AFFILIAZIONE
università campus bio-medico di roma
AUTORE PRINCIPALE
Prof. Pecchia Leandro
Registrazione obbligatoria. Una valutazione consentita
GRUPPO DI LAVORO
Ferranti Alessandro università campus bio-medico di roma
Vitale Jacopo università campus bio-medico di roma
Ing. Natale Oreste Riccardo mosaico monitoraggio integrato s.r.l.
Vitale Jacopo università campus bio-medico di roma
Ing. Natale Oreste Riccardo mosaico monitoraggio integrato s.r.l.
AREA TEMATICA
Applicazioni di intelligenza artificiale in sanità
ABSTRACT
FREKI – SMART HOSPITALS
Abbiamo sviluppato una soluzione robotica innovativa per automatizzare il processo di campionamento microbiologico delle superfici in ambito ospedaliero, al fine di riconoscere precocemente patogeni come batteri e virus, i quali, se non individuati tempestivamente, potrebbero diffondersi incontrollabilmente. Il lavoro ha coinvolto l’addestramento di FREKI (Mosaico Monitoraggio Integrato s.r.l., Boston Dynamics), piattaforma robotica mobile a guida autonoma (Spot) finanziata dal progetto europeo ODIN – Smart Hospitals, per eseguire le operazioni tradizionalmente svolte a mano dagli operatori sanitari.
Le sfide legate al campionamento tramite swab includono molteplici variabili influenzate dall’intervento manuale dell’operatore, dalla pressione esercitata nel campionamento e dall’accessibilità non sempre agevole dei punti di prelievo. Questo approccio innovativo offre numerosi vantaggi: il robot può eseguire le misurazioni in modo ripetuto e continuativo, anche durante le ore notturne, garantendo così l’omogeneità e l’affidabilità dei risultati. Inoltre, il robot supera le limitazioni umane nell’efficace copertura delle superfici da campionare e nella ripetizione coerente delle operazioni di campionamento.
Il campionamento automatizzato può essere eseguito anche in ambienti pericolosi per il personale sanitario, come durante la gestione di malattie altamente contagiose, riducendo così il rischio di contagio per i professionisti. Nel progetto, ci siamo concentrati sul campionamento da parte di FREKI su superfici di particolare interesse, le maniglie, riconosciute come punti critici per la trasmissione di batteri e agenti patogeni.
Abbiamo implementato un modello di Intelligenza Artificiale basato su YOLOv8n per la rilevazione degli oggetti, addestrandolo con oltre 1500 fotografie delle maniglie presso il Simulation Center dell’Università Campus Bio-Medico di Roma, arrivando a una percentuale di successo nel riconoscimento del target del 95%. Utilizzando tecniche avanzate di Computer Vision e Stereo Vision, abbiamo stimato con precisione la distanza tra la maniglia individuata e il robot, con un errore massimo di 2 centimetri. Attraverso l’analisi della disparità tra le posizioni delle bounding boxes nelle due inquadrature della fotocamera montata sul braccio robotico di FREKI, siamo riusciti a ottenere una stima accurata della profondità, fondamentale per garantire un’ottimale esecuzione dell’attività di campionamento.
Abbiamo sviluppato una soluzione robotica innovativa per automatizzare il processo di campionamento microbiologico delle superfici in ambito ospedaliero, al fine di riconoscere precocemente patogeni come batteri e virus, i quali, se non individuati tempestivamente, potrebbero diffondersi incontrollabilmente. Il lavoro ha coinvolto l’addestramento di FREKI (Mosaico Monitoraggio Integrato s.r.l., Boston Dynamics), piattaforma robotica mobile a guida autonoma (Spot) finanziata dal progetto europeo ODIN – Smart Hospitals, per eseguire le operazioni tradizionalmente svolte a mano dagli operatori sanitari.
Le sfide legate al campionamento tramite swab includono molteplici variabili influenzate dall’intervento manuale dell’operatore, dalla pressione esercitata nel campionamento e dall’accessibilità non sempre agevole dei punti di prelievo. Questo approccio innovativo offre numerosi vantaggi: il robot può eseguire le misurazioni in modo ripetuto e continuativo, anche durante le ore notturne, garantendo così l’omogeneità e l’affidabilità dei risultati. Inoltre, il robot supera le limitazioni umane nell’efficace copertura delle superfici da campionare e nella ripetizione coerente delle operazioni di campionamento.
Il campionamento automatizzato può essere eseguito anche in ambienti pericolosi per il personale sanitario, come durante la gestione di malattie altamente contagiose, riducendo così il rischio di contagio per i professionisti. Nel progetto, ci siamo concentrati sul campionamento da parte di FREKI su superfici di particolare interesse, le maniglie, riconosciute come punti critici per la trasmissione di batteri e agenti patogeni.
Abbiamo implementato un modello di Intelligenza Artificiale basato su YOLOv8n per la rilevazione degli oggetti, addestrandolo con oltre 1500 fotografie delle maniglie presso il Simulation Center dell’Università Campus Bio-Medico di Roma, arrivando a una percentuale di successo nel riconoscimento del target del 95%. Utilizzando tecniche avanzate di Computer Vision e Stereo Vision, abbiamo stimato con precisione la distanza tra la maniglia individuata e il robot, con un errore massimo di 2 centimetri. Attraverso l’analisi della disparità tra le posizioni delle bounding boxes nelle due inquadrature della fotocamera montata sul braccio robotico di FREKI, siamo riusciti a ottenere una stima accurata della profondità, fondamentale per garantire un’ottimale esecuzione dell’attività di campionamento.
