Table of Contents

Разбиране на режима на неуспех на изкуствените панкреатични системи

Изкуствените панкреасни системи, наричани също така "затворени системи за инжектиране на инсулин," интегрират три основни компонента: непрекъснат глюкозен монитор (CGM), инсулинова помпа и сложен алгоритъм за контрол. CGM измерва интерстициалните нива на глюкоза на всеки 1 до 5 минути и предава данните безжично към помпата, където алгоритъмът изчислява подходящата доза инсулин и нарежда на помпата да го достави. Този автоматизирана обратна връзка драстично намалява когнитивния товар върху хората, живеещи с диабет тип 1, което им позволява да прекарват значително повече време в рамките на целевите си глюкозни диапазон. Въпреки това, въпреки тези променящи живота ползи, системите остават уязвими към спектър от неуспехи, които могат да доведат до бързи, опасни глюкозни екскурзии.

Грешка при хардуера

Хардуерните неуспехи са най-клинично невалидни и най-често срещаните. Вливания на набор от запушвания се появяват, когато потокът на инсулина е физически блокиран, причинявайки свиване на тръбите, компресиране на мястото на поставяне, или инсулин кристализация в канюла. CGM сензорите са склонни към калибриране на дрейф, натиск-индуциран сензор неточности (често от сън на сензора), или пълното изкълчване по време на упражнение или сън. Помпените батерии могат да се провалят неочаквано, особено в студена среда, при ниски нива на заряд, или когато батерията е остаряла през много цикли на зареждане. Катитер блокира и механично износване на помпата мотора са допълнително, по-малко често, но сериозни опасения. Всеки от тези видове неуспехи могат да причинят хипергликемия в рамките на два до четири часа; ако неоткрити, продължителната хиперглицеемия може да доведе до диабетна кетоацидоза, животозастрашаваща спешна нужда от хоспитализация.

Софтуерни и фърмуерни въпроси

Софтуерните грешки в контролния алгоритъм могат да причинят неподходящи инсулинови болуси, неуспех да се спре доставката на инсулин по време на хипогликемия, или неправилни корекции на базалния процент. Изтеклите памет в помпата офшорната система може да се влоши ефективността в продължение на дни или седмици, в крайна сметка води до система катастрофа или нереагираща. Обновленията на фирма, докато е от съществено значение за сигурността петна и подобрения функция, могат да въведат нови грешки, ако регресионното тестване е недостатъчно. Например, повредена актуализация може да доведе до системата да игнорира CGM четения, ефективно деактивиране на затворения цикъл и връщане към ръководство, конфигурацията на отворения цикъл, която изисква постоянно внимание от потребителя. Въпреки че редки, такива софтуерни повреди могат да имат каскадиращи ефекти, които са трудни за потребителите да диагностицират без техническа поддръжка.

Неуспех при комуникацията

Безжичната комуникация между CGM и помпата обикновено разчита на Bluetooth Low Energy или собствени радио честоти. Смущенията от други медицински устройства (като непрекъснатите монитори на сърцето), Wi-Fi рутери или дори домакински уреди като микровълнови фурни могат временно да прекъснат сигнала. Физични препятствия, дебели зимни покрития или просто да се търкалят върху помпата по време на сън, могат да отслабят връзката, което да доведе до загуба или забавяне на данните. Разширеният отпаднал отпадащи устройства принуждават системата в режим на несполучлива безопасност, който се по подразбиране на фиксирана база на нивото на инсулина, което не може да се скачва с потребителя . A 2022 потенциален анализ на неблагоприятните събития в търговските затворени системи с приглушевна връзка, публикувани в Diabetes Technology & Tegraditives, че евентуалните грешки в комуникацията се отчитат почти 15% от всички докладвани инциденти, много от които в клиничната значима хиперклема.

Традиционното наблюдение разчита изключително на прагови аларми, например, сигнален сигнал, ако CGM сигналът е загубен за 20 минути или ако помпата открива необичайно високо налягане по време на болус. Тези сигнали са нереактивни; докато потребителят стане наясно с проблема, вредни нива на глюкозата може вече да са разработени. Тази критична разлика между ранните показатели и късни аларми е задвижвал силен интерес към машинното обучение като средство за предоставяне на по-ранни, предвиждащи предупреждения, които могат да предотвратят вреда, преди да се случи.

Как машината обучение се премества от реактивни аларми към предсказуема диагностика

Това предвиждане позволява на потребителите и клиниките да се намесват рано, трансформирайки безопасността от пасивно наблюдение в проактивна стратегия за управление. Промяната от реакция към прогнозиране е вероятно най-значимият напредък в безопасността на диабетната технология, тъй като въвеждането на непрекъснат контрол на глюкозата.

Потоци от данни, които са модел на гориво ML

Богатството и обемът на данните, произведени от изкуствени панкреасни системи създават идеална среда както за контролирани, така и за неконтролирани подходи за обучение.

  • Континентни глюкозни показания . . до 288 измервания на ден, заедно с производни показатели като процент на промяна, индекс на глюкозните колебания, време, прекарано в различни диапазони, и модели над 24 часа цикли.
  • Инсулин записи за доставка . . n. n. n. v. (ръководство и автоматично коригиране), базални профили, автоматизирани микроболуси и оценки в реално време инсулин-на-борда, които осигуряват контекст за предстоящо претоварване или изчерпване.
  • Девична телеметрия . . помпа двигател ток тегли (което се увеличава като оклузия устойчивост изгражда), напрежение и температура на батерията, сензор импеданс и стойности на съпротивление, инфузионен сайт вълни налягане, и заключване откриване знамена от помпата .
  • Оценъчни данни . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
  • Потребителски входни ... ръчно болус дози, въглехидрати записи, упражнения сечене, маркери график на съня, и алармата за разпознаване, които осигуряват поведенчески контекст, който помага да се отдели нормалната променливост от ранните сигнали за неуспех.

Фирменото инженерство е критична стъпка за предварителна обработка: суровата телеметрия трябва да се почиства, нормализира и трансформира в полезни предсказуеми. Например, наклонът на тока през последните 10 минути, промяната в шума от CGM през последния час, или честотата на отпадането от комуникациите на ден са всички инженерни функции, които значително подобряват ефективността на модела. Без внимателен избор на функции, дори и най-мощният алгоритъм ще бъде затрупан от шум.

Основни техники за обучение на машини, прилагани към неуспех прогнози

Наблюдаване на класификацията на обучението за грешки

Надзирателите на модели, включително случайни гори, подсилени дървета (XGBoost, LightGBM), и дълбоките неврални нефрит са обучени на етикетирани исторически данни, за да се определи състоянието на системата горската система като нормално горска или . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Безнадзорна аномалия откриване за непознати режими на неуспех

Не всеки режим на неуспех може да бъде очакван или етикетиран предварително. Неподчинени техники като автоенкодери, изолационни гори, и еднокласни векторни машини за поддръжка на научите нормалния оперативен пакет на системата и флаг всяко значително отклонение като аномално. Например, внезапно увеличаване на шум от сензора CGM, съчетано с необичайни модели на разпространение на инсулин може да покаже предстоящото неизправност на сензора, че не е етикетирано ненаблюдение заловени. Тези методи са също така ценни за откриване на кибератаки на комуникационния канал .

Предсказуема регресия за оставащия полезен живот

Моделите на регресия могат да се оценяват като останалите полезни живот (RUL) на заменими компоненти като помпени батерии, инфузионни комплекти, или CGM сензори. Реципрочна неврална мрежа (RNN) обучени на криви на освобождаване от батерии, цикли на зареждане, и историята на температурата може да се предвиди повреда на батерията до час с висока точност. Това позволява на потребителите да заменят батерията по време на планиран обеден почивка, вместо да изпитват неочаквано изключване за една нощ. Подобни модели за инфузионни комплекти могат да препоръчат промени преди рискът от запушване става статистически значимо го променя от фиксирана 72 . часова смяна график на динамична, персонализирана времева линия, която намалява както отпадъци и скорости на отказ.

Учене за подкрепа за адаптивно предотвратяване

Най-напредналият погранични използва подкрепление обучение (RL), където изкуствения панкреас агент се учи да регулира поведението си, за да оптимизира съвместно глюкозния контрол и продължителността на устройството. Например, RL алгоритъм може да се научи да намали стреса на помпата чрез леко модериране на болус скоростта или преразпределяне на инсулина, когато открива ранни признаци на предстоящо запушване, като по този начин удължава живота на инфузиите, като същевременно запазва приемливи нива на глюкозата. Ранната симулация от Университета на Вирджиния .Център за Диабет технологии показа, че такъв адаптивен контрол може да намали оклузивната неуспешна работа с до 30% без значителна загуба във времето в обхвата. Докато RL остава до голяма степен в изследователския етап, първоначалните резултати предполагат, че може да бъде гейм-променящ за дългосрочна надеждност.

Данни и клинични приложения в реално време

Няколко пилотни програми и търговски продукти вече са доказали осезаеми ползи в клиничните условия, като са предоставили ранни доказателства, че предвиждането на поддръжка може да подобри реалния свят.

  • Медтронично situer.IQ помощник използва разпознаване на модела, захранван от IBM Watson, за да прогнозира хипогликемия до три часа предварително чрез анализ на тенденциите на CGM и историята на инсулина. Въпреки че основният фокус е прогнозиране на глюкозата, същата инфраструктура, която съдържа данни за ненатоварване и аномалия може да бъде разширена до предупреждение за неизправност на устройството. Ретроспективен анализ на Sugar.IQ потребителите показаха значително намаляване на броя на сензорните аларми, което предполага, че прогнозират алгоритми могат да намалят умората от предупреждението, докато подобрява безопасността.
  • В началото на 2023 г. изследователите от университета в Станфорд представиха модел за повишаване на наклона на годишната среща на Американската асоциация за диабет, която прогнозираше оклузия на катетъра с 91% точност 30 минути преди алармата на помпата да заработи. В симулирана среда това ранно предупреждение намали хипергликемията с 40%, като тясно съвпадаше с ранните симулации и потвърди устойчивостта на подхода.
  • Изследователите от университета в Кеймбридж са разработили . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
  • Френската компания Диабелуп получи одобрение от регулаторните органи за инструмент за подпомагане на клинично решение, базиран на МТМ, който предвижда дрейф на сензорите за CGM и препоръчва повторно калибриране. В момента той е наличен в няколко европейски страни и представлява един от първите търговски примери за проактивно поддържане на устройства в областта на диабетната грижа.

Всяка реализация трябва да бъде тествана сред различни популации пациенти и при реални условия, преди да може да се счита за безопасна за рутинна употреба.

Преодоляване на хърбите до широко разпространено осиновяване

Въпреки ясния потенциал на прогностичната диагностика, задвижвана от СО, трябва да се преодолеят няколко значителни пречки, преди тези инструменти да станат стандартни характеристики във всички изкуствени панкреасни системи.

Поверителност и сигурност на данните

Здравните данни са сред най-чувствителната информация, която човек притежава. ML модели обикновено изискват големи набори за обучение, често съхранявани в облака, повишаване на притесненията за неоторизиран достъп, нарушения на данните и деанонимизация. Федерирано обучение предлага непреодолимо решение: моделите са обучени на местно ниво на устройството за потребителя, и само анонимизирани актуализации на теглото се предават на централен сървър. Този подход гарантира, че суровите данни за пациентите никога не напускат устройството, драстично намалявайки риска за поверителност. Освен това моделите трябва да бъдат втвърдени срещу adversaial атаки, където внимателно изработените входове могат да причинят фалшиви прогнози, които водят до грешки при дозиране на инсулина.

В реално време Инференция под хардуерни ограничения

Изкуствените системи на панкреаса работят върху вградени микроконтролери с ограничена памет, капацитет на батерията и компютърната офшорност. Използването на пълна дълбока неврална мрежа в такава среда не е възможно. Но скорошните постижения в компресирането на модела са направили практически практически практически изводи в реално време. Техники като квантизация (неточност на теглото на модела от 32 bit floats до 8 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Обща приложимост и алгоритмичен биас

Моделите, обучени за данни от тесен действителен период, като например възрастни от европейски спускане, живеещи в умерени климатични условия, могат да се представят зле за деца, бременни жени, лица от различни етнически общности или хора, живеещи в горещи, влажни среди. Отклонените прогнози могат да влошат различията в здравеопазването, ако някои групи се сблъскат с повече рискове от повреди на сензорите или от запушване, които моделът не предвижда. Наблюденията за обучение трябва да бъдат обратно и представително[ на възраст, раса, география и начин на живот. Освен това неточно обучение механизми позволяват на моделите да се адаптират към нови потребителски среди с течение на времето. Например модел, който периодично актуализира вътрешните си параметри въз основа на последните локални данни може да се адаптира към сезонни температурни промени, промени в надморската височина или еволюиращите модели на чувствителност на инсулина, които не са били налице в първоначалния набор от обучения.

Претабилност на клиничното доверие

Клиницистите и пациентите са разбираемо неоправдани да се доверят на алгоритъма горно поле, който издава команда като готварски набор от вливания, без никакво обяснение. "Обяснен AI (XAI) методи като SHAP (Sharpley additive explorations) и LIME (local interpretable model годежни обяснения) подчертават топ факторите, които допринасят за всяко предсказание. Този модел може да представи: по-висок риск от неизпълнение поради повишаване на тока (недостатъчна вноска), повишен шум от сензорите на AI/ML в медицинските устройства, и спадане в напрежението на батерията (15% принос). Този прозрачност изгражда увереност и позволява на клинианците да проверят обосновката преди да действат по препоръка.

Регулаторен и валидиращ път

Интеграцията на модел на ML, който активно препоръчва потребителски действия, или директно офлайн напомпва поведението . регулирано медицинско устройство изисква ясна узаконяване. Регулаторите трябва да бъдат доволни, че моделът на прогнози са точни, фалшивите му . Положителна скорост е приемливо ниска, и неговата производителност не се деформира с течение на времето. FDA е започнала издаване на насоки за готварски планове за контрол на промените . AI / ML базирани SaMD (Софтуер като медицинско оборудване), което позволява на производителите да определят предварително как моделите ще бъдат актуализирани и наблюдавани след одобрението на пазара. Тази регулаторна яснота е от съществено значение за компаниите да инвестират в дългосрочното развитие на прогностичните функции.

Бъдещи посоки: Към самолекуващи се системи

Крайната амбиция не е само да се предскажат неуспехи, но да се създаде изкуствен панкреас, който активно ги предотвратява, без да изисква каквато и да е намеса на потребителя[[FLT:]] .Истина самолечение система.

  • Становено рекалибриране . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
  • Адаптивно управление на запушването[ помпи, които могат да варират налягането на доставка, временно обратен поток, за да изчистите частично блокиране, или преминете към резервно място на инфузия с помощта на мулти-lumen катетри. Ранните прототипи на адаптивни протоколи за запушване са показали 50% намаляване на оклузивни сигнали по време на in готварски тестване, без увеличаване на хипогликемията.
  • Edge-cloud хибридна архитектура . A онечистващ ML модел работи директно на помпата микроконтролер, осигуряващи прогнози в реално време с ниска латентност, докато един по-мощен модел на клауд базиран извършва периодични дълбоки анализи и актуализира параметрите на ръбния модел . Диференциални слоеве за поверителност гарантират, че няма необработени данни за пациентите напускат местното устройство, балансирайки ефективността с поверителност.
  • Интеграцията с по-широки здравни данни . Wearable активност тракери, монитори за сърдечната честота, и дори екологични данни като брой прашец (които могат да повлияят на усвояването на инсулина) могат да обогатяват прогнозно модели. пилотно проучване от Jaeb Center за здравни изследвания съобщи, че добавянето на данни за скоростта и скоростта на стъпката подобрява точността на оклукацията с 12%, което показва стойността на мултимодалните входове.

В доклада от семинара от 2024 г. Diabetes Technology Society се подчертава, че включването на прогностична поддръжка на база ML в регулаторните рамки ще бъде ключов акцент за затворени системи от ново поколение [затворени*.] FDA вече е издала необвързващи насоки за използването на AI в медицинските изделия, включително съображения за непрекъснато обучение и мониторинг на резултатите след пускане на пазара, проправяйки пътя за одобрение на системите от изкуствен панкреас.

Заключение

Машинното обучение бързо се развива от обещаваща концепция за научни изследвания в основен защитен слой за изкуствените панкреасни системи. Като се забележат ранните показатели за деградация на сензорите, запушвания на помпата, за изтощение на батериите и грешки при комуникацията, които не могат да се възприемат от човека, това дава на пациентите и на клиниките необходимото време за действие преди да се случи повреда. Тъй като хардуерните ограничения се преодоляват чрез модел на компресия, като техники за запазване на поверителността като захранено учене зряло, и като инструменти за интерпретиране, които получават доверието на клиники и регулатори, тези прогностични възможности ще станат стандартни характеристики в търговските продукти през следващите няколко години. Резултатът ще бъде ново поколение затворени също така и физически рискове за милиони хора с диабет.

Допълнително четене: За по-дълбоко потапяне в техническите аспекти, консултирайте се ] този цялостен преглед на машинното обучение за CGM-базирани прогнози и ИСПОР доклад за AI в диабетната технология. За повече информация относно подхранваното обучение в медицинските устройства, вижте статията Nature Digital Medicine article on privacy-serving AI.