Nasza misja

Zapewnić lepsze i bezpieczniejsze życie dzieciom z astmą.

Astma to coraz powszechniejsza choroba układu oddechowego. Jak podaje WHO, choruje na nią około 235 mln osób, z czego około 10% to dzieci. Wiele przypadków pozostaje nadal niezdiagnozowanych, uniemożliwiając odpowiednią kurację. Astmy nie można całkowicie wyleczyć, ale jej symptomy mogą być skutecznie kontrolowane, dając tym samym szansę na normalne funkcjonowanie. Misją StethoMe® jest znaleźć się w domu każdego dziecka, chorującego na astmę. Pragniemy wyposażyć zarówno pacjenta, jak i lekarza w narzędzie, które umożliwia skuteczny i kompleksowy monitoring choroby na co dzień.

Rodzicom chcemy pomagać w dbaniu o zdrowie swoich dzieci. Lekarzom chcemy pomagać w opiece nad swoimi pacjentami.

Astma to coraz powszechniejsza choroba układu oddechowego. Jak podaje WHO, choruje na nią około 235 mln osób, z czego około 10% to dzieci. Wiele przypadków pozostaje nadal niezdiagnozowanych, uniemożliwiając odpowiednią kurację. Astmy nie można całkowicie wyleczyć, ale jej symptomy mogą być skutecznie kontrolowane, dając tym samym szansę na normalne funkcjonowanie. Misją StethoMe® jest znaleźć się w domu każdego dziecka, chorującego na astmę. Pragniemy wyposażyć zarówno pacjenta, jak i lekarza w narzędzie, które umożliwia skuteczny i kompleksowy monitoring choroby na co dzień.

Rodzicom chcemy pomagać w dbaniu o zdrowie swoich dzieci. Lekarzom chcemy pomagać w opiece nad swoimi pacjentami.

Nasza wizja

StethoMe® liderem w tworzeniu nowoczesnych rozwiązań AI na rynku medycznym.

Wierzymy, że najlepsza opieka medyczna zaczyna się w domu pacjenta. Dlatego naszym marzeniem jest, aby StethoMe® znalazło się w każdej domowej apteczce i wspierało pacjentów w wykrywaniu pierwszych symptomów choroby. Pragniemy, by nasze rozwiązanie dało ludziom na całym świecie dostęp do najwyższej jakości diagnostyki, wspieranej nowoczesnymi technologiami AI. Chcemy być pionierem w tworzeniu zaawansowanych medycznych rozwiązań. Rozwiązań, które będą dostępne dla każdego pacjenta i w pełni przystosowane do użytku domowego.

Wierzymy, że najlepsza opieka medyczna zaczyna się w domu pacjenta. Dlatego naszym marzeniem jest, aby StethoMe® znalazło się w każdej domowej apteczce i wspierało pacjentów w wykrywaniu pierwszych symptomów choroby. Pragniemy, by nasze rozwiązanie dało ludziom na całym świecie dostęp do najwyższej jakości diagnostyki, wspieranej nowoczesnymi technologiami AI. Chcemy być pionierem w tworzeniu zaawansowanych medycznych rozwiązań. Rozwiązań, które będą dostępne dla każdego pacjenta i w pełni przystosowane do użytku domowego.

Zarząd i założyciele StethoMe®

Wojciech Radomski

CEO & Co-Founder

Strateg i lider projektów z ponad 13-letnim doświadczeniem w branży IT. Z sukcesem założył i zarządzał Software House Programa.pl oraz trzema technologicznymi startupami. Jest także współtwórcą iTraff Technology - technologii rozpoznawania obrazów wykorzystywanej przez takie firmy jak Coca-Cola, EA czy PepsiCo. Prywatnie miłośnik sportu - wicemistrz ATV Polska, maratończyk, triathlonista, fan jazdy Enduro.

Paweł Elbanowski

COO & Co-Founder

Lider projektu z ponad 13-letnim doświadczeniem w branży informatycznej. Specjalista w dziedzinie rozwoju biznesu i zarządzania projektami. Posiada doświadczenie uczestnictwa w projektach globalnych marek sektora prywatnego.

Marcin Szajek

CTO/CSO & Co-Founder

Ponad 10 lat doświadczenia w branży IT. Specjalista w dziedzinie nauczania maszynowego, magister informatyki, specjalizujący się w technologiach przetwarzania danych. Uzyskał certyfikaty PRINCE2, Cisco CCNA oraz IBM DB2. Finalista konkursu „Innovators under 35” w roku 2018.

Dr Honorata Hafe-Dys

VP Product & Co-Founder

Pomysłodawczyni StethoMe® z ponad 15 letnim doświadczeniem w zakresie prowadzenia interdycyplinarnych projektów naukowych. Innowatorka, osoba interdyscyplinarna: doktor z zakresu biofizyki, akustyk, psychofizyk z dorobkiem ponad 30 publikacji naukowych. Mówca TEDx, zdobywczyni nagrody Young Scientists przyznawanej przez Europejskie Stowarzyszenie Akustyczne (EAA) oraz nagrody Rektora Uniwersytetu im. Adama Mickiewicza za odkrycie nowego mechanizmu przetwarzania informacji dźwiękowych.

Prof. Jędrzej Kociński

VP Regulatory & Co-Founder

Rewident wg ISO 13485, odpowiedzialny za system zarządzania jakością firmy. Prowadzi badania naukowe od ponad 15 lat, a ponadto zajmuje się kwestiami prawnymi na rynku urządzeń medycznych. Doktor fizyki z habilitacją w dziedzinie biofizyki. Wykładowca, badacz i lider projektów naukowych na Uniwersytecie im. Adama Mickiewicza.

StethoMe® i nauka

Publikacje naukowe / Badania kliniczne

W StethoMe® przykładamy olbrzymią wartość do nauki jaka stoi za naszymi rozwiązaniami. Dzielimy się naszą wiedzą ze społeczeństwem publikując wyniki naszych badań w najlepszych naukowych czasopismach. Intensywnie współpracujemy ze środowiskiem naukowym. Trwają międzynarodowe badania kliniczne.

PLoS ONE

The accuracy of lung auscultation in the practice of physicians and medical students

Background

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.

Methods and findings

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.

Conclusions

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
European Journal of Pediatrics

Practical implementation of artificial intelligence algorithms in pulmonary auscultation examination

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
ERS International Congress

Respiratory system auscultation using machine learning - a big step towards objectivisation?

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 of physicians are aware of this problem and needs supporting device. 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
Artificial Intelligence in Medicine

Fully Interactive Lungs Auscultation with AI Enabled Digital Stethoscope

Performing an auscultation of 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 al gorithms. 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 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 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
Conference on Agents and Artificial Intelligence - ICAART

Interactive Lungs Auscultation with Reinforcement Learning Agent

To perform a precise auscultation for the purposes of examination of 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 stethoscope becomes a reality. But to perform a full auscultation in home environment by 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
IEEE International Conference on Big Data

Parameterization of Sequence of MFCCs for DNN-based voice disorder detection

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 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
Biochemistry, Molecular Biology & Allergy

Opportunities for domestic monitoring of children with an electronic stethoscope with automatic auscultation sound analysis system

In case of children suffering from chronic diseases of 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 method for providing information entails potential miscommunication, misjudgement and highly biased evaluation. a solution might be an electronic stethoscope, providing 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 lasses: 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 solutions is currently under development and in a testing phase in Europe.

Honorata Hafke-Dys, Anna Zelent

Jesteś lekarzem? Skontaktuj się z nami. Mamy dla Ciebie ofertę specjalną!

Zapytaj o ofertę

Inwestorzy

Zostań inwestorem StethoMe®

Partnerzy

Opinie o StethoMe®

Zdania na temat StethoMe®

Media o StethoMe®

Sukcesy StethoMe®

Nagrody

Dołącz do newslettera

i zyskaj 5% rabatu na Twoje pierwsze StethoMe®

Administratorem Twoich danych osobowych, które przekazujesz, jest StethoMe sp. z o.o. z siedzibą w Poznaniu przy ul. Winogrady 18 A, 61-663 Poznań, wpisana do rejestru przedsiębiorców prowadzonego przez Sąd Rejonowy Poznań - Nowe Miasto i Wilda w Poznaniu, VIII Wydział Gospodarczy Krajowego Rejestru Sądowego pod numerem KRS 0000558650, NIP 7831726542, REGON 361535342. Prosimy zapoznaj się z Obowiązkiem informacyjnym (art. 13 RODO).

Polityka prywatności

Ta strona wykorzystuje pliki cookies.

Korzystanie z serwisu bez zmiany ustawień przeglądarki dotyczących cookies oznacza, że będą one zapisane w pamięci urządzenia.