„Sběr dat probíhá nepřetržitě v reálném čase a klíčovou roli při jejich filtraci, zpřesňování a detekci anomálií hrají algoritmy na bázi strojového učení a pokročilého zpracování mnohorozměrných dat,“ vysvětluje Marek Šoltys a dodává: „Strojové učení průběžně koreluje naměřená data s klinickým stavem pacientů, čímž adaptivně upřesňuje detekci anomálií, jako je dušnost, zhoršení dýchání, neklid nebo nečekané opuštění lůžka, a postupně eliminuje možnost falešných poplachů. Pokročilé algoritmy se navíc využívají k identifikaci specifických vzorců v tělesných projevech, což umožňuje včasný záchyt nebo sledování progrese chronických, kardiovaskulárních či neurologických onemocnění, například indikátorů bolesti, epilepsie, spánkové apnoe, chronické obstructive plicní nemoci nebo Parkinsonovy choroby.“