Abstract The electrical conductivity of blood is a crucial physiological parameter with diverse applications in medical diagnostics. Here, a novel approach utilizing a portable millifluidic nanogenerator lab‐on‐a‐chip device for measuring blood conductivity at low frequencies, is introduced. The proposed device employs blood as a conductive substance within its built‐in triboelectric nanogenerator system. The voltage generated by this blood‐based nanogenerator device is analyzed to determine the electrical conductivity of the blood sample. The self‐powering functionality of the device eliminates the need for complex embedded electronics and external electrodes. Experimental results using simulated body fluid and human blood plasma demonstrate the device's efficacy in detecting variations in conductivity related to changes in electrolyte concentrations. Furthermore, artificial intelligence models are used to analyze the generated voltage patterns and to estimate the blood electrical conductivity. The models exhibit high accuracy in predicting conductivity based solely on the device‐generated voltage. The 3D‐printed, disposable design of the device enhances portability and usability, providing a point‐of‐care solution for rapid blood conductivity assessment. A comparative analysis with traditional conductivity measurement methods highlights the advantages of the proposed device in terms of simplicity, portability, and adaptability for various applications beyond blood analysis.

Current limitations in implant design often lead to trade-offs between minimally invasive surgery and achieving the desired post-implantation functionality. Here, we present an artificial intelligence inverse design paradigm for creating deployable implants as planar and tubular thermal mechanical metamaterials (thermo-metamaterials). These thermo-metamaterial implants exhibit tunable mechanical properties and volume change in response to temperature changes, enabling minimally invasive and personalized surgery. We begin by generating a large database of corrugated thermo-metamaterials with various cell structures and bending stiffnesses. An artificial intelligence inverse design model is subsequently developed by integrating an evolutionary algorithm with a neural network. This model allows for the automatic determination of the optimal microstructure for thermo-metamaterials with desired performance,i.e., target bending stiffness. We validate this approach by designing patient-specific spinal fusion implants and tracheal stents. The results demonstrate that the deployable thermo-metamaterial implants can achieve over a 200% increase in volume or cross-sectional area in their fully deployed states. Finally, we propose a broader vision for a clinically informed artificial intelligence design process that prioritizes biocompatibility, feasibility, and precision simultaneously for the development of high-performing and clinically viable implants. The feasibility of this proposed vision is demonstrated using a fuzzy analytic hierarchy process to customize thermo-metamaterial implants based on clinically relevant factors.