AI 기반 스마트 붕대, 상처 25% 더 빨리 치유

AI 기반 a-Heal 기기는 실시간으로 치료를 조정하여 상처 봉합을 가속화합니다. 전임상 결과에 따르면 특히 만성 상처의 치유 과정에 혁신을 가져올 수 있는 것으로 나타났습니다. 출처: Shutterstock

상처가 치유되는 동안 출혈을 멈추기 위한 응고, 면역 체계 반응, 딱지 형성, 흉터 형성 등 여러 단계를 거칩니다.

캘리포니아 대학교 산타크루즈 캠퍼스 엔지니어들이 설계한 "a-Heal"이라는 웨어러블 기기는 치유 과정의 각 단계를 최적화하는 것을 목표로 합니다. 이 시스템은 소형 카메라와 AI를 사용하여 치유 단계를 감지하고 약물이나 전기장 형태의 치료를 제공합니다. 이 시스템은 환자의 고유한 치유 과정에 반응하여 개인 맞춤형 치료를 제공합니다.

이 휴대용 무선 장치는 외딴 지역이나 이동이 불편한 환자들의 상처 치료를 더욱 용이하게 할 수 있을 것으로 기대됩니다. npj Biomedical Innovations 저널에 게재된 초기 전임상 결과는 이 장치가 치유 과정을 성공적으로 가속화하는 것으로 나타났습니다.

a-Heal 디자인하기

DARPA-BETR 프로그램의 지원을 받고 UC 산타크루즈 배스킨 공과대학 교수 겸 전기컴퓨터공학(ECE) 마르코 롤란디가 이끄는 UC 산타크루즈와 UC 데이비스 연구진은 카메라, 생체전자공학, 그리고 AI를 결합하여 더 빠른 상처 치유를 위한 장치를 설계했습니다. 하나의 장치에 통합된 이 장치는 "폐루프 시스템"으로, 연구진이 아는 한 상처 치유 분야에서 최초로 개발된 시스템 중 하나입니다.

롤란디 박사는 "저희 시스템은 신체로부터 모든 신호를 받아들이고 외부 개입을 통해 치유 과정을 최적화합니다."라고 말했습니다.

이 장치는 ECE 동료 부교수인 미르체아 테오도레스쿠가 개발하고 통신생물학 연구에 기술된 내장 카메라를 사용하여 2시간마다 상처 사진을 촬영합니다. 이 사진은 응용수학 부교수인 마르셀라 고메즈가 개발한 머신러닝(ML) 모델에 입력되는데, 연구진은 이 모델을 근처 컴퓨터에서 실행되는 "AI 의사"라고 부릅니다.

"이건 사실상 붕대 속의 현미경과 같습니다." 테오도레스쿠는 말했다. "개별 이미지는 별로 의미가 없지만, 시간이 지남에 따라 연속적인 이미징을 통해 AI는 상처의 변화 추이, 치유 단계, 문제점 파악, 치료법 제안 등을 할 수 있습니다."

AI 의사는 이미지를 사용하여 상처 단계를 진단하고, 이를 최적의 상처 치유 시점을 기준으로 상처가 어느 위치에 있어야 하는지와 비교합니다. 이미지에 지연이 나타나면 ML 모델은 생체전자공학을 통해 약물을 전달하거나, 상처 봉합을 위한 세포 이동을 촉진하는 전기장을 적용합니다.

이 장치를 통해 국소적으로 전달되는 치료제는 선택적 세로토닌 재흡수 억제제인 ​​플루옥세틴으로, 상처 부위의 세로토닌 수치를 조절하고 염증을 감소시키고 상처 조직 봉합을 촉진하여 치유를 촉진합니다. UC 데이비스 연구팀의 이서로프 연구팀이 치유를 최적화하기 위해 전임상 연구를 통해 결정한 용량은 롤란디가 개발한 장치의 생체전자 액추에이터를 통해 투여됩니다. UC 데이비스의 민 자오와 로슬린 리브카 이서로프의 이전 연구를 통해 치유를 촉진하도록 최적화된 전기장 또한 이 장치를 통해 전달됩니다.

AI 의사는 투여할 약물의 최적 용량과 적용되는 전기장의 세기를 결정합니다. 치료가 일정 시간 동안 적용된 후, 카메라는 다시 이미지를 촬영하고 과정이 다시 시작됩니다.

사용 중, 이 장치는 치유율과 같은 이미지와 데이터를 안전한 웹 인터페이스로 전송하여 의사가 수동으로 개입하고 필요에 따라 치료를 미세 조정할 수 있도록 합니다. 이 장치는 시중에서 판매하는 붕대에 직접 부착되어 편리하고 안전하게 사용할 수 있습니다.

UC 데이비스 연구팀은 임상적 활용 가능성을 평가하기 위해 전임상 상처 모델에서 이 장치를 시험했습니다. 이 연구에서 a-Heal로 치료한 상처는 표준 치료보다 약 25% 더 빠른 치유 궤적을 보였습니다. 이러한 결과는 급성 상처의 봉합을 가속화할 뿐만 아니라 만성 상처의 치유가 중단된 부위를 회복시키는 데에도 이 기술이 유망함을 보여줍니다.

AI 강화

응용수학 조교수인 마르셀라 고메즈가 이끄는 이 시스템에 사용된 AI 모델은 Bioengineering 저널에 발표된 연구에 설명된 강화 학습 방식을 사용하여 의사가 사용하는 진단 방식을 모방합니다.

강화 학습은 특정 최종 목표를 달성하도록 모델을 설계하고, 시행착오를 통해 그 목표를 가장 잘 달성하는 방법을 학습하는 기법입니다. 이 맥락에서, 모델은 상처 봉합 시간을 최소화하는 목표를 부여받고, 그 목표를 향해 나아가면 보상을 받습니다. 모델은 환자로부터 지속적으로 학습하고 치료 방식을 조정합니다.

강화 학습 모델은 고메즈와 그녀의 학생들이 개발한 딥 매퍼(Deep Mapper)라는 알고리즘에 의해 구동됩니다. 이 알고리즘은 사전 출판 연구에 설명되어 있으며, 상처 이미지를 처리하여 정상적인 진행과 비교하여 치유 단계를 정량화하고 치유 궤적을 따라 매핑합니다. 상처에 기기를 부착한 상태에서 시간이 지남에 따라 기기는 과거 치유 과정에 대한 선형 동적 모델을 학습하고, 이를 사용하여 치유가 어떻게 진행될지 예측합니다.

"단순히 이미지를 얻는 것만으로는 충분하지 않습니다. 이미지를 처리하고 맥락에 맞게 조정해야 합니다. 그런 다음 피드백 제어를 적용할 수 있습니다."라고 고메즈는 말했습니다.

이 기술을 사용하면 알고리즘이 약물이나 전기장이 치유에 미치는 영향을 실시간으로 학습할 수 있으며, 약물 농도나 전기장 강도를 조정하는 방법에 대한 강화 학습 모델의 반복적 의사 결정을 안내합니다.

현재 연구팀은 이 장치를 이용해 만성 상처와 감염된 상처의 치유를 개선할 수 있는 가능성을 모색하고 있습니다.

이 연구와 관련된 추가 출판물은 여기에서 링크하여 확인할 수 있습니다.

이 연구는 국방 고등 연구 계획국과 보건 고등 연구 계획국의 지원을 받았습니다.

출처: https://www.sciencedaily.com/releases/2025/09/250924012232.htm