หัวใจของระบบประมวลผลคือ “Signal‑Tagged Physics‑Informed Neural Network” หรือ PINN ที่ฝังกฎของพลศาสตร์ของไหล (Fluid Dynamics) ไว้ในแกนกลางของระบบ
ต่างจาก AI แบบ Deep Learning ทั่วไปที่เรียนรู้จากข้อมูลแต่เพียงอย่างเดียว (กล่องดำ) PINN มีข้อจำกัดว่า จะไม่ทำนายผลลัพธ์ที่เป็นไปไม่ได้ทางกายภาพ ซึ่งทีมวิจัยให้เหตุผลว่า การมีกฎฟิสิกส์กำกับอยู่แบบนี้ จะเพิ่มความน่าเชื่อถือเมื่อต้องนำไปใช้ตัดสินใจทางคลินิก
ด้วยความเข้าใจธรรมชาติของการไหลเป็นจังหวะและแม่เหล็กไฟฟ้า ตัวแบบจึงสามารถ “สร้าง” รูปคลื่นความดันทั้งหมดขึ้นมาจากสัญญาณไฟฟ้าเพียงอย่างเดียว โดยไม่ต้องใช้เครื่องวัดแบบพันแขนมาช่วยให้ค่าพื้นฐาน นี่คือจุดที่ทำให้ระบบนี้ ปราศจากการสอบเทียบ (Calibration‑free) อย่างแท้จริง
เครื่องวัดแบบพันแขนทั่วไปให้แค่ตัวเลขความดันซิสโตลิก (ตัวบน) และไดแอสโตลิก (ตัวล่าง) ณ ชั่วขณะหนึ่งเท่านั้น แต่สมาร์ตวอทช์ของทีม Utah แสดงผลเป็น รูปคลื่นความดันโลหิตแบบต่อเนื่องตลอดเวลา (Continuous Waveform) นอกจากนั้นยังประเมินค่า ความเร็วเลือดตามแนวรัศมี (Radial Blood Velocity) และ ความเร็วเลือดตามแนวแกน (Axial Blood Velocity) —นั่นคือความเร็วที่เลือดเคลื่อนที่ภายในหลอดเลือด
Braxton Osting ผู้ร่วมวิจัยและนักคณิตศาสตร์ อธิบายให้เห็นภาพชัดเจนว่า “ความดันโลหิตไม่ใช่ตัวเลขสองตัว มันคือฟังก์ชันของเวลา สิ่งที่ท้าทายทางคณิตศาสตร์คือการดึงรูปคลื่นทั้งหมดนั้นกลับมาจากการวัดทางไฟฟ้าทางอ้อมที่ข้อมือ”
ผลลัพธ์คือข้อมูลพลศาสตร์เลือด (Hemodynamics) ที่สมบูรณ์ ซึ่งสามารถเปิดเผยอันตรายที่ซ่อนอยู่ เช่น ความดันพุ่งชั่วขณะ ความดันสูงขณะนอนหลับ (Nocturnal Hypertension) และภาวะความดันปลอมที่สูงเฉพาะเวลาอยู่ในโรงพยาบาล (White‑coat Hypertension) ซึ่งการวัดแบบเดิมอาจมองไม่เห็น
การประเมินประสิทธิภาพทำกับผู้เข้าร่วม 150 คน ซึ่งรวมถึงคนสุขภาพดีทั้งในภาวะพักและหลังออกกำลังกาย (เดิน, วิ่ง, ขึ้นบันได) และที่สำคัญที่สุดคือรวมถึง ผู้ป่วยโรคความดันโลหิตสูงและโรคหัวใจและหลอดเลือด ทั้งในแผนกผู้ป่วยนอกและหอผู้ป่วยวิกฤต (ICU) เพื่อตอบคำถามว่าเทคโนโลยี BioZ ใช้ได้ผลจริงกับประชากรที่ต้องการมากที่สุดหรือไม่
ถึงแม้ตัวเลขค่าความคลาดเคลื่อนที่แน่นอนจากงานวิจัยปี 2026 จะไม่ได้ถูกระบุในบทสรุปที่มี แต่ในงานก่อนหน้านี้ของทีมเดียวกันที่ใช้ PINN มีรายงานค่าสหสัมพันธ์ (Correlation) ในระดับสูง (ซิสโตลิก: 0.90, ไดแอสโตลิก: 0.89) โดยมีค่าความคลาดเคลื่อนของซิสโตลิกอยู่ที่ 1.3 ± 7.6 mmHg และของไดแอสโตลิกอยู่ที่ 0.6 ± 6.4 mmHg ซึ่งอุปกรณ์ใหม่นี้มีเป้าหมายที่จะเทียบเท่าหรือดีกว่านั้นในรูปทรงอุปกรณ์สวมใส่ที่ใช้งานจริง
การติดตามข้อมูลการไหลเวียนเลือดอย่างต่อเนื่องโดยไม่ต้องสอบเทียบ มีน้ำหนักทางคลินิกมหาศาล เช่น การตรวจพบความไม่คงที่ของความดันในผู้ป่วยกลุ่มเสี่ยงตั้งแต่เนิ่นๆ การปรับยาอย่างแม่นยำตามข้อมูลเรียลไทม์ และการขจัดผลกระทบจากภาวะความดันสูงเพราะวิตกกังวลที่โรงพยาบาล
อย่างไรก็ตาม ยังมีข้อควรระวังอีกหลายประการ อุปกรณ์นี้ยังไม่ผ่านการรับรองจากหน่วยงานกำกับดูแลใดๆ และ University of Utah ซึ่งเป็นผู้ถือทรัพย์สินทางปัญญา อยู่ในขั้นตอนการเจรจาเพื่อให้สิทธิบัตรกับบริษัทในระยะเริ่มต้น งานวิจัยนี้ได้รับทุนจาก NSF, NIH, มหาวิทยาลัย และ B‑Secur, Ltd. ซึ่ง Benjamin Sanchez Terrones หัวหน้านักวิจัย มีบทบาทเป็นเจ้าของและผู้บริหารในบริษัทดังกล่าว
ความสัมพันธ์นี้อาจเป็นความขัดแย้งทางผลประโยชน์ที่ผู้อ่านและแพทย์ควรรับทราบ
ในทางเทคนิค ข้อได้เปรียบที่ใหญ่ที่สุดของแนวทางนี้ก็เป็นความท้าทายที่ใหญ่ที่สุดเช่นกัน: คุณภาพของการสร้างคลื่นความดันขึ้นใหม่นั้นขึ้นอยู่กับว่าแบบจำลองทางฟิสิกส์จับความแปรผันของค่าอิมพีแดนซ์ในโลกจริงได้แม่นยำแค่ไหน ปัจจัยภายนอก เช่น สิ่งรบกวนจากการเคลื่อนไหว (Motion Artifacts) ความชื้นของผิวหนัง และแรงกดขณะสัมผัสผิว อาจยังทำให้สัญญาณด้อยคุณภาพ งานวิจัยต่อเนื่องต้องพิสูจน์ให้ได้ว่าระบบมีความทนทานในชีวิตประจำวันได้ดีพอๆ กับในห้องปฏิบัติการ
ทุกวันนี้ ยังไม่มีอุปกรณ์สวมใส่ใดในตลาดที่ให้การตรวจวัดความดันโลหิตแบบต่อเนื่องโดยไม่ต้องสอบเทียบที่ข้อมูลการไหลเวียนเลือดในระดับลึกเช่นนี้ หากทีมวิจัยสามารถก้าวข้ามเส้นทางจากห้องทดลองไปสู่ผลิตภัณฑ์จริงได้ ภาพของเครื่องวัดความดันแบบพันแขนที่เราคุ้นเคย อาจเริ่มกลายเป็นอดีตของการแพทย์ยุคเก่าไปในที่สุด
Comments
0 comments