Kiedy zaczyna się kolejna infekcja przebiegająca z kaszlem każdy z nas zadaje sobie pytanie - czy to jedynie zwykłe przeziębienie, czy może kryje się za tym coś poważniejszego?
Dzięki inteligentnemu stetoskopowi StethoMe nie trzeba zgadywać co nam lub naszym bliskim dolega.
StethoMe® AI wykrywa, nieprawidłowe dźwięki w układzie oddechowym. Pozwala osłuchać płuca w domu i otrzymać natychmiastowy oraz miarodajny wynik badania.
Dodatkowo wyniki przeprowadzonego w domowych warunkach badania możesz wysłać do swojego lekarza, by uzyskać szybką diagnozę.
Mniej niepewności i zmartwień - więcej czasu dla rodziny!
"Dzisiaj rano byłam u lekarza i nie było zmian osłuchowych. Wszystko wydawało się w porządku. A teraz okazało się, że zwykła infekcja przerodziła się w zapalenie płuc… Jak to możliwe?"
Zmiany osłuchowe związane z zapaleniem oskrzeli czy płuc mogą pojawić się szybko, często w ciągu kilku godzin do kilku dni od początku infekcji.
Dlatego tak ważne jest regularne monitorowanie stanu zdrowia układu oddechowego za pomocą domowego stetoskopu, obserwacja pojawiających się objawów i szybka reakcja, która może pozwolić na uniknięcie hospitalizacji czy długiego leczenia przy pomocy silnych substancji farmakologicznych.
Badania możesz wykonywać w domu tak często, jak to jest potrzebne, aby nie przegapić pojawiających się problemów, czy po prostu utwierdzić się, że nie wykryto zmian osłuchowych.
Nie denerwujesz się, możesz zawsze sprawdzić czy osłuchowo wszystko jest w porządku.
Reagujesz szybciej na pierwsze objawy, zapobiegając poważniejszym problemom.
Unikasz niepotrzebnych i stresujących wizyt w przychodni. Masz spokój, że nie ma zmian osłuchowych w płucach.
To tak, jakbyś miała ucho lekarskie w swojej apteczce. Przydatne, prawda?
Wykrywanie zmian osłuchowych to jedno z podstawowych i znanych od dawna narzędzi diagnostycznych stosowanych przez lekarzy do wykrywania zapalenia oskrzeli i płuc. W StethoMe to właśnie lekarze opisując ponad 1 500 000 próbek dźwiękowych nauczyli algorytm StethoMe AI jeszcze skuteczniej rozpoznawać i klasyfikować nieprawidłowe dźwięki osłuchowe. Dlaczego to takie ważne?
Badanie osłuchowe jest niezwykle istotne w diagnostyce infekcji dróg oddechowych, w tym zapalenia płuc, ponieważ pozwala na wczesne wykrycie i monitorowanie zmian osłuchowych w różnych fazach choroby. W początkowym etapie infekcji zmiany mogą być subtelne lub nieobecne, ale w miarę rozwoju zapalenia oskrzeli i zapalenia płuc (1-5 dni) pojawiają się charakterystyczne dźwięki, takie jak świsty, furczenia i rzężenia, wskazujące na zapalenie i nagromadzenie płynu w płucach. W zaawansowanym stadium choroby zmiany osłuchowe stają się bardziej wyraźne i rozległe. Badanie stetoskopem pozwala na szybką i nieinwazyjną ocenę stanu dróg oddechowych.
Jedno urządzenie – wielu członków rodziny
Ze StethoMe zyskujesz możliwość monitorowania stanu zdrowia płuc KAŻDEGO z członków Twojej rodziny – bez konieczności kupowania osobnych urządzeń.
Mobilność w podróży
Urządzenie jest gotowe do pracy w każdym miejscu na świecie o każdej porze, idealnie sprawdzając się podczas długich i krótkich podróży.
Zamiast się zamartwiać warto działać
W momencie wykrycia nieprawidłowości wystarczy konsultacja telefoniczna z lekarzem, któremu bez problemu udostępnisz wszystkie dane z urządzenia. Dzięki temu cała rodzina zyskuje więcej czasu na radość ze wspólnego wyjazdu.
StethoMe® jest niezwykle czuły i wykrywa świsty i furczenia, do tej pory słyszalne tylko dla lekarza ze stetoskopem. Ze StethoMe wykryjesz zaostrzenie astmy, zanim stanie się poważne. Sprawdzisz o każdej porze, że Twoje dziecko oddycha prawidłowo - unikniesz niepotrzebnych wizyt w przychodni, a przyspieszysz te niezbędne.
Osłuchuj płuca regularnie. Jeśli pojawią świsty i furczenia wspólnie z lekarzem zareagujcie właściwie. Ze StethoMe zyskujesz większą pewność, że astma jest dobrze kontrolowana.
Nie czekaj na kaszel, duszności i słyszalne “gołym uchem” świsty oddechowe. Zaawansowane zaostrzenie jest trudniej opanować i może wymagać podania leków rozkurczających oskrzela.
Działaj wcześniej.
Pobierz przygotowany przez ekspertów Poradnik dla rodziców z astmą i razem ze StethoMe zacznij skutecznie kontrolować chorobę!
Pobierz poradnik
StethoMe umożliwia badanie stetoskopem w Twoim domu. Wykrywa nieprawidłowe dźwięki osłuchowe i mierzy parametry oddechowe, które są kluczowe w infekcjach układu oddechowego i kontrolowaniu chorób przewlekłych takich jak astma.
Świstów i furczeń
Są to dźwięki pojawiające się najczęściej w zaostrzeniu astmy oskrzelowej, zapaleniu oskrzelików i oskrzeli, zaleganiu wydzieliny w górnych drogach oddechowych.
Rzężeń drobno- i grubobańkowych
Są to dźwięki pojawiające się najczęściej w zapaleniu płuc, oskrzeli, oskrzelików, zaleganiu wydzieliny w oskrzelach.
Więcej informacji o przyczynach nieprawidłowości jakie wykrywa StethoMe dowiesz się z rekomendacji lekarzy.
Włączasz stetoskop oraz aplikację StethoMe® na telefonie. Urządzenia łączą się ze sobą automatycznie.
Przykładasz stetoskop do klatki piersiowej. System podpowie Ci, jak to zrobić, a także poinformuje o błędnym pomiarze lub zbyt głośnym otoczeniu. Zapoznaj się z instrukcją.
Widzisz, czy w badaniu pojawiły się dźwięki charakterystyczne dla zapalenia płuc i oskrzeli oraz zaostrzenia astmy.
Jeśli którykolwiek z analizowanych parametrów będzie odbiegać od normy, StethoMe® natychmiast Cię o tym poinformuje.
Wyobraź sobie lekarza, który ma wiedzę z wykonania i interpretacji ponad 42 000 osłuchań układu oddechowego. Który nigdy nie jest zmęczony, jest w doskonałym nastroju i jest zawsze do Twojej dyspozycji.
Poznaj StethoMe®. Domowy stetoskop medyczny, który jest efektem ponad 8 lat pracy 60 ekspertów i naukowców.
Effective and reliable monitoring of asthma at home is a relevant factor that may reduce the need to consult a doctor in person.
We analyzed the possibility to determine intensities of pathological breath phenomena based on artificial intelligence (AI) analysis of sounds recorded during standard stethoscope auscultation.
The evaluation set comprising 1,043 auscultation examinations (9,319 recordings) was collected from 899 patients. Examinations were assigned to one of four groups: asthma with and without abnormal sounds (AA and AN, respectively), no-asthma with and without abnormal sounds (NA and NN, respectively). Presence of abnormal sounds was evaluated by a panel of 3 physicians that were blinded to the AI predictions. AI was trained on an independent set of 9,847 recordings to determine intensity scores (indexes) of wheezes, rhonchi, fine and coarse crackles and their combinations: continuous phenomena (wheezes + rhonchi) and all phenomena. The pair-comparison of groups of examinations based on Area Under ROC-Curve (AUC) was used to evaluate the performance of each index in discrimination between groups.
Best performance in separation between AA and AN was observed with Continuous Phenomena Index (AUC 0.94) while for NN and NA. All Phenomena Index (AUC 0.91) showed the best performance. AA showed slightly higher prevalence of wheezes compared to NA.
The results showed a high efficiency of the AI to discriminate between the asthma patients with normal and abnormal sounds, thus this approach has a great potential and can be used to monitor asthma symptoms at home.
Hafke-Dys H, Kuźnar-Kamińska B, Grzywalski T, Maciaszek A, Szarzyński K, Kociński J.
Auscultation is one of the first examinations that a patient is subjected to in a GP’s office, especially in relation to diseases of the respiratory system. However it is a highly subjective process and depends on the physician’s ability to interpret the sounds as determined by his/ her psychoacoustical characteristics.
Here, we present a cross-sectional assessment of the skills of physicians of different specializations and medical students in the classification of respiratory sounds in children.
185 participants representing different medical specializations took part in the experiment. The experiment comprised 24 respiratory system auscultation sounds. The participants were tasked with listening to, and matching the sounds with provided descriptions of specific sound classes. The results revealed difficulties in both the recognition and description of respiratory sounds. The pulmonologist group was found to perform significantly better than other groups in terms of number of correct answers. We also found that performance significantly improved when similar sound classes were grouped together into wider, more general classes.
These results confirm that ambiguous identification and interpretation of sounds in auscultation is a generic issue which should not be neglected as it can potentially lead to inaccurate diagnosis and mistreatment. Our results lend further support to the already widespread acknowledgment of the need to standardize the nomenclature of auscultation sounds (according to European Respiratory Society, International Lung Sounds Association and American Thoracic Society). In particular, our findings point towards important educational challenges in both theory (nomenclature) and practice (training).
Honorata Hafke-Dys, Anna Bręborowicz, Paweł Kleka, Jędrzej Kociński, Adam Biniakowski
Lung auscultation is an important part of a physical examination. However, its biggest drawback is its subjectivity. The results depend on the experience and ability of the doctor to perceive and distinguish pathologies in sounds heard via a stethoscope. This paper investigates a new method of automatic sound analysis based on neural networks (NNs), which has been implemented in a system that uses an electronic stethoscope for capturing respiratory sounds. It allows the detection of auscultatory sounds in four classes: wheezes, rhonchi, and fine and coarse crackles. In the blind test, a group of 522 auscultatory sounds from 50 pediatric patients were presented, and the results provided by a group of doctors and an artificial intelligence (AI) algorithm developed by the authors were compared. The gathered data show that machine learning (ML)–based analysis is more efficient in detecting all four types of phenomena, which is reflected in high values of recall (also called as sensitivity) and F1-score.
Conclusions: The obtained results suggest that the implementation of automatic sound analysis based on NNs can significantly improve the efficiency of this form of examination, leading to a minimization of the number of errors made in the interpretation of auscultation sounds.
Tomasz Grzywalski, Mateusz Piecuch, Marcin Szajek, Anna Bręborowicz, Honorata Hafke-Dys, Jędrzej Kociński, Anna Pastusiak, Riccardo Belluzzo
A stethoscope, introduced more than two centuries ago, is still a tool providing potentially valuable information gained during one of the most common examinations. However, the biggest drawback of auscultation is its subjectivity. It depends mainly on the experience and ability of the doctor to perceive and distinguish pathological signals. Many research has shown very low efficiency of doctors in this area.
Moreover, most physicians are aware of this problem and need supporting devices. Therefore we have developed the Artificial Intelligence (AI) algorithms which recognise pathological sounds (wheezes, rhonchi, fine and coarse crackles). Here we present the comparison of the performance of physicians and AI in detection of those sounds.
A database of more than 10 000 recordings described by a consilium of specialists (pulmonologists and acousticians) was used for AI learning. Then another set of more than 500 real auscultatory sounds were used to investigate the efficiency of AI in comparison to a group of doctors. The standard F1-score was used for evaluation, because it considers both the precision and the recall. For each phenomena, the results for the AI is higher than for doctors with an average advantage of 8.4 percentage points, reaching even 13,5 p.p. for fine crackles.
The results suggest that the implementation of AI can significantly improve the efficiency of auscultation in everyday practice making it more objective, leading to a minimization of errors. The solution is now being tested with a group of hospitals and medical providers and proves its efficiency and usability in everyday practice making this examination faster and more reliable.
Tomasz Grzywalski, Marcin Szajek, Honorata Hafke-Dys, Anna Bręborowicz, Jędrzej Kociński, Anna Pastusiak, Riccardo Belluzzo
Performing an auscultation of the respiratory system normally requires the presence of an experienced doctor, but the most recent advances in artificial intelligence (AI) open up a possibility for the laymen to perform this procedure by himself in home environment. However, to make it feasible, the system needs to include two main components: an algorithm for fast and accurate detection of breath phenomena in stethoscope recordings and an AI agent that interactively guides the end user through the auscultation process. In this work we present a system that solves both of these problems using state-of-the-art machine learning algorithms. Our breath phenomena detection model was trained on 5000 stethoscope recordings of both sick (hospitalized) and healthy children. All recordings were labeled by a pulmonologist and acousticians. Trained model shows nearly optimal performance in terms of both sensitivity and specificity when tested on unseen recordings. The agent is able to accurately assess a patient's lung health status by auscultating only 3 out of 12 locations on average. The decision about each next auscultation location or end of examination is made dynamically, after each recording, based on breath phenomena detected so far. This allows the agent to make the best prediction even if the auscultation is time-constrained.
Tomasz Grzywalski, Riccardo Belluzzo, Mateusz Piecuch, Marcin Szajek, Anna Bręborowicz, Anna Pastusiak, Honorata Hafke-Dys, Jędrzej Kociński
To perform a precise auscultation for the purposes of examination of the respiratory system normally requires the presence of an experienced doctor. With most recent advances in machine learning and artificial intelligence, automatic detection of pathological breath phenomena in sounds recorded with a stethoscope becomes a reality. But to perform a full auscultation in a home environment by a layman is another matter, especially if the patient is a child. In this paper we propose a unique application of Reinforcement Learning for training an agent that interactively guides the end user throughout the auscultation procedure. We show that intelligent selection of auscultation points by the agent reduces time of the examination fourfold without significant decrease in diagnosis accuracy compared to exhaustive auscultation.
Tomasz Grzywalski, Riccardo Belluzzo, Szymon Drgas, Agnieszka Cwalińska, Honorata Hafke-Dys
In this article a DNN-based system for detection of three common voice disorders (vocal nodules, polyps and cysts; laryngeal neoplasm; unilateral vocal paralysis) is presented. The input to the algorithm is (at least 3-second long) audio recording of sustained vowel sound /a:/. The algorithm was developed as part of the ”2018 FEMH Voice Data Challenge” organized by Far Eastern Memorial Hospital and obtained a score value (defined in the challenge specification) of 77.44. This was the second best result before final submission. Final challenge results are not yet known during writing of this document. The document also reports changes that were made for the final submission which improved the score value in cross-validation by 0.6% points.
Tomasz Grzywalski., Adam Maciaszek, Adam Biniakowski, JanOrwat, Szymon Drgas, Mateusz Piecuch, Riccardo Belluzzo, Krzysztof Joachimiak, Dawid Niemiec, Jakub Ptaszyński, Krzysztof Szarzyński
In the case of children suffering from chronic diseases of the respiratory system, including asthma, it is very important to track any changes in the respiratory system condition. Domestic patient monitoring is becoming more and more popular. It is much more comfortable for patients who are less stressed, being relieved from any necessity to attend doctor’s offices, and are not exposed to pathogens present in medical facilities. Furthermore, it is also important for the attending physician who is provided with documented data. Until now, any aggravation of a past disease has been reported by children’s parents during medical appointments. Such a method for providing information entails potential miscommunication, misjudgement and highly biased evaluation. A solution might be an electronic stethoscope, providing an easy way to examine children in domestic conditions and to record auscultation results. Currently, it is possible to record auscultation sounds, provide a doctor with remote access to such records, and also to report any appearance of specific sounds and their intensity. Based on collaboration with scientific centres, there is a solution being developed: StethoMe®, a smart stethoscope, designed to provide a patient with a method for domestic auscultation. This system enables recording of auscultation sounds, submitting them to a physician and automatic classification of recorded sounds in four classes: wheezes, fine crackles, coarse crackles and rhonchi, according to [1]. a physician may see a panel with provided access to sounds, their spectrograms, being visualisations of sounds facilitating their interpretation, and also an algorithm report, related to potential appearance of specific pathologies. This solution is currently under development and in a testing phase in Europe.
Honorata Hafke-Dys, Anna Zelent
