Sverige hade 2019 högst narkotikarelaterad dödlighet i Europa, 81 dödsfall per miljon invånare. 30% av alla dödliga trafikolyckor i Europa beror på att föraren är påverkad av alkohol eller narkotika. 54% av alla e-scooter olyckor där föraren tvingas besöka akutmottagning är påverkade av alkohol. Under snart tre års tid har Sightic Analytics (före detta Eyescanner Technology) arbetat med att hitta metoder för att upptäcka drogpåverkan via mätvärden i ögonområdet. Vi har utvecklat egna algoritmer som hittar ögats pupill, mäter dess storlek och följer ögats rörelser på ett stabilt sätt. Via korrelationer i datan lyckades vi i förstudien särskilja ett påverkat öga från ett icke påverkat öga. Målet var att utveckla en metod som via screening av ögonområdet kan säkerhetsställa drogpåverkan med hög träffsäkerhet. Metoden ska kunna appliceras i en mjukvara bl a för fordon för att minska drograttfylla och öka trafiksäkerheten. Genom en fullskalig forskningsstudie ville vi öka mängden data och undersöka om man med hjälp av machine learning/AI kunde upptäcka ytterligare mätvärden för att säkerhetsställa tecken på drogpåverkan.

In 2019, Sweden had the highest drug-related mortality in Europe, 81 deaths per million inhabitants. 30% of all fatal traffic accidents in Europe are due to the driver being under the influence of alcohol or drugs. 54% of all e-scooter accidents where the driver is forced to visit the emergency room are affected by alcohol. For almost three years, Sightic Analytics (formerly Eyescanner Technology) has worked on finding methods to detect drug effects via measurement values in the eye area. We have developed our own algorithms that find the eye's pupil, measure its size and follow the eye's movements in a stable manner. Via correlations in the data, we succeeded in distinguishing an affected eye from an unaffected eye in the pre study. The goal was to develop a method that, via screening of the eye area, can ensure drug detection with high accuracy. The method must be able to be applied in a software for, among other things, vehicles to reduce drunk driving and increase road safety. Through a full-scale research study, we wanted to increase the amount of data and investigate whether, with the help of machine learning/AI, additional measurement values could be detected to ensure signs of drug influence.