Machine Learning i medicinteknik som fungerar i verkligheten
Machine learning inom Medtech ställer särskilda krav.
Det börjar inte med en algoritm. Det börjar med en människa som vill kunna röra sin arm igen.
I medicinteknik är det här ofta den verkliga startpunkten, långt från trendiga ord som AI och Machine Learning. En patient, en skada, en förlust av funktion. Och ett team av ingenjörer och kliniker som försöker bygga något som kan ersätta eller återställa det som gått förlorat.
En av de mest komplexa utmaningarna finns i utvecklingen av avancerade proteser, där teknik och nervsystem ska samspela i realtid. Det är i den typen av miljö som Jan Zbinden har arbetat under flera år. Där varje tekniskt val i slutänden påverkar hur en människa kan röra sig, arbeta och leva sitt liv.
När signaler blir rörelse
I avancerade proteslösningar handlar styrningen inte om traditionella knappar eller gränssnitt. I stället används biosignaler – svaga elektriska signaler från muskler och nervsystem.
Dessa signaler är i sig varken rena eller enkla att tolka. De varierar mellan individer, förändras över tid och påverkas av allt från muskeltrötthet till hur elektroder är placerade.
Det är här Machine Learning kommer in. Genom att analysera stora mängder signaldata kan algoritmer tränas att känna igen mönster kopplade till olika intentioner: att böja en armbåge, öppna en hand eller greppa ett föremål. Resultatet blir ett system som inte bara reagerar på signaler, utan börjar tolka dem.
Men det kräver mer än modellträning. Det kräver förståelse för hur signalerna uppstår i kroppen, hur de påverkas av sensorerna och hur de beter sig i verklig användning utanför labbet.
Teknik som måste fungera utanför laboratoriet
Jan Zbinden, PhD Bionics och Teknisk konsult hos Together Tech, har en bakgrund som sträcker sig över mekanik, elektronik, mjukvara och forskning inom bionik. Under flera år arbetade han i tvärdisciplinära team där ingenjörer samarbetade tätt med kirurger, fysioterapeuter och patienter för att utveckla nästa generation av proteser.
- Det som snabbt blir tydligt i den typen av projekt är att det inte räcker att något fungerar i en kontrollerad miljö. Det måste fungera när en patient kommer hem, när handen används i vardagliga situationer och signalerna inte längre är “perfekta”, säger Jan Zbinden.
Machine Learning i Medtech: inte mer AI – utan rätt AI
I den bredare teknikdiskussionen pratas det ofta om AI som en universallösning. Inom medicinteknik ser verkligheten annorlunda ut. Här handlar det inte om stora generativa modeller. Istället handlar det om kontrollerade, verifierbara och robusta Machine Learning-modeller som går att testa, förstå och kvalitetssäkra.
Metoder som supervised learning används ofta för att träna system på annoterade signaler, medan reinforcement learning kan användas i mer adaptiva styrsystem.
Gemensamt är att de måste vara:
- spårbara
- validerbara
- stabila över tid
- säkra i klinisk användning
- När patienters hälsa och liv står på spel finns inget utrymme för “black box”-lösningar som inte går att förklara eller verifiera, fortsätter Jan.
När flera ingenjörsdiscipliner möts
Det som gör medicinteknik unikt är att det nästan aldrig är ett enskilt teknikområde. Ett modernt medicintekniskt system kan innehålla mekanik, elektronik, sensorteknik, embedded software, signalbehandling och Machine Learning i en och samma produkt.
Det är också därför tvärdisciplinär kompetens är avgörande. Jan Zbindens erfarenhet från både forskning och industri speglar den här verkligheten. Att kunna röra sig mellan hårdvara och mjukvara, mellan signaler och system, mellan teori och praktisk implementering är ofta det som avgör om en produkt når hela vägen till användning.
Från forskning till produkter som används av människor
Att utveckla en fungerande prototyp är en sak. Att skapa en produkt som kan användas av patienter i vardagen är något helt annat. Allt för många innovationer fastnar i glappet mellan forskning och produktifiering.
- På Together Tech arbetar vi med att minska det glappet. Vi hjälper våra kunder att ta teknologier från idé och forskningsmiljö till robusta, verifierade och användbara produkter, säger Håkan Rolin, affärsansvarig Medtech på Together Tech.
Det kan handla om:
- signalbehandling och biosensorer
- embedded system och realtidsstyrning
- Machine Learning för klassificering och prediktion
- integration mellan hårdvara och mjukvara
- testbarhet och validering i regulatoriska miljöer
Målet är alltid detsamma: teknik som fungerar i verkligheten, inte bara i teorin.
När teknik blir meningsfull på riktigt
Det finns en återkommande insikt i projekt där människa och teknik möts på det här sättet: komplexiteten ökar dramatiskt, men också meningen.
- När en teknisk lösning gör det möjligt för en person att återfå funktion, självständighet eller rörelseförmåga blir varje rad kod och varje sensorplacering betydelsefull. Det är otroligt motiverande och min drivkraft i arbetet, avslutar Jan Zbinden.
Om Machine Learning i medicinteknik
- Skapar värde genom att omvandla stora mängder medicinsk data till insikter, prediktioner och automatiserade beslut. Från diagnostik och patientövervakning till intelligenta medicintekniska produkter.
Tolkar biosignaler från sensorer, till exempel på muskler eller runt nerver.
Omvandlar komplex och brusig data till användbara signaler.
Möjliggör individanpassade medicintekniska produkter och behandlingar.
Kräver hög grad av validering, spårbarhet och säkerhet.
Används i problem där man har annoterad data (supervised learning), oannoterad data (unsupervised learning), eller mänsklig återkoppling (reinforcement learning).
FAQ
Vad innebär Machine Learning i medicinteknik?
Machine Learning används för att analysera medicinska och fysiologiska data, till exempel biosignaler, och skapa modeller som kan tolka, klassificera eller förutsäga användarbeteenden eller fysiologiska tillstånd.
Varför är det inte bara “AI” som används?
Inom medicinteknik krävs ofta kontrollerade och verifierbara modeller. Machine Learning är lättare att validera och certifiera, än generativa AI-modeller.
Vad är biosignaler i detta sammanhang?
Biosignaler är elektriska eller fysiologiska signaler från kroppen, till exempel muskelaktivitet eller nervsignaler, som kan mätas och användas som input till medicintekniska system.
Vilka utmaningar finns?
En av de största utmaningarna inom Machine Learning för Medtech är tillgången till relevant och tillförlitlig data. Algoritmerna kan bara lära sig av den information som går att mäta. I protesutveckling kan utmaningen till och med vara att de signaler som finns tillgängliga inte innehåller den information som behövs. Först när rätt signaler kan fångas och mätas blir Machine Learning ett effektivt verktyg.
Hur arbetar Together Tech inom området?
Vi kombinerar kompetens inom Machine Learning, embedded systems, sensorteknik och produktutveckling för att hjälpa kunder att utveckla medicintekniska lösningar som fungerar i verklig användning.
Vill du utforska hur detta kan användas i era produkter?
Together Tech hjälper företag att gå från forskningsnära idéer till verifierade medicintekniska produkter där Machine Learning används på ett säkert, robust och meningsfullt sätt.
