Onderzoekers werken aan een nieuwe generatie elektronische huid die op een veilige en duurzame manier de arteriële pols kan monitoren. Door de inzet van geavanceerde machine-learning-modellen hopen zij de beperkingen van huidige piëzokeramische materialen te overwinnen.
De continue en niet-invasieve monitoring van de arteriële pols is een prioriteit binnen de klinische zorg voor hart- en vaatziekten. Omdat deze aandoeningen wereldwijd de belangrijkste doodsoorzaak vormen, is er een grote behoefte aan betrouwbare sensoren die direct op de huid kunnen worden gedragen. Volgens een recent onderzoekspapier op arxiv.org kunnen flexibele piëzo-elektrische "elektronische huiden" drukgolven van 1 tot 10 kPa omzetten in een zelfvoorzienende elektrische spanning.
De paradox van toxiciteit en prestaties
Een groot probleem bij de huidige ontwikkeling van deze sensoren is de materiaalkeuze. De meest effectieve piëzokeramieken zijn momenteel gebaseerd op lood. Hoewel deze materialen superieure prestaties leveren, is hun toxiciteit onaanvaardbaar voor direct contact met de menselijke huid. Daarnaast vormen ze een conflict met strengere milieuwetgeving, zoals de RoHS- en REACH-regelgeving, die het gebruik van gevaarlijke stoffen in elektronica beperkt.
Als biocompatibel alternatief wijzen de auteurs Sanaa Ismail, Hassan M. E. Azzazy en Zi-Kui Liu naar de BaTiO₃-gebaseerde vaste oplossing BZT-BCT. In hun publicatie op leggen zij uit dat dit materiaal nabij de zogenaamde "tricritical morphotropic phase boundary" een waarde van $d_{33} \approx 620$ pC/N bereikt. Hiermee kan het materiaal qua prestaties concurreren met het veelgebruikte, maar toxische, "soft PZT".
Computationele hindernissen
Ondanks de potentie van loodvrije alternatieven, stuiten wetenschappers op een "gevoeligheid-flexibiliteit-paradox" en drie specifieke computationele muren bij het ontwerpen van wearables. Ten eerste is er sprake van een combinatorische explosie van atomaire configuraties in een ongeordende vaste oplossing, wat simulaties complex maakt. Ten tweede zorgen fouten in de "band-gap" van betaalbare dichtheidsfunctionaal-benaderingen (DFT) voor onjuiste schattingen van lekstroom en isolatie. Ten slotte zijn standaard berekeningen vaak gebaseerd op een temperatuur van 0 Kelvin, terwijl een sensor op het menselijk lichaam moet functioneren bij een temperatuur van ongeveer 310 Kelvin.
De rol van Equivariant Machine Learning
Om deze problemen op te lossen, stellen de onderzoekers in het artikel op het gebruik voor van "equivariant machine-learning interatomic potentials". Door deze AI-gestuurde benaderingen te koppelen aan een gelaagde functionele hiërarchie en roosterdynamica bij eindige temperaturen, kan het volledige ensemble van configuraties bij lichaamstemperatuur worden onderzocht.
Deze methodiek zou de kloof kunnen dichten tussen theoretische modellen en een klinisch levensvatbare, loodvrije polssensor. Door de complexiteit van de materiaalsamenstelling digitaal te optimaliseren voordat fysieke prototypes worden gebouwd, kan de ontwikkeling van veilige e-skins aanzienlijk worden versneld.
Het onderzoek, dat op 1 september 2026 werd ingediend bij , biedt daarmee een theoretisch kader om de volgende stap te zetten in de preventieve zorg voor cardiovasculaire ziekten door middel van duurzame materiaalkunde.