Voiko älykello pelastaa henkesi? Google kehittää algoritmia sydänpysähdyksen havaitsemiseen Kommentit pois päältä artikkelissa Voiko älykello pelastaa henkesi? Google kehittää algoritmia sydänpysähdyksen havaitsemiseen

Googlen tutkijoiden kehittämä koneoppimisalgoritmi älykellossa osoitti kyvyn tunnistaa äkillisen pulssin katoamisen korkealla tarkkuudella (99,99 %) ja kohtalaisella herkkyydellä (67,23 %), kertoo Google Researchin johtama tutkimus. Sydänpysähdystapahtumien tunnistamiseen suunniteltu järjestelmä voi automaattisesti soittaa hätäpuhelun havaitessaan tapahtuman, vaikka käyttäjä olisi reagoimaton.

Sairaalan ulkopuolella tapahtuvat sydänpysähdykset (OHCA) ovat merkittävä äkillisen sydänkuoleman aiheuttaja, ja selviytymismahdollisuudet riippuvat vahvasti välittömästä tunnistamisesta ja toimenpiteistä. Noin 50–75 % OHCA-tapauksista tapahtuu ilman silminnäkijöitä, mikä vähentää välittömän lääketieteellisen avun ja elvytyksen todennäköisyyttä. Tutkijat arvioivat, voiko älykello itsenäisesti havaita pulssittomuuden ja ottaa yhteyttä hätäpalveluihin minimoiden samalla virheelliset hälytykset.

Nature-lehdessä julkaistussa tutkimuksessa ”Automated Loss of Pulse Detection on a Consumer Smartwatch” tutkijat kouluttivat algoritmin käyttäen fotopletysmografiaa (PPG) ja liiketietoja. Tiimi validoi järjestelmän kuudessa eri kohortissa, mukaan lukien kontrolloidut kliiniset ympäristöt ja todelliset arkielämän olosuhteet.

Elektrofysiologian laboratoriossa 100 potilasta, jotka kävivät läpi defibrillaattorin testauksen, kokivat indusoitua kammiovärinää, mikä tarjosi tietoa pulssittomuudesta. Toiset 99 osallistujaa kokivat pulssittomuuden kiristyssiteen aiheuttaman valtimotukoksen kautta. Laajempi 948 käyttäjän arkielämän kohortti tarjosi lisätietoja ilman pulssittomia tapahtumia.

220 osallistujaa käytti älykelloa passiivisesti päivittäisessä elämässä, jotta nähtäisiin, kuinka usein vääriä positiivisia tuloksia esiintyy. 135 osallistujaa tutkittiin sekä arkielämän olosuhteissa (tarkkuuden arvioimiseksi) että kontrolloidussa ympäristössä, jossa heidän pulssinsa pysäytettiin tarkoituksellisesti kiristyssiteen aiheuttaman valtimotukoksen avulla (herkkyyden arvioimiseksi).

21 ammattimaisesti koulutettua stunttinäyttelijää simuloi sairaalan ulkopuolella tapahtuvia sydänpysähdyskohtauksia algoritmin tunnistustarkkuuden arvioimiseksi korkean liikkeen tapahtumissa.

PPG-signaalien välillä ei havaittu tilastollista eroa kammiovärinän ja valtimotukoksen aiheuttaman pulssittomuuden välillä. Liikkumattomien pulssittomien tapahtumien herkkyys oli 72 %, kun taas simuloitujen romahtamistapahtumien herkkyys oli 53 %. Tarkkuus saavutti 99,99 %, jolloin yksi väärä hätäpuhelu tapahtui 21,67 käyttäjävuoden aikana. Järjestelmä tunnisti pulssittomuuden 57 sekunnissa, minkä jälkeen tehtiin 20 sekunnin käyttäjän reagointitarkistus ennen puhelun aloittamista.

Puettavat laitteet, jotka havaitsevat sydänpysähdyksen, voisivat merkittävästi parantaa selviytymismahdollisuuksia, erityisesti ilman silminnäkijöitä tapahtuvissa tapauksissa. Tarpeettomien hätäpuhelujen estämiseksi alhaisemman väärän positiivisen tuloksen saavuttaminen on kriittinen seuraava askel.

Algoritmi koulutettiin käyttäen kontrolloituja pulssittomuustapahtumia, eikä se välttämättä vastaa täydellisesti todellisia tapahtumia. Jatkuva todellisen maailman älykellotietojen kerääminen voi mahdollistaa algoritmin tarkkuuden ja luotettavuuden parantamisen erilaisissa olosuhteissa.

Älyvaaka paljastaa, katoaako laihduttaessa rasvaa vai lihasta – Withings esitteli uuden GLP-1-toiminnon Kommentit pois päältä artikkelissa Älyvaaka paljastaa, katoaako laihduttaessa rasvaa vai lihasta – Withings esitteli uuden GLP-1-toiminnon

Laihdutuslääkkeiden, kuten Ozempicin ja Wegovyn, yleistyminen on tuonut esiin uuden kysymyksen: mistä pudonneet kilot oikeastaan koostuvat? Älyvaaoistaan tunnettu vastaa tähän julkaisemalla GLP-1 Companion Mode -toiminnon kehonkoostumusta mittaaville vaaoilleen.

Withingsin mukaan painonpudotuksessa voi rasvan lisäksi vähentyä myös lihasmassaa. Yhtiön lehdistötiedotteen mukaan yli viidennes pudonneesta painosta voi olla lihasmassaa. Osuus vaihtelee kuitenkin yksilöllisesti, eikä pelkkä vaa’an näyttämä painolukema kerro muutoksen koostumuksesta.

Uusi GLP-1 Companion Mode on suunniteltu erityisesti GLP-1-lääkitystä käyttävien painonhallinnan seurantaan. Toiminto tulee Withingsin kehonkoostumusvaakoihin, joihin kuuluvat yhtiön mukaan muun muassa BodyFit ja BodyScan 2.

Vaakojen kehonkoostumusmittausten ja sovelluksen analyysin avulla käyttäjä voi seurata, arvioidaanko painonmuutoksen johtuvan rasva- vai lihasmassan vähenemisestä. Tavoitteena on kiinnittää huomiota painonpudotuksen laatuun pelkän kilolukeman sijasta.

BodyPath-niminen toiminto näyttää ennustekäyriä painon kehityksestä. Sen avulla käyttäjä voi tarkastella edistymistään myös silloin, kun paino hetkellisesti pysähtyy. Sovellukseen voi lisäksi kirjata lääkitysannoksia ja oireita, jotta tietoja on helpompi käsitellä terveydenhuollon ammattilaisen kanssa.

On kuitenkin hyvä huomata, että älyvaakojen kehonkoostumusarviot perustuvat epäsuoriin mittausmenetelmiin. Ne eivät vastaa tarkkuudeltaan kliinisiä tutkimuksia, eikä vaaka voi yksin varmistaa, kuinka paljon lihasta tai rasvaa käyttäjä on menettänyt.

Withings ei kertonut toimitetussa tiedotteessa uuden toiminnon tarkkaa saatavuusaikataulua Suomessa eikä sitä, edellyttääkö ominaisuus maksullista tilausta.

Lähde: Withingsin lehdistötiedote, 17.11.2026.

Tekoäly saattoi ratkaista matematiikan 167 vuotta vanhan arvoituksen – Claude auttoi historiallisessa läpimurrossa Kommentit pois päältä artikkelissa Tekoäly saattoi ratkaista matematiikan 167 vuotta vanhan arvoituksen – Claude auttoi historiallisessa läpimurrossa

on saattanut tehdä yhden tieteen historian merkittävimmistä läpimurroista. Anthropicilla työskentelevä matemaatikko Levent Alpöge ilmoitti 20. marraskuuta löytäneensä Claude-tekoälyn avulla ratkaisun kuuluisaan Riemannin hypoteesiin, jota matemaatikot ovat yrittäneet todistaa vuodesta 1859 lähtien.

Kyseessä on yksi matematiikan seitsemästä niin sanotusta vuosituhatongelmasta. Clay Mathematics Institute on luvannut sen hyväksytystä ratkaisusta miljoonan dollarin palkinnon. Riemannin hypoteesi liittyy alkulukujen jakautumiseen, ja sen todistaminen olisi valtava saavutus lukuteoriassa.

Alpögen mukaan Claude auttoi häntä kehittämään todistusta noin kuuden viikon ajan. Lopputuloksena syntyi noin 17 miljoonaa riviä Lean-ohjelmointikielellä kirjoitettua todistusaineistoa. Lean mahdollistaa matemaattisten todistusten tarkistamisen tietokoneella.

Uutinen sai merkittävän käänteen 21. marraskuuta. Lean Focused Research Organization ja Mathlib Initiative ilmoittivat tarkistaneensa todistuksen ja pitävänsä sitä oikeana. Varsinainen matemaattinen arviointiprosessi on kuitenkin vielä kesken, eikä Clay Mathematics Institute ole toistaiseksi julistanut ongelmaa virallisesti ratkaistuksi.

Samaan aikaan esiin nousi toinenkin mahdollinen ratkaisu. Matemaatikko Alessandro Maria Masullo julkaisi oman, ilman tekoälyä kehittämänsä todistuksen, jota hän kertoo työstäneensä lähes 12 vuotta. Myös hänen esityksensä vaatii perusteellisen tarkastelun.

Jos Alpögen todistus kestää tiedeyhteisön arvioinnin, kyseessä olisi historiallinen saavutus paitsi matematiikalle myös tekoälyn käytölle tieteellisessä tutkimuksessa. Asiantuntijat korostavat, että koneellisesti tarkistettavan todistuksen ymmärtäminen ja sen matemaattisen merkityksen avaaminen vie vielä aikaa.

Lähteet: The New York Times