovrstna rešitev je zelo draga in Sistem poleg nadzora dostopa brez aktivnosti uporabnika omogoča ekonomsko neupravičena, pri njej pa tudi ne bi dobili podatka o tudi sprotno oddaljeno upravljanje in izvajanje analitike. ponovljivosti parkiranja ter vstopnih in izstopnih točk. Upravljavec ob zbiranju registrskih številk od uporabnikov pridobi Rešitev, ki omogoča tako informacijo o zasedenosti parkirišča, njihovo soglasje o uporabi za namen kontrole dostopa [1]. trajanju in ponovljivosti parkiranja udeležencev ter vstopne in izstopne točke, je sistem za prepoznavanje registrskih tablic Analitika SmartPARK Sistem zagotavlja visoko stopnjo varovanja zbranih podatkov in . Sistem s posebnim senzorjem zazna vozila onemogoča dostop nepooblaščenim osebam. Podatki se hranijo v in prepozna registrsko številko, ki jo v psevdonimizirani obliki kriptirani obliki na opremi, ki se nahaja v varovanih prostorih. shrani v bazi skupaj s časom zajema podatka. Fizični in elektronski dostop do opreme in shranjenih podatkov ima 2.2.1 Delovanje Analitike SmartPARK samo pooblaščeno osebje. Elektronski dostop se omogoči po Analitika SmartPARK omogoča analizo navad uporabnikov na predhodni avtentikaciji na podlagi osebnih certifikatov. Sistem območjih prostega dostopa brez njihovega predhodnega soglasja za beleži dostopanje do podatkov, kar omogoča odkrivanje poskusov obdelavo podatkov, kot so javna parkirišča, nakupovalna središča nepooblaščenega dostopa. Oddaljen dostop poteka izljučno preko in bencinski servisi. Z analizo trajanja, ponovljivosti parkiranja ter VPN tunela, ki uporablja SSL enkripcijo [2, 3, 4]. prehodov vstopno/izstopnih točk sistem preučuje navade uporabnikov, kar omogoča optimizacijo upravljanja parkiranja in 2.2 Analitika SmartPARK prilagajanje ponudbe uporabnikom. Samodejno analizo zasedenosti parkirišča, trajanj in ponovljivosti Koncept delovanja prikazuje slika 2. Podatki se pridobivajo z parkiranja udeležencev je praktično nemogoče izvesti brez namenskim senzorjem za zaznavo registrske številke vozila. zaznavanja oz. prepoznavanja vozil. Za namen analize zasedenosti Senzor zazna prisotnost vozila, začasno zajame sliko, prepozna parkirišča se sicer lahko uporabljajo senzorji, ki zaznajo zgolj vhod registrsko številko vozila, podatek o registrski številki posreduje in izhod vozila iz parkirišča. Pri tem pa dobimo na voljo samo procesni enoti in izbriše sliko. podatek, koliko vozil je bilo v določenem trenutku na parkirišču, ne dobimo pa podatka o trajanju in ponovljivosti parkiranja. 23 ki omogoča ugotavljanje ali se podatek nanaša na enkrat že zaznano vozilo, ne pa točno, za katero vozilo gre. To pa pomeni, da se na zbranih podatkih lahko izvede statistična analiza zasedenosti parkirišča, trajanj in ponovljivosti parkiranja udeležencev, katerih identitete ni mogoče določiti. Z uporabo takšne metode lahko zmanjšamo tveganja za zlorabo osebnih podatkov [5]. Drugo tveganje bi bilo, da bi se podatke zbiralo na podlagi posnetkov ali slik, na katerih bi lahko prepoznali tip vozila in/ali določili voznika. Tveganje obravnavamo z uporabo namenskega senzorja za zaznavo registrske številke vozila. Ko senzor zazna prisotnost vozila, le začasno zajame sliko v kratkotrajni pomnilnik, nato na shranjeni sliki izvede prepoznavo registrske številke vozila, nato sliko takoj v celoti izbriše. Sistem torej trajno ne shranjuje niti video posnetkov niti slik vozil [3, 4]. Tretje tveganje predstavlja nepooblaščeno dostopanje do zbranih psevdonimiziranih podatkov. Podobno tveganje nastopa tudi v primeru, da bi tretja oseba na podlagi pooblastil zahtevala informacije, kdaj vse se je določena registrska številka nahajala na območju, kjer je v uporabi sistem SmartPARK. Obe tveganji se odpravljata z uporabo naključnega kriptirnega ključa. Vsi zbrani podatki so tako dodatno kriptirani, kar pomeni, da brez uporabe kriptirnega ključa njihova uporaba ni mogoča. Ker sistem sam določi kriptirni ključ, ga upravljavec ne pozna, zato ne more dekodirati baze in dostopati do posameznih podatkov. Upravljavcu sistem posreduje zgolj agregirane rezultate statističnih analiz, ki so predhodno vgrajene v sistem [3, 4] 2.2.3 Transparentnost in poštenost Posameznika se o obdelavi podatkov obvestilo z napisom, na Slika 2: Koncept analitike SmartPARK. katerem so navedene informacije: Procesna enota iz zaznane registrske številke povzame regijsko - Da se na območju izvaja zbiranje podatkov: nepovratno oznako (npr. LJ, MB, KR,…), nato pa zaznano registrsko številko psevdonimizirana registrska številka vozila, ura in datum vozila z enosmerno kriptografsko zgoščevalno funkcijo pretvori v zaznave. Podatki o registrskih številkah se ne hranijo. kriptografsko kodo, ki je nereverzibilna, kar pomeni, da iz nje ni - Namen zbiranja podatkov: analiza trajanja in ponovljivosti mogoče rekonstruirati originalne registrske številke vozila [5]. parkiranja ter vstopnih in izstopnih točk iz območja z namenom optimizacije upravljanja parkiranja in prilagajanja Procesna enota podatek o regijski oznaki, psevdonimizirani ponudbe uporabnikom. registrski številki vozila in čas zajema shrani v dodatno kriptirani - Podatki o upravljavcu osebnih podatkov. elektronski obliki v podatkovni bazi na računski enoti sistema [2]. Na predvidene časovne enote se izvedejo statistične analize 2.2.4 Zakonitost (dnevne, tedenske, mesečne, letne), ki obsegajo predvsem: Glede na to, da lahko storitev parkiranje uporablja kdorkoli, pravni podlagi po 1. odstavku 10. člena ZVOP-1 (privolitev posameznika) - Trajanje parkiranja: razlika med časom zajema pri odhodu in ter 2. odstavku 10. člena ZVOP-1 ( obdelava podatkov zaradi časom zajema pri prihodu vozila iz območja (npr. povprečni pogodbenega razmerja), nista smiselni ne ekonomični. Pravno čas parkiranja v določenem časovnem obdobju). podlago za obdelavo osebnih podatkov lahko v konkretnem - Ponovljivost parkiranja: kako pogosto v časovni enoti primeru predstavlja 3. odstavek 10. člena ZVOP-1 (prevladujoči (tedensko, mesečno, letno) se določeno število vozil zazna na legitimni interesi). Ta dokument opisuje razloge in okoliščine za vhodu v območje (npr. delež/število vozil, ki parkira petkrat utemeljenost uporabe pravne podlage iz 3. odstavka 10. člena v tednu). ZVOP-1, in sicer opredeljuje delovanje sistema in legitimnost - Regijska zastopanost vozil: koliko vozil je imelo enako zasledovanih interesov, analizira tveganja in možne posege v regijsko oznako v časovni enoti. pravice posameznika glede varstva osebnih podatkov ter - Vstopne in izstopne točke: Pri analizi se analizira pogostost opredeljuje nabor varovalk, s katerimi se tveganja zmanjšujejo na uporabe vstopnih in izstopnih točk iz območja. Tovrstna sprejemljivo raven. S predvidnim naborom varovalk se je ustrezno analiza pride v poštev predvsem na mestih, kjer je več zmanjšalo tveganja, tako da lahko legitimni interesi upravljavca možnih vstopnih in izstopnih točk iz območja. prevladajo nad možnimi tveganji za poseg v pravice posameznika, 2.2.2 Sorazmernost zato je za uporabo sistema podana pravna podlaga v 3. odstavku Največje tveganje posega v zasebnost oziroma osebne podatke 10. člena ZVOP-1 [6]. predstavlja zbiranje registrskih številk vozil, ki so osebni podatki. 2.2.5 Informacijska varnost Tveganje učinkovito zmanjšujemo tako, da se sploh ne zbira teh Podatki se hranijo v kriptirani obliki na opremi, ki se nahaja v neposrednih osebnih podatkov, torej registrskih številk vozil, varovanih prostorih. Fizični in elektronski dostop do opreme in ampak se te takoj pretvori v nepovratno kriptografsko kodo z shranjenih podatkov ima samo pooblaščeno osebje. Elektronski uporabo enosmerne zgoščevalne kriptografske funkcije. Uporaba dostop se omogoči po predhodni avtentikaciji na podlagi osebnih enosmernih zgoščevalih kriptografske funkcij je uveljavljena certifikatov. Sistem beleži dostopanje do podatkov, kar omogoča metoda, ki zagotavlja, da iz kode ni mogoče rekonstruirati odkrivanje poskusov nepooblaščenega dostopa [3, 4]. izvornega podatka. Kljub vsemu pa ima podatek enoznačno kodo, 24 Oddaljen dostop poteka izljučno preko VPN tunela, ki uporablja SSL enkripcijo. Notranja sledljivost obdelave podatkov vodi zapise o tem, koliko osebnih podatkov se je zapisalo v bazo, kdaj je bila izvedena analiza, njeno identifikacijsko številko, časovno obdobje, na katerem je bila izvedena analiza ter kdo jo je izvedel, kdaj so bili podatki izbrisani, količina podatkov, ki so bili izbrisani ter časovno obdobje, na katerega se nanašajo, ter kdo je izvedel izbris. Dnevnik posredovanja vodi zapise posredovanju statističnih anonimiziranih analiz. Zapis obsega datum posredovanja, identifikacijsko številko analize, pošiljatelja ter naslovnika. 3 ZAKLJUČEK Sistem SmartPARK omogoča energetsko učinkovito in okolju prijazno optimizirano upravljanje pametnih parkirnih sistemov in pametnih mest. SmartPARK je sistem za avtomatsko prepoznavo vozil s pomočjo namenskega senzorja za zaznavo registrske številke vozila. Informacije zbira transparentno in predstavlja primer t.i. »privacy enhanced technology« oziroma tehnologije, ki je načrtovana po načelu vgrajene zasebnosti (»privacy by design)«, kar pomeni, da zagotavlja minimizirano obdelavo osebnih podatkov in visoko stopnjo varnosti zbranih podatkov. Zahvala Razvojno-raziskovalno delo je sofinancirano v okviru javnega razpisa »Javni razpis “Spodbujanje zaposlovanja mladih doktorjev znanosti” v letu 2015«. Operacijo delno financira Javna agencija za raziskovalno dejavnost Republike Slovenije. REFERENCE: [1] Smernice Informacijskega pooblaščenca za razvoj informacijskih rešitev https://www.ip- rs.si/fileadmin/user_upload/Pdf/smernice/Smernice_za_razvoj _informacijskih_resitev.pdf [2] Uredba (EU) 2016/679 Evropskega Parlamenta in Sveta o varstvu posameznikov pri obdelavi osebnih podatkov in o prostem pretoku takih podatkov ter o razveljavitvi Direktive 95/46/ES http://eur-lex.europa.eu/legal- content/SL/TXT/?uri=uriserv:OJ.L_.2016.119.01.0001.01.SL V&toc=OJ:L:2016:119:TOC [3] Presoje vplivov na zasebnost pri projektih eUprave https://www.ip- rs.si/fileadmin/user_upload/Pdf/smernice/Presoje_vplivov_na _zasebnost.pdf [4] Presoje vplivov na zasebnost pri projektih eUprave https://www.ip- rs.si/fileadmin/user_upload/Pdf/smernice/Presoje_vplivov_na _zasebnost_pri_uvajanju_novih_policijskih_pooblastil_Smern ice_IP.pdf [5] Mnenje Delovne skupine iz člena 29 o anonimizacijskih tehnikah http://ec.europa.eu/justice/data-protection/ article- 29/documentation/opinion-recommendation/ files/2014/wp216_en.pdf [6] Mnenje Delovne skupine iz člena 29 glede uporabe pravne podlage prevladujočih legitimnih interesov http://ec.europa.eu/justice/data-protection/article- 29/documentation/opinion- recommendation/files/2014/wp217_en.pdf 25 Spremljanje zdravstvenega in psihičnega stanja v domačem okolju doc. dr. Mojca Ciglarič Miha Grohar dr. Matjaž Pančur Univerza v Ljubljani Univerza v Ljubljani Univerza v Ljubljani Fakulteta za računalništvo in Fakulteta za računalništvo in Fakulteta za računalništvo in informatiko informatiko informatiko Ljubljana, Slovenija Ljubljana, Slovenija Ljubljana, Slovenija mojca.ciglaric@fri.uni-lj.si miha.grohar@fri.uni-lj.si matjaz.pancur@fri.uni-lj.si POVZETEK 3. DELO V OKVIRU PROJEKTA Opredelili smo projektne cilje v okviru projekta EkoSMART v nalogi T4 znotraj RRP4.DP3. V nalogi bomo raziskali spremljanje EKOSMART zdravstvenega in psihičnega stanja v domačem okolju. Na Opredelitev ciljev: omenjenem področju je Laboratorij za računalniške komunikacije 1. Pregled in primerjava senzorjev za nadzor zdravja na domu že deloval in sicer pri razvoju prototipa pametne majice za zaznavo stresa in prototipnega sistema za zajem in klasifikacijo - pregledali bomo senzorje in platforme IoT, ki omogočajo dojenčkovega joka. O obeh primerih smo uporabili cenovno spremljanje zdravja v domačem okolju. Poleg senzorjev, dostopne senzorje in jih uporabili v povezavi s pametnimi telefoni ki smo jih že uporabljali, bomo skušali identificirati in storitvami v računalniškem oblaku. Članek predstavi cilje čimširši nabor dovolj dobrih nizkocenovnih senzorjev. naloge in naše preteklo delo z namenom povezovanja s preostalimi partnerji, da bi identificirali skupne možnosti za - primeri senzorjev, ki smo jih v preteklem delu na področju sodelovanje s preostalimi partnerji, kot so uporaba obstoječih že uporabljali: senzorjev in platform v okviru naše naloge. - platforma Bitalino: vsestranski paket nizkocenovnih senzorjev s standardnimi vmesniki: Ključne besede IoT, zdravstveno stanje, psihično stanje, zaznava stresa, pametna - ECG: za merjenje srčnega utripa maijca, zaznava dojenčkovega joka - EMG: za merjenje mišične aktivnosti 1. O FAKULTETI ZA RAČUNALNIŠTVO - EDA: za merjenje upornosti kože IN INFORMATIKO UNIVERZE V - ACC: za merjenje korakov, zaznavanje padca, LJUBLJANI zaznavanje fizične aktivnosti Fakulteta za računalništvo in informatiko Univerze v Ljubljani je vodilna visokošolska in raziskovalna institucija na področju - LUX: za zaznavanje osvetlitve računalniške in informacijske znanosti v Sloveniji. Glavna - senzorji v pametnih telefonih, pametnih urah in podobnih dejavnost fakultete je dodiplomsko in podiplomsko izobraževanje široko dostopnih napravah računalniških strokovnjakov različnih profilov ter raziskovalno in znanstveno delovanje, ki ustvarja nova znanja in išče rešitve za - mikrofon sodobne probleme. Opisano delo in predstavitev je nastalo v - GPS okviru Laboratorija za računalniške komunikacije. - pospeškometer 2. UVOD Laboratorij za računalniške komunikacije bo deloval v okviru - žiroskop projekta EkoSMART RRP4 delovni paket DP3 naloga T4: - senzor bližine spremljanje zdravstvenega in psihičnega stanja v domačem okolju, kjer smo opredelili naslednje cilje: 2. Izbira platforme za shranjevanje senzorskih podatkov in alarmiranje 1. Pregled in primerjava senzorjev za nadzor zdravja na domu - pričakujemo hitro rast količine podatkov zbranih iz 2. Izbira platforme za shranjevanje senzorskih podatkov in različnih senzorjev, zato bomo pregledali različne alarmiranje platforme, ki omogočajo varno in zanesljivo hrambo 3. API za povezavo z IKT platformo iz RRP5.DP5 podatkov V članku bomo podrobneje opredelili projektne cilje in predstavili - ob zaznavi kritičnih vrednosti zbranih z določenega naše preteklo delo na obravnavanem področju. senzorja, npr. padec starejše osebe, bomo potrebovali tudi platformo, ki bo omogočala opozarjanje oziroma alarmiranje za tak dogodek 26 - v preteklem raziskovalnem delovanju smo uporabljali dojenčka in uspešnostjo klasifikacijskih algoritmov. Razvoj oblačne platforme kot je OpenStack, ki omogoča gradnjo prototipa še poteka, imamo pa že rezultate: zasebnega oblaka. Ta je lahko osnova za shranjevanje - Aplikacija Jokolov za zbiranje podatkov, razvita na platformi velikih količin podatkov in za napredne obdelave, ki Android, presegajo zmogljivosti pametnih telefonov in njim podobnih naprav. - Storitev REST API za hranjenje in obdelavo podatkov na infrastrukturi v oblaku s platformo OpenStack. 3. API za povezavo z IKT platformo iz RRP5.DP5 - Objava aplikacije na Google play in pridobivanje uporabnikov, - v okviru naloge bomo razvili vmesnik, ki bo omogočal staršev/skrbnikov z dojenčki. povezavo z IKT platformo iz RRP5.DP5 - Pridobivanje zvočnih posnetkov iz javnih portalov za 4. PRETEKLO DELO NA PODROČJU preliminarno učenje napovednega modela. V laboratoriju že imamo nekja izkušenj z delom na področju spremljanja zdravstvenega in psihičnega stanja v domačem 5. ZAKLJUČEK okolju. Razvili smo več prototipov, med katerimi sta v Na začetku projekta EkoSMART smo se želeli predstaviti ter nadaljevanju opisana dva. identificirati možnosti za sodelovanje z drugimi partnerji v okviru projekta. Predvsem bi si želeli spoznati obstoječe senzorje in 4.1 Pametna majica (SmartShirt) za platforme, ki jih že uporabljajo partnerji in jih vključiti v naše zaznavanje stresa raziskovalno delo in morebitni razvoj prototipov na področju V prototipu smo razvili majico, v kateri so vgrajeni senzorji za spremljanja zdravstvenega in psihičnega stanja v domačem ECG za merjenje srčnega utripa in EDA za merjenje električne okolju. S preteklim delom na pametni majici za zaznavanje stresa prevodnosti kože. Zbrani podatki se preko vmesnika Bluetooth in prototipnim sistemom za zajem in klasifikacijo dojenčkovega pošiljajo telefon, kjer se delno obdelajo in uporabniku prikažejo. joka smo prikazali nov pristop razvoja storitev za izboljšavo Iz zbranih podatkov smo poizkušali zaznati stresne situacije. Prav zdravstvene ozaveščenosti in zdravstvenega stanja prebivalcev tako se podatki pošljejo na strežnik z dodatnimi podatki o pametnih mest. uporabniku, kot je lokacija in druge nastavitve, kjer sledi nadaljnja obdelava. Za izdelavo majice smo uporabili 6. REFERENCE nizkocenovne senzorje, ki so na voljo v platformi Bitalino. [1] Saša Saftić, Mojca Ciglarič: Smart Shirt for Stress Prototip je podrobneje predstavljen v članku [1]. Recognition, Zbornik Informacijska družba 2015, zvezek G, str. 107 – 110. 4.2 Prototip sistema za zajem in klasifikacijo [2] Abdulaziz, Yousra, and Sharifah Mumtazah Syed Ahmad. dojenčkovega joka "An accurate infant cry classification system based on Jok je način komunikacije dojenčka (poleg obrazne mimike in continuos Hidden Markov Model." Information Technology gibanja telesa). Starši bi radi razumeli, kaj dojenček potrebuje (ITSim), 2010 International Symposium in. Vol. 3. IEEE, oziroma kako se počuti. Za zdravnika, ki želi dojenčka pregledati, 2010. pa je pomembno, kaj mu dojenček sporoča. Zaradi nerazumevanja [3] M.Petroni,A.S.Malowany,C.C.Johnston,B.J. Stevens, "A dojenčkovega joka je komunikacija med dojenčkom in odraslimi Comparison of Neural Network Architectures for the pomanjkljiva. Številne raziskave [2][3] potrjujejo, da lahko z Classification of Three Types of Infant Cry Vocalizations", obdelavo podatkov klasificiramo otroški jok. Večina raziskav se vol. 1, pp.821-822. osredotoča na razlikovanje med zdravim in bolnim dojenčkom, manjšina pa na klasifikacijo dojenčkovega počutja. V okviru razvoja prototipa, bomo raziskali korelacijo med starostjo 27 Izkušnje pri uvajanju IKT podprtih kliničnih poteh Iztok Cukjati Jure Bon Zvezdan Pirtošek Klinični oddelek za bolezni živčevja Klinični oddelek za bolezni živčevja Klinični oddelek za bolezni živčevja Univerzitetni klinični center Ljubljana Univerzitetni klinični center Ljubljana Univerzitetni klinični center Ljubljana Zaloška 2, 1000 Ljubljana Zaloška 2, 1000 Ljubljana Zaloška 2, 1000 Ljubljana +38640186268 jure.bon@kclj.si zvezdan.pirtosek@kclj.si iztok.cukjati@upr.si POVZETEK mobilnih aplikacij, brezžičnih omrežij in priročnih senzorjev. Množice podatkov so kljub uporabi sodobnih tehnologij navadno Nenalezljive kronične bolezni (NKB) predstavljajo veliko še vedno na voljo le v zelo omejenem dosegu (t.i. podatkovni obremenitev zdravstvenega sistema, stroški zdravljenja pa se zaradi silosi). Semantična interoperabilnost [3] je zato postala bistvena za staranja prebivalstva neprestano povečujejo. učinkovit prenos/interpretacijo podatkov, tako dobljene informacije pa bodo lahko na voljo zdravstvenemu osebju in Nove tehnologije in pristopi omogočajo racionalizacijo in večjo samem pacientu pri konkretni oskrbi kronične bolezni. Povezljivost vključenost pacientov v sam proces zdravstvene oskrbe, hkrati pa različnih informacijskih sistemov v procesu zdravstvene oskrbe je nudijo nove možnosti na področju izmenjave in uporabe končni cilj učinkovite vpeljave semantične interoperabilnosti v podatkov/informacij o zdravstvenem stanju pacientov. zdravstvu. Izkušnje preteklih projektov kažejo, da je pri vpeljavi novih načinov/tehnologij v proces zdravstvene oskrbe potrebno posebno 1.2 Opis in modeliranje kliničnih poti pozornost nameniti a) aktivnemu vključevanju zdravstvenega Zdravstvena oskrba bolnikov z NKB poteka po vnaprej določenih osebja in pacientov, b) interoperabilnost podatkov in c) dolgoročni kliničnih smernicah. Pot oskrbe se praviloma prilagaja glede na finančni vzdržnosti s prilagoditvijo poslovnega modela zdravstvene zdravstveno stanje posameznika, prilagoditve pa so redke, saj oskrbe. potekajo le ob rednih/izrednih zdravniških pregledih. Proces klinične oskrbe (trenutne klinične smernice, klinična pot) je Izkušnje iz projekta eOskrba kažejo na pozitivne klinične učinke praviloma definiran s strani strokovnih svetov/združenj, ki odločajo intervencij eAstma, eDiabetes in eHujšanje, tako, da se zdi o posameznih smernicah. Uvedba informacijsih tehnologij in smiselna vpeljava podobnih sistemov tudi na področje napreden zajem ter obdelava podatkov, bi se lahko izkazala kot zelo nevrodegenerativnih bolezni. Organizacijske prilagoditve, učinkovita za bistveno boljše spremljanje pacienta v procesu izmenljivost podatkov in finančna vzdržnost ob tem predstavljajo zdravstvene oskrbe, hkrati pa bi dobljeni podatki služili kot pomoč glavne ovire, ki bi jih radi presegli v projektu EkoSmart. strokovnim združenjem za modeliranje/spreminjanje obstoječih kliničnih smernic. S slednjim bi lahko neposredno pripomogli k napredku same medicinske znanosti. Ključne besede 1.3 Organizacijske prilagoditve eOskrba, eZdravje, diabetes, astma, preventiva, parkinsonova Uspešnost vpeljave novih načinov oskrbe bolnikov je pogojena z bolezen, OpenEHR, interoperabilnost. vključenostjo tako zdravstvenega osebja, kot samih pacientov v 1. IZHODIŠČA (nov/prilagojen) proces zdravstvene oskrbe. T.i. »care manager« ali neposredni zdravstveni skrbnik pacienta postaja stična točka Vzdržnost zdravstvenega sistema je v večini držav sveta pod timske obravnave posameznega pacienta, slednji pa je postavljen v velikim pritiskom naraščujočih stroškov oskrbe bolnikov z središče oskrbe. Nova orodja je potrebno smiselno in učinkovito nenalezljivimi kroničnimi boleznimi kot so astma, diabetes, bolezni vpeljati med zaposlene, ob tem pa naj tovrstna orodja omogočijo srca in ožilja, nevrodegenerativne bolezni, ob čemer so prav boljši pregled nad stanjem pacientov. slednje v najhitrejšem porastu. Zmanjševanje stroškov zdravljenja je nujno, pri tem pa predstavlja uvajanje novodobnih tehnologij in Pri mnogih (pilotnih) projektih je bila v preteklosti verjetno prav storitev (eZdravje) priložnost za racionalizacijo sicer omejenih neprimerna ali pa sploh nikakršna organizacijska prilagoditev kadrovskih in finančnih virov. razlog za manj uspešno izvedbo oz. klinično vpeljavo spletno- mobilnih rešitev za bolnike z NKB. Primeri iz preteklosti [1] [2] tudi v slovenskem prostoru kažejo na finančno učinkovitost uvajanja tovrstnih (e-podprtih) zdravstvenih 1.4 Poslovni model intervencij. Pri tem se je za ključno pokazala potreba po skrbno Finančna učinkovitost vpeljave IKT rešitev v zdravstveno oskrbo načrtovani organizacijski in poslovni/finančni prilagoditvi bi lahko bila zelo pomembna, če ne celo ključna za dolgoročno obstoječega modela zdravstvene oskrbe. vzdržnost zdravstvenih sistemov. Nepotrebna in ponavljajoča 1.1 Interoperabilnost podatkov opravila so zamudna (draga), nepregledna in nemalokrat vsebujejo številne vsebinske napake. Avtomatizacija bo v prihodnje S pomočjo sodobnih IKT orodij je mogoče enostavno in hitro omogočila hitrejše, bolj učinkovito in cenejše administriranje pridobivati številne (klinične) podatke o zdravstvenem stanju tovrstnih opravil. pacientov. Zajem in prenos podatkov se poenostavlja z uporabo 28 Vpeljava IKT storitev je lahko finančno neučinkovita (torej dražja S projektom smo dosegli zmanjšanje števila nujnih (izrednih) od obstoječe klinične oskrbe), povsem lahko pa je tudi učinkovita, obiskov pacientov v bolnišnici pri eksperimentalni skupini v kar prikazujejo tudi domači primeri [3]. Finančna učinkovitost bi primerjavi s pacienti v kontrolni skupini (običajna oskrba). morala biti kriterij vseh tovrstnih intervencij, hkrati pa bo seveda potrebno prilagoditi tudi financiranje na sistemski ravni, npr. preko 2.2.3 Hujšanje (primarna raven) sprememb delovanja/plačevanja storitev s strani Zavoda za Vključene so bile osebe s prekomerno telesno težo, ki bi sicer zdravstveno zavarovanje Slovenije. sodelovale v delavnicah hujšanja, ki jih izvajajo po zdravstvenih domovih v Sloveniji. 2. PRIMER eOSKRBE Z intervencijo eHujšanje je bilo v primerjavi s kontrolno skupino Različni projekti v preteklosti so pokazali tako pozitivne, kot tudi doseženo znižanje telesne mase za 3,4 %. negativne klinične rezultate. V slovenskem prostoru je bilo izvedenih že več tovrstnih projektov, mednje sodi tudi primer 2.2.4 Gibanje (preventiva) raziskovalnega projekta z delovnim imenom eOskrba. Med negativnimi izkušnjami lahko omenimo slabo vključenost oz. Cilj projekta je bilo klinično ovrednotenje vpeljave spletno- velik upad vključenega števila uporabnikov spletno-mobilne mobilnih aplikacij, razvitih na enotni informacijski platformi z aplikacije za povečevanje gibalne aktivnost pri sicer neaktivni, a uporabo OpenEHR in procesne metodologije. zdravi populaciji. Uporabniki so kot razlog za upad zanimanja navajali »slabo odzivnost aplikacije« in prisotnost številnih 2.1 OpenEHR, procesni opisi kliničnih poti naprednejših aplikacij, dostopnih na trgu. Izdelava arhetipov, t.j. enotnih informacijskih gradnikov, je Rezultati študije eOskrba oz. posameznih intervencij (astma, potekala v sodelovanju med računalniškimi strokovnjaki in diabetes, hujšanje, gibanje) so v splošnem pozitivni in dolgoročno zdravstvenim osebjem. Postopek je bil sicer poenostavljen, saj v gotovo smiselni. Glede na odzive udeleženih in interpretacijo kratkem času in z omejenimi viri ni bilo mogoče doseči sicer njihovih odgovorov lahko zaključimo, da bo v prihodnje potrebno želenega cilja potrjevanja definicij na nacionalnem nivoju preko večjo pozornost nameniti boljši uporabniški izkušnji, večji strokovnih združenj. Posamezni gradniki so bili uporabljeni pri vključenosti zdravstvenega osebja (predvsem delavcev zdravstvene različnih domenah (diabetes, astma, hujšanje, preventiva). nege) v proces načrtovanja in izdelave posameznih storitev. Uporabljena je bila BPMN2.0 metodologija za opis načrtovanih Sočasno je potrebno zagotoviti tudi podporo pri organizacijskih kliničnih poti, pri čemer je bilo potrebno vzpostaviti »most spremembah in dolgoročno vzdržnost (financiranje) tovrstnih sodelovanja« med zdravniki in informatiki. Večkratne medsebojne sotritev. iteracije so pripeljale do želenega cilja: posamezni proces 3. REFERENCE zdravstvene oskrbe je bil zapisan v »tehničnem BPMN2.0 jeziku«. [1] B. A. Meglic M, Furlan M, Kuzmanic M, Kozel D, Baraga 2.2 Enotna platforma, več domen D,Kuhar I, Kosir B, Iljaz R, Novak Sarotar B, Dernovsek Za potrebe projekta je bila razvita enotna informacijska platforma, MZ, Marusic A, Eysenbach G. Feasibility of an eHealth ki je omogočila učinkovito dodajanje novih intervencij. Razvite in Service to Support Collaborative Depression Care: Results of klinično validirane so bile intervencije za diabetes, astmo, hujšanje a Pilot Study. J Med Internet Res, 12(5):e63, 2010 in preventivo (gibalna dejavnost). [2] Beštek M., Cukjati I., Kurent B., Meglic M., Zrimec T., Brodnik A. Empowering Patients with Chronic Diseases, 2.2.1 Diabetes (primarna raven) Medicine 2.0 Boston, 2012 V projekt eDiabetes je bilo vključenih 17 referenčnih ambulant splošne medicine, ki imajo v svojem strokovnem timu tudi [3] Beštek, M., Brodnik, A. Interoperability and mHealth – diplomirano medicinsko sestro (DMS), kot nosilko izvajanja precondition for successful eCare. Mobile Health: A nadzora (urejenih) pacientov z NKB. Hkrati DMS izvajajo tudi Technology Road Map, 2015: Chapter 16; Springer. preventivno dejavnost oz. izbobraževanje. [4] Naveršnik, K., Mrhar, A. Cost-effectiveness of a novel e- health depression service. Telemed J E Health. V interventni skupini (pacienti vključeni v sistem) smo pokazali 2013;19(2):110-6. učinkovitost intervencije preko znižane vrednosti HbA1c ob hkratni statistično pomembni korelaciji med povprečno vrednostjo krvnega tlaka in končno vrednostjo HbA1c. 2.2.2 Astma (sekundarna/terciarna raven) V projekt eAstma je bila vključena Klinika Golnik z ambulanto za obravnavo bolnikov z astmo. 29 Faze pri uvajanju informacijsko podprtih kliničnih poti Gregor Cuzak Jure Bon Zvezdan Pirtošek Marand Inženiring d.o.o. Klinični oddelek za bolezni živčevja Klinični oddelek za bolezni živčevja Koprska 100 Univerzitetni klinični center Ljubljana Univerzitetni klinični center Ljubljana SI-1000 Ljubljana Zaloška 2, 1000 Ljubljana Zaloška 2, 1000 Ljubljana gregor.cuzak@marand.si jure.bon@kclj.si zvezdan.pirtosek@kclj.si POVZETEK nevrološke in sladkorne bolezni. Na delavnicah jim predstavniki NIJZ predstavijo portal za paciente, predstavniki HealthDay.si pa (Od uporabnikov do uporabnih analiz) obstoječe rešitve na področju digitalizacije zdravstva. Pacienti povejo, kaj so od predstavljenega poznali že prej, kaj je zanje V pričujočem besedilu smo predstavili štiri faze pristopa, ki lahko novo, vprašajo stvari, ki jih zanimajo, izrazijo svoje mnenje, pelje do učinkovitih zdravstveno informacijskih analiz in pomisleke, komentarje, potrebe. informacijsko podprtih kliničnih poti, s tem pa tudi do Vključenost zdravnikov v delavnice je koristna v primeru, da kakovostnejšega, z dokazi podprtega zdravljenja. Te štiri faze želijo delavnice uporabiti kot eno izmed izhodišč pri načrtovanju pristopa so: 1) zajem potreb pacientov, 2) informacijsko tu obravnavanega 4 faznega pristopa. modeliranje kliničnih poti, 3) vnos klasičnih kliničnih podatkov oz. samodejni zajem podatkov preko različnih vrst senzorjev in 4) 2. MODELIRANJE KLINIČNIH POTI analiza vseh zbranih podatkov in generiranje novega znanja, ki lahko služi tako izboljševanju same klinične poti kot širšemu Klinična pot ni nič drugega kot scenosled poteka bolezni in načrtovanju v zdravstvenem sistemu. Pomembni principi, ki zdravljenja le te. Opisuje stične točke med pacientom, opazovanji povezujejo vse štiri faze, so prenosljivost pristopa na paciente z in aktivnostmi. Opazovanja so lahko osebna ali samodejna, preko različnimi boleznimi, neomejenost na posamezno zdravstveno senzorjev. Aktivnosti so lahko odmerjanje zdravil, fizioterapije, specialnost in prenosljivost podatkov v sistemu. Za zagotovitev operacije, terapevtski pogovori, itd. prenosljivosti podatkov predlagamo uporabo standarda openEHR, Č ki zagotavlja ločitev podatkov in podatkovnih modelov od e želi zdravnik kontrolirati posamično klinično pot, potem je lokalnih softverskih orodij. S to ločitvijo je mogoče preprečiti dolžan kakovostno načrtovati, kako bo ta pot dokumentirana. Del ujetost zdravstvnih podatkov v specifike posamičnih orodij in s dokumentiranja poti je zajem podatkov, ki opišejo stanje pacienta, tem razdrobljenost informatizacije slovenskega zdravstvenga njegovo dojemanje in razumevanje ter upoštevanje terapije. sistema. Če se zdravnik odloči, da želi zagotoviti neodvisnost podatkov od programske opreme, je smiselno, da se odloči za standard Ključne besede openEHR. Ta mu omogoča, da sam in v kolaborativnem Informacijsko podprte klinične poti, OpenEHR, interoperabilnost. sodelovanju s svojimi kolegi v stroki, določi, kaj natančno se zapisuje, s poljubno natančnim opisom kliničnega konteksta. Naloga tega zdravnika je, da določi t.i. arhetipe, to so celostno 1. ZAJEM POTREB PACIENTOV opisani klinični koncepti, s čimer zagotovi kakovost podatkov za analizo, preračunavanje in ponovno uporabo kadarkoli v Začetek medicine ni v stroki sami, niti ne v zdravilih, terapiji, prihodnosti. ampak je tam, kjer je tudi njen cilj, pri pacientu. Pacient pove, kaj je z njim narobe, z besedami ali z meritvami, opazovanjem, V arhetipski način zapisa podatkov lahko vključi katerokoli naloga zdravnika pa je postaviti diagnozo. Zajem potreb pacientov klinično vsebino, od lastnih opažanj, instrumentalnih meritev, se ne ustavi zgolj pri pregledu v ambulanti. Dogajanje pred meritev samodejnih senzorjev, ki jih pacient ima lahko tudi doma, pregledom v ambulanti običajno opiše pacient sam, lahko pa je ali jih nosi s seboj, do zapisov analiz DNK, CT, RTG, MR, itd. predhodno tudi že zbranih veliko podatkov, zlasti to velja pri kroničnih bolnikih, kjer je potrebno stanje pacienta spremljati 3. VNOS PODATKOV dolgoročno. Vnos podatkov je pogojen s kakovostjo vmesnikov, ki so na voljo. Pacienta je ob tem potrebno obravnavati kot osebo, ki aktivno V predračunalniških časih je bil tak vmesnik kar svinčnik in papir, sodeluje, ni le objekt opazovanja. Zato je v samo načrtovanje če je bil papir opremljen s formularjem, pa to že spominja na klinične poti potrebno in smiselno vključiti tudi pacienta. Eden od zaslonsko masko. načinov za to je izvedba delavnic s pacienti pri posamezni Sodobni vmesniki se prilagajajo uporabniku, zajamejo podatke bolezenski skupini. Delavnica lahko odgovori na vprašanja, kako samodejno, če je to le mogoče, obenem pa tudi sproti podajajo se pacienti soočajo z boleznijo, s terapijo, katere informacije tiste informacije, ki so lahko koristne. Vse skupaj je del strojne in imajo na voljo, kaj razumejo, kje se pojavljajo vprašanja, kje so programske opreme. Z eksplozivno širitvijo mobilnih naprav, tudi strahovi. S pozitivno izkušnjo vključenosti je verjetnost za dober ti vmesniki skokovito napredujejo. rezultat terapije večja. Ključni kriterij pri vnosu podatkov je, da se vnesejo čimbolj HealthDay.si [1], kot tvorec Slovenskega ECHAlliance celoviti podatki, obenem pa to ne vzame dodatnega časa, oziroma ekosistema v septembru in oktobru 2016 izvaja delavnice s kroničnimi pacienti petih skupin bolezni: srčne, pljučne, rak, 30 zlasti ne jemlje kakovstnega terapevtskega časa med zdravnikom telekomunikacijah nekemu operaterju dejstvo, da ste nekoč in pacientom. potrošili zelo veliko za mobilna gostovanja danes ne pomeni nujno več veliko, štejejo zlasti aktualni podatki. Pri zdravju pa je Če so podatki v posamezni klinični poti vnešeni po standardu lahko zelo pomembno, katere bolezni ste preživeli kot otrok, kako openEHR, je s tem avtomatično omogočena tudi povezljivost med ste bili zdravljeni, na kaj ste alergični. različnimi kliničnimi potmi, s tem pa se izboljša celovitost razumevanja stanja pacientov, zlasti pri komorbidnih pacientih z Dobra analitika in dober softver za klinično odločanje podpirata več bolezenskimi stanji. tovrstno dolgoročno obravnavo podatkov. 4. ANALIZA PODATKOV Standard openEHR je odlična osnova za to, da bo nekoč mogoče z analitiko ne le preverjati zdravstveno stanje posameznika, ampak Ko so podatki enkrat vnešeni in je po njih lahko izvajati bo mogoče z dobro prediktivno in optimizacijsko analitiko poizvedbe, kar tudi zagotavlja standard openEHR, je izvajanje vnaprej poskrbeti, da bo čimmanj zapletov, oziroma bo mogoče analiz bistveno olajšano. Gre namreč za to, da je pri analizi delovati že preventivno pri zdravem človeku. podatkov potrebno imeti prožnost do te mere, da zdravnik poleg standardnih pogledov, kar tipično omogoča že standardna REFERENCE programska oprema, hitro lahko preverja tudi navzkrižne [1] Healthday.si : http://www.healthday.si/ korelacije, lahko filtrira po večjih populacijah, postavlja in preverja hipoteze. Podatki v zdravstvu so za razliko od bančništva, telekomunikacij in siceršnje industrije veliko vredni tudi po več letih. V 31 Tristopenjski model vključevanja uporabnikov v razvoj pametnih storitev za aktivno in zdravo staranje Vesna Dolničar Igor Košir Arso Savanović Mojca Šetinc ENERGOCOSM raziskave d.o.o. SMART COM d.o.o. informacijski in Andraž Petrovčič Hacquetova ulica 1a, komunikacijski sistemi Univerza v Ljubljani, FDV 1000 Ljubljana, Slovenija Brnčičeva 45 Kardeljeva pl. 5 00386 4 1352 533 1000 Ljubljana, Slovenija 1000 Ljubljana, Slovenija igkosir@gmail.com 00386 1 5611 606 00386 1 5805 366 arso.savanovic@smart-com.si vesna.dolnicar@fdv.uni-lj.si mojca.setinc@fdv.uni-lj.si andraz.petrovcic@fdv.uni-lj.si POVZETEK v okviru več raziskovalnih projektov razvijamo in nadgrajujemo V prispevku predstavljamo teoretsko in empirično podprt teoretsko in empirično podprt tristopenjski model za razvoj tristopenjski model vključevanja uporabnikov v razvoj pametnih pametnih storitev za aktivno in zdravo staranje, ki zgoraj storitev na področju aktivnega in zdravega staranja. Model temelji predstavljene težave naslavlja prek dveh ključnih ciljev: na metodološkem premiku k vključujočemu in k uporabniku 1. Razumevanje možnosti za (pre)oblikovanje uporabnih, usmerjenemu raziskovanju, ki končne uporabnike pametnih trajnostnih in cenovno dostopnih pametnih storitev z storitev, ki temeljijo na informacijski in komunikacijski upoštevanjem potreb starejših ter njihovih neformalnih tehnologiji, involvira v vse stopnje raziskovanja in razvoja oskrbovalcev. storitev. V prispevku je podrobno predstavljen izbrani primer 2. Testiranje in ovrednotenje pametnih storitev z vključevanjem uporabe modela, kjer so kot uporabniki vključeni starejši ter prejemnikov oskrbe in neformalnih oskrbovalcev v njihovem njihovi neformalni in formalni oskrbovalci. Z dodatnimi domačem okolju. praktičnimi primeri je nakazana robustnost modela in možnost njegove prilagoditve specifičnim raziskovalnim ciljem, ki Model je oblikovan tako, da omogoča aktivno vključenost vključujejo kombinacijo uporabe kvalitativnih in kvantitativnih končnih uporabnikov na vseh treh stopnjah raziskovanja in metod zbiranja in analize podatkov. razvoja pametne storitve. Tako oblikovan model vsaj posredno vodi do najmanj treh pozitivnih posledic: (1) boljšega počutja Ključne besede starejših in njihovih neformalnih oskrbovalcev; (2) manj vključevanje uporabnikov; pametne IKT storitve; starejši; aktivno obremenjenih sistemov zdravstvenega in socialnega varstva; ter in zdravo staranje; podpora iz okolja pri samostojnem življenju; (3) novih tržnih priložnosti za ponudnike pametnih storitev. primeri uporabe. V nadaljevanju tristopenjski model opisujemo na primeru uporabe v okviru aplikativnega projekta Pametne IKT rešitve za aktivno in 1. UVOD zdravo staranje: Integriranje storitev neformalne e-oskrbe v Prebivalstvo v razvitih državah se stara, kar se odraža v potrebi Sloveniji (L5-7626), ki ga sofinancirata Javna agencija za starejših, da bi čim dlje samostojno živeli v svojem domu, v raziskovalno dejavnost Republike Slovenije (ARRS) in podjetje vedno bolj obremenjenih neformalnih oskrbovalcih in v SMART COM. naraščajočih stroških dolgotrajne oskrbe [2, 4]. Kombinacija teh procesov vodi v nevzdržnost sistemov zdravstvenega in 2. TRISTOPENJSKI MODEL socialnega varstva, ki terja od vseh vključenih deležnikov nove odgovore in sistemsko naravnane rešitve. Zakonodajalci, 2.1 Teoretična izhodišča tristopenjskega industrija, raziskovalci in organizacije civilne družbe se zato modela vedno bolj usmerjajo v razvoj pametnih storitev, ki temeljijo na Tristopenjski model vključevanja uporabnikov v razvoj pametnih informacijski in komunikacijski tehnologiji (v nadaljevanju storitev prinaša preboj na področju razvoja pametnih storitev za pametnih storitev), kot so npr. senzorji za zaznavanje dima, aktivno in zdravo staranje. Načrtovanje in razvoj temeljita na izpusta vode ali prižganega štedilnika, pametni opomniki za inovativnem socio-tehničnem modelu za evalvacijo dejavnikov jemanje zdravil, senzorji gibanja, naprave za spremljanje sprejemanja pametnih storitev ter njihovega oblikovanja (in prejemnika oskrbe na daljavo. Kljub vedno večjemu številu preoblikovanja), tako na strani prejemnikov oskrbe kot njihovih nakazanih pozitivnih posledic uporabe tovrstnih storitev, je formalnih in neformalnih oskrbovalcev. Slovenija na tem področju še vedno v zaostanku, in sicer tako po številu uporabnikov tovrstnih storitev, obsegu tehnoloških, Model izhaja iz gerontehnološkega pristopa, ki ga zaznamuje poslovnih in socialnih inovacij kot tudi glede na strukturno metodološki premik k vključujočemu in k uporabniku vpetost pametnih storitev v sisteme socialnega in zdravstvenega usmerjenemu raziskovanju [19], pri katerem so vsi uporabniki varstva. pametnih storitev obravnavani kot sodelujoči v raziskavi in ne kot raziskovalni subjekti [13]. V preteklosti je veliko raziskav o Na Centru za družboslovno informatiko (CDI, www.cdi.si) pametnih storitvah postavljalo v ospredje tehnološke rešitve in Fakultete za družbene vede v sodelovanju s projektnimi partnerji zato starejše kot njihove uporabnike postavljalo v drugi plan. 32 Posledično so odločitve o oblikovanju (in preoblikovanju) heterogene skupine prejemnikov oskrbe, neformalnih sprejemali večinoma razvijalci in raziskovalci, končni uporabniki oskrbovalcev ter ponudnikov storitev oskrbe bomo v prvi fazi pa so bili vključeni le v zaključne faze razvoja storitev [6]. Ker so raziskali s kombinacijo fokusnih skupin in polstrukturiranih takšni pristopi upočasnili širitev uporabe pametnih storitev [5, 7], intervjujev. Izvedli bomo fokusne skupine s starejšimi uporabniki se v prispevku opisan model naslanja na idejo iterativnega in neuporabniki pametnih storitev ter fokusne skupine z njihovimi oblikovanja in socio-tehnični pristop, ki se osredotoča na neformalnimi oskrbovalci. Prav tako bomo izvedli intervjuje s uporabnike (starejše ter njihove neformalne in formalne ponudniki storitev oskrbe oziroma formalnimi oskrbovalci – tako oskrbovalce) ter jih vključuje v celoten proces raziskovanja in s tistimi, ki že ponujajo pametne storitve, kot s tistimi, ki tovrstnih razvoja. storitev še ne ponujajo. Model prikazuje možnosti za vključevanje potencialnih končnih V fokusnih skupinah in intervjujih se bomo osredotočili na uporabnikov (starejših ter njihovih neformalnih in formalnih preučevanje ključnih procesov in dejavnikov, ki spodbujajo oskrbovalcev) v procese odločanja, učenja in izmenjave znanja ter aktivno in zdravo staranje. Raziskali bomo tudi niz možnosti za sporočanje mnenj in pričakovanj v procesu najpomembnejših potreb starejših in neformalnih oskrbovalcev, oblikovanja (in preoblikovanja) [17]. V tem oziru se tako kot so družbena izoliranost, varnost, pozabljivost, skrb za zdravje osredotočamo tudi na ovrednotenje metodologij za povezovanje in aktivnost, sodelovanje v skupnosti, dostop do informacij, mnenj prejemnikov oskrbe in njihovih oskrbovalcev. Model nam potreba po učenju, zabava in prosti čas ipd. Potrebe različnih omogoča tudi razumevanje njihovega pogleda na prednosti in skupin starejših in njihovih neformalnih oskrbovalcev bomo slabosti predlaganih rešitev ter njihovega zaznavanja kakovosti umestili v tri ključne skupine: (1) psiho-socialne potrebe, (2) pametnih storitev. Hkrati so to tudi pomembni dejavniki potrebe povezane z instrumentalnimi aktivnostmi vsakdanjega sprejemanja takšnih storitev. življenja in (3) zdravstvene potrebe [7]. Četudi na področju načrtovanja s sooblikovanjem in vrednotenja V drugi fazi prve stopnje se bomo osredotočili na ustvarjanje različnih tehnoloških rešitev že obstajajo smernice za analizo splošnih predlogov za oblikovanje pametnih storitev. V drugi starejšim prijaznih pametnih storitev [13, 20], obstaja interakciji s potencialnimi končnimi uporabniki pametnih storitev raziskovalna vrzel na področju testiranja uporabnosti pametnih bomo s tem namenom izvedli fokusne skupine s starejšimi storitev za aktivno in zdravo staranje in s tem povezanih orodij za (uporabniki in neuporabniki pametnih storitev) in neformalnimi spremljanje namenjenih neformalnim oskrbovalcem. Opisani oskrbovalci. Sledili jim bodo polstrukturirani individualni model to vrzel zapolnjuje s prilagoditvijo in nadaljnjim razvojem: intervjuji s ponudniki storitev oskrbe iz različnih slovenskih regij. 1) Smernic za oblikovanje produktov za samostojno bivanje V fokusnih skupinah in intervjujih bomo sodelujočim najprej vezanih na človeške dejavnike [14] in 2) ISO standarda za k predstavili nekatere najpogostejše situacije, ki jih bomo uporabnikom usmerjene procese oblikovanja interaktivnih storitev identificirali s fokusnimi skupinami in intervjuji znotraj prve faze (ISO 9241). in bi lahko ogrozile samostojno in neodvisno življenje starejših. 2.2 Tri stopnje vključevanja uporabnikov Zanimalo nas bo, če sodelujoči te situacije prepoznajo kot pomembne in če se tudi sami soočajo z njimi. Potem jih bomo V predstavljenem modelu potrebe in percepcijo uporabnikov spodbudili k razvoju lastnih predlogov glede predstavljenih preučujemo v treh stopnjah, pri čemer vsaka stopnja vključuje situacij. V predloge bomo vključili tudi tehnološke rešitve in na tako starejše oziroma prejemnike oskrbe kot njihove neformalne podlagi vključujoče razprave oblikovali predloge za potencialno in formalne oskrbovalce. integracijo pametnih storitev z drugimi storitvami iz domačega - Na prvi stopnji preučujemo njihove potrebe in ustvarjamo okolja, kot so tablični računalniki in pametnih telefoni. Oblikovali splošne predloge za oblikovanje pametnih storitev, za kar bomo persone,1 ki bodo odražale potrebe in želje ključnih/ciljnih uporabljamo metodi fokusnih skupin in polstrukturiranih skupin starejših in neformalnih oskrbovalcev in bodo usmerjale intervjujev. nadaljnje predloge za oblikovanje pametnih storitev. - Na drugi stopnji sledi vrednotenje uporabniške izkušnje z 2.2.2 Vrednotenje obstoječe pametne storitve obstoječo pametno storitvijo s pomočjo testiranja Preučevanju potreb uporabnikov bo na drugi stopnji sledilo uporabnosti v domačem in laboratorijskem okolju. vrednotenje uporabniške izkušnje (angl. user experience) izbrane - Tretja stopnja vključuje oblikovanje idej za preoblikovanje, pametne storitve, ki jo razvija podjetje SMART COM in katere ki se zaključi s predlogi za nove ali izboljšane cilj je spodbujanje samostojnega, varnega in kakovostnejšega funkcionalnosti in/ali lastnosti obravnavane pametne storitve. samostojnega življenja starejših doma. Slednja temelji na Znotraj te stopnje uporabljamo tehniko skupinskih kombinaciji tehnološke platforme v oblaku in storitve podpornega validacijskih srečanj. komuniciranja. Dom uporabnika je opremljen s senzorji, ki so povezani s pametnim senzorskim usmerjevalnikom, ki senzorske Vsako od treh stopenj modela podrobneje predstavljamo v podatke posreduje v platformo v oblaku. Platforma je odgovorna nadaljevanju na primeru aplikativnega triletnega projekta Pametne za zbiranje podatkov in opozoril iz senzorjev, ki jih nato preko IKT rešitve za aktivno in zdravo staranje: Integriranje storitev različnih komunikacijskih kanalov sporoča neformalnim neformalne e-oskrbe v Sloveniji, ki se je začel izvajati v začetku leta 2016. 1 Persone so »hipotetični arhetipi« dejanskih uporabnikov. So liki 2.2.1 Preučevanje potreb uporabnikov in ustvarjanje z izmišljenimi imeni in osebnimi podatki, ki nastanejo kot splošnih predlogov za oblikovanje pametnih storitev rezultat doslednega in natančnega preučevanja končnih Cilj prve stopnje modela je analiza potreb uporabnikov in uporabnikov. Z njihovo pomočjo si v procesu oblikovanja lažje ustvarjanje predlogov za oblikovanje pametne storitve. Potrebe predstavljamo končnega uporabnika [3]. 33 oskrbovalcem in ponudnikom storitev oskrbe. Poleg tega socialni, stroškovni in organizacijski vidik obremenjenosti platforma zagotavlja varnost in možnost nadzora z grafičnim (ne)formalnih ponudnikov storitev oskrbe. uporabniškim vmesnikom, ki ga uporabljajo neformalni Da bi uporabnikom čim bolj nazorno predstavili nadgrajeno oskrbovalec in ponudniki storitev oskrbe in prikazuje različna pametno storitev, bomo v drugi fazi izvedli validacijska srečanja. obvestila o stanju prejemnika oskrbe. Izbranim skupinam starejših uporabnikov, neformalnih Storitev bomo testirali na treh skupinah uporabnikov in oskrbovalcev in ponudnikov storitev oskrbe starejših – neuporabnikov (prejemniki oskrbe, neformalni oskrbovalci in uporabnikom in neuporabnikom pametnih storitev – bodo ponudniki storitev oskrbe), s čimer želimo dobiti oceno predstavljeni primeri uporabe iz prve faze z namenom, da jih uporabniške izkušnje v smislu uspešnosti, učinkovitosti, nadzora ocenijo in o njih podajo svoje mnenje. Razpravljali bodo tudi o nad uporabo, učljivosti, preglednosti delovanja sistema, estetike in sprejemljivosti, uporabnosti in stroških novih ali nadgrajenih videza; oceno sprejemljivosti, ki se nanaša na stroške, zaupanje, funkcionalnosti pametne storitve, ki bodo predstavljene v novih združljivost z življenjskim slogom, odnos do uporabe, ter oceno primerih uporab. Udeleženci bodo razpravljali tudi o možnostih, zaznane uporabnosti glede na enostavnost oziroma zahtevnost kako starejšim omogočiti samostojno življenje doma. uporabe in zadovoljstvo potencialnih uporabnikov. V ta namen V zadnji fazi bo sledilo izpopolnjevanje/nadgradnja primerov bomo izvedli testiranje uporabnosti pametne storitve v uporabe, ki bodo udeležencem predstavljeni v drugem delu laboratoriju in v domačem okolju. V laboratorijsko testiranje srečanja. Po primerjavi predlogov udeležencev in raziskovalcev uporabnosti bodo vključeni neformalni oskrbovalci in ponudniki bomo skupaj izbrali najbolj ustrezen, sprejemljiv in koristen storitev oskrbe, pri čemer bo v vsaki skupini polovica takšnih, ki predlog zasnove za pametno storitev. Rezultati in ugotovitve iz testirano storitev že uporabljajo oziroma jo ponujajo. V domačem vseh treh faz na tretji stopnji modela bodo zbrani in predstavljeni okolju bodo pri testiranju sodelovali prejemniki oskrbe in v evalvacijskem poročilu, ki bo vključevalo tudi smernice za neformalni oskrbovalci. Tudi tu bo polovica testirancev takšnih, razvijalce in ponudnike pametne storitev. ki to storitev že uporabljajo. Informacije, zbrane s testi uporabnosti, nam bodo služile kot 3. ZAKLJUČEK osnova za (pre)oblikovanje obstoječe storitve in kot vhodni V prispevku je predstavljen konkreten primer tristopenjskega podatki za nadgradnjo seznama smernic za starejšim bolj prijazno modela, ki ga je zaradi njegove robustnosti mogoče prilagoditi oblikovanje pametnih storitev. glede na naravo raziskovalnega problema, preučevano storitev ali 2.2.3 Ideje za preoblikovanje ter njihovo vrednotenje izdelek, cilje raziskovalnega projekta, končne uporabnike in/ali glede na ciljno populacijo oziroma udeležence v raziskavi. Na V zadnji, tretji stopnji modela nam bodo ugotovitve iz obeh faz željo in po potrebi naročnika je mogoče izvesti le določene fokusnih skupin in polstrukturiranih intervjujev na prvi stopnji ter stopnje ali korake znotraj izbrane stopnje modela: npr. zgolj vrednotenja uporabniške izkušnje na drugi stopnji, skupaj z analizo potreb uporabnikov ali znotraj te izključno fokusne rezultati pregleda izbranih pametnih storitev, služile kot osnova za skupine. Prav tako je mogoče znotraj posameznih stopenj oblikovanje predvidoma treh primerov uporabe (angl. use cases) pristope, ki jih bomo uporabili pri opisanem projektu, zamenjati z pametnih storitev. S primeri uporabe bomo plastično predstavili drugimi metodami vključevanja uporabnikov, ki jih predvideva spremenjene in/ali nove lastnosti pametne storitve, ki jo razvija opisani socio-tehnični pristop. Fokusne skupine lahko na primer podjetje SMART COM. nadomestimo z vključujočim oblikovanjem (angl. participatory V skladu s standardnim postopkom [1, 7] bodo v prvi fazi tretje design), pri katerem končni uporabniki svoje potrebe, želje in/ali stopnje nekateri osnovnejši primeri splošnih predlogov za pričakovanja glede izbranega izdelka ali storitve, izrazijo s oblikovanje, ki so bili oblikovani na prvi stopnji, predstavljeni v pomočjo kreativnih orodij, kot je na primer izdelava plakata [15]. obliki uporabniških zgodb, s katerimi bomo bolj natančno opisali V predstavljenem primeru bomo uporabili kombinacijo več vlogo vsakega od treh tipov uporabnikov in predvidene posledice kvalitativnih (npr. fokusne skupine) in kvantitativnih (tj. testi uporabe (tj. kaj točno bo npr. neformalni oskrbovalec v določeni uporabnosti) metod, ki pa jo je tudi mogoče poenostaviti s tem, da situaciji moral narediti in kakšni bodo učinki tega ravnanja). se denimo omejimo na manjše število metod iz obeh skupin ali pa Tovrstnemu opisu in predstavitvi vidikov uporabnikove situacije, da izberemo zgolj eno skupino metod. specifičnih uporabnikovih aktivnosti in posledic teh aktivnosti za V prispevku predstavljen tristopenjski model vključevanja uporabnika bo sledil razvoj primerov uporabe, s katerim bomo uporabnikov v razvoj pametnih storitev je sicer rezultat več kot opisali serijo interakcij med pametno storitvijo in različnimi tipi dve desetletji trajajočega mednarodno priznanega uporabnikov (tj. prejemniki oskrbe, neformalni oskrbovalci in interdisciplinarnega raziskovanja skupine sodelavcev na CDI na formalni oskrbovalci), odvisno od primera uporabe. Primeri področjih družboslovne informatike in metodologije, ki vključuje uporabe bodo prilagojeni glede na čas, kraj, zaporedje dogodkov kombinacijo metod za zbiranje podatkov in evalvacijo ter značilnosti udeleženih oseb in njihovega okolja. V primerih oblikovanja za starejše – gerontehnologije, izkušenj z velikimi uporabe bodo izražene tudi persone, ki jih bomo oblikovali po mednarodnimi empiričnimi projekti s področja digitalne izvedbi fokusnih skupin in intervjujev. Primere uporabe bodo vključenosti (FP5, FP6, FP7, Erasmus+, LLP, Interreg) in s pregledali tudi člani raziskovalne ekipe sofinancerja in ponudnika projekti aktivnega in zdravega staranja ter raziskovanja in razvoja storitev, ki bodo predlagali tudi morebitne izboljšave. Merila, ki pametnih storitev, spletnih iger za učenje in mobilnih aplikacij za bodo upoštevana pri oblikovanju predlogov za spremenjene ali starejše. nadgrajene funkcionalnosti pametne storitve, bodo zajemala tako vsebinsko primernost za starejše, pričakovano pogostost Tukaj predstavljeni model na vseh treh stopnjah in znotraj pojavljanja tehnoloških težav s strojno in programsko opremo različnih faz predstavlja nadgradnjo in integracijo raziskovalnih (npr. zapletenost namestitve opreme, lažni alarmi), kot tudi pristopov, ki so že bili uspešno uporabljeni v številnih projektih na CDI. Pri projektu ISOLearn ( Innovation and Social Learning 34 in HEI, program Erasmus+), je bil model uporabljen za [3] Cooper, A. (1952-). 2004. The inmates are running the preučevanje potreb slabovidnih, slepih, naglušnih in gluhih asylum : [why high-tech products drive us crazy and how študentov v visokošolskih izobraževalnih institucijah. Pri tem so to restore the sanity] / Alan Cooper. SAMS. bile uporabljene tako kvalitativne kot kvantitativne metode [4] Czaja, S.J. 2016. Long-term care services and support zbiranja podatkov o uporabnikih. Obe vrsti metod sta bili systems for older adults: The role of technology. American uporabljeni tudi za prepoznavanje potrebe po učenju in Psychologist. 71, 4 (May 2016), 294–301. usposabljanju na področju komunikacijskih veščin med slušatelji [5] Damodaran, L. et al. 2010. Some ethical considerations usposabljanja odraslih in poklicnega izobraževanja ter about informed consent by older people to assisted living strokovnjaki s področja poklicnega izobraževanja oziroma technologies and the participation of older people in ICT izobraževanja odraslih pri projektu eTrees ( An online service to research. Gerontechnology. 9, 2 (2010), 85–86. improve communication skills in the workplace using branching [6] Dickinson, A. et al. 2007. Methods for human-computer stories games), multilateralni program EU Lifelong Learning interaction research with older people. Behaviour and Programme [11]. Kombinacija kvalitativnih in kvantitativnih Information Technology. 26, 4 (01 2007), 343–352. metod je bila prav tako uporabljena za razvoj in evalvacijo [7] Dolničar, V. et al. Designing technologies for older people: izobraževalnih iger za starejše v projektu LEAGE ( LEArning a user-driven research approach for the Soprano Project. Games for Elder Europeans) v okviru EU programa Lifelong Broadband society and generational changes. F. Colombo, Learning Programme, GRUNDTVIG [16]. Predstavljen model je ed. P. Lang. 221–246. bil v prilagojeni obliki uporabljen tudi v projektu SOPRANO [8] Dolničar, V. et al. 2015. M-zdravje in podporne ( Service-oriented Programmable Smart Environments for Older tehnologije na pametnih telefonih v družbi staranja Europeans), EU FP6 program, pri razvoju kompleksnih sistemov, razvojne priložnosti in izzivi za prihodnost. Zbornik 18. ki združujejo različne podporne tehnologije [10, 12]. mednarodne multikonference IS 2015. (2015). [9] Dolničar, V. et al. 2016. Toward an age-friendly design of Tristopenjski model je (bil) apliciran tudi v okviru tekočega smartphone interfaces: the usability test of a launcher for aplikativnega projekta z nazivom Digitalna vključenost in aktivno older adults. Uporabna informatika. 24 (2016), 4–15. staranje: Razvoj k uporabnikom usmerjenega metodološkega [10] Dolničar, V. and Nagode, M. 2010. Overcoming key pristopa za preučevanje uporabe mobilne telefonije med constraints on assistive technology uptake in Slovenia. starejšimi posamezniki (L5-6818; http://m-aging.si/). Projekt – ki Teorija in praksa. 47, (2010), 1295–1315. ga sofinancirata ARRS in podjetje Simobil – vključuje analizo [11] Dolničar, V. and Petrovčič, A. 2013. ETrees : needs potreb starejših (ne)uporabnikov pametnih telefonov, evalvacijo analysis report. University of Ljubljana, Faculty of Social izbranih mobilnih aplikacij ter oblikovanje papirnatega prototipa Sciences. starejšim prilagojene mobilne aplikacije za pametne telefone [8, 9, [12] Dolničar, V. and Rudel, D. 2011. Telemedicina, teleoskrba 18]. Podatke, pridobljene z intenzivnim in iterativnim in druge storitve na daljavo v Sloveniji : kako jih vpeljati? vključevanjem uporabnikov ter s kombinacijo kvantitativnih in Prostovoljstvo povezuje generacije (Ljubljana, 2011). kvalitativnih metod, lahko torej uporabimo za oblikovanje novih [13] Eccles, A. et al. 2013. Assistive Technologies: Ethical rešitev ter novih smernic za uvajanje pametnih storitev na Practice, Ethical Research, and Quality of Life. različnih tehnoloških platformah. Rezultat predstavljenega Technologies for Active Aging. (Jan. 2013), 47. tristopenjskega modela je namreč celovito razumevanje potreb, [14] Fisk, A.D. et al. 2009. Designing for Older Adults: zmožnosti, socialne opore, motivacije in vrednot starejših ter Principles and Creative Human Factors Approaches. CRC njihovih neformalnih in/ali formalnih oskrbovalcev. Hkrati nam Press. robustnost modela omogoča, da ga lahko uporabimo na različnih [15] Martin, B. and Hanington, B.M. 2012. Universal Methods področjih in v različnih projektih, saj ga je mogoče prilagoditi of Design : 100 Ways to Research Complex Problems, željam in potrebam naročnikov; naj si bodo to snovalci, razvijalci, Develop Innovative Ideas, and Design Effective Solutions. oblikovalci in/ali ponudniki informacijsko-komunikacijskih Rockport Publishers. storitev iz javnega in/ali zasebnega sektorja. [16] Nap, H.H. et al. 2014. Older people’s perceptions and experiences of a digital learning game. Gerontechnology. 4. ZAHVALA 13, 3 (Dec. 2014). Prispevek je nastal v okviru dveh aplikativnih raziskovalnih [17] Olphert, W. et al. 2009. Process requirements for building projektov (št. L5-6818 in L5-7626), ki ju sofinancirata Javna sustainable digital assistive technology for older people. agencija za raziskovalno dejavnost Republike Slovenije (ARRS) Journal of Assistive Technologies. 3, 3 (Sep. 2009), 4. in podjetje Si.mobil d.o.o. ter ARRS in podjetje SMART COM [18] Petrovčič, A. et al. 2015. Mobile phone communication in d.o.o. social support networks of older adults in Slovenia. Telematics and Informatics. 32, (Nov. 2015), 642–655. 5. REFERENCE [19] Sixsmith, A. et al. 2013. International Initiatives in Technology and Aging. Technologies for Active Aging. [1] Bierhoff, I. et al. 2013. Ambient Assisted Living Systems (Jan. 2013), 201. in Real-Life Situations: Experiences from the SOPRANO [20] Woolrych, R. and Sixsmith, A. 2012. Challenges of User- Project. Technologies for Active Aging. A. Sixsmith and G. Centred Research in the Development of Ambient Assisted Gutman, eds. Springer US. 123–153. Living Systems. Impact Analysis of Solutions for Chronic [2] Charness, N. and Boot, W.R. 2009. Aging and Information Disease Prevention and Management. M. Donnelly et al., Technology Use: Potential and Barriers. Current eds. Springer Berlin Heidelberg. 1–8. Directions in Psychological Science. 35 Uporabnost obstoječega mobilnega senzorja pri obravnavi Parkinsonove bolezni Dušan Flisar Jaka Bon Zvezdan Pirtošek Nevrološka klinika, Nevrološka klinika, Nevrološka klinika, UKC Ljubljana UKC Ljubljana UKC Ljubljana Zaloška cesta 2, 1000 Ljubljana Zaloška cesta 2, 1000 Ljubljana Zaloška cesta 2, 1000 Ljubljana +386 1 522 3191 +386 1 522 3191 +386 1 522 2864 dusan.flisar@kclj.si jaka.bon@kclj.si zvezdan.pirtosek@kclj.si POVZETEK uporabimo tudi dopaminske agoniste. To so zdravila, ki podobno kot L-dopa stimulatorno delujejo na dopaminske receptorje,. L- Na Nevrološki kliniki, UKC Ljubljana, za spremljanje bolnikov s dopa je še vedno najučinkovitejše zdravilo za zdravljenje Parkinsonovo boleznijo v zadnjem času uporabljamo mobilne, Parkinsonove bolezni in ga prej ali slej uporabljajo vsi bolniki. zapestne senzorje gibanja (pospeškomere). Gre za kontinuirano, 7-dnevno meritev, ki nam pomaga pri objektivni oceni motorične Na začetku bolezni je zdravljenje s temi zdravili uspešno in prizadetosti bolnikov, oceni učinka terapije in po potrebi njeni motorični simptomi izzvenijo. Po nekaj letih zdravljena pride do korekciji, oceni napredovanja bolezni in izbiri ustreznih postopnega skrajšanja delovanja L-dope. Vzrok so spremembe v kandidatov za poznejše, napredne oblike zdravljenja. Na podlagi možganih, predvsem nadaljnji propad dopaminskih nevronov. pridobljenih pozitivnih izkušenj vidimo tudi možnosti nadaljnega Posledica je ponovni pojav simptomov med posameznimi odmerki razvoja mobilnih senzorjev za spremljanje bolnikov. zdravila, ki vsebuje L-dopo. Govorimo, da je bolnik v fazi izklopa. Ko dodamo nov odmerek zdravila z L-dopo, se gibljivost Ključne besede spet izboljša, kar poimenujemo kot fazo vklopa. Žal se obdobja dobre gibljivosti skrajšujejo, slabe gibljivosti pa podaljšujejo. Parkinsonova bolezen, mobilni senzor gibanja, pospeškomer, objektivna ocena gibljivosti bolnika, kontinuirana meritev, Po drugi strani postanejo možgani paradoksalno preobčutljivi za spremljanje učinka terapije, korekcija terapije, napredovanje delovanje L-dope. To se odraža v prekomerni, nehoteni gibljivosti bolezni bolnikov, ki dajejo, v zelo izraženi obliki, vtis nekontroliranega poplesavanja. 1. UVOD V napredovali fazi bolezni so bolniki čez dan prekomerno gibljivi, ko L-dopa deluje in upočasnjeni in tresoči, ko njen učinek 1.1 Kaj je Parkinsonova bolezen? popusti. Vmes pa so lahko tudi krajša obdobja normalne Parkinsonova bolezen (PB) je pogosta kronična gibljivosti. nevrodegenerativna bolezen, za katero so značilni: Glede na individualno pojavljanje teh faz poskušamo terapijo a) bradikinezija (upočasnjenost gibov) in hipokinezija ustrezno prilagoditi s prerazporeditvijo jemanjev odmerkov L- (zmanjšan obseg gibov), dope in dodajanjem drugih zdravil. Ko tudi to več ne pomaga, lahko poskusimo zdravljenje še s črpalko, ki enakomerno dovaja b) tremor (tresenje) v mirovanju, L-dopo ali njej podobno delujoče zdravilo - apomorfin, ali tudi z c) rigidnost (upor pri pasivnem premikanju okončin) in globoko možgansko stimulacijo. To je poseg, pri katerem d) v poznejši fazi bolezni tudi padci (Lees, Hardy, & Revesz, uvedemo v možgane elektrode, preko katerih z električnimi tokovi 2009). stimuliramo možganska jedra oziroma v njih ležeče živčne celice ali nevrone. Ta stimulacija ugodno vpliva na gibanje bolnikov s Glavna patološka značilnost PB je degeneracija globokega Parkinsonovo boleznijo in na ta način omili motorične simptome možganskega jedra - substantiae nigrae pars compactae (SNc) in te bolezni. posledični propad dopaminskih nevronov tega jedra, kar vodi k znižanju ravni dopamina v možganih (Lees et al., 2009). Diagnoza 1.3 Ocenjevanje gibljivosti bolnikov zaenkrat še vedno temelji na zgoraj omenjenih kliničnih kriterijih, Za ocenjevanje motorične prizadetosti uporabljamo nekatere torej predvsem na motoričnih simptomih bolezni. lestvice, s katerimi ocenjujemo stopnjo izraženosti naštetih simptomov. Najbolj znana in uporabljenja je lestvica UPDRS 1.2 Potek Parkinsonove bolezni (United Parkinson’s disease Rating Scale). Z njo ocenjujemo Začetek bolezni je sprva običajno enostranski , ta asimetrija pa tremor, rigor, upočasnjeno in slabšo gibljivost v vseh okončinah, ostane prisotna tudi, ko bolezen zajame še nasprotno stran telesa. ob tem še govor, hojo in ravnotežje. Problem predstavlja Med ostalimi simptomi opazimo lahko še tišji glas, drobnejšo spremelnjivost simptomov čez dan. Z lestvico ocenjujemo bolnika pisavo, skrajšanje dolžine korakov, težave pri obračanju v stoje in samo v danem trenutku, ko je v stanju vklopa ali izklopa. Kot v postelji in včasih težave z začenjanjem hoje. vemo, pa se stanje bolnika čez dan spreminja. Da bi ocenili stanje Bolezen zdravimo z zdravili, ki vsebujejo učinkovino L-dopo. Ta bolnika čez dan in temu prilagodili terapijo, potrebujemo se v možganih pretvori v manjkajoči dopamin. Lahko pa kontinuirano spremljanje gibljivosti bolnika. 36 Doslej smo si pomagali v glavnem s papirnimi dnevniki 6. Primerjamo lahko ujemanje meritev s subjektivnimi ocenami gibljivosti, ki so jih skozi obdobje nekaj dni izpolnjevali bolniki simptomatike preko klasičnih dnevnikov bolezni sami, njihovi svojci ali zdravstevno osebje v bolnišnici. V razmaku 30 minut je potrebno označiti, ali je bolnik dobro gibljiv, 3. MOŽNOSTI DODATNEGA RAZVOJA ali je upočasnjen in tresoč, ali je prekomerno gibljiv, ali pa spi. MOBILNIH SENZORJEV Tako smo dobili denvni profil gibljivosti bolnika. Ti dnevniki so se doslej uporabljali tako pri kliničnem delu, kakor tudi v 3.1 Senzorji za spremljanje gibljivosti kliničnih farmakoloških raziskavah. Izkazalo se je, da so dnevniki bolnikov pogosto nezanesljivi in precej odvisni od ustreznega sodelovanja 1. Glede na dejstvo, da se Parkinsonova bolezen klinično izrazi bolnikov in svojcev. Zato je že dalj časa obstajala potreba po najprej na eni strani in je ta asimetrija gibljivosti ohranjena objektivnem merjenju gibljivosti, kar je postalo možno predvsem skozi celotno obdobje bolezni, bi bilo možno zaznavati v zadnjih 2 letih z razvojem algoritmov, ki so ocenjevali gibanje začetek obolenja z beleženjem subtilnih razlik v gibljivosti bolnikov s prenosnimi, ročnimi pospeškomeri. Enega od obeh okončin. komercialnih in s strani ameriške regulatorne agencije FDA odobrenih sistemov uporabljamo tudi na Nevrološki kliniki 2. Ocenjujemo, da bilo možno ugotoviti začetek bolezni tudi že z (senzor PKG, Personal KinetiGraph), ki ga je razvila firma Global merjenjem kadence pri hoji. To bi lahko izvedli že z aplikacijo Kinetics Corporation). na mobilnem telefonu, ki ga nosi bolnik v v žepu. 3. Pri bolnikih, ki bi nosili pospeškomer skozi daljše obodbje, bi lahko korigirali terapijo ali spremljali napredovanje bolezni 2. MOBILNI SENZOR PKG tudi na osnovi podatkov, posredovanih mobilno. Na ta način bi lahko ocenili, načrtovali in objektivno triažirali nujnost 2.1 Kako deluje PKG? pregledov v ambulantah, kjer so čakalne dobe dolge več Bolniku namestimo zapestni merilec gibljivosti, ki ga nosi mesecev. nepretrgoma 7 dni. Ko merilec vrne, ga priključimo na računalnik, 4. Pri bolnikih, ki jih zdravimo s črpalkami, bi lahko v prvi fazi ki pošlje podatke po internetu, nato pa analitski algoritmi, ki so izdelali inteligentni ekspertni sistem, ki bi predlagal intelektualna last podjetja, izdelajo avtomatično poročilo v obliki spremembe nastavitve pretokov. V kasnejši fazi bi lahko tak grafov in številčnih parametrov, s katerimi lahko objektivno algoritem povezali v povratno zanko s črpalko (princip ocenimo stanje bolnika skozi obdobje teh sedmih dni. Program closed-loop stimuliranja), ki bi se znotraj varnih mej prikaže obdobja slabe in upočasnjene gibljivosti in obdobja odmerjanja terapije, ki so že sedaj vgrajena v njeno delovanje, prekomerne gibljivosti, ki so lahko posledica preobčutljivosti sama prilagajala in optimirala dotok zdravila na osnovi možganov na dopaminergična zdravila. Algoritmi so zasnovani podatkov zbranih preko različno dolgih časovnih obdobij. tako, da ocenjujejo gibljivost bolnika v primerjavi z normami zdrave populacije. Senzor omogoča tudi zaznavanje tresenja in 5. V že obstoječe senzorske sisteme bi lahko dodali algoritme za beleži obdobja spanja (mirovanja) ter obdobja, ko bolnik merilec zaznavanje padcev, ki so pogosti v napredovali fazi začasno odstrani. Aparatura ima vgrajen alarm, ki bolnika Parkinsonove bolezni (kar so po našem vedenju na Inštitutu opozarja na čas jemanja zdravil. Rezultate mora interpretirati Jožefa Stefana že vključili v senzor srčne funkcije). izkušen nevrolog, ki pozna delovanje zdravil in simptome 6. S pomočjo sistema GPS in detektiranja hoje, bi lahko Parkinsonove bolezni, vendar interpretacija v osnovi ni zelo spremljali gibanje bolnikov skozi daljše časovno obdobje in zahtevna. opazovali, kako bolezen napreduje na osnovi spreminjanja hitrosti hoje. 2.2 Kakšne so možnosti, izkušnje in prednosti uporabe PKG? 3.2 Senzorji za spremljanje govora bolnikov 1. PKG omogoča objektivno oceno bolnikove gibljivosti tudi v 1. Bolniki s Parkinsonovo boleznijo imajo težave z govorom, ki primeru, ko ne moremo dobiti zanesljivih podatkov o je tih in slabo artikuliran. Te težave se pojavljajo tudi pri bolnikovem odzivu na terapijo. Na ta način lahko preverimo uporabi mobilnih telefonov. Bolniki se tega praviloma niti ne bolnikove navedbe. Opažamo, da bolniki ne znajo dobro zavedajo. Menimo, da bi bilo možno narediti aplikacijo, ki bi opisati svojih motoričnih stanj. avtomatično uravnavala glasnost govora preko mobilnega telefona, saj postaja govorica sčasoma vse tišja, kadar bolnik 2. Obenem lahko objektivno spremljamo učinek terapije in jo po govori dalj časa. Druga možnost bi bila, da bi aplikacija potrebi korigiramo, ter znova ocenimo izboljšanje ali zmanjšala glasnost govora govorca na drugi strani, kar bi poslabšanje gibljivosti. opozorilo bolnika, da bi avtomatično ojačal svoj glas. 3. Ocenimo lahko napredovanje Parkinsonove bolezni in Predvsem zadnji predlog je zaenkrat še predvidevanje, izberemo ustrezne kandidate za napredne oblike zdravljenja z osnovano na kliničnih opažanjih, ki pa bi ga bilo smiselno in operacijo (globoko možgansko stimulacijo) ali s črpalkami. potrebno objektivno preveriti. Možno bi bilo tudi kombinirati 4. Omogoča oceno gibljivosti v domačem okolju in ne v obe metodi. Dober algoritem bi moral seveda ohranjati bolnišnici, kjer bolniki pretežno ležijo in imajo natančno modulacijo govora. določen način jemanja zdravil, kar praviloma ne ustreza 2. Taka aplikacija bi rešila problem glede glasnosti, ne pa glede običajni aktivnosti v domačem okolju. artikulacije govora. Rešitev zanjo vidimo v izdelavi algoritma, 5. Objektivno lahko merimo spremembe gibljivosti v kliničnih ki bi prepoznaval bolnikov govor tudi v stanju slabše farmakoloških raziskavah, vpliv hrane in telesne aktivnosti na artikulacije in ga umetno popravil. Obstajajo že sistemi za gibljivost bolnikov. prepoznavanje govora, ki se uspešno uporabljajo pri prepisu diktiranih besedil. Menimo, da bi se lahko taki programi 37 naučili prepoznavati tudi govor bolnikov z učenjem, naprimer [4] Yanagisawa N, Fujimoto S, & Tamaru F (1989) Bradykinesia tako, da bi jih bolnik treniral z branjem daljših testov. V in Parkinson’s disease: Disorders of onset and execution of fast primeru slabe artikulacije bi algoritem poiskal ustrezni movement. European Neurology, 29(Suppl 1), 19-28. fonemski zapis, morda celo bolnikov lasten in z njim [5] Pahwa R, & Koller WC (1995) Defining Parkinson’s disease nadomestil slabo artikulirane besede. To bi bilo lahko v and parkinsonism. In: Ellenberg JH, Koller WC, Langston JW, pomoč tudi drugim bolnikom z moteno artikulacijo, npr. Editors. Etiology of Parkinson’s disease, Dekker, New York, p. 1- bolnikom z amiotrofično lateralno sklerozo (ALS) ali pri 54. nekaterim bolnikom po možganski kapi. [6] O’Boyle DJ, Freeman JS,&Johnels FW (1996) The accuracy 3. Kot tretja se kaže tudi možnost, da bi morda lahko na osnovi and precision of timing of self-paced, repetitive movements in govora diagnosticirali Parkinsonovo bolezen v zgodnji fazi, subjects with Parkinson’s disease. Brain: A Journal of Neurology, saj postaja govorica že zgodaj tišja, glede na obdobje, ko je bil 119(Pt 1), 51-70. bolnik še zdrav. Prav tako bi lahko na ta način zaznavali napredovanje bolezni ali odziv na terapijo čez dan, podobno [7] Ghika J, Wiegner AW, Fang JJ, Davies L, Young RR, & kot je to sedaj možno z akcelerometrijo. Growdon JH (1993) Portable system for quantifying motor abnormalities in Parkinson’s disease. IEEE Trans Biomed Eng, 4. ZAHVALA 40(3), 276-283. Zahvaljujemo se podjetju Global Kinetics Corporation za podporo [8] Eichhorn TE, Gasser T, Mai N, Marquardt C, Arnold G, pri izvedbi meritev z nudenjem dostopa do njihove strojne opreme Schwarz J, & Oertel WH (1996) Computational analysis of open in analize zbranih podatkov. loop handwriting movements in Parkinson’s disease: A rapid method to detect dopamimetic effects. Movement Disorders, 5. REFERENCE 11(3), 289-297. [1] Nutt JG (1990) Levodopa-induced dyskinesia: Review, [9] Kraus PH, Klotz P, Fischer A, & Przuntek H (1987) observations, and speculations. Neurology, 40(2), 340-345. Assessment of symptoms of Parkinson’s disease by apparative methods. Journal of Neural Transmission Supplementum, 25, 89- [2] McColl CD, Reardon KA, Shiff M, & Kempster PA (2002) 96. Motor response to levodopa and the evolution of motor fluctuations [10] van Hilten JJ, van Eerd AA,Wagemans EA, Middelkoop HA, & Roos RA (1998) Bradykinesia and hypokinesia in Parkinson’s in the first decade of treatment of Parkinson’s disease. Mov disease: What’s in a name? J Neural Transm, 105(2-3), 229-237. Disord, 17(6), 1227-1234. [11] Griffiths, Robert I., et al. "Automated assessment of [3] Stone AA, Shiffman S, Schwartz JE, Broderick JE,&Hufford bradykinesia and dyskinesia in Parkinson’s disease." Journal of MR (2002) Patient non-compliance with paper diaries. BMJ, Parkinson’s disease 2.1 (2012): 47-55. Research Support, U.S. Gov’t, P.H.S.], 324(7347), 1193- 1194. 38 Elektronsko in Mobilno Zdravje – Opis in Struktura Projekta – Matjaž Gams, Hristijan Gjoreski Institut »Jožef Stefan« Odsek za Inteligentne Sisteme {matjaz.gams, hristijan.gjoreski}@ijs.si POVZETEK ekosistema (RRP1), eden pa je namenjen razvoju prototipnih V prispevku predstavljamo strukturo projekta EMZ (Elektronsko rešitev in njihovemu preskušanju v relevantnih okoljih (RRP6). S in Mobilno Zdravje), ki je del programa pametne specializacije v takšno projektno sestavo sledimo dobrim praksam, ki pravijo, da okviru pametnih mest z imenom EkoSMART. Osnovni cilj je sisteme sistemov, kar pametna mesta so, potrebno graditi projekta EMZ je priprava kvalitetne in celovite zdravstvene upoštevajoč oba razvojna modela: od spodaj navzgor (RP2 do 5, oskrbe s pomočjo informacijsko komunikacijskih tehnologij začenši s posameznimi področji in potem z njihovo integracijo v (IKT). V prispevku predstavljamo predvsem horizontalno in celoto) in od zgoraj navzdol (RP1, izhajajoč iz strateških vertikalno povezovanje, trende in dileme področja. Projekt EMZ usmeritev mesta in potem z osredotočanjem na posamezna vpeljuje v zdravstveno oskrbo nove koncepte, ki bodo s svojimi področja). Ključno je enostavno dodajanje novih storitev multiplikacijskimi in sinergijskimi učinki sprožili hitrejšo in pametnih mest, kar omogoča univerzalna skupna arhitektura. učinkovitejšo prilagoditev obstoječega sistema celostne 2. PROJEKT EMZ zdravstvene oskrbe na današnje izzive. EM-storitve nudijo boljše Projekt RRP4: EMZ (Elektronski in Mobilno Zdravje) [1] je življenje državljanom ob zmanjšanih stroških, hkrati pa bistven del programa EkoSMART. Namen projekta EMZ je omogočajo preboj Slovenije v svet na področju EMZ. izboljšati varstvo in varnost zdravih, starejših, kroničnih bolnikov in ljudi s posebnimi potrebami z uporabo modernih tehnologij in Ključne besede pristopov. Verige vrednosti, ki bodo nastale v okviru projekta, e-zdravje, m-zdravje, mobilno spremljanje zdravja, celostna bodo nadgradile kakovost današnje obravnave in oskrbe oskrba, dobro počutje, skrb za starejše, kronične bolezni, skrbniki, omenjenih skupin s pomočjo elektronskih in mobilnih naprav in senzorji, mobilne naprave, storitve in podatki v oblaku. pripadajočih programskih rešitev zlasti umetne inteligence v oblaku ali lokalno, npr. na mobilni napravi ali s prilagojenimi senzorji in nosljivimi pripomočki. Spričo velikosti populacije in 1. UVOD specifičnosti potreb je treba izdelati sisteme za pomoč slepim in Eko Sistem Pametnega Mesta (EkoSMART) je program, ki je bil slabovidnim, kognitivno in gibalno motenim ter starejšim, ki so sprejet na Javni razpis »Spodbujanje izvajanja raziskovalno- sami doma, in omogočiti bolj kvalitetno življenje ljudem s razvojnih programov (TRL3-6)«, in sicer prednostno področje S4: kroničnimi boleznimi, ki občasno ali stalno potrebujejo Pametna mesta in skupnosti. Glavni cilj tega programa je razviti zdravniško oskrbo. ekosistem pametnega mesta z vsemi podpornimi mehanizmi, ki so potrebni za učinkovito, optimizirano in postopno integracijo posameznih področij v enovit in povezan sistem vrednostnih verig. Z zagotavljanjem kakovostnih storitev za državljane in gospodarstvo želimo omogočiti dvig kakovosti življenja in rast splošne blaginje. Program EkoSMART sestavlja šest projektov, ki vsak po svoje prispevajo k uresničevanju vizije programa (Opomba: del materialov je skladnih ali ponekod celo identičnih z vlogo EMZ na SVRK). • RRP1: zasnova ekosistema pametnega mesta • RRP2: Pametna mobilnost - sistemi za nadzor in upravljanje prometnih tokov • RRP3: Aktivno življenje, dobro počutje • RRP4: Elektronske in mobilne storitve (EMZ) • RRP5: Pametni sistem integriranega zdravstva in oskrbe Slika 1. Diagram EMZ. • RRP6: Razvoj prototipov Poleg štirih projektov, ki se ukvarjajo z digitalizacijo izbranih Projekt EMZ je nastal iz širše iniciative elektronskega in področij (RRP2-RRP5), sta v programu predvidena še dva skupna mobilnega zdravstva, ki zajema okrog 300 partnerjev, ki želijo projekta. Eden se ukvarja s skupnim jedrom oziroma arhitekturo sodelovati in si želijo biti informirani glede dogajanja na tem 39 področju. Za potrebe izvedbe projekta RRP4 so bile iz nabora Predvidevamo neprestano sodelovanje med uporabniki in partnerjev EMZ skrbno izbrane naslednje organizacije: razvijalci ter sorodnimi projekti, da bi na koncu prišli do čim boljših in uporabnih rešitev, sprejetih s strani pacientov in 1. Institut »Jožef Stefan« (IJS) 2. UL - Medicinska fakulteta (MF) skrbnikov. V okviru delovnega paketa bodo izvedene naslednje 3. Univerzitetni klinični center Ljubljana (UKCL) naloge: 4. Marand d.o.o. (MAR) • DP1.T1: Kronične in nevrodegenerativne bolezni. Razvoj 5. UL - Fakulteta za računalništvo in informatiko (FRI) celovite telemedicinske aplikacije za zgodnjo diagnostiko, 6. UM - Fakulteta za elektrotehniko, računalništvo in vodenje in obravnavo pacientov s kroničnimi boleznimi, kot informatiko (FERI) so: demenca, Alzheimer, Parkinson. Ekspertni sistem bo razvit 7. URI-Soča (SOČA) na primerih kliničnih poti terciarnih centrov UKC za 8. ZD Adolfa Drolca (ZDM) revmatične bolezni in nevrodegenerativne bolezni, v 9. Cosylab (CSL) sodelovanju MF, NIJZ in FRI 10. Elgoline d.o.o. (ELGO) 11. SRC sistemske integracije d.o.o. (SRC) • DP1.T2: Zaznava in vizualizacija ožilja. Naloga obravnava 12. Špica International d.o.o. (ŠPI) problematiko učinkovitosti zaznave primernih mest za 13. Inova IT d.o.o. (INO) odvzem venske krvi na perifernih delih telesa in obsega razvoj 14. Medis d.o.o. (MED) nizkocenovnega prototipa za zaznavo in vizualizacijo 15. Nela razvojni center d.o.o. (NELA) podkožnih ven. • DP1.T3: Diagnostika in psihofizično stanja pri onkoloških 3. STRUKTURA, POVEZOVANJE boleznih. Naloga obravnava izboljšanje diagnosticiranje v Izvedba celotnega projekta je razdeljena na pet delovnih sklopov, procesih onkoloških obolenj, kjer se bolnik srečuje s procesi ki se izvajajo vzporedno in so med sabo tesno povezani. Vsak diagnosticiranja bolezni in različnimi fazami zdravljenja, kar sklop aktivnosti bo razvijal produkte in storitve, ki se bodo ima zelo velik vpliv na bolnikova psihofizična stanja. navezale na različne dele zasnovanih verig vrednosti. EMZ je zasnovan izredno široko in pokriva velik del konceptov in vsebin, 3.2. DP2: Podpora na domu za zdrave, starejše povezanih z zdravstvom. Namen celotne zasnove dela je in za kronične bolnike vzpostavitev številnih horizontalnih in vertikalnih verig vrednosti, ki bodo generirale večje število prototipnih rešitev in kasneje Znotraj delovnega paketa bodo raziskave potekale v smeri razvoja produktov ter storitev vključenih v različne zdravstvene platforme storitev in produktov namenjenih podpori zdravih, starejših oseb in posledično v ekosistem pametnega mesta. Najprej predstavimo in kroničnih bolnikov v domači oskrbi. Glavni cilji razvoja znotraj horizontalne verige in povezave. delovnega paketa so povečanje kvalitete življenja občanov doma, povečanje varstva in varnosti, zmanjšanje hospitalizacij in povečanje avtonomnosti starejših oseb ter s tem zmanjšanje vpisa v domove za starejše. Ključna je masovna uporaba najnovejših tehnologij in sistemov IKT v vse sfere bivanja in zdravljenja občanov vseh starosti doma, še posebej pa hitro rastoče populacije DP1 Vodja: Partnerji: starejših, ki posledično obremenjuje celoten sistem. Informacijske tehnologije za UKC – Dr. Zvezdan MAR, CSL, INO, IJS podporo celostni oskrbi Pirtošek • DP2.T1: Spremljanje in oskrba kroničnih bolnikov. V okviru naloge bo potekal razvoj sistemov in naprav za kronične DP2 Partnerji: Vodja: bolnike, npr. za bolnike s srčnimi težavami, diabetesom in Podpora na domu za zdrave, ŠPI, MED, ELGO, IJS – Dr. Matjaž Gams drugimi. Sistem bo uporabljal naprave: mobilni telefon, starejše in za kronične bolnike FRI, SOČA, SRC pametno uro, nosljive senzorje, ambientalne in multimedijske DP3 Vodja: Partnerji: naprave pametnega doma. Mobilno spremljanje vitalnih IJS – Dr. Roman UKCL, MF, NELA, in okolijskih podatkov Trobec SRC, FRI • DP2.T2: Spremljanje in asistenca na domu. Naloga bo vključevala analizo uporabe različnih obstoječih zapestnic, DP4 Partnerji: Vodja: Računalniška podpora, drugih mobilnih naprav in senzorjev za spremljanje gibanja FERI – Dr. Peter Kokol ZDM, INO, IJS, podatki, kreiranje novih znanj MED ljudi s povečano verjetnostjo razvoja demence, z obstoječo demenco in drugimi kognitivnimi in fizičnimi težavami DP5 Vodja: Partnerji: starejših. Sistemi bodo opozarjali na nenavadna kratkoročna, IKT Platforma FRI – Dr. Marko Bajec MAR, CSL, INO, IJS srednjeročna in dolgoročna gibanja, kot so padci, odsotnost normalnega gibanja in druge spremembe obnašanja. Slika 2. Horizontalna struktura EMZ. • DP2.T3: Telerehabilitacija. V Sloveniji zaradi pomanjkanja strokovnjakov in rehabilitacijskih timov na vseh ravneh 3.1. DP1: Informacijske tehnologije za številne osebe niso vključene v ustrezno rehabilitacijo, mnogi podporo celostni oskrbi so vključeni prepozno. Ena od možnosti za povečanje dostopnosti in kakovosti rehabilitacije na primarni in Delovni paket bo obsegal opredelitev potreb in zasnov za storitve sekundarni ter zato tudi terciarni ravni je telerehabilitacija. za podporo celostni oskrbi, ki jih bomo zajemali s strani pacientov, medicinskega osebja in skrbnikov. Na podlagi zbranih • DP2.T4: IKT Diagnostika. Razvoj diagnostičnih naprav in zahtev bomo razvrstili želene storitve in izdelke po prioriteti, jih samoučečih algoritmov za obdelavo signalov ter podporo razvili, in začeli z uvajanjem v vsakodnevno prakso. odločanju z namenom izboljšanja sistemov za EMZ. 40 Diagnostične naprave bodo podale navodila in priporočila za medicinskih bazah znanja za odkrivanje novih medicinskih ravnanje v določeni situaciji znanj/kompetenc za različne vrste bolezenskih stanj • DP2.T5:Personalizirana prehranska obravnava • DP4.T3: Obogatitev medicinskega znanja z geografskimi podatki. Nadgradnja in integracija sistema (T2) z iskanjem • DP2.T6: Naprave za dolgotrajno oskrbo na domu. Zaznavanja korelacije med pridobljenim medicinskim znanjem in težav ciljne skupine uporabnikov in sporočanja in reševanja le geografskimi podatki teh. Naloga se bo ukvarjala z razvojem nosljivih naprav, ki so namenjene zaznavanju in sporočanju uporabnikovega stanja, • DP4.T4: Izboljšanje učinkovitosti medicinskega izobraževanja kar je prvi korak v celotnem procesu dolgotrajne oskrbe na z uvedbo interaktivnih simulatorjev. Izboljšanje učinkovitosti domu. Predviden je razvoj sledečih prototipov: Merjenje medicinskega izobraževanja z uvedbo interaktivnih aktivnosti in porabe energije, detekcija padcev, varuh starejših simulatorjev: Uvedba izobraževanja s pomočjo medicinske in dementnih. simulacije kot del študija specializacije doktorjev medicine. 3.3. DP3: Mobilno spremljanje vitalnih in • DP4.T5: Algoritmi in mehanizmi varovanja zasebnosti podatkov. Razvoj gradnika za zagotavljanja zasebnosti okolijskih podatkov podatkov končnih uporabnikov s pomočjo modernih Znotraj delovnega paketa bodo potekale raziskave, ki bodo kriptografskih algoritmov, kot je homomorno šifriranje, in vključevale IKT za pomoč uporabnikom in zdravstvenemu osebju. mehanizmov za anonimizacijo raziskav na velikih bazah V delovnem paketu bomo raziskovali telesne in okolijske podatkov senzorje. S telesnimi senzorji bomo zajemali vitalne življenjske signale, z okolijskimi senzorji pa bomo spremljali parametre, ki 3.5. DP5: IKT Platforma lahko vplivajo na zdravje. Mobilne aplikacije bodo omogočale Namen delovnega paketa IKT platforme je izvajati industrijske napredno obdelavo obeh tipov podatkov z namenom olajšati raziskave na področju IoT, podatkovnih, storitvenih in drugih uporabnikom dostop do zdravstvenih storitev in pridobiti nova platform, ki so povezane z uvajanjem elektronskega in mobilnega znanja o povezavi med okoljem in zdravjem. Posebna pozornost zdravstva. Osnovni cilj delovnega paketa je razširitev in bo posvečena varnosti in zasebnosti podatkov. V okviru integracija posameznih rešitev, ki jih ponujajo sodelujoče delovnega paketa bodo izvedene naslednje naloge: institucije in so mednarodno že uveljavljene ter povezava z • DP3.T1: Spremljanje vitalnih parametrov s telesnimi senzorji. ekosistemom celotnega programa in drugimi platformami, Mobilni sistem za spremljanje zdravja, ki temelji na telesnih predvsem za zdravje. V okviru delovnega paketa bodo izvedene senzorjih, zlasti EKG. naslednje naloge: • DP3.T2: Spletne aplikacije za pomoč uporabnikom prek • DP5.T1: Zdravstvena platforma na osnovi odprtih računalnikov ali mobilnih naprav. Zasnovanje spletnih zdravstvenih podatkov. Namestitev zdravstvene platforme aplikacij za končne uporabnike (paciente) Think!EHR z anonimiziranim setom podatkov in razširitev platforme z moduli za podporo prenovljenih kliničnih poti. • DP3.T3: Spremljanje okoljskih dejavnikov in njihovega vpliva na zdravje. Povezovanje senzorje za spremljanje • DP5.T2: Odprti vmesniki za komunikacijo z zainteresiranimi okoljskih pogojev (temperatura, relativna vlaga, osvetljenost, organizacijami. koncentracija CO2 in O2, sevanja, hrup itd.) v mobilno • DP5.T3: Lahka standardizirana IoT platforma za upravljanje aplikacijo za analizo njihovega vpliva na zdravje. lokalnih IoT naprav z dodano lokalno inteligenco. Razvoj laboratorijskega prototipa lahke IoT platforme, ki bo temeljila • DP3.T4: Spremljanje zdravstvenega in psihičnega stanja v domačem okolju. Zagotavljanje podpore za nadzor na odprtih M2M in IoT standardih in bo omogočala zdravstvenega in psihičnega stanja uporabnika, ki je dovolj komunikacijo z napravami in senzorji prek vseh ključnih zdrav, da ne potrebuje stalnega medicinskega nadzora. komunikacijskih protokolov. • DP5.T4: Uporabniški portal za dostop do zdravstvenih 3.4. DP4: Računalniška podpora, podatki, podatkov za paciente in zdravniško osebje. kreiranje novih znanj • DP5.T5: Integracija zdravstvene platforme Think!EHR z V okviru delovnega paketa bo potekal razvoj algoritmov zbiranje onkološkim informacijskim sistemom za protonsko terapijo in analizo podatkov ter upravljanja z njimi. S pomočjo pri zdravljenju raka. povezovanja raziskovalnih rezultatov in prenosom znanja bo omogočeno bolj fokusirano kreiranje novih znanj in učinkovita • DP5.T6: Integracija s platformo pametnega mesta. uporaba metod podatkovne analitike in rudarjenja znanj. V okviru delovnega paketa bodo izvedene naslednje naloge: • DP5.T7: Baza znanja z modulom za procesiranje naravnega jezika ter virtualni domači asistent za podporo klicnemu • DP4.T1: Longitudinalni management statusa zobovja. Razvoj centru. nizkocenovne naprave za personalizirano spremljanje, obravnavo in ovrednotenje statusa zobovja 4. VERTIKALNO POVEZOVANJE, • DP4.T2: Aplikacija strojnega učenja za odkrivanje VERIGE bolezenskih stanj in inteligentno podporo pri procesu V tej sekciji opisujemo 5 najbolj pomembnih vertikalnih verig, ki njihovega zdravljenje. Razvoj sistema strojnega učenja za povezujejo več delovnih sklopov in partnerje v EMZ projektu. prepoznavo, analizo in obravnavo asociacij v heterogenih Vseh vertikalnih verig je 18: kronične in nevrodegenerativne bolezni (demenca, Alzheimer, Parkinson), ožilje, onkološke 41 bolezni, srce, diabetes, asistenca in spremljanje zdravstvenega in fizičnimi težavami starejših. Sistemi bodo opozarjali na psihičnega stanja doma, telerehabilitacija, IKT diagnostika, nenavadna kratkoročna, srednjeročna in dolgoročna gibanja, kot zdravo življenje, spletne aplikacije, spremljanje okoljskih so padci, odsotnost normalnega gibanja in druge spremembe dejavnikov, zobje, algoritmi, simulatorji, varnost, zasebnost, obnašanja. Primer prototipov in aplikacij: platforma EMZ, podatkovni model in baza znanja. • Mobilna aplikacija za ocenjevanje in spremljanje Parkinsona 4.1. Kronične in nevrodegenerativne bolezni: (FRI) demenca, Alzheimer, Parkinson • Pametna ura za spremljanje aktivnosti, detekcija padcev in oskrba na domu, IN LIFE (IJS E9) Kronične in nevrodegenerativne bolezni kot so: demenca, Alzheimer, Parkinson, se bodo obravnavale v bolnišnični oskrbi • Prototip zapestnice, ki bo vsebovala različne senzorje v prvi nalogi v prvem delovnem sklopu DP1.T1. Dodatno se bodo (pospeškomer, GPS, Bluetooth) in bo spremljala stanje obravnavale v drugem delovnem sklopu (DP2), in sicer se bodo uporabnika (Elgoline) razvijale in prilagajale naprave za diagnostiko in spremljanje • Lokalizacija uporabnika s pomočjo Bluetooth naprave v domu bolnikov. Skupina za umetno inteligenco na FRI, prof. Bratko, (Špica) ima že razvit prototip (tablico) za diagnozo bolnikov s Parkinsonom. Odsek za inteligentne sisteme na IJS ima že razvit • Spremljanje srca (IJS E6) prototip (pametno uro) za spremljanje in oskrbo dementnih pacientov. Prototip se razvija v okviru projekta Obzorje 2020 IN 4.5. Tele-medicina in Tele-rehabilitacija LIFE [2]. V projektu EMZ bomo naredili enovit sistem in okvir za tele- oskrbo in tele-medicino v Sloveniji [5]. Sistem bo postal 4.2. Srce standardni okvir za tovrstne aktivnosti, na katerega se bodo Srčne bolezni in srčno popuščanje se bo obravnavalo v delovnem povezovale druge storitve za tele-medicino in tele-rehabilitacijo. sklopu DP2 in DP3. V DP2 se bodo razvili sistemi in naprave za SRC bo razširil in nadgradil njihov obstoječi sistem. SOČA bo bolnike s srčnimi težavami (zapestnice, mikrofon, EKG naprave nadgradila njihov trenutni sistem za tele-rehabilitacijo po ipd.). Razvoj teh sistemov bo povezan s projektom HeartMan [3], poškodbi nog, oz. za bolnike po amputaciji podkolenskega dela. ki ga koordinira IJS, Odsek za inteligentne sisteme. V DP3 se bo nadgradil prototip EKG naprave, ki jo razvil IJS, odsek za 5. ZAKLJUČEK komunikacijske sisteme. Poleg tega bomo na projektu razvijali EMZ je ena najbolj perspektivnih smeri v več pobudah, od mobilne in spletne aplikacije za vizualizacijo in prikaz EKG zdravstva do pametnih mest. EM-storitve nudijo boljše življenje podatkov. državljanom ob zmanjšanih stroških, hkrati pa omogočajo preboj Slovenije v svet na EM-področju. 4.3. Diabetes Diabetes in bolnike z diabetesom se bo obravnavalo v delovnem ZAHVALA sklopu DP2. Razvili bomo sisteme in jih prilagodili za bolnike z Zahvaljujemo se vsem partnerjem, SVRK, UNILJ, MF, UKCLJ diabetesom (naprave: zapestnice, telefoni, ipd.). Ti sistemi bodo in IJS ter drugim nosilnim inštitucijam. omogočili spremljanje dnevnih aktivnosti in porabo energije kot pokazatelj gibanja. Delo bo nadgradnja projekta Commodity12 REFERENCES [4], ki je bil uspešno zaključen projekt na IJS, Odsek za [1] GAMS, Matjaž, TROBEC, Roman, PIRTOŠEK, Zvezdan. EM- inteligentne sisteme. zdravje. IS 2015 4.4. Asistenca in spremljanje zdravstvenega in [2] Skrb za starejše zlasti dementne; Projekt IN LIFE: H2020; IJS E9 + D24 (http://inlife-projekt.si/) psihičnega stanja doma [3] Popuščanje srca; Projekt HeartMan: H2020; IJS E9 Asistenca in spremljanje zdravstvenega in psihičnega stanja doma (http://heartman-project.eu/) bo pokrita v več nalogah v projektu DP2 in DP3. Se bodo razvili sisteme in naprave za asistenco in spremljanje zdravstvenega in [4] Spremljanje pacientov z diabetisom; Projekt Commodity 12; IJS E9; psihičnega stanja doma. Sistem bo uporabljal naprave: mobilni http://www.commodity12.eu/ telefon, pametno uro, nosljive senzorje, ambientalne in [5] Klersy C et al., "Economic impact of remote patient multimedijske naprave pametnega doma. Posebej se bomo monitoring: an integrated economic model derived from a fokusirali na zapestnice in druge mobilne naprave in senzorje za meta-analysis of randomized controlled trials in heart spremljanje gibanja ljudi s povečano verjetnostjo razvoja failure," Eur J Heart Fail, vol. 13, no. 4, pp. 450-459, 2011. demence, z obstoječo demenco in z drugimi kognitivnimi in 42 Monitoring psychological stress Martin Gjoreski, Hristijan Gjoreski, Mitja Luštrek, Matjaž Gams Department of Intel igent Systems, Jožef Stefan Institute Jamova cesta 39, Ljubljana, Slovenia {martin.gjoreski, mitja.lustrek, matjaz.gams}@ijs.si ABSTRACT We propose a method for monitoring stress in real-life. First, experiments were performed in laboratory conditions. 21 subjects were monitored with a wrist device equipped with physiological sensors while performing mental-arithmetic tasks under time and evaluation pressure. On the laboratory data, a laboratory stress detector was built using machine learning techniques. Next, the laboratory stress detector was applied on a real-life data. In addition to the laboratory stress detector, a real-life context information was needed for the method to be successfully applied on the real-life data. The context-based model detects (recalls) 70% of the real-life stress events with a precision of 98% Figure 1. Proposed method for stress detection in real-life. 1. INTRODUCTION 3. CONCLUSION AND DISCUSSION Being able to detect stress as it occurs can importantly contribute We proposed a method for stress detection in unconstrained to dealing with its negative health and economic consequences. In environments (real-life). At the beginning, the challenges were 2002, the European Commission calculated the costs of work- identified (subjectivity, fuzzy ground truth and unavailable direct related stress at €20 billion a year. This is because work-related monitoring). Having these challenges in mind, the problem of stress leads to increased absenteeism and decreased productivity. stress detection was first analyzed in laboratory conditions using Therefore, a stress-detection system would be useful for self- off-the-shelf wrist device equipped with bio-sensors, and the management of mental health of workers students and others in extracted laboratory knowledge was applied on a real-life data. In the stressful environment of today’s world [1]. addition to the laboratory knowledge, a real-life context information was needed for the method to be successfully applied 2. METHOD on the real-life data. The context information was required to The proposed method (see Figure 1) builds upon the advanced distinguish between psychological stress in real life and the many approaches [2] for stress detection by analyzing the problem of situations which induce a similar physiological arousal (e.g., stress detection using machine learning and signal processing exercise, eating, hot weather, etc.). Adding a context information techniques first in laboratory conditions, and then applies the to the stress detection system is a novel idea which significantly extracted laboratory knowledge on real-life data. improved the performance of the system on the real-life data. The laboratory dataset was collected using a standardized stress- Even though the proposed context-based method for stress inducing method. 21 subjects participated in the experiments and detection was tested on 55 days of real-life data, this data belongs were monitored with a wrist-device equipped with bio-sensors. to only to 5 subjects. To confirm the obtained results we need a Numerous features were extracted from the device’s bio-sensors bigger population. In addition, stress is highly dependent on and selected using a feature-selection algorithm. Finally, a physiological signals that depend on age, gender physical fitness. machine-learning method was applied to learn a laboratory stress To check the robustness of the method, it needs to be tested on a detector. The laboratory stress detector detected stress with an bigger population with higher variety in terms of health, gender accuracy of 85% for a two-class problem (“no stress” vs “stress”). and age. Finally, the overall data in the study is collected using The real-life dataset consisting of 55 days of data was collected by the Empatica device, thus the proposed context-based method is monitoring 5 subjects who were wearing the wrist device 24/7 and biased towards that device. In future we plan to test the method were keeping track of their stressful events. For this experiment, cheaper devices (e.g., Microsoft Band). the laboratory stress detector was augmented with another two modules in order to capture the user’s activities and context. REFERENCES Therefore, the method consist of three machine-learning [1] Fit4Work Project, http://www.fit4work-aal.eu/ components: the laboratory stress detector that detects short-term [2] H. Sarker et al. “Finding Significant Stress Episodes in a stress; an activity recognizer that continuously recognizes user’s Discontinuous Time Series of Rapidly Varying Mobile activity; and a context-based stress detector that exploits the Sensor Data,” Human-Computer Interaction, 2016. output of the laboratory stress detector and the user’s context in [3] M. Gjoreski. “Continuous Stress Monitoring Using a Wrist order to provide the final decision for 10-minute intervals. The Device and a Smartphone,” Master thesis, Jozef Stefan best-performing context-based model detects (recalls) 70% of the International Postgraduate School, Slovenia, DOI: stress events with a precision of 98% [3]. 10.13140/RG.2.2.23697.84322, 2016. 43 Mobilno spremljanje okoljskih dejavnikov in njihovega vpliva na zdravje Andrej Golija Nejc Demšar NELA razvojni center d.o.o. NELA razvojni center d.o.o. Slovenija Slovenija +386 4 517 07 00 +386 4 517 07 00 andrej.golija@lotric.si nejc.demsar@lotric.si POVZETEK realnem času, aplikacija pa bo omogočala tudi izvedbo analize Sistem za mobilno spremljanje okoljskih dejavnikov bo s vpliva dejavnikov na zdravje. Ena izmed ključnih lastnosti pomočjo senzorjev, mobilne aplikacije, sistema beleženja in aplikacije bo tudi regulacija celotnega sistema in okoljskih alarmiranja ter avtomatizacije omogočil izboljšanje kakovosti pogojev. spremljanja okoljskih pogojev, ki imajo vpliv na zdravstveno Senzorji stanje uporabnika. Skupaj s partnerji bomo definirali ključne okoljske parametre, ki vplivajo na zdravje posameznika. Pridobljeni rezultati bodo Ključne besede: podlaga za razvoj novih, cenovno dostopnih, senzorjev oz. prilagoditev že obstoječe senzorjev glede na uporabo. Poleg okolijski pogoji, monitoring, nadzor, alarmiranje, avtomatizacija obstoječih senzorjev bodo v sistem integrirani senzorji za vibracije, senzorji gibanja, toplotni senzorji, dimni senzorji ter 1. UVOD drugi senzorji za možen prikaz zdravstvenega ali bivalnega stanja Na zdravje posameznika vpliva več dejavnikov: osebnostni, uporabnika. Ključna lastnost senzorjev, kateri bomo namenili družbeni, gospodarski in okolijski. Zavedanje pomembnosti teh veliko pozornosti, je točnost. Saj so samo rezultati pravilno dejavnikov je vsekakor ključnega pomena. Z ustreznim nadzorom izvedenih meritev kazalnik dejanskega stanja lahko omejimo njihov negativni vpliv na človekovo zdravje. Tega Sistem beleženja in alarmiranja se v podjetju NELA razvojni center še kako zavedamo, zato se Sistem trenutno že omogoča on-line beleženje meritev in bomo v projektu osredotočiti na velik izziv – spremljaje in nadzor alarmiranje, vseeno pa bo potrebno celoten sistem prilagoditi in nad okolijskimi dejavniki, ki vplivajo na zdravje in počutje integrirati z novo mobilno aplikacijo in novo razvitimi senzorji. uporabnika. Osredotočili se bomo na opredelitev okoljskih Obveščanje uporabnika bo potekalo preko telefonske številke, e- dejavnikov, opredelili bomo postopek spremljanja ter razviti mail naslova ali drugega željenega komunikacijskega kanala. mobilno aplikacijo, ki bo omogočala stalni pregled dejanskega stanja. Avtomatizacija Avtomatizacija bo zadnji korak sistema, ki ne bo omogočal zgolj 2. TEMELJ RAZISKAVE nadzor nad okolijskimi pogoji, temveč bo tudi ustvarjal idealnejše Temelj raziskav v projektu bo predstavljal inovativen merilni pogoje za varno bivanje. Povezanost sistema bo omogočala nadzorni sistem, ki v realnem času spremlja in beleži okoljske dodatno prezračevanje v primeru preseženosti koncentracije parametre. Sistem trenutno omogoča spremljaje različnih škodljivih snovi v zraku, samostojno bo skrbel za ustrezno okoljskih parametrov, kot so temperatura, vlaga, tlak, osvetljenost, temperaturo prostora, za spreminjanje svetlobnih vplivov in nivo CO drugih pogojev, ki zagotavljajo tako imenovani well-being. 2, sevanje, hrup in drugi merljivi parametri. Celoten sistem je sestavljen iz izbranih senzorjev, uporabniškega Integracija sistemov za spremljanje vitalnih in okoljskih vmesnika in sistemov povezovanja. Javljanje alarma v primeru parametrov odstopanja izmerjenih vrednosti od nastavljenih mejnih vrednosti Za celostno zagotavljaje dodatne varnosti uporabnika bomo v pa produktu dodaja še večjo dodano vrednost. S tem sistem sodelovanju s partnerji v prototipni sistem integrirali sistem za omogoča dodatno varovanje procesov in proizvodov, zadostimo spremljanje vitalnih parametrov in sistem za spremljanje okoljskih pa tudi predpisom in standardom. Trenutno se sistem lahko parametrov. Le na ta način bomo lahko povezali medsebojni vpliv aplicirana na različnih področjih, kot so industrija, medicina, parametrov na zdravje posameznika. farmacija, laboratoriji in rastlinjaki. 3. RAZVOJ 4. SODELOVANJE Pri projektu Elektronsko in mobilno zdravje bomo tesno Nadaljnji razvoj že obstoječega sistema bomo v projektu usmerili sodelovali s številnimi organizacijami kot so Institut Jozef Stefan, v prilagoditev funkcionalnosti skladno z zahtevami uporabnika in Univerzitetni klinični center, Fakulteta za računalništvo in nadgradnjo z novimi senzorji in regulacijo sistema. informatiko, Medicinska fakulteta in podjetje SRC. Prenos znanja Razvoj projekta bo osredotočen na pet glavnih produktov: in izkušenj v interdisciplinarni skupini bo vsekakor doprinesel k uspešnim rešitvam, ki bodo usmerjene predvsem v njihovo Mobilna aplikacija uporabno vrednost, tako za zaposlene v zdravstvu, kot tudi za Razvili bomo uporabniku prijazno mobilno aplikacijo, preko paciente. katere bo omogočeno spremljanje okolijskih parametrov v 44 DOKTOR 24 - Vizija v EM-ZDRAVJE Karmen Goljuf, mt Doktor 24 d.o.o. Savska cesta 3 1000 Ljubljana, Slovenia Karmen.goljuf@doktor24.si POVZETEK o SOS mobilni s povezavo s svojci in vključeno storitvijo V članku predstavljamo podjetje Doktor 24, zdravstvene in SOS zdravnik in SOS mobilni – s 24 urno povezavo s telemedicinske storitve, d.o.o. V uvodu je kronološki prikaz klicnim centrom in vključeno storitvijo SOS zdravnik razvoja podjetja. V nadaljevanju opisujemo delovanje in dosežke Na pobudo Doktor 24 smo skupaj s Telekomom in Eurotronikom podjetja in vizijo v projektu EM ZDRAVJE. razvili nov program za sprejem klicev preko SOS gumba. S tem Klju smo pridobili sodobno platformo, ki mogoča vrsto posodobitev in čne besede nadgradenj, ki jih bomo lahko v prihodnosti s pridom uporabili. Doktor 24, PZA, SOS, Teleoskrba, IJŠ, INLIFE Sodelujemo skupaj z IJS na projekt INLIFE, katerega cilj je 1. UVOD izboljšati, poenostaviti in kar najbolje uporabiti že obstoječe Zgodovina podjetja sega v leto 1992, ko je bilo ustanovljeno oblike sodobnih tehnoloških rešitev, ki bi starejšim pomagale k podjetje Pacient d.o.o. [1], ki se je tekom let razvijalo, večalo in boljšemu, samostojnejšemu in varnejšemu življenju doma. Skupaj zaradi tega spreminjalo. Leta 2004 se je zaradi razširitve z IJS bomo razvili in testirali uro za zaznavanje padca, tablico za dejavnosti ustanovilo podjetje Prva zdravstvena asistenca d.o.o. beleženje dejavnosti. Za potrebe projekta smo skupaj z IJS, junija [2]. Leta 2005 je bila ustanovljena Klinika Pacient, d.o.o. (zdaj 2015 uspešno izpeljali prvo delavnico [5]. Gostitelj delavnice je Klinika Doktor 24 d.o.o.) [3]. Leta 2011 je podjetje prevzelo tako bil DSO Fužine [6]. Delavnica je bila uspešna in prve povratne imenovani “rdeči gumb” ali SOS gumb in za potrebe te dejavnosti informacije v zvezi s sodobnimi tehničnimi pripomočki so nam ustanovilo firmo Doktor 24 d.o.o. [4]. starostniki z veseljem posredovali. Največje zanimanje so udeleženci delavnice pokazali za uro s senzorjem padca. 2. DOSEŽKI Osnovna dejavnost podjetja Pacient d.o.o. so nenujni prevozi z Na Planet TV imata Doktor 24 in PZA svojo oddajo v živo [7], v reševalnimi vozili, urgentne premestitve iz ene ustanove v drugo, kateri vsak petek gostimo zdravnika specialista, ki v okviru oddaje nujni prevozi organov za transplantacijo in prevoz krvi. Podjetje odgovarja tudi na vprašanja gledalk in gledalcev. Gledanost sodeluje z zavarovalnicami in nudi reševalne prevoze oddaje iz tedna v teden raste. To je edina pogovorna oddaja te poškodovanih in nenadno obolelih tudi iz tujine nazaj domov. vrste v Sloveniji. Poleg TV oddaje pod okriljem Doktor 24 in PZA izhaja enkrat mesečno tudi revija Doktor. Revija ima Prva zdravstvena asistenca, d.o.o (PZA) svojim uporabnikom naklado 105.000 izvodov in jo prilagamo Nedeljskemu dnevniku. omogoča: hiter dostop do zdravniške pomoč, obisk zdravnika na Statistike kažejo, da je število naročnikov na Nedeljski dnevnik za domu, dosegljivost 24/7, hiter dostop do zdravnikov specialistov, 3 % več, odkar mu je priložena naša revija. brez napotnice, brez starostnih in drugih omejitev, v najkrajšem možnem času, na voljo je povsod po Sloveniji z mrežo preko 50 3. ZAKLJUČEK zdravstvenih ustanov in več kot 450 zdravnikov specialistov, Glede na raznolikost dejavnosti svojega podjetja smo lahko centralno naročanje preko enotne številke 0820 08240 in spletno zanesljiv partner v marsikaterem projektu znotraj projekta EMZ. naročanje. Ker smo razmeroma majhni, se lahko hitro prilagodimo novim potrebam in glede na zahtevnost projekta hitro pritegnemo k Glavna dejavnost Klinike Doktor 24 d.o.o. so specialistične sodelovanju nove sodelavce. ambulante. V več kot 25 specialističnih ambulantah se opravljajo različni specialistični pregledi. Večina ambulant je REFERENCE samoplačniških, koncesijska je gastroenterološka dejavnost in [1] Pacient d.o.o. http://www.pacient.si/ splošna ambulanta. Ponudba specialističnih ambulant se neprestano širi in zanimanje potencialnih partnerjev za poslovno [2] Prva zdravstvena asistenca. sodelovanje prav tako. http://www.pza.si/ [3] Doktor 24, klinika. http://www.doktor24.si/klinika S prevzemom SOS gumba je ustanovljeno podjetje Doktor 24 d.o.o. Potrebe trga so zahtevale prenovo in nadgradnjo, zato smo [4] Doktor 24, d.o.o. http://www.doktor24.si/ ponudbo iz stacionarne oblike SOS gumba razširili še na mobilno [5] Delavnica, projekt IN LIFE. http://inlife-projekt.si/workshop/ obliko in skupaj s Telekomom dejavnost poimenovali Teleoskrba. V sklopu Teleoskrbe danes ponujamo tri storitve: [6] Dom starejših občanov Fužine. http://www.dso-fuzine.si/ [7] Prva tedenska zdravstvena oddaja v živo z Borutom o SOS zdravnik s 24 urno povezavo z zdravnikom (nasvet) Veselkom. http://www.doktor24.si/component/k2/461-prva- o SOS doma s 24 urno povezavo s klicnim centrom in SOS tedenska-zdravstvena-oddaja-v-zivo-z-borutom-veselkom doma 24 urno povezavo s klicnim centrom in vključeno storitvijo SOS zdravnik 45 Platforma za prepoznavanje in klasifikacijo različnih tipov zvokov Anton Gradišek Jani Bizjak Matjaž Gams Institut »Jožef Stefan« Institut »Jožef Stefan« Institut »Jožef Stefan« Jamova 39 Jamova 39 Jamova 39 1000 Ljubljana, Slovenija 1000 Ljubljana, Slovenija 1000 Ljubljana, Slovenija anton.gradisek@ijs.si jani.bizjak@ijs.si matjaz.gams@ijs.si POVZETEK Pri metodi z značilkami lahko eksperti ročno določijo atribute, ki V prispevku predstavimo platformo, ki je namenjena klasifikaciji najbolje opišejo dani signal, ali pa uporabimo obširno knjižnico različnih tipov zvokov z metodami umetne inteligence. Platforma značilk in s pomočjo metode informacijskega pribitka izberemo je zasnovana za enostavno uporabo uporabnikov z različnih najboljše izmed njih. Izbrani atributi se nato uporabijo za učenje področij, omogoča pa primerjavo klasifikacijskih modelov z s standardnimi metodami strojnega učenja, denimo odločitvena uporabo različnih algoritmov, kar omogoča izbiro najboljšega drevesa, Naivni Bayes, Random Forest, in metode, kot so najbližji pristopa za specifičen problem. sosed (ang. KNN) Pogosto nas zanima, kako podoben je nov signal že znanim Ključne besede (označenim signalom v podatkovni bazi). Metoda DTW[1] najde Klasifikacija zvokov, strojno učenje, DTW, nevronske mreže optimalno povezavo med dvema signaloma, četudi se en dogaja hitreje kot drugi (npr. primerjava dveh govorov, nekdo govori iste stavke hitreje kot drugi, DTW bo oba govorca prepoznal kot zelo 1. UVOD podobna). Časovna zahtevnost algoritma je O(n2), kar je pri Računalniki so postali del vsakdanja in se vse pogosteje velikem številu posnetkov prepočasno za interaktivno uporabo uporabljajo pri raznovrstnih vsakodnevnih opravilih. Z orodja, zato v platformi uporabljamo Fast DTW,[2] ki ima razširjenostjo računalnikov pa se širi tudi uporaba naprednih časovno zahtevnost O(n), dosega pa skoraj enako klasifikacijsko računalniških metod – strojno učenje, za reševanje vsakdanjih točnost. problemov. V prispevku je opisan sistem za prepoznavanje in klasifikacijo različnih tipov zvočnih posnetkov (od oglašanja ptic Zadnja leta se na področju strojnega učenja uporabljajo t.i. in čmrljev do prepoznavanja bolezni na srcu). Predstavljeni so globoke nevronske mreže. Gre za umetne nevronske mreže, ki se trije tipi metod, od tistih, ki potrebujejo ekspertno znanje o raje kot v širino raztezajo v globino (število plasti). Popularne so domeni za natančno analizo signalov, do takih, ki vhodne podatke postale šele v zadnjih letih, saj potrebujejo veliko računsko moč samostojno obdelajo ter se sami iz njih naučijo, kaj je uporabno ter ogromno številko podatkov, da pridejo do rezultatov, ki za dotično domeno in kaj ne. Na koncu prispevka sta presegajo ostale metode strojnega učenja. Globoke nevronske predstavljena primera uporabe takšnega sistema, in sicer na mreže se uporabljajo na številnih področjih, najboljše rezultate pa problemu klasifikacije čmrljev na podlagi zvoka brenčanja, ter dosegajo na področju računalniškega vida, prepoznavanja govora prvi koraki na poti k prepoznavanju bolezni na podlagi posnetkov ter analiziranja signalov. Od večine ostalih (standardnih) metod bitja srca. strojnega učenja se ločijo po tem, da ne potrebujejo predhodnega ekspertnega znanja. Mreže so se sposobne samostojno naučiti, 2. PREGLED SISTEMA kateri atributi so uporabni za neko domeno in kateri ne. Še več, mreže so sposobne kombinirati atribute iz prejšnjih plasti v nove, Sistem strojnega učenja je sestavljen iz več različnih platform ter bolj kompleksne značilke (Slika 1). Slaba stran globokih metod strojnega učenja, ki se s pomočjo načela mnogoterega nevronskih mrež je računska zahtevnost ter količina podatkov, ki znanja avtomatsko združujejo, tako da vrnejo najboljše rezultate, jih mreže potrebujejo, da dosežejo rezultate, primerljive z ostalimi hkrati pa omogoča uporabniku ročno izbiro algoritmov in metod. metodami strojnega učenja. Uporabljene metode so prilagojene za obdelavo signalov, denimo Ker imamo na voljo tri različne algoritme, pri katerih morda posnetkov živalskega oglašanja (ptice, žuželke, žabe) ali noben od njih ni dominanten (vedno najboljša klasifikacijska posnetkov zvokov človeškega telesa (bitje srca, dihanje). točnost), se splača za končno napovedovanje kombinirati rezultate Uporabljamo tri tipe metod: vseh treh. Na podlagi učnih podatkov (validacijskega testa) se izvede statistična analiza, ki nam pove, s kakšno verjetnostjo • metodo z značilkami (atributi), ki so lahko določene ročno (ekspertno znanje) ali avtomatsko (s pomočjo metoda klasificira v nek razred na določeni domeni. Klasifikacija knjižnice značilk) se nato izvaja po principu volitev (ang. voting), in sicer z utežmi, pridobljenimi iz statistične analize. • dynamic time warping (DTW) • globoke nevronske mreže. 46 posnetkov, testirali pa smo na 260 neodvisnih posnetkih. Kot najboljši klasifikacijski model se je izkazala metoda Random Forest. Pri razredih, kjer smo imeli na razpolago vsaj 20 posnetkov, je metoda delovala z natančnostjo nad 90 %, pri razredih z manjšim številom posnetkov pa slabše, kar je pričakovano. Enak pristop smo uporabili za klasifikacijo posnetkov oglašanja žab in nekaterih vrst ptic. Klasifikacijska točnost, določena z metodo prečnega preverjanja, je bila v obeh primerih zelo dobra. Pri posnetkih ptic je algoritem od 74 posnetkov ptic v sedmih razredih napačno določil le enega, pri posnetkih žab (179 posnetkov v 13 razredih) pa je bila natančnost 83 %.[6] Drugi primer uporabe platforme je prepoznavanje bolezni na podlagi posnetkov bitja srca. Zdravnik specialist lahko s pomočjo stetoskopa iz poslušanja srca prepozna nekatere bolezni, kot so srčni šumi, aritmije in kronično srčno popuščanje. Za potrditev diagnoze so sicer običajno potrebni še dodatni testi. Zvočne posnetke lahko pridobimo tudi s pomočjo digitalnega stetoskopa, v ta namen uporabljamo Littmannov elektronski stetoskop model Slika 1: Shema arhitekture globoke mreže. Preproste značilke 3200.[7] Trenutno poteka ustvarjanje baze posnetkov, na kateri iz prvih plasti (edges) se v globljih plasteh sestavijo v bomo nato testirali različne algoritme. Ker je zvok bitja srca kompleksne značilke (oči, usta, obraz) [3]. strukturiran, se kot obetaven pristop kaže ročno določanje značilk. Slika 3 prikazuje posnetek dveh zaporednih utripov srca. Zvok, ki 3. PRIMERI UPORABE nastane, ko srce iztisne kri iz svojih votlin, imenujemo prvi ton Pri zvokih, ki nimajo specifične strukture v časovni domeni, se (S1). Zvok na koncu polnitve prekatov imenujemo drugi ton (S2). kot koristen pristop izkaže metoda z avtomatično izbiro značilk. Pri nekaterih boleznih srca sta lahko prisotna še tretji in četrti ton To metodo smo uporabili pri klasifikaciji različnih vrst in tipov (S3 in S4). Tretji ton, v času polnitve prekatov s krvjo, kaže na čmrljev na podlagi zvoka brenčanja.[4] Tipično strukturo oslabelo delovanje srca (kronično srčno popuščanje). Četrti ton, posnetka brenčanja v časovni domeni prikazuje Slika 2. tik pred prvim tonom, kaže na obremenitev levega preddvora. Iz strukture bitja srca lahko izpeljemo vrsto značilk, nekaj osnovnih jih prikazuje Slika 3. Razdaljo med zaporednima prvima tonoma označimo kot S1S1, razdaljo med prvim in drugim tonom kot S1S2, amplitudo prvega tona kot AS1, drugega tona pa AS2. Iz teh značilk lahko izpeljemo nove, denimo razmerja časov ali razmerja amplitud. Slika 3: Posnetek dveh zaporednih utripov srca zdravega posameznika. Označena sta prvi in drugi ton ter nekaj osnovnih značilk. Slika 2: Posnetek brenčanja delavke B. hypnorum v časovni Drugi obetavni pristop za prepoznavanje bolezni srca je analiza s domeni. Posnetek je bil narejen v stereo tehniki, zelena in pomočjo globokih nevronskih mrež. Ta metoda se je že izkazala modra črta prikazujeta obe komponenti signala. kot dobra pri analizi EKG signalov,[8] za test na zvočnih Fourierova transformacija posnetka v časovni domeni pokaže, da posnetkih pa imamo trenutno še premalo podatkov. Rezultati je ta sestavljen iz močne komponente pri frekvenci, ki jo testov z obema metodama bodo predstavljeni na prihodnjih imenujemo naravna frekvenca, ter iz višjeharmonskih komponent. konferencah. Ker naravna frekvenca sama po sebi ni dovolj dober kriterij (značilka) za klasifikacijo večjega števila vrst in tipov čmrljev, 4. DISKUSIJA namesto tega uporabimo najboljše značilke iz knjižnice Predstavili smo platformo, ki nam bo omogočala enostavno Opensmile.[5] Ta knjižnica obsega več kot 1000 značilk, klasifikacijo različnih tipov zvočnih posnetkov. Platforma najboljše za naš primer klasifikacije pa izberemo s pomočjo uporablja tri različne tipe metod, metodo z ročno ali avtomatsko metode informacijskega pribitka. Na podlagi 100 najboljših določenimi značilkami, DTW in globoke nevronske mreže. značilk zgradimo klasifikacijske modele. Pričakovati je, da nekatere metode na določenih domenah dajejo Metodo smo testirali na posnetkih 17 razredov čmrljev, šlo je za boljše, druge pa slabše rezultate. Platforma nam bo omogočala matice in delavke 9 vrst. Učna množica je obsegala 1120 primerjavo vseh treh metod, lahko pa bomo v skladu z načelom 47 mnogoterega znanja za klasifikacijo uporabljali tudi kombinacijo analysis of flight buzzing sounds, Bioacoustics, 2016, metod. Testiranje metod in uporaba platforme na različnih http://dx.doi.org/10.1080/09524622.2016.1190946 domenah je v teku. [5] Eyben F, Wöllmer M, Schuller B. 2010. Opensmile: The munich versatile and fast open-source audio feature 5. VIRI extractor. Proceedings of the 18th ACM international [1] Müller, Meinard. "Dynamic time warping." Information conference on Multimedia; Firenze, Italy. 1459–1462. retrieval for music and motion (2007): 69-84. [6] Gradišek, A. et al. How to recognize animal species based on [2] Salvador, Stan, and Philip Chan. "Toward accurate dynamic sound – a case study on bumblebees, birds, and frogs, 2015, time warping in linear time and space." Intelligent Data Intelligent systems : proceedings of the 18th International Analysis 11.5 (2007): 561-580. Multiconference Information Society, 38-41. [3] Dr. Rene Meyer, http://www.amax.com/blog/?p=804 (Seen [7] http://www.littmann.com/3M/en_US/littmann-stethoscopes/ 2016) [8] Bizjak, J. Analiza signalov EKG z globokimi nevronskimi [4] Gradišek, A., Slapničar, G., Šorn, J., Luštrek, M., Gams, M., mrežami: magistrsko delo. Diss. J. Bizjak, 2015. Grad, J., Predicting species identity of bumblebees through 48 Informacijsko-komunikacijske tehnologije za neodvisno življenje starejših Maša Isaković, Jaka Cijan, Mojca Volk, Urban Sedlar Univerza v Ljubljani, Fakulteta za Elektrotehniko – Laboratorij za telekomunikacije masa.isakovic@ltfe.org RAZŠIRJENI POVZETEK Pametnejše in zapletenejše naprave, kakršna so npr. v stanovanje vgrajena kapacitivna senzorska tla, ter kamera Kinect za igranje Staranje prebivalstva v razvitih državah ter s tem povezana porast telovadnih iger, pa lahko komunicirajo neposredno s strežniškim kroničnih bolezni postajata vedno pomembnejši izziv [1]. Za sistemov z uporabo vgrajenega in v internet priključenega prihodnost je nujno, da zagotovimo kvalitetno nego in storitve ter računalnika. najdemo rešitve zniževanja cene zdravstvene oskrbe. Med najbolj pogoste kronične bolezni štejemo srčno-žilna obolenja, kronično V pilotu projekta sodeluje več kot 500 starostnikov iz 11 domov obstruktivno pljučno bolezen ter sladkorno bolezen, s staranjem za ostarele po Evropi. V prispevku bomo povzeli tudi ovire, ki jih pa je tesno povezano tudi zmanjševanje kognitivnih sposobnosti takšna rešitev sreča na poti od ideje do izvedbe in (demenca, Alzheimerjeva bolezen), ki otežuje samooskrbo. komercializacije: certifikacijo, upoštevanje zakonodaje in priporočil, nujno zagotavljanje ustreznega nivoja uporabniške V prispevku bomo predstavili projekt UNCAP (Ubiquitous prijaznosti, in primeren poslovni model. Eden od pomembnih iNteroperable Care for Ageing People) [2], katerega cilj je faktorjev končnega uspeha je tudi, da rešitev ustreza in pomaga pacientom oz. starostnikom s pomočjo informacijsko- vsem deležnikom. Prav tako je pogosto izpostavljena težava tudi komunikacijskih tehnologij omogočiti boljši vpogled in nadzor slabo sprejemanje sodobnih tehnologij s strani starejših; vendar pa nad svojim zdravstvenim stanjem, jim omogočiti boljšo ima ta težava globlji vzrok, ki je pogosto na strani izdelovalca: komunikacijo z medicinskim osebjem in jim pomagati pri nizko uporabniško prijaznost in neintuitivnost. Za premoščanje ohranjanju določene mere samostojnosti. Projekt UNCAP razvija takšne vrzeli je ena od primernih strategij medgeneracijska rešitev na osnovi odprtih standardov, in kot enega od ciljev želi pomoč, kjer mlajši uporabniki pomagajo starejšim pri uporabi zagotoviti tudi razširljivost za prihodnje scenarije uporabe. sodobnih tehnologij. V projektu predlagana in pilotno realizirana rešitev temelji na treh gradnikih: mobilni aplikaciji, ki je namenjena uporabi na Ključne besede mobilnem telefonu, tablici ali TV sprejemniku s TV Informacijsko-komunikacijske tehnologije, neodvisno življenje komunikatorjem z operacijskim sistemom Android; strežniškem starejših sistemu, ki deluje kot skupek mikrostoritev, ki zagotavljajo različne funkcionalnosti sistema (avtentikacija, hramba podatkov, 1. LITERATURA obdelava dogodkov, obveščanje); ter spletnim vmesnikom, ki je namenjen tako starejšim uporabnikom kot skrbnikom in [1] Population structure and ageing website, [Online]: zdravnikom. Na spletnem vmesniku je mogoče spremljati http://ec.europa.eu/eurostat/statistics-explained/index.php/ zgodovino uporabnika in njegovih meritev. Population_structure_and_ageing Accessed: 2016 [2] Domača stran projekta UNCAP (Ubiquitous iNteroperable Za zajem podatkov se rešitev opira na dva načina; preproste Care for Ageing People) [Online]: http://www.uncap.eu/, senzorske naprave (glukometri, pulzni oksimetri, brezžične accessed: 2016 tehtnice, merilniki krvnega tlaka, ipd.) lahko komunicirajo neposredno z Android napravo preko protokola Bluetooth. 49 myDataHub Marko Janković Slavko Žitnik Marko Bajec Univerza v Ljubljani Univerza v Ljubljani Univerza v Ljubljani Fakulteta za računalništvo in Fakulteta za računalništvo in Fakulteta za računalništvo in informatiko informatiko informatiko Večna pot 113 Večna pot 113 Večna pot 113 1001 Ljubljana, Slovenia 1001 Ljubljana, Slovenia 1001 Ljubljana, Slovenia marko.jankovic@fri.uni-lj.si slavko.zitnik@fri.uni-lj.si marko.bajec@fri.uni-lj.si POVZETEK določenega proizvajalca. Z myDataHub IoT napravo, ki je bolj V pričujočem prispevku predstavimo IoT napravo myDataHub, ki podrobno predstavljena v nadaljevanju želimo podpreti pametni je primerna za podporo scenarijev, ki so povezani z zagotavljanjem dom in mobilno zdravstvo ter omogočiti enostavno integracijo oskrbe na daljavo, npr. zajem zdravstvenih podatkov kroničnih senzorjev in drugih naprav, neodvisno od njihovega proizvajalca. bolnikov na domu ali spremljanje starejših oseb v oskrbovanih Zajeti podatki se nato posredujejo v standardizirani obliki v domovih. To je trenutno zelo aktualna problematika, saj delež poljubni zaledni sistem. starejših prebivalcev in kroničnih bolnikov v Evropi narašča. Poleg 2. myDataHub tega lahko myDataHub uporabljamo tudi kot vmesnik za nadzor myDataHub uporablja odprtokodno platformo OpenHAB [3], ki je senzorike pametnega doma. Z myDataHub lahko pripomoremo k izjemno popularna na področju pametnih domov, ter jo razširja optimizaciji zdravstvene oskrbe in uspešnosti zdravljenja, prav tako tako, da omogoča enostavno povezovanje z zdravstvenimi pa izboljšamo in podaljšamo življenje starejših ljudi v lastnem napravami. myDataHub je prednastavljen tako, da razpozna veliko domu. število naprav in senzorjev, ki se tipično uporabljajo na področju pametnega doma ter oddaljenega zajema zdravstvenih podatkov. Ob tem ponuja dva pogleda: a) pogled pametnega doma in b) 1. UVOD pogled spremljanja zdravstvenih podatkov. Pogled pametnega V Evropi je prisoten trend staranja prebivalstva [1] ter naraščanja doma je namenjen pregledu podatkov iz senzorjev ter upravljanju bolnikov s kroničnimi boleznimi [2]. Slednje predstavlja veliko naprav, ki so nameščene po posameznih prostorih pametnega doma družbeno in ekonomsko breme in kliče po inovativnih IKT rešitvah, (npr. temperatura v kleti, stanje luči v predsobi, stanje rolet v ki bi: a) izboljšale kvaliteto in podaljšale samostojno življenje kuhinji ipd.). Če pa želimo izvesti zdravstveno meritev (npr. starostnikov ter posledično razbremenile mlajše generacije in b) meritev pritiska), lahko napravo preklopimo v drug pogled, ki nam razbremenile medicinsko osebje ter posledično zmanjšale čakalne prikaže vse priključene zdravstvene naprave ter zadnje meritve, ki vrste s pomočjo oddaljenega spremljanja pacientov. Kot odgovor so bile narejene z njimi. myDataHub je idealen za podporo na nastalo stanje se je na trgu že pojavilo veliko različnih rešitev scenarijev, ki so povezani z zagotavljanjem oskrbe na daljavo, npr. (npr. OpenHAB [3], OpenTeleHealth [4]). Slabost trenutnih rešitev zajem zdravstvenih podatkov kroničnih bolnikov na domu ali je v tem, da se osredotočajo izključno na podporo ali pametnega spremljanje starejših oseb v oskrbovanih domovih. Uporabljamo pa doma ali mobilnega zdravstva in ne omogočajo nobene povezave jo lahko tudi kot vmesnik za nadzor senzorike pametnega doma. med področjema. Poleg tega je večina rešitev zaprtih in vezanih na Figure 1: myDataHub omogoča povezovanje z različnimi senzorji in napravami s področja mobilnega zdravstva in pametnih domov. 50 2.1 Zajem kontekstno obogatenih napravo z myDataHub. Slednje je ključnega pomena, saj so starejši ljudje običajno nevešči novih tehnologij. Tukaj je glavni problem, zdravstvenih podatkov da veliko proizvajalcev naprav ne sledi nobenemu standardu, kar myDataHub omogoča enostaven zajem podatkov iz različnih otežuje dostop do podatkov in preprečuje interoperabilnost. Pri zdravstvenih naprav za potrebe spremljanja kroničnih bolnikov na napravah za zdravstvo smo se tako osredotočili na naprave, ki daljavo (primeri kroničnih bolezni, ki se danes pogosto spremljajo sledijo standardu Continua [5]. na daljavo, so diabetes, demenca ter razne srčno-žilne bolezni, ki povečujejo verjetnost srčne kapi). Poleg samih zdravstvenih Z vidika strojne opreme za myDataHub trenutno uporabljamo podatkov (npr. krvni pritisk, stopnja glukoze v krvi, telesna Raspberry Pi 3 [6], skupaj z ustreznimi razširitvami za podporo temperatura, telesna teža, stopnja kisika v krvi ipd.) myDataHub različnih komunikacijskih protokolov in s 7 palčnim, dotičnim omogoča tudi integracijo s senzoriko pametnega doma ter zajem LCD zaslonom, ki omogoča prikaz podatkov in upravljanje. tako imenovanih kontekstualnih podatkov. Ti omogočajo boljšo Pri vsebinskem delu se ukvarjamo predvsem z definicijo različnih interpretacijo zdravstvenih podatkov, saj povedo, v kakšnih scenarijev in zaznavanjem kompleksnih dogodkov, ki bi jih lahko okoliščinah so bili zdravstveni podatki izmerjeni. podprli s pomočjo senzorjev in naprav. 2.2 Spremljanje starostnika v oskrbovanem 4. ZAKLJUČEK domu Pri pregledu obstoječih rešitev še nismo zasledili podobne, saj se v Oskrbovani domovi so navadno opremljeni s senzorji, ki večini primerov osredotočajo zgolj na ali pametni dom ali mobilno omogočajo spremljanje in nadzor nad infrastrukturo, kot so luči, zdravstvo. Rešitev myDataHub se zaradi svoje modularnosti lahko voda, plin, elektrika, vrata, okna, grelne naprave ipd. ter uporablja kot rešitev samo za pametni dom ali mobilno zdravstvo, neinvazivno (brez uporabe kamer) spremljanje oseb v prostoru z lahko pa tudi za oboje skupaj. Slednje omogoča pokritje novih namenom zaznavanja situacij, ki zahtevajo posebno pozornost (npr. scenarijev in pomaga obogatiti zdravstvene podatke s podatki o padec osebe, prisotnost neznane osebe, anomalije v tipičnem kontekstu v katerem so bili zajeti. Z myDataHub lahko vedenju osebe – npr. oseba dlje časa ni vstala iz postelje ipd.). pripomoremo k optimizaciji zdravstvene oskrbe in uspešnosti myDataHub se lahko uporablja kot naprava za nadzor senzorike zdravljenja, prav tako pa izboljšamo in podaljšamo življenje pametnega doma, v primeru detekcije posebnih situacij, pa za starejših ljudi v lastnem domu. posredovanje sporočil organizacijam, ki izvajajo nadzor in oskrbo na daljavo. 2.3 Nadzor senzorike pametnega doma 5. REFERENCE myDataHub omogoča povezavo z velikim številom senzorjev in [1] Population structure and ageing, Eurostat. Dostopno na: pametnih naprav, ki se tipično uporabljajo v pametnih domovih. Na http://ec.europa.eu/eurostat/statistics- voljo je intuitiven grafičen vmesnik za prikaz podatkov iz explained/index.php/Population_structure_and_ageing posameznih prostorov pametne hiše (glede na postavljeno [2] Reinhard Busse, Miriam Blumel, et al., Tackling chronic senzoriko) ter krmiljenje naprav, kot so npr. rolete, luči ipd. disease in Europe, Observatory studies Series Nº 20. Dostopno na: 3. IZZIVI http://www.euro.who.int/__data/assets/pdf_file/0008/96632/ Pri razvoju myDataHub naprave se srečujemo s številnimi tako E93736.pdf tehnološkimi kot tudi vsebinskimi izzivi. [3] OpenHAB. Dostopno na: http://www.openhab.org/ Na področju tehnoloških izzivov smo veliko časa posvetili podpori [4] OpenTeleHelath. Dostopno na: različnih tehnologij, ki se uporabljajo za komunikacijo na področju http://www.opentelehealth.com/ pametnih domov in mobilnega zdravstva (npr. Bluetooth, ZigBee, Bluetooth Low Energy). Sistem je zasnovan modularno, kar [5] Continua Design Guidelines 2016. Dostopno na: omogoča enostavno dodajanje novih razširitev. Slednje je ključno http://www.continuaalliance.org/ za podporo novih tehnologij, ki se bodo pojavile v prihodnosti. [6] Raspberry Pi Organization Website. Dostopno na: Poleg tega je en izmed večjih izzivov, s katerim se ukvarjamo, kako https://www.raspberrypi.org/ na čimbolj enostaven in avtomatiziran način povezati poljubno IoT 51 Demografski in ekonomski vidiki zdravljenja Parkinsonove bolezni Karin Kasesnik, Sabina Sedlak, NIJZ NIJZ Trubarjeva 2 Trubarjeva 2 1000 Ljubljana 1000 Ljubljana Tel.: +38612441400 Tel.: +38612441400 karin.kasesnik@nijz.si sabina.sedlak @ nijz.si POVZETEK years or younger. Considering a population ageing with a trend of Staranje prebivalstva je povezano tudi z incidenco in prevalenco continuation, as projected by the researchers, a burden of bolezni, vključno z nevrološkimi boleznimi. Zaradi Parkinsonove Parkinson disease should be analyzed in even more details in the bolezni pogosteje obolevajo osebe iz starejših starostnih future and an additional attention should be dedicated to segmentov. Po ocenah je v Sloveniji približno 4.000 oseb, v ZDA managing this disease. pa kar milijon oseb s Parkinsonovo boleznijo. Čeprav je Parkinsonova bolezen kronična in napredujoča bolezen, se lahko Keywords simptome bolezni uspešno nadzoruje. Medikamentozno Population ageing, medicines, Parkinson disease, a burden of the zdravljenje temelji na povečanju ravni dopamina oziroma vnosu disease dopaminu podobnih učinkovin, saj imajo osebe s Parkinsonovo boleznijo majhne koncentracije dopamina v možganih. V 1. UVOD Sloveniji je bilo leta 2012 predpisanih 71.301 receptov z Pri raziskovanju staranja prebivalstva je treba upoštevati tudi antiparkinsoniki, v vrednosti 6.043.792 EUR, kar ustreza 2,4 % nevrološke bolezni, ki se v večji meri pojavljajo pri osebah iz števila in 8,4 % vrednosti receptov zdravil z delovanjem na starejših starostnih segmentov. Osredotočili smo se na živčevje. Pri analizi treh zdravilnih učinkovin, ki učinkujejo kot Parkinsonovo bolezen, ki je v okviru sedanjih možnosti antiparkinsoniki in sodijo med različne podskupine zdravljenja ni mogoče ozdraviti, je pa ob podpori antiparkinsonikov, smo ugotovili precej več predpisanih receptov medikamentoznega in drugih načinov zdravljenja mogoče osebam starejšim od 60 let, v primerjavi z osebami do 59 let. Z učinkovito uravnavati simptome. Glede na večjo incidenco in ozirom na staranje prebivalstva, ki se bo skladno s projekcijami prevalenco Parkinsonove bolezni pri starejših osebah, z ozirom na raziskovalcev v bodoče nadaljevalo, bi bilo treba v prihodnje še mlajše, je predvidoma s starostjo povezana tudi poraba podrobneje analizirati breme Parkinsonove bolezni in dodatno predpisanih zdravil, antiparkinsonikov, tudi z ozirom na pozornost nameniti obvladovanju te bolezni. posamezne zdravilne učinkovine. Parkinsonova bolezen ne pomeni le zdravstvenih težav pacientov, ampak tudi veliko Ključne besede ekonomsko breme. Podane so že ocene bremena bolezni Staranje prebivalstva, zdravila, Parkinsonova bolezen, breme centralnega živčnega sistema in Parkinsonove bolezni, delno tudi bolezni na posameznih nacionalnih nivojih. ABSTRACT 2. PARKINSONOVA BOLEZEN Population ageing is related also to an incidence and a prevalence Parkinsonova bolezen je kronična, napredujoča bolezen. of diseases, including neurological diseases. Individuals with Simptomi se tekom časa nadaljujejo in poslabšujejo (1). V ZDA Parkinson disease belonging to older age segments are more skoraj en milijon ljudi trpi zaradi Parkinsonove bolezni. Čeprav common. Approximately 4.000 persons are estimated to suffer zaenkrat ozdravitev ni mogoča, se z zdravljenjem z zdravili in tudi from Parkinson disease in Slovenia, and even one mio in USA. operativnim posegom simptomi te bolezni lahko uravnavajo. Although Parkinson disease is a chronic and progressive disease, Pri Parkinsonovi bolezni živčne celice oziroma nevroni v the symptoms can be successfully controlled. A treatment with možganih slabo ali sploh ne delujejo: prizadeti so predvsem medicines is based on increasing the level of dopamine or an nevroni v substanci nigri (1). Nekateri izmed teh nevronov, ki pri intake of dopamine-related active substances, since low Parkinsonovi bolezni ne delujejo, proizvajajo živčni concentrations of dopamine can be found in the brain of the prenašalec dopamin s funkcijo pošiljanja sporočil delom individuals with Parkinson disease. 71.301 receipts including možganov, ki nadzorujejo gibanje in koordinacijo. Z antiparkinsonics, with a value of 6.043.792 EUR, were prescribed napredovanjem Parkinsonove bolezni se tvorba dopamina in 2012 in Slovenia, meaning 2,4 % of number and 8,4 % of value zmanjšuje, zaradi česar pacient ni zmožen normalno nadzorovati of receipts with medicines affecting the central nervous system. In gibanja. analyzing of three active substances with an antiparkinsonian Za Parkinsonovo bolezen je značilen pojav proteina alfa effect and belonging to different subgroups of antiparkinsonics, sinukleina oziroma Lewyjevih telesc; prisotna so v srednjih we showed much more receipts prescribed to the individuals, možganih, pa tudi v možganskem deblu in olfaktornem sistemu older than 60 years, in comparison to the individuals aged 59 (1). Ta področja možganov so povezana z nemotoričnimi 52 funkcijami kot sta občutek vonja in uravnavanje spanja. S zdravljenjem so povezani tudi neželeni učinki in zdravstveni prisotnostjo Lewyjevih telesc v teh področjih možganov se lahko delavci morajo spremljati tudi njihov morebitni pojav, na primer razloži nemotorične simptome, ki jih izkusijo nekateri pacienti s impulzivno vedenje. Parkinsonovo boleznijo, preden se pojavi katerikoli motorični Tekom napredovanja Parkinsonove bolezni lahko pacient izkusi znak. Dopaminske celice so prisotne tudi v črevesju, kar lahko enega ali več od navedenih simptomov (2). Sčasoma se lahko ti vodi v gastrointestinalne simptome, ki spremljajo Parkinsonovo simptomi spremenijo ali poslabšajo. Pojavnost simptomov se bolezen. med posameznimi pacienti razlikuje, saj se nekateri simptomi pri določenih osebah nikoli ne pojavijo. Pacientu s Parkinsonovo 2.1. Simptomi Parkinsonove bolezni boleznijo je koristno svetovati, naj sodeluje z zdravstvenim Simptomi Parkinsonove bolezni se med pacienti razlikujejo (1). timom, se informira o najnovejših dosežkih raziskovanja in Simptomi se delijo na primarne motorične simptome, sekundarne zdravljenja ter spremlja tudi druge razpoložljive informacije za motorične simptome in nemotorične simptome (2). vsakodnevno obvladovanje Parkinsonove bolezni. Pomembno je, Med primarne motorične simptome sodi tremor v mirovanju da pacienti razpoznajo simptome in razumejo njihov vpliv na (2). V zgodnjih fazah te bolezni približno 70 odstotkov oseb kakovost življenja. izkusi blag tremor v roki ali stopalu na eni strani telesa, manj pogosto pa v čeljusti ali na obrazu. Tremor se sestoji iz trzajočih 3. ZDRAVLJENJE PARKINSONOVE ali nihajočih gibov ter se običajno pojavi, ko je mišičje pacienta BOLEZNI sproščeno oziroma miruje. Tremor se pri Parkinsonovi bolezni Parkinsonove bolezni ni mogoče ozdraviti, z zdravili pa se lahko lahko ojača zaradi stresa ali vznemirjenja. Tremor se z bistveno olajšajo simptomi, kot je tremor in rigidnost. Poleg napredovanjem bolezni pogosto razširi na drugo stran telesa, a je medikamentoznega so razpoložljive tudi druge vrste zdravljenja običajno bolj izrazit na začetno prizadeti strani. Čeprav je tremor (2). V nekaterih primerih se svetuje operativni poseg (3). najbolj očiten zunanji znak bolezni, se pri vseh pacientih s Zdravnik lahko svetuje spremembo življenjskega sloga, posebej Parkinsonovo bolezni ne pojavi. Drugi primarni motorični redno aerobno vadbo. V nekaterih primerih se izvaja tudi simptom je bradikinezija, to je počasno gibanje. Pacienti s fizioterapija, z vajami za ravnotežje in raztegovanje. Logoped Parkinsonovo boleznijo se težje spontano gibajo, obrazna lahko pomaga pri izboljšanju težav z govorom. izraznost je zmanjšana. Pacient ima težave z izvajanjem ponavljajočih gibov in vsakodnevnih aktivnosti. Pacienti z bradikinezijo težko hodijo, s kratkimi koraki. Z napredovanjem 3.1. Zdravljenje in zdravila za Parkinsonovo Parkinsonove bolezni se spremeni govor, lahko postane tišji in bolezen manj izrazit. Rigidnost kot naslednji primarni motorični simptom Osebe s Parkinsonovo boleznijo imajo nizke koncentracije se povezuje z okorelostjo in ovirano gibljivostjo udov, vratu in dopamina v možganih, zato delovanje zdravil temelji na trupa. Obseg gibanja je zmanjšan, pacienti pogosto čutijo povečanju ravni dopamina ali vnosu dopaminu podobnih napetost v vratu, rami in nogi. Za paciente s Parkinsonovo učinkovin (3). Vendar se dopamin ne more aplicirati neposredno, boleznijo je značilno, da ne nihajo z rokami med hojo. Pacienti ker ne more prehajati v možgane. izkusijo tudi simptome, ki so povezani z motnjami ravnotežja in Po pričetku zdravljenja Parkinsonove bolezni je izboljšanje koordinacije. Pojavi se nestabilnost pri vzravnani drži, pri simptomov lahko očitno; vendar se sčasoma učinek zdravil nekaterih pacientih zaradi drže nazaj obstaja nevarnost vzratnega pogosto zmanjša ali je manj stalen, a je mogoče simptome še padca. Težave z ravnotežjem se kažejo tudi pri obračanju ali naprej precej dobro nadzorovati (3). hitrih gibih. Pomembna skupina zdravil, ki so indicirana pri zdravljenju Sekundarni motorični simptomi pa zajemajo upočasneno gibanje, Parkinsonove bolezni, zajema kombinacijo karbidope in obotavljanje med hojo, posebej v začetku hoje (2). Kot posledica levodope (3). Levodopa je zdravilna učinkovina za zdravljenje težav s ponavljajočimi aktivnostmi je pisava oseb s Parkinsonovo Parkinsonove bolezni, ki prehaja v možgane in se pretvarja v boleznijo lahko spremenjena. Obraz osebe je lahko manj izrazen, dopamin. Levodopa se kombinira s karbidopo, ki ščiti levodopo drža pa upognjena. Gibi in govor nekaterih pacientov s pred prezgodnjo pretvorbo v dopamin izven možganov, kar Parkinsonovo boleznijo so prehitri, ne prepočasni. Zaradi tega prepreči ali zmanjša pojavnost neželenih učinkov kot je slabost. obstaja nevarnost padcev, govor pa je težko razumljiv. Možni neželeni učinki zajemajo predvsem slabost in vrtoglavico. Sekundarni motorični simptomi vključujejo tudi težnjo po Tekom let zdravljenja, ob sočasnem napredovanju bolezni, se nagibanju naprej, distonijo, to je ponavljajoče se, nehoteno učinek levodope lahko zmanjša (3). Pri večjih odmerkih krčenje mišic, akatizijo, kar pomeni bolezenski občutek mišične levodope lahko bolniki izkusijo diskinezijo, to je nehotene gibe. napetosti, pri kateri bolnik ne more mirovati in čuti Za nadzor teh učinkov lahko zdravnik zmanjša odmerek ali nepremagljivo potrebo po gibanju. Prav tako ima pacient lahko prilagodi interval med odmerki. Za razliko od levodope pa se težave pri požiranju, krče ter druge zdravstvene težave. zdravila, ki delujejo kot dopaminski agonisti ne pretvarjajo v Večina pacientov s Parkinsonovo boleznijo izkusi nemotorične dopamin, ampak posnemajo učinke dopamina v možganih. simptome, ki jih smatrajo za predhodnike motoričnih simptomov Zdravljenje z dopaminskimi agonisti sicer ni tako učinkovito kot (2). Nemotorični simptomi vključujejo izgubo občutka vonja, zdravljenje z levodopo, a učinki dlje trajajo. Dopaminski agonisti zaprtje, motnje spanja, motnje razpoloženja in ortostatsko vključujejo zdravilne učinkovine pramipeksol, ropinirol in hipotenzijo, torej nizek krvni pritisk pri vstajanju. Če pri osebi rotigotin. Po jemanju zdravil z vsebnostjo dopaminskih agonistov nastopi eden ali več od teh simptomov, ne pomeni, da se bo se lahko pojavijo neželeni učinki, podobni tistim po jemanju Parkinsonova bolezen tudi res razvila. Težave lahko nastopijo kombinacije karbidope in levodope, poleg tega pa tudi tudi v prebavilih, sečilih, čutilih in drugje, spremeni se telesna sprememba vedenja pacienta. teža; težave v živčnem sistemu zajemajo depresijo, strah, Med zaviralce monoaminooksidaz tipa B se uvrščajo zdravila z anksioznost, kognitivne in druge težave. Z medikamentoznim zdravilnima učinkovinama selegilin in razagilin (3). Ta zdravila 53 preprečujejo zmanjšanje ravni dopamina v možganih, z dopaminergiki (NO4B) s predpisanimi 45.247 recepti, kar zaviranjem encima monoaminooksidaze tipa B v možganih. Ta pomeni 5.778.539 EUR. encim metabolizira dopamin v možganih. Neželeni učinki lahko Izmed dopaminergikov so bila najpogosteje predpisana vključujejo slabost in nespečnost. Ko se dodajajo zdravilom, ki zdravila z levodopo in zaviralcem dekarboksilaze; 14,4 tisoč vsebujejo kombinacijo karbidope in levodope, ta zdravila receptov v vrednosti pomeni 2,1 mio EUR (7). povečajo tveganje za halucinacije. Velja, da je pri obravnavani skupini zdravil treba biti še posebej pozoren na možno 5.2 Analiza predpisovanja zdravil z medsebojno učinkovanje z drugimi zdravili. zdravilnimi učinkovinami, ki delujejo kot Predstavnika zdravilnih učinkovin, ki delujeta kot zaviralca katehol-O-metiltransferaze, sta entakapon in tolkapon (3). antiparkinsoniki Mehanizem delovanja temelji na zaviranju encima, ki razgrajuje Analizirali smo predpisovanje treh zdravilnih učinkovin, ki dopamin. Poleg pozitivnih učinkov zdravljenja je možen tudi delujejo na centralni živčni sistem in se uvrščajo med pojav nevroloških, gastroenteroloških in drugih neželenih antiparkinsonike (N04). učinkov. Antiholinergiki se uporabljajo za pomoč pri nadzoru tremorja, Tabela 1: Število receptov, ki ustreza predpisanim povezanega s Parkinsonovo boleznijo (3). Koristne učinke zdravilom s tremi zdravilnimi učinkovinami iz podskupine spremljajo tudi neželeni učinki kot so motnje spomina, antiparkinsonikov (8) zmedenost, halucinacije, zaprtje in suha usta. Zdravila z vsebnostjo amantadina zdravniki lahko predpišejo v ATC Število Število Skupaj monoterapiji, za kratkotrajno olajšanje simptomov Zdravilna Rp Rp Parkinsonove bolezni v zgodnjem stadiju, ali pa v kombinaciji s učinkovina do 59 nad 60 karbidopo in levodopo tekom kasnejših stadijev Parkinsonove let let 751 13.696 14.447 bolezni (3). Zdravljenje pa lahko spremljajo halucinacije in N04BA02 drugi možni neželeni učinki. levodopa Poleg medikamentoznega se lahko uporablja tudi operativno in zaviralci zdravljenje (3). dekarbo= ksilaze 1.098 4.708 5.806 4. N04BC04 DEMOGRAFSKI PODATKI O ropinirol INCIDENCI IN PREVALENCI N04BD01 8 178 186 PARKINSONOVE BOLEZNI selegilin Strokovnjaki ocenjujejo, da je v Sloveniji trenutno okoli 4.000 oseb, ki imajo Parkinsonovo bolezen (4). Obolevnost zaradi Parkinsonove bolezni je večja pri starejših osebah; nekaj manj Tabela 2: Vrednost receptov (EUR), ki ustreza kot 2 % oseb, starejših od 80 let in le manj kot 0,01 % oseb, predpisanim zdravilom s tremi zdravilnimi učinkovinami iz mlajših od 40 let, zboli zaradi Parkinsonove bolezni. Bolezen je podskupine antiparkinsonikov (8) pri obeh spolih približno enako pogosta. Podatki o prevalenci Parkinsonove bolezni na 100.000 ATC Vred= Vrednost Skupaj Zdravilna nost Rp prebivalcev v Franciji kažejo 500 oseb med 65. in 69. letom, 400 učinkovina Rp do nad 60 oseb med 70. in 74. letom, 1.800 oseb med 75. in 79. letom in 59 let let 2.200 oseb, starejših od 80 let (5). Prav tako podatki za Veliko N04BA02 209.030 1.939.779 2.148.809 Britanijo kažejo trend povečanja prevalence Parkinsonove levodopa bolezni, čim se pomikamo v starejše starostne segmente in sicer in zaviralci od 343 pri osebah med 65. in 69. letom do 1.044 pri osebah nad dekarbo= 80 let. ksilaze Rezultati objavljene študije (6) kažejo tudi znatno večje stopnje N04BC04 153.930 583.139 737.069 incidence pri osebah s Parkinsonovo boleznijo, starejših od 85 ropinirol let, glede na osebe, stare med 55 in 65 let. N04BD01 381 9.141 9.522 selegilin 5. ANALIZA PREDPISOVANJA ANTIPARKINSONIKOV V SLOVENIJI Ugotovili smo, da je bila v letu 2012 v Sloveniji poraba zdravil s tremi analiziranimi zdravilnimi učinkovinami, ki delujejo kot antiparkinsoniki, v starostnem segmentu do 59 let 5.1 Podatki o predpisovanju zdravil za precej manjša kot v starostnem segment nad 60 let, tako po zdravljenje Parkinsonove bolezni v Sloveniji številu receptov kot po vrednosti. Večji obseg predpisovanja Podatki kažejo (7), da je bilo v Sloveniji leta 2012 predpisanih antiparkinsonikov osebam, starejšim od 60 let, glede na osebe 71.301 receptov z antiparkinsoniki, ki so zajeti v podskupino iz mlajših starostnih segmentov, je še posebej izrazit pri N04 po ATC klasifikaciji, v vrednosti 6.043.792 EUR. To predpisovanju zdravil z vsebnostjo levodope in zaviralcev hkrati pomeni 2,4 % v številu receptov in 8,4 % v vrednosti dekarboksilaz. Medtem ko so zdravniki v Sloveniji leta 2012 skupine zdravil z delovanjem na živčevje. V okviru osebam do 59 let predpisali 751 receptov (v vrednosti 209.030 antiparkinsonikov so zajeti antiholinergiki (N04A) s EUR), so osebam, starejšim od 60 let predpisali 13.696 predpisanimi 26.054 recepti (v vrednosti 265.252 EUR) in 54 receptov (v vrednosti 1.939.779 EUR) z zdravili, ki vsebujejo zdravljenja, z namenom lažjega obvladovanja Parkinsonove kombinacijo levodope in zaviralcev dekarboksilaz. bolezni. 6. EKONOMSKI VIDIK ZDRAVLJENJA 8. LITERATURA PARKINSONOVE BOLEZNI [1] What is Parkinson’s disease. Parkinson Disease Prevalenca Parkinsonove bolezni je v Sloveniji za leto 2004 Foundation. DOI=http://www.pdf.org/en/about_pd. znašala 3.791, pri čemer so podatki zajeti za osebe stare 65 let in več, za celotno Evropo pa je prevalenca Parkinsonove [2] Symptoms. Parkinson Disease Foundation. DOI= bolezni znašala 1.158.990 (9). Ocenjeni stroški Parkinsonove http://www.pdf.org/symptoms. bolezni so za Slovenijo leta 2004 znašali 25 PPP mio EUR. (Purchasing power parity (PPP) je mednarodna mera za [3] Diseases and Conditions. Parkinson’s disease. DOI= primerjavo ekonomskih podatkov med državami.) Na nivoju http://www.mayoclinic.org/diseases-conditions/ Slovenije so skupni stroški bolezni centralnega živčnega parkinsons-disease/basics/treatment/con-20028488. sistema znašali 833 PPP mio EUR, na ravni Evrope pa 386.175 PPP mio EUR. [4] Campolunghi-Pegan, P. Parkinsonova bolezen. Navodila za Podrobneje so stroški Parkinsonove bolezni razčlenjeni na bolnike. Združenje zdravnikov družinske medicine, Zavod nivoju Evrope: stroški za zdravstveno varstvo pacientov s za razvoj družinske medicine. DOI= Parkinsonovo boleznijo so leta 2004 znašali 4.582 PPP mio http://www.drmed.org/wp-content/uploads/2014/06/VI- EUR, neposredni nemedicinski stroški 6.140 PPP mio EUR, 53.pdf. skupni stroški pa 10.722 PPP mio EUR; posredni stroški niso bili ocenjeni (9). Avtorji so izvedli tudi analizo stroškov [5] Dorsey, E. R., Constantinescu, R., Thompson J. P., bolezni centralnega živčnega sistema na nivoju Evrope in sicer: Biglan, K. M., Holloway, R. G., Kieburtz, K., Marshall, F. stroški za zdravstveno varstvo so znašali 135.445 PPP mio J., Ravina, B. M., Schifitto, G., Siderowf, A., in Tanner, C. EUR, neposredni nemedicinski stroški 72.200 PPP mio EUR, M. 2007. Projected number of people with Parkinson posredni stroški 178.530 PPP mio EUR, skupni stroški pa, kot disease in the most populous nations, 2005 through 2030. že omenjeno 386.175 PPP mio EUR. V (neposredne) stroške za Neurology 68, 5 (Febr. 2007), 384-6. zdravstveno varstvo so vključeni stroški bolnišnične oskrbe, zdravila in ambulantna obravnava. Največji delež neposrednih [6] de Lau, L. M., Giesbergen, P. C., de Rijk, M. C., Hofman, nemedicinskih stroškov zavzemajo stroški storitev za socialno A., Koudstaal, P. J., in Breteler, M. M. 2004. Incidence of oskrbo. Med posredne stroške pa sodijo stroški zaradi parkinsonism and Parkinson disease in a general population. odsotnosti z dela in zmanjšane delovne produktivnosti. Neurology 63, 7 (Okt. 2004), 1240-4. [7] Hribovšek, T., Jerman, A., Pleša, B., in Šemrl, J. 7. ZAKLJUČEK Ambulantno predpisovanje zdravil v Sloveniji po ATC V okviru raziskovanja staranja prebivalstva v povezavi z klasifikaciji v letu 2012. Ljubljana, 2013. zdravstvenim varstvom je pomembno tudi raziskovanje bremena Parkinsonove bolezni. Poleg težav za paciente, povezanimi z [8] Evidenca porabe zdravil izdanih na recept. Zbirka NIJZ64. neprestanim nadzorom simptomov, predstavlja Parkinsonova NIJZ (Sept. 2016). bolezen veliko breme za posameznika in družbo, tudi ekonomsko breme. Navedene so že ocene bremena bolezni centralnega [9] Andlin-Sobocki, P., Jönsson B., Wittchen, H.-U., in živčnega sistema in Parkinsonove bolezni, delno tudi na Olesen, J. 2005. Costs of Disorders of the Brain in posameznih nacionalnih nivojih, Ocene vključujejo tudi stroške Europe. Eur J Neurol 12, Suppl. 1 (June 2005), 93 str. zdravljenja. Na nivoju Slovenije bi bilo koristno podrobneje analizirati deleže stroškov, vključno s stroški medikamentoznega 55 Improved management of Parkinson’s disease patients using a collaborative health portal Matija Klasinc M.D.,M.Sc. Tomo Jarc Parsek d.o.o. matija.klasinc@parsek.com, tomo.jarc@parsek.com ABSTRACT health record and shared decision-making. The terms ‘consumer’ and ‘patient’ are becoming less popular. These Engaging the patient improves disease management results. are being replaced with words such as ‘partner’ and ‘co- Putting the patient in the center of care empowers the patient producer’. In IT, the biggest challenge is establishing a joint, and gives him/her the extra willpower to follow the digital health record for doctors and patients and facilitating proposed program. The tool that allows binding the different communication between professionals and patients through roles, including patients and their family members, is a email and screen-to-screen contact. collaborative portal platform with the ability to integrate with different information systems. The platform gives the The tool that can bind the different roles together is a users appropriate rights to view medical documentation, collaborative portal platform with the ability to integrate measurements and the patient’s health record remotely. with different information systems and give the users As an example, Parkinson's disease treatment can be appropriate rights to view medical documentation, improved by using a smart IT solution. We can provide measurements and the patient’s health record remotely. The highly coordinated treatment by all involved stakeholders. objective is to integrate all actors and all process steps in the The optimized care process lowers overall costs and can same place. On the other side, in order to have a qualitative help shorten waiting lists with lowering the number of service, it is necessary that the case manager (nurse or social physical appointments as well. worker) coordinates the process, and the technology is adopted in existing services making them less work 1 INTRODUCTION intensive. The health institution, or doctor’s themselves, can share health related information, general health advice and Parkinson's disease patients are facing too long intervals articles about diseases. Vitaly health portal gives all of this between controlling check-ups. Personnel in retirement and serves as a communication platform between the user homes do not have enough knowledge about the needs of roles. Parkinson's disease patients and they do not give them adequate treatment. From a personal experience we've found out that smart health IT solutions can significantly improve the care of Parkinson's disease patients and this article describes how we can achieve this by involving patients and medical professionals in the process of care by using a product such as the Vitaly health portal. 2 PUTTING THE PATIENT IN THE CENTER OF CARE Countless studies have shown how engaging the patient improves disease management results. So far, the patient was often viewed only as one of the actors in the process of care or even excluded from decision making. Putting the patient in the center of care empowers the patient and gives him/her the extra willpower to follow the proposed program. This is often difficult since the medical staff don’t have the appropriate tools to do so. It is important for people with chronic illnesses and elderly patients to not be just one of the participants in the process of treatment and care but to be the focus of all involved actors and stimulate the patient to actively participate. According to IFIC (International Figure 1. Roles foundation for Integrated Care) this is the third wave of integration in care and concerns cooperation between patients and professionals [1]. This takes form in self- management support by professionals, a jointly managed 56 3 FOCUS ON “OUT-OF-HOSPITAL” SERVICES IN taken into account and the best solution customized to the PEOPLE’S HOMES AND/OR SPECIAL CARE person’s needs, thus giving appropriate professional care FACILITIES and also non-medical support, social, emotional and other. Smaller “Bottom-up” IT projects integrated with the rest of Since the task of empowering the patient is not easily the health care environment through services are much more achieved, we focused on a group of patients: patients who easily controlled and brought to the set goals. Therefore, require care out of the hospital. These patients require there is a higher probability to satisfy user’s expectations. support from a group of people, medical and non-medical professionals. Nurses need to make frequent house calls to take measurements and give the patients appropriate attention. Using smart equipment, such as wireless blood pressure monitors, glucometers, and similar devices, they are able to make the measurements with the devices that send data automatically into the system. This way, they can relieve the physicians of doing time consuming tasks, as they get the correct monitoring values almost in real time without leaving their clinic or hospital. 4 INVOLVEMENT OF NON-MEDICAL PROFESSIONALS IN THE CARE PROGRAM Patients do not require only professional medical care, but Figure 3. Interoperability also strong community and social support; this involves social workers and family members. People often respond 6 COLLABORATION BETWEEN best to individuals who they already know, hence, giving INSTITUTION/HOSPITALS family members and friends the option and tools necessary Using a collaborative portal platform, different institutions to help in the well-being of their loved ones adds to the can seamlessly work together to ensure the best care for the overall positive outcome. patient, furthermore, it makes the solution patient centric. Hospitals, private care providers, non-government organization, even friends and family can all work together using the unified system to ensure the best quality of care. The entire process is going to be digitalized, since the service request by the user, the service definition (user + care manager), the service implementation (care operator), the service evaluation (user and family) and administrative side (user or public administration) are currently paper based. 7 WORKING ON ALL ASPECTS OF HEALTH – NOT ONLY THE DISEASE But the portal platform can be taken further. As the shift in medicine is gradually moving toward disease prevention, wellness and monitoring a person’s (not yet a patient) health and keeping him healthy, the portal acts as the platform for dietitians, personal trainers and other individuals invested in a person’s health. This information is then also available to Figure 2. Users and involved groups. medical experts, such as the person’s GP, and together they can achieve the best results. 5 “TOP - DOWN” VS. “BOTTOM – UP” APPROACH Another important aspect is the Family Learning, specific learning oriented to users affected by chronic diseases and Most public/national health systems have a “Top-Down” their families or informal caregivers. approach, meaning that they cover the widest array of patients. This type of patient care is generalized and, due to 8 IMPROVED MANAGEMENT OF PARKINSON’S an inertia of big systems, very difficult to change. Large IT DISEASE PATIENTS projects quite often do not achieve desired goals. A modern approach is oriented “Bottom-Up”, hence the specific Some proposals below have come from personal experience patient is in the center and their care is customized to fit of a family member of a Parkinson’s disease patient. Basic them best. Using smart health IT solutions, achieving such a treatment of Parkinson's disease is done with medications specific care plan is made simple. The patient’s input is (e.g. Madopar, Stalevo). The dose should be adjusted 57 regularly to prevent decreasing the quality of the patient's In the later stages some Parkinson's disease patients can life too quickly. Using smart IT solutions, the patient or a have difficulties walking without a risk of falling and family member can report the current symptoms to the injuring due to falling accidentally which is why they need doctor in shorter intervals or even immediately when a constant surveillance. They can be equipped with an change is observed via the Vitaly health portal. The doctor electronic device with motion sensors, which triggers an can adjust the dose without a physical check-up in the alarm and hails the care giver. hospital and without waiting for the next scheduled check- up, when it could be too late. Furthermore, the Vitaly health 9 CONCLUSION portal provides history of the previous doses and all reported Using a collaborative health portal platform, paperwork is symptoms, which helps the doctor prescribe the proper dose reduced, efficiency increased and care results are improved of the medication more accurately. when smart technology such as the Vitaly health portal are Another benefit of the Vitaly health portal is giving specific implemented. knowledge of Parkinson’s disease to all other stakeholders We have shown the possibility of smart health solutions to in patient treatments in one place. First of all, the patient improve the treatment and management of Parkinson's himself and his family members should receive the disease patients and to increase the quality of life of the instructions how to adopt their lives to the new and stressful patients and their family. With such a solution, we can situation. They should, for example, receive the instructions provide highly coordinated treatment by all involved how to eat, bathe, stand up … with limited mobility of arms stakeholders. The optimized care process lowers overall and legs. Similarly, the Vitaly health portal can provide costs and can help shorten waiting lists with lowering the graphical or video instructions of exercises that should be number of physical appointments. performed regularly to prolong the patient's mobility. When the physiotherapist is being involved in the treatment in the To accelerate the adoption of new technologies into the later stages of the illness, he can get additional information Slovenian health system it is crucial to adopt the financing of Parkinson's disease specific exercises. of new technical possibilities as well and that way allow the hospitals and other institutions to introduce new modern With progression of the disease, patients with Parkinson’s approaches of health care. With smaller IT projects the user sooner or later need to be transferred to a retirement home or satisfaction is expected to be achieved much sooner and similar institution, since they require care throughout the with greater probability compared to the larger projects. day. The caregivers in retirement communities have many patients to care for and with the Vitaly health portal they can References: gain and access additional knowledge of Parkinson's disease (and other illness) specific care in a very efficient way. They [1] Patient is partner, not a consumer, IFIC official website can easily report the status of the patient to the doctor in http://integratedcarefoundation.org/blog/patient-is- regular intervals or in the case of a sudden change as well. partner-not-consumer (July 26th, 2016) 58 Future trends and smart dental care Peter Kokol, Borut Žalik, Matjaž Jernej Završnik Simon Jurič, Bojan Slemnik Colnarič, Denis Špelič, Milan Health Center dr. Adolf Drolc INOVA IT Zorman, Domen Verber Ulica talcev 9, 2000 Maribor Pesnica pri Mariboru 32e University of Maribor, FERI Slovenia 2211 Pesnica pri Mariboru Smetanova 17, 2000 Maribor jernej.zavrsnik@zdm-mb.si Slovenia Slovenia simon.juric@inova.si,bojan.slemnik@i peter.kokol@um.si, borut.zalik@um.si, nova.si matjaz.colnaric@um.si, denis.spelic@um.si, milan.zorma@um.si, domen.verber@um.si ABSTRACT • a computer mobile phone based device which will enable In this paper, we present the idea of smart dental care as seen from children/adolescent and their parents to asses and follow the the perspective of the EcoSmart project health status of their teeth • an e-.teeth health record including measured data from the Keywords device, eating patterns, dental hygiene patterns and similar e-health, m-health, intelligent systems, knowledge exploration, together with the supporting information systems smart dental care • an intelligent system which will analyse data gathered from the above device and dental health record in the manner to 1. INTRODUCTION guide the children to keep their teeth healthy Proper dental care for children is of upmost importance since inadequate or unsatisfactory dental treatment during childhood • a serious health game which will motivate and educate may permanently damage the masticatory apparatus, leaving the children /adolescents and their parents to manage the health individual with many of the dental problems so common in of their teeth i.e. the points system of the game will be nowadays adult population. The goal should be to have all mostly based on the state of teeth health and proper dental children and adolescents with all teeth healthy, and elderly people hygiene and eating patterns with all teeth left and no dentures [1]. • a new knowledge discovery systems which will analyse gathered date and augment them with geographical 2. SMART DENTAL CARE attributes In the era of modern medicine, dentistry has been constantly changing according to advances in information communication • new dentistry educational approaches based on medical and health technology REF2. Key technology trends like simulations, and personalized medicine, gamification based wellness, artificial intelligence, 3D printing, nanotechnology, robotics, advanced • new dental care specific patient safety and data security approaches sensors, semantic health records enabling intelligent data analysis and knowledge discovery must also be integrated into future dental care. To enable that paradigm shift also the education must follow with the employment of advanced educational methods 4. References including medical simulations. Additionally patient safety and [1] A B Fuks and B Peretz, "Pediatric Endotonics: Past and patient data should be protected by most recent safety protocols Present Perspective and Future Directions," in Pediatric and data security algorithms. Endotonics. Berlin: Springer Verlag, 2016, pp. 1-5. 3. THE EkoSmart APPROACH To achieve the dental care goals set into the introduction in the EkoSmart project we will develop: 59 Pametne zapestnice Tomaž Kompara Igor Gornik Elgoline d.o.o. Elgoline d.o.o. Podskrajnik 34, Podskrajnik 34, Cerknica, Slovenija Cerknica, Slovenija tomaz.kompara@elgoline.si igor.gornik@elgoline.si POVZETEK zajema podatkov je drago vzdrževanje strojne opreme ter večja možnost posega v uporabnikovo zasebnost. Podjetje Elgoline bo v okviru projekta EMZ razvijalo pametne zapestnice, ki bodo omogočale merjenju uporabnikovega stanja. Oba načina pošiljanja je mogoče tudi poljubno združiti. Na Pridobljeni podatki bodo uporabljeni za izboljšanje zdravstvenih primer, podatki se lahko delno obdelajo in shranijo na zapestnici diagnoz in izboljšanju kakovosti življenja uporabnika. sami ter se na zunanjo napravo prenesejo v poljubnem času. Tak primer so zapestnice za štetje korakov. Zaznavanje korakov in Zaznavanje je tehnološko najzahtevnejši in hkrati shranjevanje števila se obdelata na zapestnici sami, nato pa se ob najpomembnejši del celotnega sistema, saj mora biti izvedeno na povezavi s pametnim telefonom preneseta. uporabniku prijazen in nemoteč način. Na primer, le malo uporabnikov bi želelo uporabljati sistem za merjenje porabe Na podlagi zbranih podatkov o uporabnikih je mogoče uporabiti energije, ki je sestavljen iz dihalne maske ter 5kg težke merilne napredne metode strojnega učenja ter na ta način pridobiti nova opreme, ki ji je potrebno po nekaj urah uporabe zamenjati znanja o določenem pojavu. Tako lahko pojav bolje razumemo baterijo. Poleg same uporabnosti pa je pomembna tudi sama cena ter v prihodnje bolje zaznamo in hitreje ukrepamo. Prav to so naprave, kar dodatno omeji nabor senzorjev, ki jih je mogoče smernice pri razvoju naprav v podjetju Elgoline. Trenutno so v uporabiti. razvoju štiri različne nosljive naprave in sicer: SOS zapestnica, športni nadzornik, merilnik aktivnosti otrok in SOS zapestnica z Zaradi teh omejitev je potrebno izbrati senzorje na podlagi katerih detekcijo padcev. lahko posredno določimo merjene veličine. Na primer, porabo energije lahko ocenimo na podlagi pospeškov (mobilni telefon, SOS zapestnica je namenjena širšemu krogu ljudi, ki so zapestnica ipd.) [1,2]. Tak način je mnogo cenejši in bolj prijazen izpostavljeni takšni ali drugačni nevarnosti in želijo imeti uporabniku, vendar tudi manj zanesljiv in tehnološko težje možnost hitrega klica do nujne medicinske pomoči ali do katere izvedljiv. druge osebe. Izmerjeni podatki se lahko prenašajo na drugo napravo ali pa se Zdravje v profesionalnem športu je še posebej pomembno, saj obdelajo lokalno na nošeni napravi sami. Vsak izmed pristopov lahko resnejša poškodba pomeni tudi konec kariere. V ta namen ima svoje prednosti in slabosti. Najpomembnejša faktorja sta smo razvili napravo, ki zajema EKG signal, pospeške in rotacijo poraba električne energije in cena prenosa podatkov. V kolikor se v vseh treh oseh ter zelo natančen GPS modul (z natančnostjo izkaže, da je poraba energije in cena pošiljanja surovih podatkov boljšo od enega metra) ter omogoča nadzor nad gibanjem manjša kot poraba potrebna za procesiranje in pošiljanje končnih športnika. rezultatov, je primernejši prvi pristop, v nasprotnem primeru pa V zadnjih letih se je raven gibalnih sposobnosti otrok zelo znižala, drugi. Končna odločitev o načinu povezave naprave s preostalim saj se ti veliko manj gibljejo kot poprej. Zaradi tega je potrebno svetom je največkrat odvisna od področja uporabe in namena najti nove načine, kako otroke spodbuditi k aktivnosti ter s tem naprave same. dvigniti njihovo gibalno sposobnost. V primeru ko se procesiranje vrši na nošeni napravi sami, je Padci so zelo nevarni predvsem pri starejših. Delno lahko količina prometa mnogo manjša, zaradi česar vmesne naprave problem reši SOS zapestnica, vendar je lahko uporabnik prav pri niso potrebne, ampak se obvestilo lahko prenese neposredno hujših padcih v nezavesti in ne more pritisniti gumba za sprožitev ciljni osebi (npr. nujno medicinsko pomoč - 112, sorodnikom, alarma. V ta namen razvijamo zapestnico, ki padce samodejno znancem itd.). Primer takšnega sistema je zaznavanje padcev [3], zazna ter pokliče pomoč. ki se posamezniku običajno pripetijo le nekajkrat v življenju. Slabost takšnega pristopa je posodabljanje programske opreme, VIRI saj je potrebno novo programsko opremo naložiti na vsako [1] B. Cvetkovic, V. Janko, and M. Lustrek. Demo abstract: napravo posebej. Activity recognition and human energy expenditure estimation V primeru ko se podatki v obdelavo prenašajo v drugo napravo, with a smartphone. In Pervasive Computing and Communication je potrebno zagotoviti neprekinjeno delujoč sistem (npr. strežnik), Workshops (PerCom Workshops), 2015 IEEE International ki podatke prejema ter uporabi za izračun želenih vrednosti. Conference on, pages 193{195, March 2015. Prednost takšnega načina je možnost razširitve spominskega [2] B. Cvetkovic, R. Milic, and M. Lustrek. Estimating energy prostora ter procesorske moči glede na potrebe aplikacije ter expenditure with multiple models using di_erent wearable števila uporabnikov. Poleg tega je mogoče algoritme za računanje sensors. Biomedical and Health Informatics, IEEE Journal of, želenih vrednosti enostavno posodobiti. Slabost takšnega načina PP(99):1-1, 2015. [3] B. V. Kek. Kakovost življenja. Statistični urad Republike Slovenije, pages 28-31, 2012 60 Aplikacija za pomoč pri telesni vadbi bolnikov s srčnim popuščanjem Mitja Luštrek, Erik Dovgan, Anneleen Baert, Sofie Pardaens, Aljoša Vodopija, Marko Bohanec Els Clays Institut Jožef Stefan Univerza v Gentu Odsek za inteligentne sisteme, Odsek za tehnologijo znanja Oddelek za javno zdravje Jamova cesta 39, 1000 Ljubljana, Slovenija De Pintelaan 185 – 4K3, 9000 Gent, Belgija {mitja.lustrek, erik.dovgan, {anneleen.baert, sofie.pardaens, aljosa.vodopija, marko.bohanec}@ijs.si els.clays}@ugent.be POVZETEK 2. SISTEM HEARTMAN Srčno popuščanje je neozdravljiva bolezen, katere glavni simptom Arhitektura sistema HeartMan je prikazana na sliki 1. Sistem bo je nezmožnost opravljanja (težjih) telesnih aktivnosti. uporabljal senzorsko zapestnico, ki bo spremljala telesno Obvladovanje bolezni poleg jemanja različnih zdravil zahteva aktivnost ter merila srčni utrip in še nekatere fiziološke znake. posege v način življenja, ki vključujejo spremljanje telesne teže, Poleg tega bo sprejemal podatke iz dodatnih naprav, kot je omejevanje vnosa tekočin, primerno prehrano in telesno aktivnost. denimo tehtnica, iz senzorjev v pametnem telefonu in od bolnika V prispevku opisujemo zasnovo aplikacije, ki bolnikom daje prek uporabniškega vmesnika mobilne aplikacije. To bo sistemu posamezniku prilagojene nasvete glede telesne vadbe. Aplikacija omogočilo ugotoviti bolnikovo trenutno telesno in psihološko za vsak teden pripravi načrt vadbe, nato pa vsak dan bolniku stanje (zelene komponente). Te podatke bo kombiniral s podatki o predstavi načrtovane vaje in ga pri vadbi spremlja. bolnikovem zdravju iz njegove kartoteke (vijoličasta komponenta za upravljanje podatkov), da mu bo pomagal odločati se o ukrepih Ključne besede za obvladovanje bolezni (modra komponenta). Temu bodo služili Srčno popuščanje, podpora odločanju, telesna vadba nasveti, prilagojeni bolnikovemu zdravstvenemu stanju, ki so predmet tega prispevka. Načrtujemo pa tudi, da bomo nasvete 1. UVOD prilagodili bolnikovemu psihološkemu profilu (normalen, slabo motiviran, depresiven, anksiozen) in trenutnemu psihološkemu Srčno popuščanje je bolezen, pri kateri srce ni sposobno prečrpati stanju, s čimer bomo povečali verjetnost, da jih bo bolnik dovolj krvi, da bi s kisikom in hranilnimi snovmi zadostno upošteval. Nasvete bomo na koncu prikazali v mobilni aplikaciji. preskrbelo telo. Glavni simptom je nezmožnost opravljanja (težjih) telesnih aktivnosti. Bolezen prizadene 1–2 % prebivalstva [1] in se navadno pojavi po 70. letu starosti. Zdraviti je zaenkrat ne znamo, tako da več kot pol bolnikov umre prej kot pet let po diagnozi. Bolnikom so tako na voljo le ukrepi za obvladovanje bolezni, ki izboljšajo preživetje in kakovost življenja. Obvladovanje srčnega popuščanja je dokaj kompleksno: poleg jemanja različnih zdravil zahteva posege v način življenja, ki vključujejo skrbno spremljanje telesne teže, omejevanje vnosa tekočin, primerno prehrano in telesno aktivnost. Za večino bolnikov je dosledno upoštevati vse to težko, zato v projektu Obzorja 2020 HeartMan razvijamo sistem, ki jim bo pomagal z nasveti, prilagojenimi zdravstvenemu stanju in psihološkemu profilu vsakega posameznika. Slika 1. Arhitektura sistema HeartMan. Ta prispevek obravnava nasvete za telesno vadbo, saj je ta bistvena za spopadanje z nezmožnostjo opravljanja telesnih 3. NASVETI ZA TELESNO VADBO aktivnosti, obenem pa raziskave kažejo, da jo opravlja le okrog 20 % bolnikov [2]. Glavna razloga za to sta pomanjkanje Program telesne vadbe za bolnike s srčnim popuščanje je navadno spodbude in védenja o tem, kakšna vadba je primerna. Vadba je razdeljen po tednih, zato bo temu sledil tudi sistem HeartMan. namreč naporna in je zato bolnike strah, da bo škodila njihovemu Priprava nasvetov ima dva dela: pripravo tedenskega načrta in zdravju. Sistem HeartMan jih bo najprej na vadbo opomnil, nato dnevni postopek za spodbujanje in spremljanje vadbe. bo preveril, ali je njihovo trenutno stanje primerno za začetek, jim 3.1 Tedenski načrt dal natančne napotke in vmes s senzorsko zapestnico preverjal, ali Tedenski načrt bo sestavljen iz vadb, ki naj bi jih bolnik opravil so fiziološki znaki v primernih mejah za nadaljevanje. tekom enega tedna. Vadbe se bodo delile na dva tipa: za Razvoj sistema HeartMan se šele začenja, zato bo prispevek vzdržljivost in za moč. Organizirane bodo glede na štiri predstavil zasnovo nasvetov v formalni obliki, primerni za razvoj spremenljivke: število vadb na teden, intenzivnost vadbe, tip aplikacije za pomoč bolnikom. Drugo poglavje bo predstavilo vadbe in dolžino posamezne vadbe. Spremenljivke bodo sistem nasploh, tretje poglavje se bo osredotočilo na telesno prilagojene bolniku in se bodo prilagajale njegovemu napredku. vadbo, četrto pa bo prispevek sklenilo z načrti za nadaljnje delo. Bolniki bodo glede na svoje zmožnosti razporejeni v dve skupini: 61 z običajno in z nizko težavnostjo. Vrednosti spremenljivk in nasprotnem primeru pa bo sistem začel s spremljanjem vadbe, kot njihovo prilagajanje bolniku bo okvirno zasnovano na podlagi opisano v glavnem postopu izvajanja vadbe. skupine, ki ji bo bolnik pripadal. Sistem HeartMan bo na začetku vsakega tedna preveril, ali bolnik lahko napreduje v kakšni izmed spremenljivk (glede na zaporedni teden spremljanja in zgodovino opravljenih vadb). Nadaljnje akcije sistema bodo odvisne od tipa spremenljivke: • V primeru, da je bolnik pripravljen na zvišanje pogostosti tedenskih vadb ali trajanja vadb, bo sistem o tem bolnika obvestil. Nato se bo bolnik sam odločil, ali želi ohraniti stare nastavitve ali preiti na nove. V primeru spremembe pogostosti vadbe bo bolnik pozvan, naj izbere dneve, na katere si želi telovaditi (bolniku bo omogočeno, da si dneve vadbe spremeni tudi sicer, kadar si sam zaželi). • Sistem bo samostojno preveril, ali je bolnik sposoben opraviti določen tip vadbe in mu bo ob pravem času omogočal izbiro vadbe tega tipa. • Kadar bo sistem ugotovil, da je bolnik pripravljen zvišati intenzivnost vadbe, bo o tem poročal zdravniškemu osebju, ki bo slednje potrdilo ali zavrnilo. Nato bo na podlagi posodobljenih spremenljivk in zgodovine bolnikovega odziva na posamezno vadbo sestavil seznam vadb, ki jih bolnik lahko opravlja tekoči teden. Na dan vadbe bo sistem bolniku prikazal seznam, iz katerega si bo ta izbral vaje po želji. Po opravljeni vadbi bo sistem izbrano vajo izbrisal iz seznama in mu jo tekoči teden ne bo več predlagal. Sistem HeartMan bo s pomočjo tedenskega načrta vsakemu Slika 2: Dnevni postopek vadbe. bolniku predlagal vadbo, ki bo zanj koristna in ne bo predstavljala Za komunikacijo z bolnikom, tj. prikaz navodil za vadbo, prikaz nevarnosti za njegovo zdravje. Obenem pa bo bolniku – kadar bo opozoril in omogočanje vnosa opisa vadbe, bo sistem vključeval možno – prepustil izbiro konkretnih vaj. Tako se bo bolnik tudi bolnikom prilagojen uporabniški vmesnik, ki bo deloval na počutil varno, hkrati pa ga bo možnost lastne izbire bolj mobilnih napravah. Razvoj uporabniškega vmesnika bo sledil motivirala za opravljanje vadbe. navodilom zdravnikov in ugotovitvam študije zahtev ciljnih 3.2 Dnevni postopek uporabnikov. Slika 2 prikazuje glavni postopek izvajanja telesne vadbe tekom 4. ZAKLJUČEK dneva. Bolnik bo na začetku dneva pozvan, naj izbere, katere vaje V prispevku smo predstavili zasnovo svetovanja o telesni vadbi za bo izvajal v tekočem dnevu. Ko bo bolnik pripravljen, bo v bolnike s srčnim popuščanjem. Nadaljnje delo bo potekalo v dveh sistemu zagnal začetek vadbe. Sistem bo takrat preveril vejah: svetovanje bomo implementirali grafično preprosto za predpogoje za vadbo, ki bodo prilagojeni bolniku, npr. ali je srčni preizkušanje same pravilnosti priprave tedenskih načrtov in utrip znotraj dovoljenih meja. Za to bo uporabil senzorsko dnevnega postopka vadbe, obenem pa bomo začeli snovati zapestnico, po potrebi pa tudi dodatne naprave, kot je npr. uporabniški vmesnik, da ga bomo lahko pokazali uporabnikom in merilnik srčnega utripa. Če predpogoji ne bodo izpolnjeni, bo čim prej pridobili njihove odzive. Obe veji bomo nato združili v bolnik obveščen, da z vadbo ne sme začeti, v primeru večjih končno aplikacijo. Ta bo svetovala ne le glede telesne vadbe, odstopanj pa bo obveščen tudi zdravnik. Če bodo predpogoji ampak tudi drugih ukrepov za obvladovanje srčnega popuščanja. izpolnjeni, se bodo prikazala navodila za vadbo ter s pomočjo senzorske zapestnice začeli meriti fiziološki znaki in ugotavljati zaključek vadbe. Če bodo fiziološki znaki odstopali od dopustnih 5. ZAHVALA vrednosti, bo bolnik pozvan, naj vadbo prekine. Ob zaključku Projekt HeartMan financira program Evropske komisije za vadbe bo sistem bolnika pozval, naj opiše pravkar opravljeno raziskave in inovacije Obzorje 2020 pod številko 689660. vadbo. V zadnjem koraku se bo posodobil tedenski načrt vadbe, pri čem se bodo upoštevali opravljena vadba, izmerjeni fiziološki 6. LITERATURA znaki in bolnikov opis vadbe. [1] Mosterd, A., and Hoes, A. W. 2007. Clinical epidemiology Poleg glavnega postopka izvajanja vadbe bo sistem tudi omogočal of heart failure. Heart 93(9), 1137–1146. naknaden vnos že opravljene vadbe v primeru, ko bolnik ne bo [2] Bjarnason-Wehrens, B., McGee, H., Zwisler, A. D., Piepoli, opozoril sistema, da je začel z vadbo. Dodatno bo sistem stalno M. F., Benzer, W., et al. 2010. Cardiac rehabilitation in spremljal podatke iz senzorske zapestnice in ugotavljal, ali bolnik Europe: results from the European Cardiac Rehabilitation izvaja vadbo. V ta namen bo sistem klasificiral bolnikovo Inventory Survey. European Journal of Cardiovascular trenutno aktivnost. V kolikor bo ugotovil, da bolnik izvaja Prevention and Rehabilitation 17 (4), 410–18. določeno vadbo, bo sistem preveril predpogoje. Če predpogoji ne bodo izpolnjeni, bo bolnika pozval, naj vadbo prekine. V 62 IN LIFE Web Portal for Care-giver Support Tadej Magajna, Jani Bizjak, Hristijan Gjoreski, Matjaž Gams Jožef Stefan Institute Odsek za Inteligentne Sisteme ABSTRACT This paper presents the IN LIFE Web portal for Care-giver Support, which is a web-based platform for scheduling, monitoring and tracking the elderly equipped with smartwatches. First, we present the system from a practical perspective and provide reasons why such a system would be beneficial. Next, we discuss the main technological decisions that were taken in order to ensure stability, scalability and performance of the system. Lastly, we provide few possible improvements for future research and development. KEYWORDS MVC framework, care-giver support, SMS hub, wristwatch, REST 1. INTRODUCTION When implementing systems for providing support and prolonging the independent living of the elderly we often encounter the need for a centralized control system with which we Figure 1: Visit scheduling interface could monitor, track and schedule the daily visits of the elderly. In this paper we present a web based platform that serves as a tool 3. TECHNOLOGIES for scheduling carer visits for the elderly. Since the elderly are The web platform is implemented in CodeIgniter [3] framework also supplied with fall detection [1] equipped smartwatches, the and provides a variety of complex features and communication system can be used as an interface for wristwatch configuration. It protocols. CodeIgniter is an open-source rapid software can also send messages to wristwatches and track the location of development framework implemented in PHP [4]. the elderly. The purpose of the project is not merely to implement the required functionalities, but to create a stable, scalable and 3.1 COMMINUCATION PROTOCOLS reliable system that would turn out to be beneficial for the elderly The inter device communication is handled via REST [5] in practice. (representational state transfer) services. It is a platform independent architectural style used for web development. The 2. SYSTEM OVERVIEW communication is based either on GET, SET, PUT, POST and IN LIFE Web Care-giver Support is a web platform for tracking, DELETE http requests. The request content is formatted in XML monitoring and scheduling visits for elderly in need of care-giver or JSON [6] and thus provides platform independency since support. It provides authenticated access to carers, informal different devices on different platforms can normally carers, administrators and the elderly (normal users). Carer users communicate in encoded messages. A REST endpoint is therefore can see their upcoming visits and information about their users. an HTTP address that listens to various types of requests encoded They have a right to postpone or request cancelation of a user. in XML or JSON and provides a suitable environment for server- They can also mark visit task states to: done, not done or partly smartphone or server-wristwatch communication. done. Informal carers can see visits of their users, yet they cannot 3.2 SMS SERVICE modify any information or send postpone requests. Users can log Web Care-giver Support features a bulk SMS service. SMS in to check their upcoming visits. Administrator users can see all messaging provides a robust, reliable communication protocol upcoming users, create new users, delete and schedule new visits, that does not rely on internet connectivity. Most up-to-date bilk as shown in Figure 1. SMS systems offer a service that charges per SMS and is The platform communicates with both carer tablets and user geographically limited. In our project, we suggest a Raspberry Pi wristwatches via a RESTful API [2]. Administrators can acquire based bulk SMS service that is not geographically limited and can geolocation of any user that wears a wristwatch and display their use unlimited SMS plans. A Raspberry Pi embedded computer current position. Wristwatches configuration settings can also be with a USB modem can serve as a device for sending and set through a device configuration interface on the website. receiving SMS messages. Our device uses a RESTful API that provides a platform independent endpoint for receiving incoming 63 commands for sending SMS and sending outgoing commands to 3.4.3 SENDING NOTIFICATIONS TO ELDERLY store received messages on the sever. The USB modem contains a The elderly can often forget to sort out certain important daily SIM card connected to a contract plan that usually includes a tasks. System provides a functionality for sending notifications to large or unlimited number of messages per month. The service can the elderly that are displayed on their smartwatch display. therefore be used as a cost effective alternative for bulk SMS deployment. 4. CONCLUSION 3.3 DESIGN PATTERNS IN LIFE Web Care-giver support turned out to be a useful system that, if used in practice for longer periods, could significantly Design patterns are general reusable solution to a commonly improve the ease of scheduling and help to provide a safer occurring problem. In our case, we try to organize a structure for a environment for the elderly. The SMS communication provides scalable, safe, high performance multi language platform. We use reliability, but on the other hand slows down the overall an MVC [7] (model view controller) framework. A view is an communication response time, which can take up to 30 seconds output representation of information such as a chart, diagram or a and does affect the user experience. In future we could implement web template. Model is the logic behind the pattern. It works with a high availability communication system that would use HTTP as the processing, data acquisition and storage. A controller works as its main form of communication and upon failure use other an intermediary between views and models. It usually sends and communication forms such as SMS. receives the results from the model and sends it to views for rendering. ACKNOWLEDGMENTS We used the MVC framework to enable multi language support, We would like to thank Klinika Doktor 24 d.o.o. for providing logic-template separation and scalability. user oriented advice that contributed to the practicality of the 3.4 ADDITIONAL FEATURES system. Apart from basic scheduling functionalities, the system provides a set of additional functionalities that improve the practical use. 5. REFERENCES [1] Ong, S. P., Cholia, S., Jain, A., Brafman, M., Gunter, D., 3.4.1 ALARM AND NOTIFICATION SYSTEM Ceder, G., & Persson, K. A. (2015). The Materials The web platform communicates with wristwatches via a RESTful Application Programming Interface (API): A simple, API service. A special endpoint is used to send alarms and flexible and efficient API for materials data based on notifications for the administrator to review. The least severe type REpresentational State Transfer (REST) principles. of notification is a missed visit notification. It occurs when a carer Computational Materials Science, 97, 209-215. does not show up 15 or more minutes after the visit start time. A [2] O'reilly, T. (2007). What is Web 2.0: Design patterns and notification is also sent if a carer reschedules or postpones a visit. business models for the next generation of software. A more severe type of alarm is a fall alarm which is triggered Communications & strategies, (1), 17 when the smartwatch recognizes a fall. While the smartwatch has its own way of seeking help in case of a fall, it also sends an alarm [3] Upton, D. (2007). CodeIgniter for Rapid PHP Application to the Web Care-giver Support. An administrator is immediately Development. Packt Publishing Ltd. notified about the event and has the contact information at hand to [4] Lerdorf, R. (2007). PHP on Hormones–history of PHP perform further actions. presentation by Rasmus Lerdorf given at the MySQL Conference in Santa Clara, California. The Conversations 3.4.2 GEO TRACKING Network. Administrator or a carer can request location of an elderly with a [5] Khare, Rohit, and Richard N. Taylor. "Extending the smartwatch. The location is then displayed in an interactive map representational state transfer (rest) architectural style for and stored in database. Google maps API [8] is used to provide decentralized systems." Proceedings of the 26th International the interactive location visualization. Conference on Software Engineering. IEEE Computer Society, 2004. [6] Krasner, Glenn E., and Stephen T. Pope. "A description of the model-view-controller user interface paradigm in the smalltalk-80 system." Journal of object oriented programming 1.3 (1988): 26-49. [7] Miller, Christopher C. "A beast in the field: The Google Maps mashup as GIS/2." Cartographica: The International Journal for Geographic Information and Geovisualization 41.3 (2006): 187-199. [8] Gjoreski, H., Luštrek, M., & Gams, M. (2012, November). Context-based fall detection using inertial and location sensors. In International Joint Conference on Ambient Intelligence (pp. 1-16). Springer Berlin Heidelberg. Figure 2: Geo tracking interface 64 Closed-loop stimulation Ruben Perel ón Alfonso Indre Pileckyte Jure Bon Clinical Department of Neurology, Clinical Department of Neurology, Clinical Department of Neurology, University Medical Centre Ljubljana University Medical Centre Ljubljana University Medical Centre Ljubljana jure.bon@kclj.si ABSTRACT Closed-loop principle in neuroscience refers to a relatively novel A closed-loop framework implies the collection of brain or technique involving the gathering of electrophysiological signals peripheral bodily electrophysiological signals, analyzing them and analyzing them online in order to derive relevant biological online, and using this information to time and control triggering state information that can in turn be used to trigger a brain of stimulation protocols (Zrenner et al., 2016). This technique is stimulation protocol or in general any kind of medical treatment particularly useful in dealing with conditions which require a very device. This approach is different from traditionally used linear specific state dependent intervention, such as neurological (open-loop) intervention methods, and thus more accurately movement disorders, psychiatric disorders, diabetes and heart resembles the natural bodily self-regulation. related pathologies. As a result, closed-loop neuroscience could be used to develop applications and improve devices for deep Keywords brain stimulation, non-invasive brain stimulation and medication Closed-loop, brain stimulation, control of treatment application infusion devices, by means of combining recent technological advances, complex feedback loops and commodity hardware with millisecond precision. 1. INTRODUCTION Traditionally, the different brain working mechanisms and A recent and attractive example of the potential of closed loop processes have been studied in open-loop fashion and in highly stimulation is auditory stimulation during slow-wave sleep (<1 controlled laboratory setting, yielding rich information on Hz). This is a phase of sleep known to be critical in declarative experimental input-output characteristics. However, the brain memory consolidation. This study for example showed that works as a complex closed-loop system in which its present state auditory stimulation which is delivered in phase with the ongoing determines its further output or response to the external stimuli. rhythm of the slow oscillation peaks (measured online with EEG) The importance of this new framework for understanding brain significantly enhanced the slow oscillation rhythm, and in turn, working mechanisms is emerging in recent years, as brain the consolidation of declarative memory (Ngo et al., 2013). At the stimulation techniques are becoming more prevalent in both same time, stimulation out of phase (e.g. during oscillatory medicine and research. One of the shortcomings of these troughs) showed no such effect. techniques is highly variable interpersonal and intrapersonal effects. Many possible sources of this variability have been 2. CONCLUSIONS identified, such as age, gender, time of the day, genetic The advance in knowledge on the underlying pathophysiological predisposition, cocurrent use of different medications (Ridding & mechanisms of different disorders does suggest that treatment and Ziemann 2010), however, the bulk portion of this trial-to-trial disease management would benefit from using closed-loop models variability is still unexplained and tentatively attributed to in many situations. synaptic homeostatic processes. Therefore, it is not surprising that health care professionals and 3. REFERENCES researchers alike have been fervently looking for possible [1] Ridding, M. C., & Ziemann, U. (2010). Determinants of the approaches to improve their control over the outcome of brain induction of cortical plasticity by non‐invasive brain stimulation and thus maximize its positive effects. It is becoming stimulation in healthy subjects. The Journal of physiology, established that the great inter-individual variability on the effects 588(13), 2291-2304. and benefits of such methods, is not due to random factors but [2] Ngo, H. V. V., Martinetz, T., Born, J., & Mölle, M. (2013). rather to the lack of coupling with the current state of excitability Auditory closed-loop stimulation of the sleep slow and task engagement in the brain. Recent studies have shown how oscillation enhances memory. Neuron, 78(3), 545-553. the effects of plasticity protocols can be modulated and enhanced by taking into account the online brain state. It is therefore [3] Zrenner, C., Belardinelli, P., Müller-Dahlhaus, F., & expected that the efficacy and efficiency of stimulation protocols Ziemann, U. (2016). Closed-loop neuroscience and non- in brain or other body organs will increase with the closed-loop invasive brain stimulation: a tale of two loops. Frontiers in model. cellular neuroscience, 10. 65 BLE omrežje za spremljanje gibanja oseb Andrej Planina Špica International Ljubljana tel. +386 1 5680 800 Andrej.planina@spica.com POVZETEK 2. SESTAVNI DELI REŠITVE Vedno več je elektronskih naprav, ki jih ljudje nosijo na sebi in imajo v sebi hkrati Bluetooth Low Energy vmesnik. Te naprave je 2.1 Osebni BLE identifikator možno uporabiti za avtomatsko zaznavati prisotnosti ljudi v Kot osebni identifikator se lahko v sistemu uporabljajo poljubne prostorih, kar je uporabno za več aplikacij, od poslovnih do naprave, morajo pa imeti BLE vmesnik, oseba jih mora nositi osebnih. V prispevku prikažemo tehnološko podlago in nekaj stalno ob sebi. V poslovnem svetu je najbolj primerna naprava možnosti uporabe te tehnologije. mobilni telefon z BLE. V privatni sferi pa je najbolj primerna BLE zapestnica ali pametna ura z BLE vmesnikom. Takih naprav Ključne besede je na trgu vedno več v širokem cenovnem razponu. Med najcenejšimi in še vedno primernimi napravami so enostavne BLE BLE, domače omrežje, zapestnice, pametne ure, spremljanje zapestnice, na primer Xiaomi MiBand, ki ima trenutno ceno okrog gibanja, zaznavanje prisotnosti oseb 15 EUR. Sistem bo sestavljen tako, da bo deloval s poljubnimi BLE napravami (pametne ure, telefoni). 1. UVOD Trenutno razni informacijski sistemi zaznavajo prisotnost 2.2 Fiksni BLE senzorji konkretne osebe tako, da oseba bodisi v računalnik vpiše svoj Naloga fiksnih BLE senzorjev je zaznavati prisotnost BLE naprav identifikator ali pa se prijavi s svojo RFID identifikacijsko in v nadzorni sistem javljati unikatne MAC naslove in časovne kartico. Avtomatično zaznavanje oseb je problematično zaradi žige, ko je bila posamezna BLE naprava identificirana. Fiksni omejene uporabo biometričnih metod in zaradi visoke cene BLE senzorji morajo biti v prostorih razpostavljeni tako, da je biometričnih identifikacijskih senzorjev. možno lokacijo osebe ugotavljati dovolj natančno. Za kontrolo S pojavom vedno več nosljivih naprav, ki imajo v sebi vedno bolj pristopa in avtomatično odpiranje vrat je to cca. 1 meter, za pogosto Bluetooth Low Energy (BLE) vmesnike [1], je za zaznavanje oseb v prostoru pa nekaj metrov. Zato mora biti identifikacijo oseb možno uporabiti naprave, ki jih nosijo na sebi. možno BLE senzorjem nastavljati prag zaznavanja BLE Domet BLE naprav, padajoča cena in široka dosegljivost teh identifikatorjev. naprav še povečujejo možnost takih sistemov. Fiksni BLE senzor mora biti hkrati cenovno postavljen tako, da Za celovito uporabno rešitev za tako vrsto identifikacije je jih bo možno postaviti dovolj na gosto. Za domačo uporabo in za potrebno postaviti še fiksne BLE senzorje, ki bodo zaznavali zaznavanje oseb po prostorih naj bi bilo to okrog 50 EUR/kos. nosljive BLE identifikatorje in njihovo prisotnost javljali v Instalacija mora biti dovolj enostavna, da jo bodo tudi privatni nadzorni sistem. Tako rešitev lahko umestimo tako v Pametni uporabniki zmogli sami. dom kot tudi v Pametne zgradbe ali Pametne tovarne. Za komunikacijo z nadzornim sistem je najbolj primerna uporaba WIFI vmesnika. Poskrbeti je potrebno še za napajanje naprave, ki mora biti tako, da se uporabniku ne bo potrebno ukvarjati z menjavo baterij prej kot v enem letu. Predvideno je neposreden priklop na 230V vtičnice. napajanje Fiksni WIFI komunikacija do BLE BLE identifikacija nadzornega centra identifikatorjev senzor Slika 2. Shema BLE senzorja Slika 1. Shema celotnega sistema 66 2.3 Koncentrator podatkov in odhodov v službo ali pri prehajanju med različnimi Če se izkaže, da posamezni BLE senzorji zaradi cenovne omejitve kategorijami delovnega lasa (različna stroškovna mesta) bi bilo ne bodo sposobni sami komunicirati do nadzornega centra, bo zaposlenim precej bolj enostavno pripraviti avtomatično potrebno v vsakem sklopu prostorov namestiti še koncentrator registracijo prehodov. Tako bi lahko delovni čas lahko precej bolj podatkov, ki bo navzdol komuniciral do senzorjev preko drugega natančno razdelili med različen kategorije, na primer priprava na načina in ne nujno preko WIFI, navzgor do nadzornega centra pa delo, hoja med prostorji, delo v proizvodnji, odmor, delo v bo moral komunicirati preko IP omrežja – brezžičnega ali žičnega. skladišču, administracija, delo na stroju A, delo na stroju B, delo na nalogi C itd. 2.4 Baza podatkov 3.3 Kontrola pristopa Hranjenje podatkov iz senzorjev o prisotnosti oseb se morajo hraniti v centralni bazi podatkov. V bazi podatkov mora biti tudi V primeru, ko so določena vrata v poslovnih prostorih zaprta in je zavedeno, katere BLE identifikatorje je v katerem trenutku nosila prehod dovolj le avtoriziranim osebam, se ta vrata sedaj navadno posamezna oseba. Na voljo mora biti sistem za administracijo in odpirajo s pomočjo RFID osebne kartice, podobno kot pri pregledovanje podatkov. Vsak uporabnik naj ima vpogled v svoje registraciji delovnega časa. Identifikacijo pooblaščene osebe pred podatke, skupinski administratorji morajo imeti vpogled v vrati bi s pomočjo BEL sistema zaznali avtomatsko in vrata podatke o svoji skupini ljudi. Na voljo morajo biti tudi API avtomatsko odklenili. vmesniki za povezavo z drugimi sistemi. 4. SMERNICE ZA NADALJNJI RAZVOJ Inteligentni nadzorni sistem bi se na podlagi podatkov o gibanju 3. MOŽNE APLIKACIJE oseb naučil, kakšno je normalno gibanje posamezne osebe v 3.1 Spremljanje gibanja doma določenem prostoru in bi zaznaval nenormalna obnašanja, kot so Vedno več je starejših ljudi, ki so v nevarnosti razvoja demence in na primer počasnejše gibanje, predolgo mirovanje na nenavadnih vedno bolj pogosto živijo doma, stran od sorodnikov ali varuhov. krajih in časih, predolge odsotnosti ipd. Nadzorni sistem bi se Njihovi varuhi nimajo stalnega vpogleda v fizično obnašanje lahko tudi nastavilo, da bi alarmiral ob konkretno določenih starejših, razen občasnega telefonskega pogovora ali obiska. dogodkih, na primer odsotnost več kot pol ure, mirovanje več kot Zdravje ljudi pa se navzven najbolj kaže ravno preko njegovega 1 uro čez dan ipd. Nadzorni sistem bi bil povezljiv tudi z drugimi fizičnega obnašanja. viri podatkov, kot so na primer pametni senzorji v stanovanjih, druge osebne wearable naprave, osebne baze podatkov o zdravju Starejši bi uporabljali vsak svojo osebno BLE zapestnico, vsak posameznikov. prostor v njihovem domu bi bil opremljen z BLE senzorjem, skrbniki pa bi imeli vpogled v grobo gibanje svojih oskrbovalcev. Isti koncept bi bilo možno uporabiti tudi za osebe, ki živijo v Nadzorni sistem bi lahko avtomatično ugotavljal trende pri oskrbovanih prostorih, kot tudi za vse druge člane družine, ki niso gibanju in sam alarmiral skrbnike v primeru sprememb v načinu popolnoma samostojni in so podvrženi težavam pri samostojnem bivanja in gibanja. gibanju. Sistem bi bil primeren za uporabo v domovih starejših občanov, bolnišnicah, vrtcih, varovanih prostorih ali privatnih 3.2 Avtomatična registracija delovnega časa stanovanjih. Sistemi za registracijo delovnega časa večinoma delujejo preko izrecne prijave zaposlenih s pomočjo osebnih RFDI kartic na 5. LITERATURA razdaljo nekaj cm od RFID čitalca. V primeru pogostih prihodov [1] Bluetooth: https://en.wikipedia.org/wiki/Bluetooth 67 Modularna aplikacija za telemedicinsko spremljanje kroničnih bolezni in ohranjanje stabilnega zdravstvenega stanja Nataša Planinc1, Denis Pavliha1,2 SRC Infonet1 SRC2 {natasa.planinc, denis.pavliha}@infonet.si POVZETEK okrevanje (Slika 1). V času stabilnega stanja bolezni je oseba izven S staranjem prebivalstva se podaljšuje obdobje življenja s zdravstvenih organizacij doma – izziv je čim prej odkriti morebitno kroničnimi boleznimi in s tem pritisk na zdravstveno blagajno. poslabšanje in ukrepati, saj s tem dostikrat mogoče preprečiti Telemedicinska modularna aplikacija, ki bi omogočala spremljanje hospitalizacijo, ki je stroškovno najbolj obremenjujoča za kroničnih bolezni in ohranjanje stabilnega zdravstvenega stanja, bi zdravstveno blagajno. lahko dopolnjevala in razbremenila obstoječ zdravstveni sistem. Tabela 1: Primerjava med pričakovano življenjsko dobo in Opisan je predlog vsebinske in modularne zasnove take aplikacije, leti zdravega življenja v Sloveniji ki bi vključevala bolnike v potek zdravljenja in povezovala udeležence v tem procesu. Moški Ženske 1 UVOD Pričakovana življenjska 78.2 84.1 S staranjem prebivalstva [1] tako v Sloveniji kot na svetu se povečuje pritisk na zdravstveni sistem, da naj le-ta zagotavlja doba(2014)[4] ustrezno zdravstveno oskrbo in pomaga pri preventivnem Leta zdravega 57.8 59.6 vzdrževanju zdravja (starejših) državljanov kot tudi pri ohranjanju življenja(2014)[4] stabilnega zdravstvenega stanja tistega dela ljudi, ki so že zboleli Razlika 20.4 24.5 za katero od pogostih kroničnih bolezni. S telemedicinskimi spletnimi aplikacijami s podporo mobilnim napravam bi v Sloveniji lahko uvedli obstoječemu zdravstvenemu sistemu komplementaren sistem, ki bi le-tega dopolnjeval in podpiral v točkah, kjer je sedaj kronično obolela ali zdravstvenemu tveganju izpostavljena oseba večinoma prepuščena sama sebi. V času med predvidenimi zdravstvenimi pregledi, ko oseba biva izven zdravstvenih ustanov, lahko pride do poslabšanja zdravstvenega stanja, ki bi ga lahko prej zaznali in obvladovali ter dostikrat preprečili hujši potek bolezni, prav tako pa bi lahko na tak način pospešili okrevanje po bolezni ali poškodbi. Ta problem rešuje telemedicina. Dodatna prednost telemedicinskega spremljanja zdravstvenega stanja je tudi, da vključuje bolnike v potek zdravljenja in povezuje udeležence v procesu zdravljenja. S tem se izboljša odzivnost prilagajanja zdravljenja posamezniku in posledično kvaliteta zdravstvene storitve [2]. Slika 1: Življenjski cikel kronične bolezni. 2 OPIS PROBLEMA Za ljudi, ki še niso oboleli, pomeni ohranjanje zdravja prebivalstva S staranjem populacije se povečujejo izdatki za zdravljenje, delež preventivne ukrepe, kot so na primer presejalni pregledi v izdatkov države v zdravstvene namene je večji pri starejših splošnih in referenčnih ambulantah, ki ugotavljajo dejavnike skupinah prebivalstva [3]. Razlika med pričakovanimi leti tveganja, zdrav življenjski slog s pravilno prehrano, izogibanjem zdravega življenja in pričakovano življenjsko dobo predstavlja škodljivim snovem in navadam ter telesno aktivnostjo – z gibanjem obdobje v življenju, ko je oseba obremenjena s tako ali drugačno in s športom. (običajno kronično) boleznijo, invalidnostjo ali kako drugo zdravstveno tegobo (Tabela 1). Za obe skupini ljudi. zdrave in kronične bolnike, so modularne telemedicinske aplikacije primerna rešitev, ki jih vključi v skrb za Kronične bolezni so pogost spremljevalec v populaciji: 5% svoje zdravstveno stanje. Slovencev ima astmo, 4.1% druge kronične respiratorne bolezni spodnjih dihal, 24.8% visok krvni pritisk, 6.9% sladkorno bolezen in 8.8% kronično depresijo [5]. PREDLAGANA REŠITEV Eden od načinov za obvladovanje pritiska na zdravstveno blagajno Zasnova in arhitektura rešitve je, da poskušamo obstoječo populacijo ohranjali čim bolj zdravo. Predlagana rešitev je oblikovana iz dveh komponent (Slika 2): Pri kroničnih bolnikih to pomeni ohranjanje stabilnega stanja • aplikacija za državljane, bolezni in preprečevanje njenega poslabšanja pa tudi čimprejšnje • aplikacija za zdravstveno osebje. 68 Slika 2: Shematski prikaz komponent rešitve in udeležencev v procesu spremljanja zdravstvenega stanja. Obe aplikaciji sta sestavljeni iz raznih modulov, ki pokrivajo različne vsebinske in operativne sklope. Sklope je mogoče med sabo združevati in povezovati. 3 VSEBINSKI SKLOPI IN MODULI Tehnološko gre za spletne aplikacije s podporo mobilnim Aplikacija za državljane napravam. Aplikacija za državljane omogoča: Spremljanje kronične bolezni ali vzdrževanje zdravja poteka prek • prijavo uporabnika; nalog in sporočil s strani zdravstvenega osebja, ki jih izvaja bolnik • okno s povzetkom, ki vsebuje grafični pregled zdravstvenega stanja za identificirane kronične oziroma državljan. bolezni oziroma preventivne programe (dashboard, Naloge so primarno namenjene pridobivanju informacij o semaforji), naloge, sporočila in meritve; zdravstvenem stanju osebe: bodisi gre za meritve zdravstvenih • vnos in grafični pregled meritev (npr. krvni tlak, sladkor karakteristik (npr. krvni tlak, teža, krvni sladkor…) bodisi za vnos v krvi, PEF in PEV, teža,ipd.);; ocene zdravstvenega stanja na podlagi vprašalnikov ali prostega • pregledovanje in vnos sporočil; teksta. Nabor vprašanj in meritev je odvisen od modula. • pregledovanje nalog in njihovega statusa; Na podlagi odgovorov in meritev lahko sistem s pomočjo • splošne informacije o izbranih modulih, kot so na primer domenske logike ugotovi oceno zdravstvenega stanja, ki se izraža pogosta vprašanja o kroničnih boleznih, navodila za prek semaforja stanj: izvajanje meritev, uporabniška navodila, spletne povezave in podobno. • zelena: stabilno stanje, Aplikacija za zdravstveno osebje • rumena: poslabšanje, Aplikacija za zdravstveno osebje omogoča: • rdeča: kritično stanje. To zdravstveno stanje potem tudi sproži različen odziv na drugi • prijavo uporabnika v sistem; strani pri udeleženem zdravstvenem osebju glede na predviden • pregledovanje seznama bolnikov za posamezno kronično protokol: od tega, da medicinska sestra pokliče bolnika ali da pride bolezen; bolnik na kontrolo k zdravniku, do obiska patronažne sestre ali • pregled poročil, meritev in odgovorov vprašalnikov predaje bolnikovega primera v ukrepanje odgovornemu zdravniku. bolnika; V preventivnih primerih so lahko naloge tudi akcije, ki jih mora • spreminjanje semaforja – ocene stanja bolnika; izvesti oseba, da vzdržuje svoje zdravstveno stanje. 69 • vnos akcij zdravniškega osebja in beleženje opravljenega 4 PREDNOSTI dela; Prednosti telemedicinske podpore procesu zdravljenja kroničnih • vnos nalog bolnika; bolezni je v tem, da razširi postopek zdravljenja tudi v čas, ko • pregledovanje sporočil in obveščanje bolnikov; bolnik biva izven zdravstvenih ustanov, ki do sedaj ni bil pokrit. V • vpogled v podatke pridobljene iz zalednih sistemov; proces aktivno vključi samega bolnika in ga opolnomoči, da • nastavitve, posebej modul za urejanje nabora bolnikov za aktivno skrbi za svoje zdravstveno stanje kot tudi, da ima pregled določeno kronično bolezen. nad informacijami o svojem zdravstvenem stanju in hitrejši dostop do zdravstvenega osebja. V podporo delu z aplikacijama so naslednji moduli s svojimi Spletna aplikacija s podporo mobilnim napravam omogoča funkcionalnostmi: uporabo, ki ni več časovno omejena, temveč je na voljo takrat, ko • moduli za integracijo naprav za meritve – IoT (angl. ima čas oseba, ki jo uporablja. Internet of Things), ki namesto vnosa meritev omogoča direkten prenos izmerjenih vrednosti z Modularni pristop omogoča enostavno razširljivost z dodajanjem naprav. novih modulov, ki pokrivajo različne bolezni ali zdravstvena • moduli za spremljanje kroničnih bolezni kot so npr. stanja, integracijo z drugimi sistemi. pa tudi nadgrajevanje astma, kronična pljučna obstruktivna bolezen odločitvene logike z najnovejšimi strokovnimi ugotovitvami. (KOPB), hipertenzija, koronarna bolezen, sladkorna bolezen ipd; REFERENCE • modul za ohranjanje zdravstvenega stanja (fitness); • modul za podporo rehabilitaciji, ki bi skrbel za [1] Eurostat, Population structure and ageing, telemedicinsko spremljanje rehabilitacije bolnikov po http://ec.europa.eu/eurostat/statistics- poškodbah. explained/index.php/Population_structure_and_ageing, • modul za podporo procesu odločanja za ugotavljanje 2016 ocene zdravstvenega stanja iz zbranih podatkov [2] D. Avison, T. Young. Time to Rethink Health Care and (meritev, odgovorov na vprašalnike, podatkov iz ICT?. Communications of the ACM, Volume 50, Isuue zalednih zdravstvenih sistemov …). Proces odločanja bi bil prilagojen posamezni kronični bolezni. Prav 6, pp. 69-75, 2007. tako bi lahko razvili podporo odločanju pri procesu [3] Eurostat , HEDIC Health Expenditures by Diseases and rehabilitacije in procesu ohranjanja zdravja Conditions, 2016 edition, (preventiva). http://ec.europa.eu/eurostat/documents/3888793/760557 • modul za integracijo z zalednimi zdravstvenimi sistemi 1/KS-TC-16-008-EN-N.pdf, pp. 4, 2016 ni nadgradil podatke v telemedicinski rešitvi s podatki [4] Eurostat, Healty file years and life expectancy at birth, iz zalednega informacijskega zdravstvenega sistema by sex • modul za vnos akcij zdravniškega osebja in beleženje http://ec.europa.eu/health/dyna/echi/datatool/index.cfm? opravljenega dela, ki bi omogočal spreminjanje ocene indlist=40a, 2014 zdravstvenega stanja bolnika (semaforja), vnašanje in [5] Eurostat, Persons reporting chronic disease, by disease, pregledovanje izvedbe nalog bolnika, sporočanje in obveščanje med udeleženci v procesu sex, age and educational attainment level, http://appsso.eurostat.ec.europa.eu/nui/show.do?datase t=hlth_ehis_cd1e&lang=en, 2014 70 Projekt - Pametni sistem integriranega zdravstva in oskrbe Mag. Peter Pustatičnik, univ.dipl.inž.el Področje za eZdravje in eOskrbo Telekom Slovenije, d.d. Cigaletova 15 Ljubljana peter.pustaticnik@telekom.si C4 - Varna raba zdravil in zmanjšanje števila napotitev h POVZETEK kliničnim farmakologom Predstavitev projekta – Pametni sistem integriranega zdravstva in • Razvoj modela za telefarmakologijo oskrbe. 1. UVOD C5 - Izvedba prototipa integrirane zdravstvene obravnave in Zaposleni v sistemu zdravstvenega varstva delajo premalo oskrbe povezano, z nepopolnimi informacijami, kar negativno vpliva na Učinkovito povezavo med deležniki zdravstvenega sistema, je uspešnost, učinkovitost in varnost obravnave pacientov. Zaradi mogoče zagotovili z: nepopolnih informacij in pomanjkanja dostopa do ustreznih podpornih orodij, so večja tveganja za neželene dogodke. 1. izdelavo in uveljavitvijo integiranih kliničnih poti in Dostopnost državljanov do nekaterih zdravstvenih storitev ni smernic, ki vsebujejo ; zadovoljiva. Možnosti za komuniciranje zaposlenih v sistemu 2. izdelavo / uvedbo statndardov; zdravstvenega varstva s pacienti na domu so omejene, prav tako 3. nadgradnjo obstoječe informacijsko komunikacijske možnosti spremljanja poteka zdravljenja pri pacientu na domu tehnologije z uvedbo treh ključnih orodij: (odzivnosti pacientov, učinkovanje zdravil in zdravljenja, navodila za zdravljenje). Te izzive zelo učinkovito obvladujemo s 4. odprto zdravstveno platformo, ki bo preko pametnih telemedicino in teleoskrbo. Telekom Slovenije je skupaj s telefonov in MedTV povezala deležnike v sistemu partenrji pripravil in uspešno izvaja projekt Pametni sistem zdravstvenega varstva, merilne naprave, informacije in integiranega zdravstva in oskrbe. znanje. 2. PREDLOGI REŠITEV Cilji projekta Pametni sistem integiranega zdravstva in oskrbe.so: Bolnišnice Urgentni centri C1 – Vzpostaviti učinkovito povezavo med deležniki zdravstvenega sistema za integrirano zdravstveno obravnavo Referenčne ambulante in vzpostavitev pripadajoče infrastukture • Razvoj modela integrirane zdravstvene obravnave in Oskrba na domu oskrbe: smernice zdravljenja, klinične poti Socialna • Integracija tehnoloških rešitev mreža • Načrt vzpostavitve nacionalnega telemedicinskega pacient centra Slika 1. Integracija deležnikov zdravstvene obravnave in oskrbe C2 - Razvoj sistemskih podlag za razširitev modela integrirane kroničnih bolezni zdravstvene obravnave na nacionalnem nivoju Izmenjava informacij in podatkov med deležniki v zdravstvenem • Razvoj ključnih podlag: zakonodaja, standardi, sistemu zagotavlja učenje in stalen razvoj zdravstvenega sistema. smernice Z ustrezno informacijsko komunikacijsko tehnološko povezavo, • Razvoj trajnostnega modela financiranja bodo multidisciplinarni timi strokovnjakov lahko zagotavljali bolj celovito ter usklajeno zdravljenje in oskrbo. Tako bi zdravstvenim C3 - Dvig kakovosti in varnosti življenja kroničnih bolnikov in delavcem zagotovili integriran, celovit pregled informacij o stanju daljša oskrba v domačem okolju pacienta na mestu oskrbe (prava informacija na pravem mestu ob pravem času). • Integracija telemedicinske obravnave s teleoskrbo kroničnih bolnikov • Model non-stop asistenčnega centra 71 Pomemben je tudi učinek z vidika nacionalnega gospodarstva. Med drugim: • povečuje produktivnost zaposlenih (zaradi zmanjšanja absentizma in boljšega zdravstvenega stanja državljanov), • odpira se nova gospodarska panoga, ki odpira nova delovna mesta • povečuje se informatizacija družbe. Slika 2. Izmenjava podatkov in informacij med deležniki v zdravstvenem sistemu Uspešna izvedba projekta bo zaposlenim v zdravstvu po celi Sloveniji (iz različnih področij zdravstva) omogočila dostop do podatkov v elektronski obliki na pravočasen in varen način. Izdelane in uvedene klinične poti ter vzpostavljena infrastruktura bo omogočala obravnavo in spremljanje pacientov na daljavo ter Slika 3. Pozitivni učinki učinkovito spremljanje in evalvacijo rezultatov zdravljenja. Zdravstveni delavci bodo lahko neposredno komunicirali s pacienti ne glede na njihovo lokacijo. 4. ZAKLJUČEK 3. PRIČAKOVANE KORISTI Za uspešno obvladovanje izzivov slovenskega zdravstva in njegov Projekt zagotavlja nov način delovanja in nove koristi vsem razvoj potrebujemo uspešno izvedbo projekta Pametni sistem deležnikom v sistemu: integiranega zdravstva in oskrbe ter uvedbo izdelkov projekta na • pacienti in svojci: boljša dostopnost do zdravstvenih nacionalni ravni. storitev, opolnomočenje, varnejša in celovitejša Tuje razvite države se že v veliki meri poslužujejo podobnih obravnava, z rednim spremljanjem bolezni in učinkov rešitev telemedicine in teleoskrbe, ki kažejo velike pozitivne zdravljenja boljše obvladovanje svoje bolezni in boljšo učinke tako na področju učinkovitosti procesov, kakovosti kakovost življenja, zdravljenja in oskrbe, prihrankov ter zadovoljstva in varnosti uporabnikov. • zdravniki in zdravstveni timi: na osnovi celovitih podatkov in informacij učinkovitejše zdravljenje, 5. LITERATURA celovitejše spremljanje izidov zdravljenja, primerjave z najboljšimi in nenehno učenje in izboljševanje, [1] Momentum: European Momentum for Mainstreaming Telemedicine Deployment in Daily Practice. • raziskovalci: boljši podatki za retrospektivno in prospektivno raziskovalno dejavnost, [2] eHealth in Denmark: eHealth as a part of a coherent Danish health care system, Danish Ministry of Health, • plačniki, načrtovalci in odločevalci: učinkovito April 2012. načrtovanje, učinkovito učenje in razvoj – spremljanje učinkov ukrepov, nacionalnih programov, učinkovitejša [3] Healthcare Solutions, Deutsche Telekom, s raba (izkoriščenost) virov. Transparentni podatki bodo https://www.telekom-healthcare.com/. plačniku omogočali nagrajevanje kakovosti in dodane vrednosti zdravstvenih storitev 72 Wireless body sensor data analytics - challenges and approaches Aleksandra Rashkovska, Viktor Avbelj, Roman Trobec Jožef Stefan Institute Jamova cesta 39 1000 Ljubljana, Slovenia {aleksandra.rashkovska, viktor.avbelj, roman trobec}@ijs.si ABSTRACT Telecare, which represent a promising alternative for today’s The development of information technology and telecom- traditional hospital admission [3]. This basic premise is in- munications has reached a level where its usefulness can be cluded in all strategic plans of the EU and the rest of the applied for health care needs. The trends in recent years world [23]. Research efforts are focused on the development are towards wireless body sensors applied for long-term pa- of devices and instruments which are smaller, simple to use tient monitoring during different activities. However, the and reliable. The trends in recent years are towards wireless measurements from wireless body sensors, which are novel body sensors applied for patient monitoring [12]. both in terms of their duration and activity coverage, re- quire also novel approaches to their analysis. These novel Our latest contribution to this topic is an open source system algorithms should be able to deal with noisy and sparsely for mobile monitoring of vital physiological parameters and sampled ECGs and with various beat shapes. Furthermore, environmental context [2]. The system has been registered these algorithms should be able to run in real-time and on a as a technology innovation at the Jožef Stefan Institute since computationally limited portable devices, while maintaining April 15th, 2015. In the center of the system is a wireless power efficiency. This paper presents the challenges and dis- multi-functional body sensor (dimensions: 2x9cm, weight: cusses the possible directions in the design of robust methods 14 g) that measures vital physiological and environmental for efficient analysis of noisy differential ECG measurements parameters, with two electrodes at the distance of 8 cm [20]. made with wireless body sensors. The device primarily measures differential surface potential (ECG) between the proximal electrodes. The sensor has a Categories and Subject Descriptors long autonomy (up to 7 days), a low power wireless con- nection (BT4) to a Smartphone or other personal device, J.3 [Life and Medical Sciences]: Health and corresponding software for standard interpretation of measurements. The moderate resolution ECG is suitable General Terms for long-term personal cardiac activity monitoring, as well Algorithms, Measurement as for clinical use. Its exceptionally lightweight design al- lows for unobstructed use also during sports activities or Keywords during exhaustive physical work. Besides ECG, other fea- tures can be extracted from the measured potential, such ECG, long-term monitoring, wireless sensor as muscle activity and respiration [21]. The sensor can also detect information about the measurement conditions such 1. INTRODUCTION as movement and temperature, thus providing information High-quality electrocardiogram (ECG) was first measured that allows for ambient intelligence [5]. The device can sup- by Willem Einthoven at the beginning of the 20th century port solutions to every-day problems of the medical personal with his invention of the string galvanometer. The whole in hospitals, health clinics, homes for the elderly and health ECG machine weighted some 300 kg. Today, a range of ECG resorts. devices are used in medicine, from the well-known standard 12-lead ECG, where wires are connected to electrodes placed The multichannel ECG inspired our solution with 64 elec- on 10 locations of the body, to multichannel ECG body sur- trodes on the surface of the body. We recognized that a face mapping systems [19], to the Holter monitor, where significant amount of information about heart activity could reduced number of electrodes are connected with wires to a be measured just through the electric potential between two small portable recorder that obtains continuous ECG mea- neighboring multichannel electrodes. Such an approach en- surement throughout several days [18], and finally to the ables non-invasive measurement with a single-channel of bipo- (wireless) implantable loop recorder measuring ECG for a lar ECG without wires. Thus, our solution is situated be- period of several years and weights only 17 g [25]. The last tween the Holter monitor and the implantable loop recorder is an invasive ECG measurement where a special device is with the possibility of immediate access to the measured inserted under the skin. data. With appropriate placement of the device on the chest, good visibility of all electrocardiographic waves (P, QRS and The development of information technology and telecom- T) can be achieved, allowing for quality ECG recording suf- munications has reached a level where its usefulness can ficient for medical analysis. In contrast, implanted ECG be applied for health care needs towards Telemedicine and 73 Figure 1: Wireless sensor evolution. recorders often record P waves that are poorly visible or not maintaining power efficiency. So, the main goal should be visible at all. Compared to the Holter monitor, our solution to design robust methods for efficient analysis of noisy differ- is open source and wireless, low-cost and is already used for ential ECG measurements made with wireless body sensors. research purposes. Moreover, a commercial version of our sensor will be available soon on the market. The device in 3. TASKS AND METHODS its current design is a result of almost 7 years of research, The methods for differential ECG analysis should be based development, testing and upgrades. The evolution of the on existing approaches, tailored for differential single-channel sensor design is presented in Fig. 1. measurements, addressing their specific characteristics. More- over, if none of the investigated approaches yields good per- 2. CHALLENGES formance, a novel method should be designed and imple- The Holter monitor has been the standard for long-term mented, which also needs to be verified by medical profes- ECG monitoring for more than 50 years. It is time to move sionals. In particular, the tasks that should be addressed are forward, follow the technological advances, and place wire- discussed in the following, together with the corresponding less ECG monitoring devices in the health care system, like analysis methods. the previously described wireless body sensor. One of the main issues for the breakthrough of these sensors will be 3.1 Preprocessing the availability of methods for analysis of the acquired data. The task of preprocessing includes reducing noise and base- Namely, current methods for ECG analysis are tailored for line wandering. Noise is especially difficult to be filtered multichannel ECG equipment. On this type of equipment, out of such measurements because of the absence of multi- more electrodes are used to obtain the signals. Usually one ple channels that would provide multiple viewpoints on the to three wired leads are utilized for ECG analysis since mul- signal. Additional challenge represents the wide spectrum of tiple channels provide multiple viewpoints on the signal. device orientations and consequently also noise levels. The methods for preprocessing range from the simplest and most In contrast, the acquired signal from the wireless sensor is widely used finite impulse response (FIR) recursive digital differential ECG that offers just a single viewpoint of the filters [10], through wavelet transformations [16], nonlinear state. This sets the crucial challenge for the ECG analysis Bayesian filters [15], and finally, to the extended Kalman of such signals. Moreover, in contrast to the standard 12- filters [17]. lead ECG signal, which is most often short and measured on a resting subject, the lightweight design of wireless sen- 3.2 Segmentation sors allows for several days long measurement on active sub- Segmentation means detection of peaks of individual ECG jects. Therefore, ECGs are noisier because measurements waves and their duration (R peak or QRS complex, T peak, are made on physically active subjects, and additionally, RT interval). Good layout of an ECG sensor with two elec- because the electrodes are placed close together. Next, the trodes should compromise between comfort, good visibility sensor is not always placed on the subject by a trained pro- of the ECG waves, and minimal disturbance caused by move- fessional and can be miss-oriented, thus producing a wide ment. Different device orientations produce different ECG range of ECG orientations and noise levels. Finally, such waveforms. Additional challenge to the segmentation task devices are designed to be very energy efficient. Therefore, represents the low sample rate of such measurements. The the measurements are sampled with lower frequency (app. segmentation stage is of a paramount importance for further 125 Hz) compared to the standard 12-lead ECG, which helps analysis, like ECG classification. conserve battery life. All of the above issues pose serious challenges for the currently existing analysis methods to be Segmentation methods that need to be investigated include directly applied on differential single-channel ECG. – for QRS detection, starting from simple ones, like non- linear translations and adaptive detection threshold [11], to It is clear that the measurements from wireless body sensors, more sophisticated like methods based on neural networks which are novel both in terms of their duration and activ- [6], genetic algorithms [13], filter banks [1], Quad Level Vec- ity coverage, require also novel approaches to their analysis. tor [7]; and methods for detection of other waves, such as These novel algorithms should be able to deal with noisy and the P wave and the T wave [8]. sparsely sampled ECGs and with various beat shapes. Fur- thermore, these algorithms should be able to run in real-time and on a computationally limited portable devices, while 3.3 Classification of heartbeats 74 Figure 2: Clusters from differential ECG measurement. The task of ECG classification should help in detection of 3.4 Extraction of new knowledge unusual events (arrhythmias, heart rhythm disorders, and Additional information can be derived from the measured significant deviations from normal ECG morphology). Long- bio-potential difference on the body surface. The measured term ECG recordings are significantly longer and more het- bio-potential on the surface of the body can give most of erogeneous than the measurements performed at a controlled the information on the health status of the individual. For hospital environment. Consequently, manual inspection of example, extracting the respiration rate based on the am- these recordings in order to identify different groups/clusters plitude changes in the body surface potential differences be- of heartbeats (that can be used for better describing the tween two proximal body electrodes - a technique known health status of the subject) is a tedious, hard and expen- as ECG-derived respiration (EDR), already tested on sim- sive job. Therefore, an alternative is to use computational ulated differential ECG from measured multichannel ECG techniques for automatic classification. [21]. These technique should be tested also on real differen- tial ECG and the method should be adjusted accordingly. The most popular algorithms employed for this task are: support vector machines (SVM) [24], artificial neural net- 3.5 Ambient intelligence works (ANN) [22], linear discriminant analysis (LDA) [9], The sensor is characterized by the fusion of different sens- and reservoir computing with logistic regression (RC) [4]. ing functions in a single multi-functional sensor. Measured Combining classifiers has been little explored for the task in signals can be combined in order to improve the reliability question. Important stages in the classification task are also: and robustness of the readings, and make reliable conclu- clustering (grouping of similar beats) - the clustering results sions about the overall health condition [5]. Methods for will form the base for annotation of the ECG beats and for- ambient intelligence include predictive and decision models mation of a database; and feature extraction and selection, built upon all the sensor-gathered data and data from health if the method is feature based. Special attention should be information reference models to better understand the con- given to the potential influence of the preprocessing and seg- dition of the user and therefore better understand the user’s mentation tasks on the final classification results. current health and behavior. Three monitoring and data analysis classes are envisioned: Hierarchical agglomerative clustering on differential ECG - short-term behavior and health analysis – focusing on the measurements in conjunction with dynamic time warping last few minutes of data (alarming situations, falls, arrhyth- distance has already been demonstrated in [14]. An exam- mias), ple of obtained clusters from differential ECG measurement - medium-term behavior analysis – focusing on the past day acquired while sitting is shown in Fig. 2. Results show (gait analysis), and that the clustering method identified different cardiac events - long-term behavior analysis (daily/weekly anomalies) re- in the measurements (98.72 % clustered beats). The clus- lated to occasional health problems in real life, such as pro- ters with the highest number of examples do not have the longed emotional stress, events of prolonged higher or lower P wave present, indicating atrial fibrillation (87%). Some physical activity, etc. other smaller clusters, like C11 and C5, can also be iden- tified as atrial fibrillation. The rest of the clusters (12%) Although these tasks can be treated separately, they are belong to normal sinus beats, except for C6, C12 and C24, also interconnected. Namely, the preprocessing task usu- which indicate SVES (Supra Ventricular Extra Systole). ally precedes the segmentation task; the segmentation task 75 precedes the classification, etc. Consequently, the selection [9] M. Llamedo and J. P. Mart´ınez. Heartbeat of methods in each of the tasks can have a crucial impli- classification using feature selection driven by cation on the results from the particular task in question database generalization criteria. IEEE Transactions and consequently, the medical interpretation of such results. on Biomedical Engineering, 58:616–625, 2011. Therefore, the ultimate goal should be to investigate how [10] P. Lynn. Recursive digital filters for biological signals. selection of different methods in one task can influence the Medical and Biological Engineering and Computing, results in the forthcoming tasks. 9:37–43, 1979. [11] J. Pan and W. J. Tompkins. A real-time QRS 4. CONCLUSIONS detection algorithm. IEEE Transactions on Efficient and reliable methods for analysis of signals acquired Biomedical Engineering, 32:230–236, 1985. by wireless body sensors will increase the interest for such [12] A. Pantelopoulos and N. G. Bourbakis. A Survey on devices and will push them forward to become the new stan- Wearable Sensor-Based Systems for Health dard in patient monitoring and health care. The wider Monitoring and Prognosis. IEEE Transaction on penetration of these devices is expected to reduce health Systems, Man, and cybernetics–part C: Applications care costs and at the same time increase the effectiveness of and reviews, 40(1), 2010. health care. The system will be useful for users at home, [13] R. Poli, S. Cagnoni, and G. Valli. Genetic design of in nursing homes and health centers, and homes for the el- optimum linear and nonlinear QRS detectors. IEEE derly. The work of medical personnel will be less stressful Transactions on Biomedical Engineering, and more effective. Medical personnel will be relieved of 42:1137–1141, 1995. repetitive work that can lead to mistakes and delays in the [14] A. Rashkovska, D. Kocev, and R. Trobec. Clustering treatment process. In the longer term, all above is expected of heartbeats from ECG recordings obtained with to increase the performance level of the health care. wireless body sensors. In Proceedings of MEET & GVS on the 39th International Convention MIPRO, 5. ACKNOWLEDGMENTS pages 481–486, 2016. This work was partially supported by the Slovenian Research [15] R. Sameni, M. B. Shamsollahi, C. Jutten, and G. D. Agency under the Grant P2-0095. Clifford. A nonlinear Bayesian filtering framework for ECG denoising. IEEE Transactions on Biomedical 6. REFERENCES Engineering, 54:2172–2185, 2007. [1] V. X. Afonso, W. J. Tompkins, T. Q. Nguyen, and [16] O. Sayadi and M. B. Shamsollahi. Multiadaptive S. Luo. ECG beat detection using filter banks. IEEE bionic wavelet transform: Application to ECG Transactions on Biomedical Engineering, 46:192–202, denoising and baseline wandering reduction. 1999. EURASIP Journal on Advances in Signal Processing, [2] M. Depolli, V. Avbelj, R. Trobec, J. M. Kališnik, 14:1–11, 2007. T. Korošec, A. P. Susič, U. Stanič, and A. Semeja. [17] O. Sayadi and M. B. Shamsollahi. ECG denoising and PCARD Platform for mHealth Monitoring. compression using a modified extended Kalman filter Informatica, 40:117–123, 2016. structure. IEEE Transactions on Biomedical [3] A. Ekeland, A. Bowes, and S. Flottorp. Effectiveness Engineering, 55:2240–2248, 2008. of telemedicine: A systematic review of reviews. Int. [18] SCHILLER AG, Switzerland. ECG Measurements and J. Med. Inform, 79:736–771, 2010. Interpretation Programs, Physician’s Guide, 2009. [4] M. A. Escalona-Moran, M. C. Soriano, I. Fischer, and [19] R. Trobec. Computer analysis of multichannel ECG. C. R. Mirasso. Electrocardiogram classification using Comput Biol Med, 33(3):215–226, 2003. reservoir computing with logistic regression. IEEE [20] R. Trobec, V. Avbelj, and A. Rashkovska. Journal of Biomedical and Health Informatics, Multi-functionality of wireless body sensors. The IPSI 19:892–898, 2015. BgD transactions on internet research, 10:23–27, 2014. [5] H. Gjoreski, A. Rashkovska, S. Kozina, M. Luštrek, [21] R. Trobec, A. Rashkovska, and V. Avbelj. Two and M. Gams. Telehealth using ECG sensor and proximal skin electrodes - a respiration rate body accelerometer. In Proceedings of MEET & GVS on the sensor. Sensors, 12:13813–13828, 2012. 37th International Convention MIPRO, pages [22] E. D. Übeyli. Combining recurrent neural networks 270–274, 2014. with eigenvector methods for classification of ECG [6] Y. H. Hu, W. J. Tompkins, J. L. Urrusti, and V. X. beats. Digital Signal Processing, 19:320–329, 2009. Afonso. Application of artificial neural networks for [23] WHO. eHealth tools and services: Needs of the ECG signal detection and classification. Journal of Member States. Report of the Global Observatory for Eletrocardiology, 26:66–73, 1990. eHealth, 2006. [7] H. Kim, R. F. Yazicioglu, P. Merken, C. van Hoof, and [24] C. Ye, V. Bhagavatula, and M. T. Coimbra. Heartbeat H. J. Yoo. ECG signal compression and classification classification using morphological and dynamic algorithm with quad level vector for ECG holter features of ECG signals. IEEE Transactions on system. IEEE Transactions on Information Biomedical Engineering, 59:2930–2941, 2012. Technology in Biomedicine, 14:93–100, 2010. [25] C. Zellerhoff, E. Himmrich, D. Nebeling, O. Przibille, [8] P. Laguna, R. Jané, and P. Caminal. Automatic B. Nowak, and A. Liebrich. How can we identify the detection of wave boundaries in multilead ECG best implantation site for an ecg event recorder? signals: Validation with the CSE database. Computers Pacing Clin Electrophysiol, 23:1545–1549, 2000. and Biomedical Research, 27:45–60, 1994. 76 Some Possibilities of Applying AI to Early Detection and Monitoring of Parkinson’s Disease Aleksander Sadikov Ivan Bratko Univ. of Ljubljana, Faculty of Computer and Info. Sc. Univ. of Ljubljana, Faculty of Computer and Info. Sc. Večna pot 113 Večna pot 113 1000 Ljubljana 1000 Ljubljana +386 1 4798278 +386 1 4798278 Aleksander.Sadikov@fri.uni-lj.si bratko@fri.uni-lj.si ABSTRACT patient’s location (e.g. Australia or Sweden). The second possible In Parkinson’s disease (PD), regular specialist’s checks, use is when the patient-to-expert ratio is simply too large for the permanent monitoring of the progress of the disease, and patient's experts to be able to handle the load alone (e.g. Slovenia). In the self-management are very important. In Slovenia, this kind of first case the obstacle is remoteness while in the second it is the support cannot be provided to satisfactory extent due to the lack lack of time. There is one important difference between these two: of relevant medical specialists. ICT, supported by Artificial in the first case data can be sent over the network and the expert Intelligence (AI) could considerably improve this unsatisfactory can review it remotely while in the second case this cannot be the situation. The purpose of the present paper is to present some solution. In the second case AI can be seen as having a much technical developments as a possible basis for the planning of a more important role: replacing the expert in as many situations as new type of application of ICT and AI to remote and largely possible and thus saving the expert’s time for where it is most automated monitoring of PD patients. needed. 2. CLASSIFYING TYPE OF TREMOR Keywords BASED ON SPIRAL DRAWINGS IN Artificial Intelligence, medical applications, Parkinson’s disease, diagnosis, patient monitoring PARKINSONCHECK Although distinct clinical entities, essential tremor (ET) is very often misdiagnosed as Parkinsonian tremor (PT). Results from 1. INTRODUCTION clinical studies show that ET is correctly diagnosed in 50-63% of Neurodegenerative diseases, such as Parkinson’s disease (PD), are all cases, whereas PT in 76% of the cases. Co-existence of both chronic diseases. In such long-lasting diseases, regular specialist’s disorders is also possible. checks, permanent monitoring of the progress of the disease, and patient's self-management are very important. Lack of medical Digitalised spirography (Pullman 1998) is a relatively new specialists and distance to patient's home are reasons that the computer-assisted method for detection and evaluation of tremors. monitoring of patients with chronical diseases is often difficult In spirography, the patient tries to draw an Archimedean spiral on and largely insufficient. For PD, in Slovenia, this means that a the tablet. ParkinsonCheck (Sadikov et al., 2014) is an app for specialist may only check their patient as infrequently as once a smart phones based on spirography intended to detect signs of year. Similarly, the monitoring of the current effects of treatment Parkinson’s disease (PD) and essential tremor (ET). It classifies a (drugs) should be continuous, but for similar reasons in practice it user’s spiral drawing into one of two types of tremor: PD or ET. is far from that (Vitale et al., 2001). All this negatively affects the As the main goal of the application is to act as an early warning patients' well-being and is a cause of the disease progressing faster system for potential patients, the intention is to encourage a than necessary. broader spectrum of people to use it. To support large numbers of users, ParkinsonCheck analyses the spiral data autonomously and ICT supported by Artificial Intelligence (AI) can considerably detects automatically signs of PD or ET, without any help from a help improve this unsatisfactory situation, for example in early medical expert. For diagnosis, it uses classification rules learned detection of the disease and continuous monitoring of the success from a set of classified examples of spirals. Classification of of treatment by automatic assessment of symptoms (movement spirals into tremor classes may be a challenging task for a disorders in the case of PD), and progress of the disease (Nyholm neurologist, so the app may also be helpful to a medical expert et al, 2004; Sadikov et al., 2014). In this contribution we describe rather than just to (potential) patients. two existing technical developments that might be used in these respects in the case of Parkinson’s disease. These two cases are The tremor classifier in ParkinsonCheck uses a logistic regression ParkinsonCheck, a mobile application for early warning of model which turned out to be the most accurate among several chances of Parkinson’s disease (Sadikov et al., 2014), and an other machine learning techniques that we experimented with. approach to the monitoring of the disease (Memedi et al., 2015). The model makes use of over 80 constructed attributes for describing the spirals. The most important groups of attributes Telemedicine can be seen as very important from at least two measure the disparity between the drawn spiral and the spiral different perspectives. It can be applied – this is a more traditional template, the asymmetry in the spiral and between drawing with reason – due to vast distances or remoteness of specific area. In the left and the right hand, power spectrum density analysis, this case the medical experts are not readily available at the 77 number, shape, and distribution of local extrema of the spiral, potential of using digital spiral analysis for objective smoothness of the spiral, and changes in radial speed/direction. quantification of PD-specific and/or treatment-induced motor symptoms. The evaluation of the ParkinsonCheck classifier was as follows. The classification accuracy for detecting signs of PD or ET is 90.2%, the AUC (Area Under ROC Curve) is 95.1%, and Brier 4. CONCLUSION score is 0.153 (ten-fold cross-validation repeated ten times with The purpose of the present paper was to present some technical results averaged). developments as a possible basis for the planning of a new type of application of ICT and AI to remote and largely automated 3. AUTOMATED ASSESSMENT OF monitoring of PD patients. In addition to tracking and recognising MOTOR SYMPTOMS IN PD PATIENTS the state of the patient and success of the current treatment, the A challenge for the clinical management of advanced Parkinson’s system should also be capable of providing advice in respect of disease (PD) patients is the emergence of fluctuations in motor possible modifications of the treatment. The main purpose of such performance, which represent a significant source of disability a system would be to reduce the required medical expert’s time by during activities of daily life of the patients. There is a lack of partially automating the monitoring and treatment decisions by AI objective measurements of treatment effects for in-clinic and at- methods. home use that can provide an overview of the treatment response of the patients. The objective of work by Westin et al. (2010) was 5. REFERENCES to develop a method for objective quantification of PD motor [1] C. Vitale, M. T. Pellecchia, D. Grossi, N. Fragassi, T. symptoms related to Off episodes and peak dose dyskinesias, Cuomo, L. Di Maio, et al., “Unawareness of dyskinesia in using spiral data gathered by a touch screen telemetry device. The Parkinson’s and Hunington’s diseases,” Neurological Sciences, aim was to objectively characterize predominant motor vol. 22, p. 105-106, 2001. phenotypes (bradykinesia and dyskinesia), to help in automating the process of visual interpretation of movement anomalies in [2] D. Nyholm, J. Kowalski, and S. M. Aquilonius, “Wireless spirals as rated by movement disorder specialists. Digitized upper real-time electronic data capture for self-assessment of motor limb movement data of 65 advanced PD patients and 10 healthy function and quality of life in Parkinson’s disease,” Movement (HE) subjects were recorded as they performed spiral drawing Disorders, vol. 19, p. 446-451, 2004. tasks on the device in their home environment settings. [3] A. Sadikov, V. Groznik, J. Žabkar, M. Možina, D. Georgiev, Several spatiotemporal features were extracted from the time Z. Pirtošek, I. Bratko, “ParkinsonCheck smartphone app,” in series signals and used as inputs to a Multilayer Perceptron Proceedings of the European Conference on Artifical Intelligence, (MLP) classifier. The method was validated against ratings on p. 1213-1214, 2014. animated spirals scored by four movement disorder specialists [4] M. Memedi, A. Sadikov, V. Groznik, J. Žabkar, M. Možina, who visually assessed a set of kinematic features and the F. Bergquist, A. Johansson, D. Haubenberger, and D. Nyholm, predominant motor phenotype. The ability of the method to “Automatic spiral analysis for objective assessment of motor discriminate between PD patients and HE subjects and the test- symptoms in Parkinson's disease,” Sensors, vol. 15, p. 23728- retest reliability of the computed scores were also evaluated. 23744, 2015. Computed scores correlated well with mean visual ratings of individual kinematic features. The MLP classifier classified the [5] S. L. Pullman, “Spiral analysis: A new technique for motor phenotype (bradykinesia or dyskinesia) with an accuracy of measuring tremor with a digitizing tablet”, Movement Disorders, 85% and area under the receiver operating characteristics (ROC) 13(S3), 85–89, (1998). curve of 0.86 in relation to visual classifications of the raters. In [6] J. Westin, M. Dougherty, D. Nyholm, and T. Groth, “A home addition, the method provided high discriminating power when environment test battery for status assessment in patients with distinguishing between PD patients and HE subjects as well as advanced Parkinson’s disease,” Computer Methods and Programs had good test-retest reliability. This study demonstrated the in Biomedicine, vol. 98, p. 27-35, 2010. 78 Protonska terapija za zdravljenje raka Andreja Smole Cosylab Teslova ulica 30, 1000 Ljubljana +386 (40) 722-864 andreja.smole@cosylab.com RAZŠIRJENI POVZETEK primernih za ta trg. V okviru procesa priprave iniciative smo že Protonska terapija je v Evropi kot tudi v svetu razširjena metoda identificirali 40 takih organizacij. za zdravljenje primarnega raka, njena uporaba pa iz leta v leto narašča. V letu 2014 je bilo opravljenih kar 14.504 zdravljenj s Na osnovi predstavljenih razlogov in poznavanju referenc, znanj protonsko terapijo, leta 2030 pa načrtujejo že med 300,000 in in kvalitet partnerjev ter poznavanja trga želimo v okviru 600,000 zdravljenj na leto. [1] Trg protonske terapije predvsem iniciative postati vodilni konzorcij na trgu za razvoj in zaradi izredne učinkovitosti in natančnosti same protonske uveljavljanje sistemov protonske terapije, kar bomo dosegli na terapije kot tudi zaradi trenda hitre rasti števila rakavih obolenj v podlagi razvojnih dosežkov, sedanjih in prihodnjih vlaganj v svetu in številnih uspešnih zdravljenj s protonsko terapijo raste razvoj, tradicije, razvijanja najsodobnejših tehnologij in rešitev, izredno hitro in je bila v zadnjih petih letih letna njegova stopnja poznavanje in obvladovanja trga in nenazadnje prepoznavnosti in rasti več kot 22 %. [1] Pričakovana vrednost trga bo leta 2019 blagovne znamke ter tako postati prva izbira javnih in privatnih presegla 1 milijardo dolarjev. [1] Zaradi hitre rasti je trg zelo načrtovalcev centrov za protonsko terapijo, kakor tudi končnih perspektiven in predstavlja dodatno priložnost tako za slovenska naročnikov. podjetja kot tudi znanosti na tem področju. Za Slovenijo to pomeni tudi poudarjeno specializacijo in prepoznavnost v regiji Za dosego zastavljenega cilja načrtujemo naslednje petih ter možnost za razvoj ciljno usmerjenega zdravstvenega turizma z zaporedne strateške faze: vrsto multiplikativnih učinkov na regijo kot celoto. 1. izdelava ključnih delov pospeševalnika oziroma terapevtskega sistema; Slovenska podjetja že uspešno sodelujejo na tem trgu in so pri 2. vzpostavitev razvojnega in testnega centra, ki bo deloval tem zelo uspešna. V Sloveniji imamo tudi vodilno podjetje, ki tudi kot demonstracijski center za protonsko terapijo; pokriva več kot 40 % celotnega trga krmilnih sistemov za 3. vzpostavitev komunikacijskih kanalov za izmenjavo znanj protonsko terapijo, kar je dokaz poznavanja tehnologij in zahtev na področju protonske terapije in vzpodbujanje na trgu. Hkrati so slovenska podjetja v preteklosti razvila že raziskovalnih in izobraževalnih aktivnosti na tem številne zelo napredne rešitve, ki jih uporabljajo največji in področju; najnaprednejši svetovni centri pri raziskovalnem delu s 4. razvoj novih naprav in metod za zdravljenje rakavih pospeševalniki. Glede na dosedanja sodelovanja slovenskih obolenj; podjetji in raziskovalnih ustanov v okviru najzahtevnejših 5. postavitev regionalnega centra v Sloveniji v sodelovanju z projektov in razvitih rešitev, konzorcijski partnerji ocenjujemo, da domačimi in mednarodnimi partnerji v verigi vrednosti. imamo v Sloveniji zelo velik potencial na tem področju. Na Za zagotavljanje kakovosti in razvoja novih produktov ter rasti osnovi preteklih izjemnih rezultatov lahko trdimo, da v Sloveniji podjetij je potrebno zagotoviti tudi kakovostno sodelovanje z posedujemo številne že razvite rešitve in tehnologije z visoko znanstveniki in raziskovalnimi ustanovami, kar je prav tako cilj dodano vrednostjo in visokim aplikativnim učinku na trg projekta. Povečanje uporabe in uporabljivosti protonske terapije medicinskih pospeševalnikov. ter rast trga pa bo pozitivno vplivalo tudi na potrebo po novih mladih kadrih, zaradi česar želimo spodbuditi sodelovanje med Ker opažamo velik potencial slovenskih podjetij kot tudi slovenskimi univerzitetnimi centri in gospodarstvom. Hkrati pa raziskovalnih in izobraževalnih ustanov na tem področju, bomo v okviru projekta povečali prepoznavnost protonske terapije predlagamo celostno pobudo, katere cilj je predvsem poglobitev, med slovenskimi znanstveniki, zdravniki in bolniki kot tudi uveljavitev in širitev slovenskih podjetij na trgu medicinskih raziskovalnimi organizacijami ter s tem širili partnersko mrežo za pospeševalnikov za zdravljenje raka s protonsko terapijo, skupen sodelovanje v mednarodnih verigah vrednosti. Partnerji bomo nastop le-teh na trgu ter pridobivanje relevantnih referenc skozi skozi sodelovanje pri projektu razvijali nove tehnologije in sodelovanje na največjih in najzahtevnejših projektih in predvsem produkte (predvsem tudi storitve), razširili svoje aktivnosti na pridobivanje novih poslov in poslovno povezovanje s tujimi nove trge, kar bo za akterje pomenila širitev proizvodnje, razvoj poslovnimi partnerji. Zato za Slovenijo predlagamo celostno in novih razvojnih in poslovnih projektov, vstopanje v nove verige celovito tehnološko rešitev, katere rezultat bo tudi izgradnja vrednosti in razvojne povezave ter seveda posledično rast nacionalnega sodobnega referenčnega centra za zdravljenje s poslovnih kazalcev: povečanje prihodkov, povečanje števila protonsko terapijo. Na ta način bomo zagotoviti tudi dodatno zaposlenih in rast podjetja in dodane vrednosti tako podjetja kot infrastrukturo za zdravljenje pacientov in opravljanje kliničnih tudi dodane vrednosti na zaposlenega. raziskav. V okviru iniciative želimo povezati organizacije, ki posedujejo znanja, reference ali tehnologije na tem področju V Republiki Sloveniji je leta 2010 za rakom zbolelo 12.896 ljudi oziroma imajo potencial za razvoj novih rešitev in tehnologij (6.300 na 1.mio prebivalcev), 6.885 moških in 6.011 žensk. Konec leta 2010 je med nami živelo več kot 81.000 ljudi (34.584 79 moških in 46.732 žensk), ki so kadarkoli zboleli za eno od rakavih zagotovilo za uspešnost na trgu, katerega posledice bodo znatne bolezni (prevalenca). Hkrati je za rakom istega leta umrlo kar tudi na ravni države: povečanje dodane vrednosti na zaposlenega, 5.900 Slovencev, 3.264 moških in 2.636 žensk, [3] in predstavlja nova delavna mesta, rast izvoza visoko-tehnoloških rešitev, rast eno izmed dveh najpogostejših vzrokov smrti v Sloveniji in v podjetji ter številne druge. Z najsodobnejšimi metodami in svetu. [2] Infrastruktura za zdravljenje rakavih obolenj, ki je na tehnologijami zdravljenja pa se učinek širi tudi na področje razpolago v Sloveniji, ni primerna za zdravljenje vseh vrst raka. medicinskih raziskav na Slovenskih univerzah in dotok novih Konzorcijski partnerji zato v okviru pobude predlagamo na dolgi znanj iz tujine, torej internacionalizacijo slovenske vrhunske rok izgradnjo medicinskega centra za zdravljenje rakavih obolenj znanosti tako na področju tehnologij, kot tudi metod zdravljenja. s protonsko terapijo, ki je najsodobnejša terapija za zdravljenje Glede na velik potencial za sinergijske učinke z drugimi panogami tudi številnih tipov rakavih bolezni, ki jih ni mogoče operativno – zdraviliški turizem, pa je izreden multiplikator tudi na odstraniti. Nov center za zdravljenje s protonsko terapijo bi tako dejavnosti, ki sicer v Sloveniji nimajo primerljivo visoke dodane predstavljal nove možnosti zdravljenja in povečal stopnjo vrednosti, in zato velik razvojni potencial. Zdraviliški turizem z uspešnosti zdravljenja za določene bolnike ter pozitivno vplival uporabo najsodobnejši medicinskih tehnologij predstavlja izreden na stopnjo ozdravljivosti raka v Sloveniji. Izgradnja centra je potencial za dvig dodane vrednosti v turizmu hkrati popolnoma skladna z državnim programom obvladovanja (zdraviliški/medicinski turizem), kot tudi možnost za rakavih obolenj, saj bi v veliki meri pripomogel k doseganju specializacijo in razvoj manj razvitih regij z visoko oziroma izpolnjevanju ciljev zastavljenih v programu. Hkrati pa brezposelnostjo vendar z že prepoznanimi komplementarnimi bo sodelovanje pri izgradnji centra za slovenska podjetja danostmi npr. Pomurje, kjer je zdraviliški-termalni turizem že predstavljalo relevantno kompetenco pri prodoru na trg in razvit. 80 Varovanje zdravstvenih podatkov z metodami anonimiziranja Živa Stepančič Institut Jožef Stefan Jamova cesta 39 1000 Ljubljana ziva@e5.ijs.si POVZETEK privolitev posameznikov v vpogled, uporabo in obdelavo po- To delo predstavlja pregled ene izmed nalog v okviru več- datkov [2]. jega projekta Elektronsko-Mobilno Zdravstvo, ki je del pro- grama EkoSmart. Predstavljene so tri metode anonimizacije Varovanje zasebnosti občutljivih podatkov je torej vidik pomem- podatkov, s katerimi varujemo zasebnost posameznikov v ben obravnave in implementacije pri vzpostavitvi informa- podatkovnih bazah in pri obdelavah podatkov. Zdravstveni cijsko komunikacijskega sistema. To je tudi ena izmed na- podatki so izjemno občutljivi osebni podatki, kar zahteva vi- log znotraj projekta Elektronsko Mobilno Zdravstvo (EMZ). soko stopnjo zasebnosti. Po drugi strani pa je potrebno zago- Projekt EMZ je del večjega programa EkoSMART, s katerim toviti tudi dostopnost podatkov tako vsakemu posamezniku se bo vzpostavila pametna specializacija ne treh klučnih po- kot tudi pooblaščenim osebam, ki potrebujejo podatke v dročjih, in sicer zdravje, mobilnost in aktivno življenje ter namene zdravljenja posameznika. dobro počutje. Categories and Subject Descriptors V nadaljevanju bodo na kratko predstavljene tri metode anonimizacije podatkov, ki onemogočajo identifikacijo posameznikov C.2 [Computer-Communication Networks]; D.4.6 [Security pri obdelavi podatkov in povezovanju posameznih podatkovnih and Protection]; H.2 [Database management] baz. Kljub nekaterim obstoječim pomanjkljivostim posameznih algoritmov, je anonimizacija podatkov veljavna tehnika za Keywords varnost podatkov v oblaku in pri prenosu med podatkovn- Anonimizacija podatkov; de-identifikacija posameznika; varovanje imi bazami različnih odjemalcev, [6]. zasebnosti; pametna specializacija 2. METODOLOGIJA 1. UVOD Postopek anonimizacije podatkov je proces de-identifikacije Zdravstveni podatki so občutljivi osebni podatki, katerih občutljivih podatkov, pri katerem se ohranita oblika in tip zloraba lahko prinese resne posledice oškodovanim posameznikom podatka, [5]. Poznamo več postopkov anonimizacije, ki jih (na primer, profiliranje posameznikov, predpisovanje napačnih lahko široko klasificiramo kot generalizacijske metode (ang. zdravil, kraja identitete itd.), kot tudi zdravstvenim insti- generalization methods), generalizacijske metode z zakrivan- tucijam (oškodovanje pacientov, nepooblaščeni vpogledi v jem določenih posamaznikov znotraj podatkovne baze (ang. zdravstvene datoteke tretjih oseb za osebno korist itd.). Poz- generalization with tuple suppression methods), in izmen- navanje raznih bolezenjskih žarišč in kraja rezultatov exper- java podatkov s tehnikami slučajenja (ang. data swapping imentov s testnimi zdravili imajo tudi velike finančne pred- and randomization techniques). nosti za posamezne proizvajalce novih zdravil. Tako kot varnost podatkov v zdravstvenih bazah in varovanje 2.1 k-anonimnost njihovega prenosa, je pomembno tudi varovanje njihove za- Metoda k-anonimnost (ang. k-anonymity) je postopek anon- sebnosti. Glede zasebnosti podatkov je postavljenih že dosti imizacije osebnih podatkov, tako da se informacije vsakega regulacij in direktiv, ki med drugim zahtevajo pravico do posameznika v tabeli ne razlikujejo od vsaj k-1 ostalih posameznikov. pozabe (posamezniki lahko zahtevajo izbris njihovih oseb- Tukaj so posameznikovi podatki predstavljeni v vrsticah tabele, nih podatkov), dostop do lastnih osebnih podatkov, prav- v kateri stolpci predstavljajo posamezne značilnosti posameznika ico prenosa osebnih podatkov med ponudniki storitev in (atributi). Vsaka vrstica se imenuje n-terka (ang. tuple). Posamezne n-terke niso nujno edinstvene, medtem ko atributi so. Zdravstvene baze so privatne baze, vendar se lahko določeni atributi ponovijo v drugih javnih bazah. Tako se lahko preko kombinacije takšnih atributov identificira posameznika. Imenu- jemo jih kvazi-identifikatorji (ang. quasi-identifiers). Z meto- dami anonimiziranja želimo kvazi-identifikatorje omejiti oziroma kontrolirati, [7]. 81 Za tabelo RT (A1, . . . , An) s končnim številom n-terk in množico ti in posledično je tabela T ∗ posplošitev tabele T . Pose- atributov {A1, . . . , An} definiramo k-anonimnost kot: bej označimo še q∗-množico kot množico n-terk v T ∗ katerih neobčutljivi atributi so posplošeni na q∗. Definicija 1. Naj bo RT (A1, . . . , An) tabela in QIRT kvazi- identifikator v tabeli. Potem RT zadosti k-anonimnosti če Definicija 3. Princip `-raznovrstnosti. Množica q∗ jè- in samo če se vsako zaporedje vrednosti v RT [QIRT ] pojavi raznovrstna, če dobro zastopa vsaj òbčutljivih atributov vsaj k-krat v podtabeli RT [QIRT ]. S. Tabela jè-raznovrstna, če je vsaka podmnožica q∗ ` raznovrstna. Oznaka RT [QIRT ] predstavlja podtabelo tabele RT , v kateri so samo stolpci iz množice QI. Spodnja lema trdi, da za Princip `-raznovrsnosti lahko zaščiti pred nekaterimi po- vsako podmnožico atributov v QI obstaja vsaj k pojavitev manjkljivostmi k-anonimnosti metode, vendar se z večan- n-terke v RT [QIRT ]. jem števila kvazi-identifikatorjev povečuje število atributov, ki jih je potrebno prikriti, da dosežemo k-anonimnost, [4]. Lema 1. Naj bo RT (A1, . . . , An) tabela, QIRT = (Ai, . . . , Aj ) množica kvazi-identifikatorjev povezanih z RT , Ai, . . . , Aj ⊆ 2.3 LKC-zasebnost A1, . . . , An in naj RT zadosti k-anonimnosti. Potem, se Visoko dimenzionalnost velikih podatkovnih baz je upošte- vsako zaporedje vrednosti v RT [Ax] pojavi vsak k-krat zno- vana pri metodi LKC-zasebnosti (LKC-privacy). Pri tem traj RT [QIRT ] za x = i, . . . , j. pristopu zagotovimo, da se vsaka kombinacija kvazi-identifikatorjev QIj ⊆ QI z največjo dolžino L v podatkovni tabeli T pojavi v vsaj K n-terkah. Verjetnost inference preko občutljivih V posebnem torej za tabelo podatkov, ki zadostuje k-anonimnosti atributov pa ni večja kot C. V tem modelu so torej L, K, C z množico kvazi-identifikatorjev QIRT , ne moremo sestaviti mejne vrednosti in S množica občutljivih atributov, ki jih kombinacije atributov, s katero bi lahko prepoznali manj kot določi zbiralec podatkov (v tem primeru zdravstveni dom). k posameznikov. Ta lastnost varuje tabelo podatkov proti Metoda LKC-zasebnost omeji verjetnost uspešne identifikacije inferenci direktnega ujemanja privatne baze z zunanjo bazo posameznika na ≤ 1/K in verjetnost uspešne povezave atrib- podatkov preko posameznih atributov (kvazi-identifikatorjev). utov med bazami na ≤ C, kadar predznanje (tj. poznavanje določenih vrednosti n-terk v tabeli) ne preseže L, [3]. Čeprav lahko uspešno določimo množico kvazi-identifikatorjev, ni nujno baza podatkov popolnoma varna. Do identifikacije posameznikov še vedno lahko pride, kadar imajo tabele (pri- Definicija 4. LKC-zasebnost. Naj bo L največje število vatna in javna) isto zaporedje n-terk. To se lahko zgodi tudi vrednosti, ki so nam znane od prej. Naj bo S ⊆ S, kjer v primeru, ko več podtabel postane javne narave s skupnimi je S množica občutljivih atributov. Podatkovna tabela T atributi. Takrat lahko pride do direktnega povezovanje tabel zadosti LKC-zasebnosti, če in samo če za vsako kombinacijo preko skupnih atributov. Nazadnje še omenimo problem atributov qi, kjer |qi| ≤ L velja, temporalnega zamika podajanja tabel. Ker so podatkovne baze v zdravstu dinamične, se n-terke in vrednosti spremin- jajo s časom, ampak rešitev k-anonimnosti v času t1 ni nu- 1. |T [qi]| ≥ K, kjer naravno število K > 0 predstavlja jno enaka rešitvi k-anonimnosti v trenutku t`. Slednje lahko mejo anonimnosti, in privede do navzkrižnega povezovanja tabel RT1 in RT`. 2. P (s|qi) ≤ C za vse s ∈ S, kjer je 0 < C ≤ 1 meja verjetnosti inference. 2.2 `-raznovrstnost Metodà-raznovrstnost (`-diversity) je nadgradnja metode 3. NADALJNJE DELO k-anonimnosti, saj naslovi nekaj njenih pomanjkljivosti, ki imajo lahko resne vdore v zasebnost posameznikov. Nam- Zgornje metode bomo uporabili in po potrebi nadgradili reč vdor se lahko zgodi, kadar ni dovolj raznovrstnosti med v namen anonimizacije zdravstvenih podatkov, ki se bodo občutljivimi atributi. Prav tako, se kljub anonimizaciji lahko zbirali na skupni platformi projekta EMZ. Razvoj metode uporabi poznavanje določenih vrednosti atributov posameznikov, anonimizacije mora ustrezati direktivam in pravilnikom o tako da po principu izločanja pride do identifikacije posameznikov, zasebnosti podatkov posameznikov. Prav tako se mora pri [1]. anonimizaciji podatkov ohraniti ustrezni format in tip po- datka, ki zadostuje standardom skupne platforme. Definicija 2. Particija domene. Domena D∗ = {P1, P2, . . .} V posebnem je potrebno na predlaganih metrikah anoni- je particija (posplošitev) domene D, če S Pi = D in Pi∩Pj = mizacije podatkov določiti politiko prikazovanja podatkov, ∅ za i 6= j. Za x ∈ D naj bo φD∗ (x) element P ∈ D∗, ki dostopa podatkov in javljanja napak. Razvoj te politike se vsebuje x. mora skladati z EU direktivo o zasebnosti podatkov. 4. LITERATURA Po zgornji definiciji, lahko iz tabele T = {t1, . . . , tm} z [1] M. Ashwin et al. “`-Diversity: Privacy Beyond k-Anonymity”. množico neobčutljivih atributov N in particijo D∗ N domene In: ACM Transactions on Knowledge Discovery from N postavimo tabelo T ∗ = {t∗1, . . . , t∗m}, tako da zamenjamo Data (2007). vrednosti ti[N ] s particijsko vrednostjo φD∗ (ti[N ]) in do- N bimo novo n-terko t∗i. Nova n-terka je posplošitev n-terke 82 [2] European Commission. Direktiva (EU) 2016/680 Eu- ropskega parlamenta in sveta. Uradni list Evropske unije. 2016. [3] N. Mohammed et al. “Centralized and Distributed Anonymiza- tion for High-Dimensional Healthcare Data”. In: ACM Transactions on Knowledge Discovery from Data 4.4 (2010). [4] “On k-anonymity and the curse of dimensionality”. In: Proceedings of the International Conference on Very Large Databases. 2005. [5] B. Raghunathan. The Complete Book of Data Anonymiza- tion: From Planning to Implementation. CRC Press, Taylor & Francis Group, 2013. [6] J. Sedayao. Enhancing Cloud Security Using Data Anonymiza- tion. Tech. rep. Intel Corporation, 2012. [7] L. Sweeney. “k -anonymity: a model for protecting pri- vacy”. In: International Journal of Uncertainty, Fuzzi- ness and Knowledge-based Systems 10.5 (2002), pp. 557– 570. 83 Platforma za pametna mesta Aleš Tavčar Jure Šorn Matjaž Gams Institut »Jozef Stefan« Institut »Jozef Stefan« Institut »Jozef Stefan« Odsek za inteligentne sisteme Odsek za inteligentne sisteme Odsek za inteligentne sisteme Jamova cesta 39 Jamova cesta 39 Jamova cesta 39 ales.tavcar@ijs.si jure.sorn@ijs.si matjaz.gams@ijs.si POVZETEK Zanimanje za področje pametnih mest se iz leta v leto veča. K temu pripomore tudi napredek na IKT področju in zanimanje s strani različnih deležnikov. Sam razvoj pa se osredotoča še vedno le na posamezna področja in ponuja rešitve le za posamezne podsisteme. Končni cilj razvoja tovrstnih sistemov je enovito okolje, ki omogoča vključevanje poljubnih podsistemov in ponuja učinkovito optimizacijo njihovega delovanja kot celoto. Tovrstne rešitve smo deloma razvili v okviru evropskega projekta, kjer smo razvijali platformo in različne storitve za pametna mesta. 1. UVOD Učinkovito upravljanje pametnega mesta je izjemno zahtevna naloga, saj je v njih običajno veliko obsežnih podsistemov, ki skrbijo za nadzor pomembnih storitev. Javna razsvetljava, javni prevoz, dobava toplotne in električne energije, plin, vodovod ipd. je le nekaj takih podsistemov. Neodvisno vodenje teh podsistemov prinaša številne pomanjkljivosti in je iz stališča delovanja celotnega mesta neučinkovito. Rešitve, ki jih razvijamo na našem odseku poskušajo upoštevati stanje različnih Slika 1. Arhitektura platforme pametnega mesta. podsistemov ter generirajo kontrolne akcije, ki optimizirajo Slednja ponuja servise na različnih abstraktnih nivojih. ICP delovanje mesta kot celote. Prilagajanje prometne signalizacije Framework ponuja nizkonivojske servise na ravni delovanja glede na stanje na cestah, preusmerjanje prometa ob prometnih strežnika in same platforme. Tukaj se upravljajo vloge konicah in s tem izboljšanje pretočnosti skozi cestno omrežje, uporabnikov, skrbi za varnost, dostop do baze, komunikacija ipd. prilagajanje porabe energentov glede na razpoložljivost in Ti servisi so običajno že del izbranega aplikacijskega strežnika. V onesnaženje v mestu je le nekaj primerov, ki bi občutno izboljšali ICP Core razdelku so storitve, ki so skupne vsem mestom in se delovanje mesta in povečali zadovoljstvo prebivalcev. lahko večkrat uporabijo za reševanje različnih nalog. Semantična Pomembni koncepti pametnega mesta, ki smo jih v okviru preslikava skrbi za enovit način komunikacije med servisi, modul projekta pokazali: sklepanja pa omogoča izvajanje analitike nad podatki podsistemov ter določanje primernih kontrolnih akcij. Modul • Integracija različnih domenskih aplikacij v platformo. optimizacije ponuja različne optimizacijske algoritme, ki se lahko • Interoperabilnost med komponentami sistema, servisi in uporabljajo za izboljšanje delovanja mesta, podobno pa modul končnimi aplikacijami. pogajanja skrbi za iskanje kompromisnih rešitev po Nashevem • Enotno upravljanje s podsistemi mesta. ravnovesju med različnimi deležniki v mestu itd. ICP Extension • Stalno optimizacija delovanja podsistema in vodenje. pa vsebuje servise, ki so specifični za posamezno mesto. Tako je • Samodejno odzivanje in upravljanje v primeru izjemnih mogoče prilagoditi delovanje določenega skupnega modula na dogodkov. posebnosti nekega mesta. Platforma pametnega mesta seveda ponuja priključitev podsistemov mesta preko adapterjev, ki Vsak sistem za vodenje pametnih mest mora ponuditi robustno in omogočajo učinkovito izmenjavo podatkov ter ukazov med varno okolje ter omogočiti delovanje po principu »Plug-and- podsistemom in platformo. Aplikacije se v sistem povezujejo play«, kar pomeni, da je mogoče nove podsisteme enostavno preko API vmesnikov, ki omogočajo pridobivanje različnih vključiti v sistem, hkrati pa mora platforma ponujati že vse podatkov o delovanju samega sistema ter podsistemov. Hkrati pa storitve, ki jih aplikacije ali podsistemi potrebujejo. lahko skrbniki mesta definirajo strategije upravljanja celotnega mesta ali posameznih podsklopov. 2. ARHITEKTURA SISTEMA V tem razdelku predstavljamo celotno arhitekturo platforme za 3. PRISPEVEK IJS pametna mesta, ki je bila ambiciozno zasnovana v uspešno Odsek je imel pri razvoju prototipa pomembno vlogo, saj je zaključenem evropskem projektu (Slika 1). sodeloval pri implementaciji platforme in načrtovanju nekaj ključnih servisov arhitekture. 84 3.1 Implementacija prototipnega okolja omogoča optimizirano delovanje celotnega sistema ter dinamično Izvajanje naprednih kontrolnih algoritmov in aplikacij zahteva prilagajanje na nepredvidljive dogodke. določene podporne servise znotraj platforme. Za potrebe Metodo smo preizkusili na prototipni postavitvi (Slika 2), kjer prototipne postavitve smo implementirali poenostavljeno verzijo smo podsisteme zaradi praktičnih razlogov simulirali. Naloga je platforme (slika 2), ki vsebuje nekaj ključnih komponent bila zmanjšati povečano onesnaženje v določenem delu mesta s arhitekture. Sem spada repozitorij vseh servisov, aplikacij in preusmerjanjem prometa, manjšanjem emisij iz toplarne ter podsistemov, pogajalski ter optimizacijski algoritmi [1, 2], ki jih porabe v stanovanjskih območjih, ob upoštevanje udobja aplikacije za upravljanje z energijo ter prometom uporabljajo za prebivalcev mesta. Spodnja slika prikazuje dinamiko manjšanja učinkovito vodenje podsistemov in podatkovna baza, ki hrani onesnaženja skozi čas. Svetla črta označuje želene vrednosti ob ključne podatke o mestu. posameznih časovnih enotah, temna pa dosežene vrednosti. Do razlik pride zaradi nepredvidenih dogodkov in različnih odzivov v mestu. Slika 2. Struktura prototipnih postavitev. Slika 3. Sprotna optimizacija delovanja podsistemov. Urbane podsisteme običajno sestavljajo posamezni namenski Manjšanje porabe električne energije smo dosegli z sistemi, ki opravljajo različne funkcije (npr. javna razsvetljava, implementacijo pogajalskih algoritmov, ki med različnimi distribucija energije, prometna signalizacija ipd.) na v naprej deležniki omogočajo doseganje želenih ciljev po principu nagrade določen način. Zaradi različnosti takih sistemov so potrebni in kazni [3]. Mehanizem pogajanja je edina učinkovita metoda servisi, ki omogočajo semantično povezljivost (platforma razume znotraj mest, saj je potrebno vedno doseči konsenz med deležniki storitve in obliko podatkov, ki jih sistem ponuja) ter učinkoviti in nikomur vsiliti določenih restrikcij. algoritmi, ki zmorejo generirati enovite strategije vodenja. 4. PROTOTIPNI POSTAVITVI Arhitektura omogoča tudi enostaven nadzor in detekcijo pojavov preko različnih podsistemov, kar dopušča semantično vrednotenje Pilotna postavitev celotnega sistema je bila opravljena v Gdansku, delovanje celotnega sistema in ukrepanje na več nivojih hkrati. Poljska. V platformo so bili povezani nekateri podsistemi mesta Posledica tega je vpeljava koncepta sistem sistemov, s čimer ter senzorji (števci prometa, kontrole dostopa, vremenske postaje dosežemo hitrejšo in boljšo odzivnost ter varno in robustno ipd.). Podatke pridobljene iz podsistemov smo uporabljali za delovanje podsistemov. monitoring in izvajanje enostavnih analiz dogajanja. Realnim podsistemov smo dodali še nekatere kompleksnejše (promet, 3.2 Sprotna optimizacija podsistemov pametna stanovanjska območja, pametno omrežje ipd.), ki pa so bili zaradi praktičnih razlogov simulirani. Sistem smo preizkusili Pri optimizaciji delovanja celotnega mesta je potrebno modelirati tudi na mestu Ljubljana, kjer pa so bili vsi povezani sistemi medsebojni vpliv različnih dejavnikov na stanje v sistemu in simulirani. Mesti smo razdelili na 4 območja, kjer smo opazovali ugotoviti kako sprememba nekega dejavnika vpliva na stanje onesnaženje, stanje prometa ter porabo (Slika 4). drugega. Ta vpliv je lahko pozitiven ali negativen. Na primer, onesnaževanje v mestu povečuje proizvodnja električne energije v toplarni, večja poraba v stanovanjskih območjih, povečan promet in neugodne vremenske razmere. Hkrati pa povečana onesnaženost negativno vpliva na udobje prebivalcev. Za reševanje tega problema smo razvili algoritme, ki optimizirajo delovanje več podsistemov hkrati in upoštevajo medsebojni vpliv vseh teh dejavnikov. Razvita metoda uporablja model relacij in koncepte iz teorije iger (Nashevo ravnovesje [REF?]) za definiranje kontrolnih ukazov, ki minimizirajo negativni vpliv med vsemi dejavniki v modelu [6]. Uporaba takega principa 85 zmanjšajo in preko obratnega mehanizma pogajanj porabniki začnejo z izvajanjem prej zadržanih naprav. Slika 5 prikazuje porabo mesta brez poseganja algoritma (črna krivulja) in po uporabi mehanizma pogajanj (rdeča krivulja). Preko simulacij smo ocenili, da je mogoče doseči 3-4% prihranke pri stroških čez celotno mesto. 5. ZAKLJUČEK V prispevku smo opravili kratek pregled metod, ki smo jih razvili v okviru evropskega projekta ACCUS na temo pametnih mest. Predstavili smo koncepte, ki so pomembni pri razvoju storitev za pametna mesta in jih je potrebno upoštevati in vključevati pri nadaljnjem razvoju.V okviru programa EkoSMART lahko odsek ponudi prototip platforme, ki bi povezovala podsisteme mesta in Slika 4. Povezovanje podsistemov mesta. omogočala vključevanje različnih podpornih aplikacij. Prototipna V primeru povečanja onesnaženja se je sprožila optimizacija postavitev platforma je bila izvedena v mestu Gdansk, v Ljubljani podsistemov, ki je preko pogajanj uspešno zmanjšala porabo pa smo podsisteme simulirali. elektrike, emisije iz toplarne in preusmerila promet na druga območja mesta. Prav tako lahko ponudimo optimizacijske ter pogajalske algoritme, ki omogočajo učinkovito vodenje podsistemov mesta Drugi primer uporabe, ki smo ga demonstrirali je glajenje porabe ob upoštevanju Nashevega ravnovesja. električne energije celotnega mesta. Mesto ima običajno krivuljo porabo v obliki vodoravne črke S, kar pa za ponudnike ni najbolj ugodno, saj so špice v porabi zanje precej drage. Idealna poraba bi 6. REFERENCES bila linearna, kar pa je težko doseči. Naš namen je bil kar se da [1] Zupančič, J., Kaluža, B., Gams, M. 2013. Projekt ACCUS : zgladiti kumulativno porabo s premikanjem bremen v čas, ko je adaptivna kooperativna kontrola urbanih podsistemov. poraba manjša. To smo dosegli s prilagojenim algoritmom Zbornik 16. mednarodne multikonference Informacijska pogajanj. družba - IS 2013, Ljubljana, Slovenia, 134-137. [2] Zupančič, J., Kužnar, D., Kaluža, B., Gams, M. 2014 Resource-demand management in Smart City. PILTAVER, Inteligentni sistemi : zbornik 17. mednarodne multikonference - IS 2014, Ljubljana, Slovenia, 109-112. [3] Zupančič, J., Kužnar, D., Kaluža, B., Gams, M. 2014. Two- stage negotiation protocol for lowering the consumption of convexly priced resource. Proceedings of the 2014 Workshop on Intelligent Agents and Technologies for Socially Interconnected Systems, August 18, 2014, Prague, Czech Republic. 5. [4] Kerkhoff, R., Tavčar, A., Kaluža, B. 2014. Inferring models for subsystems based on real world traces. Inteligentni sistemi : zbornik 17. mednarodne multikonference - IS 2014, Ljubljana. 50-53. [5] Tavčar, A., Šorn, J., Tušar, T., Šef, T., Gams, M. 2014 Slika 5. Glajenje celotne porabe električne energije v mestu Arhitektura sistema OpUS. Inteligentni sistemi : zbornik 17. mednarodne multikonference - IS 2014, Ljubljana. 93-96. Algoritem spremlja porabo v mestu in ob povišanju nad določenim pragom se sproži prvi krog pogajanj, ki poskuša [6] Veliz, O., Kiekintveld, C. 2015. Selecting Robust Strategies zmanjšati porabo čez celotno mesto. To pa doseže z večanjem Based on Abstracted Game Models. Proceedings of the 2015 cene električne energije, kar povzroči, da določeni porabniki International Conference on Autonomous Agents and zadržijo izvajanje naprav, ki niso bistvene. Ko se celotna poraba Multiagent Systems. Maj, 2015, Istanbul, Turčija, 1877- mesta zmanjša pod določen prag, se cene električne energije 1878. 86 SIMULATORS and SIMULATIONS in MEDICAL EDUCATION Denis Vidic Maja Strnad Cestar Mateja Štempelj Lina Pavletič Medis d.o.o. Medis d.o.o. Medis d.o.o. Medis d.o.o. +386 1 589 69 96 +386 1 589 69 29 +386 1 589 69 38 +386 1 589 69 02 denis.vidic@medis.si maja.strnad@medis.si mateja.stempelj@medis.si lina.pavletic@medis.si ABSTRACT that have been specified in the examination blueprint. The range The benefits of simulators and simulations in medical education of simulators available has been increasing rapidly. The choice of have been widely recognized and an increasing number of health a given simulator depends primarily on the objectives of the care institutions and medical schools in the world are now turning station. With a little bit of imagination and creativity, a simulator to simulation-based learning. Slovenia has not yet fully exploited can be effectively integrated with a real human being in order to the opportunity of enriching its medical education with enhance the authenticity and realism of the case being portrayed. simulation. In the framework of EMZ and EkoSMART the focus will therefore be put on further equipping existing simulation 2. AIM centers and thus improving medical education. This will The aim of the activities within EMZ and EkoSMART is to consequently improve patients’ safety due to reduced number of improve the effectiveness of medical education by introducing errors and move the overall quality of healthcare service beyond interactive simulators in the educational process. Trends in state-of-the-art. medicine go in the direction of more experimental learning, based on advanced technologies. In this way the complexity of scenarios Keywords can be adapted, stressful situations can be created and real clinical Simulator, simulation, medical education situations simulated. This enables students to test their knowledge in safe environment and thus make faster progress in learning how to safe patients’ lives. They can be involved in all simulation 1. INTRODUCTION levels from scenario preparation, role-play, patient observation The benefits of simulators and simulations in medical education and final analysis. As the main operational aim of EMZ have been widely recognized. (Amin et al., 2011; Cook et al., appropriate advanced and more sophisticated simulators for 2011; Good, 2003). They offer the opportunity for developing surgery, gynecology and ultrasound diagnostics will be added to individualized learning outcomes and learner-centric teaching and already existing simulators in two simulation centers. Also learning activities, promote an environment where mistakes are personnel will be properly educated in order to be skilled in forgiven, allow deliberate and repeated practice, and create an simulator operation and prepared to further transfer the opportunity for feedback and reflection – all within a controlled knowledge to students. and safe environment (Bradley, 2006). The use of simulators has widened the horizons of the training and learning of health 3. DISCUSSION AND CONCLUSION professionals by providing a portable, affordable, and efficient means to demonstrate how efficient teaching and learning An increasing number of health care institutions and medical activities can lead to improvements in patient care. An increasing schools in the world are now turning to simulation-based learning number of healthcare professionals-in-training have benefited and Slovenia should be no different. Teamwork training from high-fidelity patient simulators in virtual hospitals (Brigden conducted in the simulated environment namely offers an additive & Dangerfield, 2008). benefit to the traditional didactic instruction, enhance performance, and possibly also help reduce errors. In the assessment of health professionals’ education, simulators Certain institutions in Slovenia already have very well equipped provide examiners with an opportunity to broaden the domains to simulation centers whereas others will have to make some steps be tested. A significant range of tasks can be tested using forward in the following years. In order to enable all healthcare simulators, and for some tasks, there are no viable alternatives to professionals in Slovenia to have equal opportunities for using simulators. These include: infrequent but important clinical qualitative simulation based medical education the rest of the situations, such as responding to a collapsed patient; practical and simulation centers should also become better equipped. Therefore, procedural skills, such as chest tube insertion and suturing; two simulation centers in the country will reach a higher quality intrusive and intimate examinations that encroach upon patient level during EMZ and EkoSMART which will further reduce privacy, such as per-vaginal or per-rectal examination (Hendrix et. errors made on patients due to lack of simulation training. al., 2009); examinations that are uncomfortable for patients, such as ophthalmological examination with dilated pupils; and This will position Slovenia closer to the most developed countries teamwork situations, such as trauma code simulation (Amin, in terms of simulators and simulation. It will also contribute 2013). directly to the main objective of EMZ which is to prepare qualitative and integrated healthcare. More sophisticated In recent years, the growing use of simulators has allowed the simulation equipment will improve especially the aspect of proliferation of many models for medical educators to choose patients’ safety which is one of the aims of EMZ. Simulators will from. While this gives a wide range of options, it also makes the directly address also the sometimes problematic quality of selection of appropriate simulators more difficult. It is imperative nowadays healthcare where errors are being made due to lack of that the choice of the simulator is based on the nature of the tasks appropriate training which cannot always be done on real patients. 87 4. REFERENCES [5] Cook DA, Hatala R, Brydges R, Zendejas B, Szostek JH, [1] Amin Z, Boulet JR, Cook DA, Ellaway R, Fahal A, Wang AT, Erwin P, Hamstra S. (2011) Technology- Kneebone R, Maley M, Ostergaard D, Ponnamperuma G, enhanced simulation for health professions education: A Wearn A, Ziv A. (2011) Technology-enabled assessment of systematic review and meta-analysis. JAMA 306(9): 978-988. health professionals education: Consensus statement and [6] Good ML. (2003) Patient simulation for training basic and recommendations from the Ottawa 2010 conference. Med advanced clinical skills. Med Educ 37(Supp 1): 14-21. Teach 33(5): 364-369. [7] Hendrix K, De Winter B, Jalma WT, Avonts D, Peeraer G, [2] Amin Z (2013) Technology enhanced assessment in medical Wyndaele J. (2009) Learning intimate examinations with education. In: Walsh K (Ed.), Oxford Textbook of Medical simulated patients: The evaluation of medical students’ Education. Oxford University Press, UK, pp. 489-499. performance. Med Teach 31(4): e139-e147. [3] Bradley P. (2006) The history of simulation in medical education and possible future directions. Med Educ 40(3): 254-262. [4] Brigden D, Dangerfield P. (2008) The role of simulation in medical education. Clin Teach 5: 167-170. 88 Napovedovanje hospitalizaciji pri bolnikih s srčnim popuščanjem iz podatkov telespremljanja Aljoša Vodopija Drago Rudel Božidara Cvetković Zdravko Balorda Mitja Luštrek MKS Elektronski sistemi d.o.o. Institut »Jožef Stefan« Rožna dolina, Cesta XVII/22b Jamova cesta 39 1000 Ljubljana 1000 Ljubljana +386 1 256 2243 +386 1 477 3380 info@mks.si aljosa.vodopija@ijs.si POVZETEK meja življenjskih znakov, sistem telespremljanja to sporoči Srčno popuščanje je pogosta bolezen, ki običajno prizadene zdravniškemu osebju, ki kontaktira bolnika in z njim opravi populacijo ljudi nad 65 let. V prispevku analiziramo podatke iz pogovor. Po opravljenemu pogovoru se zdravniško osebje v leto dni trajajoče raziskave, v kateri se je telespremljalo 141 primeru poslabšanja zdravja odloči za primeren ukrep, kot je bolnikov s srčnim popuščanjem. Telespremljanje občutno zmanjša sprememba zdravljenja, obisk bolnika in hospitalizacija. število hospitalizacij in njihovo trajanje, a se hospitalizacije še Telespremljanje je v Splošni bolnišnici Slovenj Gradec zmanjšalo pojavljajo. Cilj, ki smo si ga zastavili, je bil z uporabo strojnega število hospitalizacij iz 0,34 hospitalizacij na bolnika na 0,1 učenja zgraditi klasifikator, ki bo zmožen napovedati preostale hospitalizacije na bolnika na leto. V prispevku poskušamo z hospitalizacije. Zdravniško osebje bi klasifikator uporabilo kot metodami strojnega učenja zgraditi klasifikator, ki bo zmožen opozorilo na prihajajočo hospitalizacijo, ki bi jo z ustreznim napovedati preostale hospitalizacije, ki jih dosedanji sistem ni ukrepom preprečilo ali skrajšalo ter s tem občutno zmanjšalo uspel ujeti. S tem pričakujemo, da se bo število hospitalizacij oz. stroške in izboljšalo bolnikovo kakovost življenja. Z izgradnjo njihovo trajanje dodatno zmanjšalo. velikega nabora atributov in preizkušanjem različnih metod za Prispevek je organiziran na sledeči način. V drugem poglavju izbiro atributov in algoritmov za strojne učenje smo zgradili predstavimo podatke. V tretjem poglavju opišemo in ocenimo klasifikator, ki je na začetnih podatki napovedal 7 hospitalizaciji atribute pridobljene iz podatkov. V četrtem poglavju pokažemo izmed 9 in se je zmotno opredelil za hospitalizacijo le v enem rezultate in opišemo najboljši klasifikator ter v petem poglavju primeru izmed 117. Po opravljeni raziskavi smo prejeli nove naredimo zaključek, kjer predstavimo nadaljnje delo. podatke, na katerih smo preverili klasifikator in dobili dobre rezultate ter s tem ovrgli morebitno pretirano prileganje učnim 2. PODATKI podatkom. Med letoma 2014 in 2015 se je v Splošni bolnišnici Slovenj Gradec [11] v projektu United4health [12] telespremljalo 141 Ključne besede bolnikov s srčnim popuščanjem. Srčno popuščanje, strojno učenje, klasifikator, naivni Bayes, Leto dni pred pričetkom telespremljanja je vsak bolnik opravil ovojnica. zdravniški pregled, kjer se mu je izmeril N-končni natriuretični propeptid tipa b (primarni ProBNP) in iztisni delež levega srčnega 1. UVOD prekata (primarni LVEF). Pred pričetkom spremljanja sta se bolniku ponovno opravila oba pregleda (sekundarni ProBNP ter Srčno popuščanje je kronična bolezen, pri kateri srce ni zmožno sekundarni LVEF). Zabeležili so se bolnikova teža, višina, spol, zadostno oskrbovati organov in tkiva s kisikom in hranili. datum rojstva, datum diagnoze srčnega popuščanja, NYHA Posledično je bolnik izčrpan in nesposoben opravljati težja fizična razred, datum hospitalizacij, ki so se pripetile pred pričetkom dela in aktivnosti. Bolezen prizadene predvsem populacijo nad 65 telespremljanja, ter morebitne druge bolezni srca in ožilja (I110, let in je tudi nasploh glavni vzrok za hospitalizacijo pri tej I252, I270, I340, I420, I490, I500). Če bolnik ni opravil kakšnega starostni skupini [9]. Tovrstne hospitalizacije so nevarne za izmed testov pred pričetkom spremljanja, se je to v podatkih bolnika ter zelo drage za bolnišnico, zato je pomembno, da zabeležilo kot manjkajočo vrednost. zdravniško osebje bolnike primerno oskrbujejo in spremlja. Med bolnike so se razdelile merilne naprave. Naročeno jim je Bolnike s srčnim popuščanjem je možno primerno nadzorovati bilo, naj si vsako jutro pred zajtrkom izmerijo sistolični krvni tlak s telespremljanjem [5]. Sistem telespremljanja samostojno (SIS_KT), diastolični krvni tlak (DIA_KT), srčni utrip (SU), spremlja bolnikove življenjske znake in obvešča zdravniško zasičenost krvi s kisikom (SO2), težo (TE) ter zaznajo morebitno osebje v primeru, da kakšen izmed znakov prekorači v naprej aritmijo (AR). V primeru poslabšanja je bilo bolnikom svetovano, določene “varne” meje. Zdravniško osebje ima tako nadzor nad naj merjenje večkrat ponovijo tokom dneva. Krvni tlak, srčni utrip bolnikovim stanjem in lahko pravočasno primerno ukrepa in s tem in aritmijo so si bolniki izmerili z napravo Cignus Senior Line zmanjša tveganje za nastanek hospitalizacij, ki pa se še vseeno TD-3128 [2], zasičenost s kisikom z napravo Nonin Onyx II 9560 pojavljajo. [7] ter težo z napravo Libr-O-Graph [6]. Če si bolnik ni izmeril Analiza, opravljena v tem prispevku, temelji na podatkih iz kakšnega izmed parametrov, se je to v podatkih zabeležilo kot raziskave 141 bolnikov s srčnim popuščanjem, zbranih s manjkajočo vrednost. Podrobnejše informacije o bolnikih telespremljanjem [10]. V primeru prekoračitve v naprej določenih najdemo v Tabeli 1. 89 Tabela 1. Demografske statistike, splošne informacije o vrednosti (meje iz Tabele 2), standardni odklon, število bolnikih in klinične vrednosti vezane na srčno popuščanje prekoračitev mej visokega tveganja, število manjkajočih vrednosti, relativno odstopanje od bolnikove povprečne vrednosti Demografske spremenljivke ter trend, predstavljen kot koeficient naklona izračunan pri Moški [št.] 102 linearni regresiji za vse dinamične parametre, ki so si jih bolniki dnevno merili, ter razliko med sistoličnim in diastoličnim tlakom. Ženske [št.] 39 Vse izračune smo napravili v statističnem računalniškem orodju Starost [pov. ± sd] 72,7 ± 9,4 R [8]. Tabela 2. Meje za diskretizacijo Splošne informacije o bolnikih Trajanje telesprem. [pov. ± sd] 369 ± 134 Paramet. \ Tvega. Nizka Srednja Visoka Trajanje bolezni [pov. ± sd] 3,5 ± 3,2 LVEF 50 40 25 Višina [pov. ± sd] 167 ± 9,1 NYHA razred 2 3 4 BMI [pov. ± sd] 30,3 ± 5,2 Starost 58 64 81 Klinične vrednosti, vezane na srčno popuščanje SIS_KT 140 120 100 Primarni LVEF [pov. ± sd] 43 ± 13 DIA_KT 70 80 95 Sekundarni LVEF [pov. ± sd] 41 ± 13 SO2 94 88 82 Primarni ProBNP [pov. ± sd] 4179 ± 4926 BMI 21-23 18-21 <18 23-30 >30 Sekundarni ProBNP [pov. ± sd] 3406 ± 3507 NYHA razred 1 / 2 / 3 / 4 [št.] 1 / 101 / 35 / 1 Razpolagali smo s 168 atributi. Slednjim smo dodali še razred, ki je identificiral primer kot hospitalizacijo oz. nehospitalizacijo. 3. ATRIBUTI Atribute smo ovrednotili z metodo po imenu informacijski Parametre lahko razdelimo v dve večji skupini. Prvo skupino pribitek, kot je implementirana v računalniškem orodju Weka [3]. predstavljajo statični podatki. To so podatki, ki se med izvajanjem Bralec si lahko ogleda najbolje ocenjene atribute v Tabeli 3. telespremljanja ne spreminjajo oziroma se spreminjajo v taki meri, Tabela 3. Najbolje ocenjeni atributi z metodo informacijski da to za našo obravnavo ni pomembno. Statični podatki so NYHA pribitek razred, ProBNP (sekundarni kadar obstaja, sicer primarni), LVEF Atributi Informacijski (sekundarni kadar obstaja, sicer primarni), starost, spol, trajanje pribitek bolezni, zgodovina hospitalizacij in ostale bolezni srca in ožilja. Drugo skupino predstavljajo dinamični parametri. To so Manjkajoči podatki – SO2 (90 dni) 0,099 parametri, ki se z vsako novo meritvijo spreminjajo. Dinamični Nizke vrednosti – SO2 (30 dni) 0,099 parametri so teža, srčni utrip, sistolični krvni tlak, diastolični krvni tlak, zasičenost s kisikom, število intervencij (telefonski Relativno odstopanje – DIA_KT (90 dni) 0,098 kontakt z bolnikom), število zaznanih aritmij in število Trend – BMI (30 dni) 0,098 hospitalizaciji pred začetkom telespremljanja. Manjkajoči podatki – BMI (30 dni) 0,071 Vse parametre smo primerno spremenili v atribute, ki smo jih v raziskavi uporabili za izdelavo modela za napovedovanje Relativno odstopanje – AR (4 dni) 0,066 hospitalizacij. Parametre smo spremenili v atribute na tri načine: NYHA razred 0,065 • Surovi atributi Manjkajoči podatki – BMI (14 dni) 0,064 • Diskretizirani atributi • Statistično obdelani atributi Surovi atributi so surove vrednosti statičnih podatkov, ki jih 4. NAPOVEDOVANJE HOSPITALIZACIJ nismo na noben način spreminjali. To so višina, trajanje Naš cilj je izgradnja klasifikatorja, ki bo zmožen napovedati bolezni ter število predhodnih hospitalizaciji zaradi srčnega hospitalizacijo, preden se ta zgodi. Naši podatki imajo zgolj devet popuščanja. hospitalizacij, porazdeljenih med osem bolnikov (eden izmed Diskretizirani atributi predstavljajo stopnje tveganja, ki jih bolnikov je bil hospitaliziran dvakrat), zato lahko zgradimo zgolj predstavlja določena vrednost parametra (visoka, srednja, nizka). devet primerov, ki predstavljajo hospitalizacijo. Nehospitalizirane Parametre diskretiziramo z mejami, ki so predstavljene v Tabeli primere zgradimo tako, da med bolniki, ki niso bili hospitalizirani, 2. Meje so bile raziskane med izvajanjem projekta CHIRON [1], izberemo naključen datum opazovanja, ki predstavlja kjer so na podlagi poročanja vodilnih Evropskih kardiologov nehospitalizacijo. Zgoraj naštete atribute izračunamo tako, kot da zbirali podatke o srčnem popuščanju [4]. Med diskretizirane bi se na izbrani datum zgodila hospitalizacija. Tako dobimo 117 atribute sodijo: starost, spol, ProBNP, LVEF, NYHA razred ter nehospitaliziranih primerov (15 bolnikov izpustimo zaradi druge bolezni srca in ožilja. velikega pomanjkanja podatkov). Statistično obdelani atributi so bili pridobljeni s statistično Ovrednotenje smo izvedli po metodi “pusti eno hospitalizacijo obdelavo surovih podatkov, izračunano za štiri različna obdobja izven učne množice”. Najprej smo sestavili deset naključno (4, 14, 30, 90 dni) pred hospitalizacijo. Za vsak časovni interval izbranih množic. Vsaka množica je vsebovala 13 smo izračunali povprečno vrednost, diskretizacijo povprečne nehospitaliziranih primerov in po 1 hospitaliziran primer. Nato 90 smo učno množico zgradili iz 9 zgornjih množic. V učni množici poznavanjem bolezni. Majhna razlika med visokim in nizkim smo podvojili hospitalizirane primere, dokler nismo dosegli krvnim tlakom je pokazatelj, da se hospitalizacija zgodi, kar je ravnovesja med hospitalizacijami in nehospitalizacijami. Preostalo običajno in tudi pričakovano, saj je hkrati pokazatelj za slabo množico smo klasificirali. Postopek smo ponovili desetkrat tako, srčno delovanje. Število manjkajočih vrednosti ima da je bila vsaka izmed množic enkrat testna. nekonsistenten pomen, kljub temu se bolj nagiba k Modele smo gradili z štirimi algoritmi za strojno učenje, hospitalizaciji, kar morda opisuje pomanjkanje meritev zaradi implementiranih v računalniškem orodju Weka [3]: odločitveno slabšega bolnikovega zdravja. Naraščajoč trend sistoličnega drevo (J48), naključni gozdovi (RF), metoda podpornih vektorjev krvnega tlaka je pokazatelj, da se hospitalizacija ne bo zgodila, (SVM) in naivni Bayes (NB). Prvi poizkus izgradnje kar smatramo za razumno. Padajoč trend razlike med krvnima klasifikatorja smo izvedli na množici primerov z vsemi atributi. tlakoma prav tako kaže na nehospitalizacijo, kar je neobičajno. Dosegli smo slabe rezultate predvsem iz vidika pravilno Tako naraščajoč kot padajoč trend BMI-ja kaže na hospitalizacijo. napovedanih hospitalizacij. Prvi opisuje znano dejstvo o srčnem popuščanju, medtem ko je Za doseganje boljših rezultatov smo preizkusili različne drugi morda ustrezen, saj bi lahko kazal na splošno slabo zdravje. metode za izbor atributov, ponovno z računalniškim orodjem Tabela 5. Rezultati klasifikaciji za različne metode izbire Weka: informacijski pribitek, reliefF, izbira atributov na osnovi atributov kombinirane z algoritmi za strojno učenje. Najvišja korelacij, ovojnica (ang. wrapper) in korelacijski test Hi-kvadrat. vrednost posamezne metrike je poudarjena Rezultate posamezne metode za izbiro atributov, kombinirano z algoritmom za strojno učenje smo, predstavili v obliki priklica Informacijski pribitek (ang. recall), natančnosti (ang. precision), F-mere (ang. F- Algoritmi J48 RF SVM NB measure) in ploščine pod krivuljo ROC (AUC). Rezultate smo organizirali v Tabeli 5. Priklic 0,78 0,00 0,56 0,44 V tabeli lahko bralec opazi, da smo najboljše rezultate dosegli Natančnost 0,58 NA 0,50 0,57 z izbiro atributov z ovojnico kombinirano z algoritmom za strojno učenje naivni Bayes, saj ima tovrstni model najvišjo vrednost F- F-mera 0,67 NA 0,53 0,50 mere, AUC in odlične rezultate v obliki priklica in natančnosti. AUC 0,86 0,95 0,91 0,87 Metodi bomo v nadaljevanju posvetili več pozornosti. Ovojnica, kombinirana z algoritmom za strojno učenje naivni ReliefF Bayes, izbere naslednje atribute: Algoritmi J48 RF SVM NB • povprečje srčnega utripa zadnje 4 dni; • povprečje razlike med sistoličnim in diastoličnim krvnim Priklic 0,22 0,00 0,11 0,22 tlakom zadnje 4 dni; Natančnost 0,29 NA 1,00 0,22 • manjkajoči podatki za srčni utrip, zasičenost s kisikom in BMI v zadnjih devetdesetih dneh; F-mera 0,25 NA 0,20 0,22 • trend za sistolični krvni tlak izračunan za zadnje 30 oz. 90 dni; AUC 0,69 0,75 0,75 0,42 • trend razlike med sistoličnim in diastoličnim krvnim tlakom izračunan za zadnje 90 dni Izbira atributov na osnovi korelacij V Tabeli 4 so predstavljeni rezultati za najboljšo metodo v Algoritmi J48 RF SVM NB obliki matrike zamenjav. Klasifikator uspešno napove 7 hospitalizaciji izmed 9 in se zmotno opredeli za hospitalizacijo le Priklic 0,56 0,33 0,78 0,78 na enemu primeru izmed vseh 117 predstavnikov Natančnost 0,50 0,75 0,78 0,64 nehospitaliziranih primerov. Tabela 4. Matrika zamenjav za najboljši klasifikator F-mera 0,53 0,46 0,78 0,70 AUC 0,73 0,96 0,95 0,94 V resnici \ Napoved Hospitalizacija Ni-hospital. Ovojnica Hospitalizacija 7 2 Algoritmi J48 RF SVM NB Ni-hospital. 1 116 Priklic 0,33 0,22 0,89 0,78 Algoritem naivni Bayes predpostavi neodvisnost med atributi, Natančnost 0,60 0,67 0,62 0,88 zato ga lahko preprosto opišemo tako, da vsakemu atributu priredimo verjetnost, da nastopi hospitalizacija. Nato seštejmo F-mera 0,43 0,33 0,73 0,82 verjetnosti čez vse atribute in dobimo končno verjetnost, na AUC 0,71 0,58 0,94 0,98 podlagi katere model klasificira posamezen primer. Takšen opis klasifikatorja lahko grafično prikažemo v obliki nomograma. Na Korelacijski test Hi-kvadrat Sliki 1 je prikazan nomogram klasifikatorja v poenostavljeni Algoritmi J48 RF SVM NB obliki. Na sliki poleg atributa najdemo interval in njegove vrednosti v opisni obliki. Bolj kot je vrednost atributa oddaljena Priklic 0,77 0,22 0,56 0,44 od črtkane črte proti levi, večja je verjetnost, da primer ne bo Natančnost 0,64 1,00 0,50 0,57 klasificiran med hospitalizacije in obratno (npr. naraščajoč trend BMI-ja je močen pokazatelj, da se hospitalizacija zgodi). F-mera 0,70 0,36 0,53 0,50 Upoštevajoč nomogram je visok srčni utrip pokazatelj, da se AUC 0,87 0,94 0,90 0,87 hospitalizacija ne pojavi, kar je v nasprotju z dosedanjimi 91 Stabilen sistolični krvni tlak je pokazatelj, da hospitalizacije ne smatramo za zelo uspešno. Po opravljeni raziskavi smo prejeli bo, kar je razumno. Klasifikator vsebuje večinoma relacije, ki so nove podatke, na katerih smo preverili klasifikator in dobili dobre skladne z dosedanjim medicinskim znanjem. Vsebuje pa tudi rezultate ter s tem ovrgli morebitno pretirano prileganje učnim nekaj relaciji, ki niso povsem skladne oziroma so še nepoznane. podatkom. Predvidevamo, da so te relacije zmotne zaradi majhnega števila Trenutno raziskujemo, koliko dni pred hospitalizacijo smo to podatkov. Obstaja seveda možnost, da so nekatere izmed njih sposobni napovedat, saj je zgodnja napoved vsekakor bolj pravilne in so morda novo spoznanje o bolezni, ki ga je moč uporabna kot pozna napoved. Na koncu bomo še razmisli o pridobiti le s telespremljanjem. Slednje se bo morda potrdilo možnosti, da bi klasifikator preizkusili v praksi. oziroma izključilo z dodatnimi analizami telespremljanja. 6. ZAHVALA Slika 1. Naivni Bayesov klasifikator (nomogram) Raziskava v tem prispevku je financirana iz projekta United4Health ter projekta HeartMan. Projekt United4Health je bil financiran s strani European Union’s ICT Policy Support Programme (ICT PSP) v skladu s sporazumom o dodelitvi sredstev No 325215. Projekt HeartMan je financiran s strani European Union’s Horizon 2020 research and innovation v skladu s sporazumom o dodelitvi sredstev No 689660. Partnerji na projektu HearthMan so Institut “Jožef Stefan”, Sapineza University, Ghent University, National Research Council, ATOS Spain SA, SenLab, KU Leuven, MEGA Electronics Ltd in European Heart Network. 7. LITERATURA [1] Chiron project. DOI = https://medvision360.com/d/chiron- project/ [2] Cignus Senior Line TD-3128. DOI = http://www.taidoc.com/Blood-Pressure-Monitor-TD- 4.1 TESTIRANJE NA NOVIH PODATKIH 3128.html Med opravljanjem raziskave so se v Splošni bolnišnici Slovenj [3] Hall Mark, Frank Eibe, Holmes Geoffrey, Pfahringer Gradec naprej zbirali življenjski znaki bolnikov. Po izgradnji Bernhard, Reutemann Peter in Witten Ian H.. 2009. The klasifikatorja smo tako imeli novo množico bolnikov in WEKA Data Mining Software: An Update. SIGKDD hospitalizacij, na katerih smo lahko preizkusili naš model. V Explorations (2009), 10-18. novih podatkih je bilo 53 novih bolnikov in 9 novih hospitalizacij. V Tabeli 6 je matrika zamenjav na novih podatkih. [4] Kozina Simon, Puddu Paolo E. in Luštrek Mitja. 2013. Priklic klasifikatorja je enak priklicu na starih podatkih. System for Supporting Clinical Professionals Dealing with Natančnost je iz 0,88 padla na 0,64, F-mera je iz 0,82 padla na 0,7 Chronic Disease Patients. Na AmI 2013 Workshop, Evolving ter AUC iz 0,98 na 0,94. Na novih podatkih je klasifikator Ambient Intelligence (Dublin, Irska, December, 2013), 79- nekoliko slabše napovedoval. Vseeno je rezultat dober in 85 . spodbuden, saj smo bili v dvomu, ali smo se z klasifikatorjem [5] Kvedar Joseph, Coye Molly J. in Everett Wendy. 2014. morda pretirano prilegali učnim podatkom. Connected Health: A Review Of Technologies And Tabela 6. Matrika zamenjav na novih podatkov Strategies To Improve Patient Care With Telemedicine And Telehealth. Health Affairs (Februar, 2014), 194-199. V resnici \ Napoved Hospitalizacija Ni-hospital. [6] Libr-O-Graph. DOI = http://www.iem.de/en/products/libr-o- Hospitalizacija 7 2 graph.html Ni-hospital. 4 46 [7] Nonin Onyx II 9560. DOI = http://www.nonin.com/Onyx9560 5. ZAKLJUČEK [8] R Core Team. R: A Language and Environment for V prispevku analiziramo podatke telespremljanja bolnikov s Statistical Computing. R Foundation for Statistical srčnim popuščanjem z metodami strojnega učenja. Cilj je bil Computing. 2014. zgraditi klasifikator, ki bi bil zmožen napovedovati hospitalizacije [9] Roger Véronique L.. 2013. Epidemiology of heart failure. iz dnevnih meritev bolnikovih življenjskih znakov. Klasifikator Circulation Research (2013), 646-659. lahko uporabimo za opozarjanje zdravniškega osebja na prihajajočo hospitalizacijo posameznega bolnika. Na ta način [10] Rudel Drago, Slemenik-Pušnik Cirila, Balorda Zdravko, lahko osebje predčasno ukrepa in s tem prepreči hospitalizacijo ali Pušnik Stanislav, Lavre Janez in Kladnik Majda. 2016. zmanjša trajanje le te. Posledično občutno zmanjšamo stroške, ki Reducing Hospitalisation by Providing Telemedicine bi nastali v primeru običajne hospitalizacije ter izboljša kakovost Support to CHF Patients at Home in Slovenia. Na Global bolnikovega življenja. Telemedicine and eHealth Updates: Knowledge Resources Najboljši klasifikator zgradimo z izbiro atributov z ovojnico, (2016), 205–208. kombinirano z algoritmom za strojno učenje Naivni Bayes. [11] Splošna bolnišnica Slovenj Gradec. DOI = http://www.sb- Slednji je zmožen pravilno napovedati 7 hospitalizacij izmed 9 in sg.si/ se nepravilno opredeli za hospitalizacijo le v enem primeru, kar [12] United4Health project. DOI = http://united4health.eu/ 92 Indeks avtorjev / Author index Avbelj Viktor ............................................................................................................................................................................... 73 Baert Anneleen ............................................................................................................................................................................. 61 Bajec Marko ................................................................................................................................................................................. 50 Balorda Zdravko ........................................................................................................................................................................... 89 Bizjak Jani .............................................................................................................................................................. 7, 10, 17, 46, 63 Bohak Ciril ................................................................................................................................................................................... 14 Bohanec Marko ............................................................................................................................................................................ 61 Bon Jaka ....................................................................................................................................................................................... 36 Bon Jure ........................................................................................................................................................................... 28, 30, 65 Bonchanoski Martin ..................................................................................................................................................................... 17 Bratko Ivan ................................................................................................................................................................................... 77 Burger Helena .............................................................................................................................................................................. 21 Černe Tomaž ................................................................................................................................................................................ 22 Ciglarič Mojca .............................................................................................................................................................................. 26 Cijan Jaka ..................................................................................................................................................................................... 49 Clays Els....................................................................................................................................................................................... 61 Colnarič Matjaž ............................................................................................................................................................................ 59 Cukjati Iztok ................................................................................................................................................................................. 28 Cuzak Gregor ............................................................................................................................................................................... 30 Cvetković Božidara ...................................................................................................................................................................... 89 Demšar Nejc ................................................................................................................................................................................. 44 Dolinčar Vesna ............................................................................................................................................................................. 32 Dovgan Erik ................................................................................................................................................................................. 61 Flisar Dušan ................................................................................................................................................................................. 36 Gams Matjaž ........................................................................................................................................ 7, 10, 17, 39, 43, 46, 63, 84 Gjoreski Hristijan ............................................................................................................................................. 7, 10, 17, 39, 43, 63 Gjoreski Martin ............................................................................................................................................................................ 43 Golija Andrej ................................................................................................................................................................................ 44 Goljuf Karmen ............................................................................................................................................................................. 45 Gornik Igor ................................................................................................................................................................................... 60 Gradišek Anton ............................................................................................................................................................................ 46 Grohar Miha ................................................................................................................................................................................. 26 Isaković Maša ............................................................................................................................................................................... 49 Janković Marko ............................................................................................................................................................................ 50 Jarc Tomo ..................................................................................................................................................................................... 56 Jurič Simon................................................................................................................................................................................... 59 Kasesnik Karin ............................................................................................................................................................................. 52 Klasinc Matija .............................................................................................................................................................................. 56 Kokol Peter ................................................................................................................................................................................... 59 Kompara Tomaž ........................................................................................................................................................................... 60 Košir Igor ..................................................................................................................................................................................... 32 Lavrič Primož ............................................................................................................................................................................... 14 Luštrek Mitja .................................................................................................................................................................... 43, 61, 89 Magajna Tadej .............................................................................................................................................................................. 63 Marolt Matija ............................................................................................................................................................................... 14 Pančur Matjaž ............................................................................................................................................................................... 26 Pardaens Sofie .............................................................................................................................................................................. 61 Pavletič Lina ................................................................................................................................................................................. 87 Pavliha Denis ............................................................................................................................................................................... 68 Perellón Alfonso Ruben ............................................................................................................................................................... 65 Petrovčič Andraž .......................................................................................................................................................................... 32 Pileckyte Indre ............................................................................................................................................................................. 65 Pirtošek Zvezdan .............................................................................................................................................................. 28, 30, 36 Planina Andrej .............................................................................................................................................................................. 66 Planinc Nataša .............................................................................................................................................................................. 68 Pustatičnik Peter ........................................................................................................................................................................... 71 93 Rashkovska Aleksandra ............................................................................................................................................................... 73 Rudel Drago ................................................................................................................................................................................. 89 Sadikov Aleksander...................................................................................................................................................................... 77 Savanović Arso ............................................................................................................................................................................ 32 Sedlak Sabina ............................................................................................................................................................................... 52 Sedlar Urban ................................................................................................................................................................................. 49 Šetinc Mojca ................................................................................................................................................................................. 32 Slemnik Bojan .............................................................................................................................................................................. 59 Smole Andreja .............................................................................................................................................................................. 79 Šorn Jure....................................................................................................................................................................................... 84 Špelič Denis ................................................................................................................................................................................. 59 Štempelj Mateja ........................................................................................................................................................................... 87 Stepančič Živa .............................................................................................................................................................................. 81 Strnad Cestar Maja ....................................................................................................................................................................... 87 Tavčar Aleš .................................................................................................................................................................................. 84 Trobec Roman .............................................................................................................................................................................. 73 Verber Domen .............................................................................................................................................................................. 59 Vidic Denis ................................................................................................................................................................................... 87 Vodopija Aljoša ..................................................................................................................................................................... 61, 89 Volk Mojca ................................................................................................................................................................................... 49 Žalik Borut ................................................................................................................................................................................... 59 Završnik Jerneja ........................................................................................................................................................................... 59 Žganec Gros Jerneja ..................................................................................................................................................................... 22 Žganec Mario ............................................................................................................................................................................... 22 Žitnik Slavko ................................................................................................................................................................................ 50 Zorman Milan ............................................................................................................................................................................... 59 94 Konferenca / Conference Uredili / Edited by Delavnica Elektronsko in mobilno zdravje / Workshop Electronic and Mobile Health Matjaž Gams, Marko Bajec Document Outline Blank Page Blank Page Blank Page Blank Page 01_35.pdf 01 - Bizjak InLifeVSLO-final 02 - Bizjak IS_InLife_v4_CameraRdy 03 - Bohak IS_EMZ_2016_Bohak_Lavric_Marolt 04 - Boncanoski IN LIFE fall detection 2 05 - Burger-EMZ2016-word 06 - Cerne Alpineon_EkoSMART_SmartPARK 07 - Ciglaric 08 - Cukjati RRP4DP1_abstract2 09 - Cuzak RRP4DP1_abstract1 10 - Dolnicar EKOSmart2 11 - Flisar RRP4DP1_abstract3 12 - Gams - EMZ 13 - GjoreskiM - IS 2016 - Stress with wrist device 14 - Golija Mobilno spremljanje okoljskih dejavnikov in njihovega vpliva na zdravje-1 15 - Goljuf EM ZDRAVJE_Doktor24 16 - Gradisek Zvočna platforma EMZ 2016 17 - Isakovic_v3 18 - Jankovic myDataHub 19 - Kasesnik - Parkinson -Demografija 20 - Klasinc EkoSMART EMZ - IS2016 final 21 - Kokol EMZ IS DS4 22 - Kompara-EMZ2016_Kompara 23 - Lustrek IS 2016 - EMZ - Telovadba v HeartManu 24 - Magajna - IN LIFE Web-carer support-camerardy 25 - Perellon RRP4DP1_abstract4 26 - Planina EkoSmart EMZ zapestnice 2016 prispevek 27 - Planinc Modularna AplikacijaZaTelemedicino_v2 28 - Pustaticnik - Pametni sistem integriranega zdravstva in oskrbe (EMZ 2016) 29 - Rashkovska IS2016_WBS_Analytics 30 - Sadikov_Bratko_InfoSociety_2016_EMZworkshop 31 - Smole EMZ popravljena 32 - Stepancic 33 - Tavcar_ IS2016_EkoSMART_rev. MM 34 - Vidic - EMZ Medis 35 - Vodopija_EMZ-IS2016 Blank Page