Развитие на адаптивни учебни алгоритми за персонализиране на съдържанието на обучение по диабет

Възходът на адаптивните образователни алгоритми в образованието по диабет

Ефективно самоуправление е от съществено значение за предотвратяване на усложнения, но традиционно еднообразно-всички образование често не успява да ангажира пациентите или да отговори на техните уникални нужди. Въведете адаптивни учебни алгоритми: системи, които пригодяват образователното съдържание към всеки индивид &# 8217; е ниво на знание, поведение, и клиничен контекст. Чрез лостиране на данни за пациента в реално време и машинно обучение, тези алгоритми обещават да трансформират образованието на диабета от статична лекция в динамично, персонализирано пътуване.

За разлика от стандартните платформи за електронно обучение, които следват фиксиран учебен план, адаптивните системи за обучение непрекъснато коригират трудностите, температуризацията и фокуса на материалите, базирани на учащия се&# 8217; ефективността и обратната връзка. В грижите за диабета, това означава, че пациентът, който се бори с времето за инжектиране на инсулин получава целеви модули за отчитане на въглехидратите и коригиращите дози, докато някой с отличен гликемичен контрол, но лошите навици за грижа за краката получават напомняния и демонстрации при ежедневни проверки на краката. Резултатът е високо ефективен, ангажиращ опит, който ускорява овладяването на уменията за самообслужване.

Основни компоненти на адаптивните учебни алгоритми за диабет

За да се разбере как работят тези системи, помага да се разделят на четири свързани слоя:

Data Ingestion Layer &# 8221; Събира структурирани и неструктурирани данни от глюкозни монитори, инсулинови помпи, тракери за активност, медицински дневници, доклади за пациентите и електронни здравни досиета.
Learner Model – A statical or machine learning representating of the patient’ s current finence, skill fails, learning style, and bitical models. Този модел се актуализира след всяко взаимодействие.
Съдържание Репозитория – Библиотека от модулни образователни активи (видео, викторини, симулации, текстови резюмета) маркирани с ниво на трудност, тема, предварително условие умения, и предпочитания формат.
Препоръка Engine – Алгоритъмът, който избира следващата най-добра учебна дейност чрез балансиране на три фактора: това, което пациентът трябва да научи (пропуски в знанията), това, което са готови да научат (зона на проксималното развитие), и това, което ги мотивира (предсказатели за включване на времето, скорошно придържане или предпочитан формат).

Тези слоеве работят заедно в цикъл: пациентът взаимодейства със системата, актуализациите на модела на обучение, препоръчителните двигатели преизчислят и ново съдържание отрязък се доставя чрез приложение за смартфон, уеб интерфейс или дори смарт говорител.

Източници на данни в реално време, които се адаптират към горивото

Богатството на модела на обучаващия се зависи от разнообразието на данните, които се подават в него. Водещи приложения изтеглят от:

Континентни глюкозни монитори (CGMs)[ &# 8221; Осигурете време в обхват, гликемична вариабилност и стрели за тенденция, които показват дали пациентът е хипергликемичен, хипогликемичен или стабилен.
Инсулин помпа или интелигентни дневници на химикала &# 8221; Покажи придържане към базалните и болус дози, модели на корекция и пропуснати дози.
Активност и тракери за сън – Физическата активност и качеството на съня директно засягат инсулиновата чувствителност; алгоритъмът може да свърже образователните подбуди към тези състояния.
Проучвания на пациенти и микро-захранване – Кратки, в момента въпроси (&# 8220;Как сте уверени в коригирането на дозата след упражнение?&# 8221;) дават незабавно прозрение за нивата на увереност и недоразуменията.
Електронните здравни досиета (EHRs) &# 8221; Лабораторни резултати (HbA1c, eGFR, липиди), съпътстващи заболявания и лечебни списъци осигуряват клиничното фонограма за сложността и спешността на шивашкото съдържание.

Процес на развитие: От данни до разгръщане

Изграждането на система за адаптивно обучение за диабетно образование е мултидисциплинарно усилие, включващо ендокринолози, диабетни преподаватели, учени по данни, софтуерни инженери и дизайнери на UX. Развитието обикновено протича през тези етапи:

1. Необходимо е оценяване и оценяване на съдържанието

Преди да напише един ред код, екипът определя пълния обхват на образованието по самоуправление на диабета. Това включва теми като:

Разбиране на целите на кръвната захар и мониториране
Въглехидрати броене и планиране на хранене
Приложение на инсулин и регулиране на дозата
Предотвратяване и лечение на хипогликемия
Управление на болничните дни
Грижа за краката, грижа за очите и намаляване на сърдечно-съдовия риск

Всяка тема е разбита на цели за микро-обучение (напр. &# 8220; идентифицирайте три причини за явлението "зори"&# 8221; или &# 8220; изчислете корекция на дозата за кръвна глюкоза от 250 mg/dL&# 8221;). Създателите на съдържание развиват множество версии на една и съща учебна цел на различни нива на четене, използвайки различни медии (текст, видео, интерактивна симулация) и различни културни контексти.

2. Стратегия за събиране на данни

Първоначалното обучение на данни идва от исторически записи на програми за обучение по диабет, дневници за взаимодействие на пациентите от съществуващите приложения и лица, които са квалифицирани от експерти. Обаче, наистина адаптивни системи изискват поглъщане на данни в реално време. Екипът трябва да проектира сигурни, съвместими тръбопроводи, които изтеглят неидентифицирани данни от устройства, които са насочени към пациента и EHRs. Съгласието и управлението на данните са адресирани от самото начало, следвайки правила като HIPA в САЩ или GDPR в Европа.

Външен ресурс: Прочетете повече за стандартите за данни за оперативна съвместимост на устройства за диабет от ]Diabetes Data Standards Consortium.

3. Модел на обучение и валидиране

Моделите за машинно обучение, използвани в адаптивни системи, варират от прости байсийски знания проследяване до дълбоко укрепване обучение. Най-често срещаният подход е хибрид:

Knowledge профил – Изчислява вероятността, че пациентът е усвоил всяко умение въз основа на историята на реакциите си. Общ алгоритъм е Bayesian Knowledge Tracing (BKT) модел, който е бил използван успешно в интелигентните учебни системи за математика и наука.
Колаборативно филтриране – Модели на ливъридж от хиляди подобни потребители, за да препоръча съдържание, което помогна на други със сравними профили. Например, ако пациенти с висока HbA1c и ниска &# 8220; меню планиране&# 8221; резултати се подобри след гледане на видео на предболов тайминг, системата ще изплува, че видео за нов пациент със същия профил.
Учене за укрепване (RL) – Алгоритъмът третира всяко решение за образование като действие, което дава награда (напр. подобряване на викторината, увеличаване на времето в интервала). Над хиляди взаимодействия, RL агентът научава оптималната последователност от учебни дейности за всеки индивид.

Моделите се обучават на исторически данни и на фино наблюдавани чрез тестове A/B и пилотни проучвания. Заверяващите показатели включват не само печалби от знания, но и промени в поведението като намалени хипогликемични събития, подобрено спазване на лекарствата и по-високи резултати за удовлетвореност на пациентите.

4. Content Personalization Engine

След като моделът прогнозира какво трябва да научи пациента, персонализационният двигател избира най-подходящия модул за съдържание. Двигателят счита:

Learner State – Текущо ниво на майсторство, скорошни грешки, умора от ангажиране.
Контекст – Време на деня (напр. сутрин срещу време за лягане), местоположение (дом срещу работа), скорошни данни за устройства (високо глюкоза след вечеря може да задейства модул на постпрандиални шипове).
Ефективно състояние – Някои системи откриват неудовлетвореност или скука чрез времето за реакция, броя на поисканите намеци или самопризнатото настроение. Когато разочарованието е високо, системата може да предложи рецензия игра или мотивационно съобщение, вместо да натисне ново, трудно съдържание.
Учене предпочитания – Някои пациенти се учат най-добре чрез гледане, други чрез четене, а други чрез практикуване с интерактивни симулации.

Например, пациент, който току-що е научил за преброяването на въглехидратите, може да получи кратък тест, след което симулация, където те коригират храната болус и да видим получената крива на глюкозата, след това текстово резюме, за да се засили ключовите точки. Ако те отговарят правилно, системата се движи; ако пропуснат въпрос, тя се връща обратно с различно обяснение.

5. Непрекъснато оценяване и итерация

Отделни аналитични трасиране песни ключови показатели за ефективност: време-към-магистърство на тема, спад-на разстояние, средна продължителност на сесията, и най-важното, клинични резултати като намаляване на HbA1c, честота на тежка хипогликемия, и посещения в спешното отделение. Екипът за развитие се среща седмично, за да прегледа тези показатели, да се установи къде алгоритъмът се бори, и да актуализира съдържанието или параметрите на модела съответно.

Например, ако данните показват, че пациентите с ниска здравна грамотност се отказват след първия урок по типове инсулин, екипът може да пренапише този модул на по-ниско ниво на четене и да добави повече визуални помощни средства. Ако алгоритъмът продължава да препоръчва същото видео на потребителя въпреки намаляващия ангажимент, функцията награда в модела RL може да се наложи ребалансиране, за да се включи новост като фактор.

Ползи за пациентите и доставчиците на здравни грижи

Преминаването от генерични статични брошури към адаптивно, персонализирано образование дава измерими предимства за двете страни на уравнението грижа.

Резултати от нивото на пациента

По-висока ангажираност – Адаптивните системи държат внимание чрез представяне на съдържание, което никога не е твърде лесно (скучно) нито твърде трудно (разрушаване).
Подобрено задържане на знания – Пространствено повторение и майсторско обучение, както вградени в адаптивни алгоритми, укрепват концепциите с течение на времето. Проучванията показват, че пациентите, използващи адаптивно диабет образование могат да припомнят стъпки за самолечение по-точно три месеца след намеса, отколкото тези, които са присъствали на една сесия в класната стая.
Промяна на поведението в мащаб ” Когато образованието е точно насочено, то мотивира реалния свят действие. Пациентите, които получават адаптивно обучение за контрол на глюкозата, виждат 15 . . . увеличение на честотата на ежедневните проверки.
Редуцирана хипогликемична тревожност &# 8221; Персонализирани модули за разпознаване и лечение на дъна, доставени точно преди лягане или след тренировка, помагат на пациентите да се чувстват по-уверени и да намалят нощните хипогликемични събития.

Предимства на ниво доставчик

Скалируемо обучение на пациентите &# 8221; Един диабетен педагог може да наблюдава стотици пациенти, използващи адаптивна платформа, като запазва личното време за тези, които се нуждаят от сложни промени в управлението или психосоциална подкрепа.
Изпълними клинични прозрения ” Системата генерира доклади, които подчертават пропуски в знанията, поведенчески модели и рискови флагове. Доставчик може бързо да види, че пациентът все още не разбира коригиращите дози и да засили това съобщение по време на следващото посещение.
Достъп до надеждни последващи действия &# 8221; Автоматизирани напомняния и проверки намаляват нивата на липса на представяне за образователните класове и осигуряват непрекъснатост на обучението между назначенията.
Население за управление на здравето &# 2821; обобщени данни от адаптивната платформа разкриват общи недоразумения в рамките на клиниката за диабет, което дава възможност за целеви инициативи за подобряване на качеството.

Изпълнението на предизвикателства и стратегии за преодоляването им

Въпреки обещанието си, адаптивното обучение за обучение по диабет се сблъсква с няколко препятствия, които изискват внимателно планиране.

Поверителност и сигурност на данните

Данните за здравето са сред най-чувствителните лични данни. Събирането на данни от CGM, инсулин дози и поведение за учене създава богата цел за нарушения. Съответствието с HIPA, GDPR и местните закони за защита на данните не подлежи на договаряне. Стратегиите включват криптиране от край до край, техники за диференциално неприкосновеност на личния живот, които добавят шум към обобщени данни и дават на пациентите изчерпателен контрол върху това, което се събира и как се използва. Системата трябва да предлага и прозрачна &# 8220; табло за използване на данни и# 8221; което показва точно това, което алгоритъмът знае и позволява на пациентите да изтрият своята история.

Външен ресурс: Американската асоциация за диабет Стандартите за медицинска грижа при диабет включва насоки за включване на цифрови здравни инструменти, като същевременно се защитава поверителността на пациентите.

Алгоритмична прозрачност и доверие

Пациентите и доставчиците са разбираемо внимателни с препоръките за черната кутия, особено когато тези препоръки могат да повлияят на дозата инсулин или времето за хранене. Алгоритъмът трябва да бъде обясним: защо избра това видео сега? Какви данни са довели до това решение? Един подход е да се включи &# 8220; основание&# 8221; поле в потребителския интерфейс (напр. &# 8220;Този модул се препоръчва, защото кръвната Ви глюкоза е била висока след закуска през последните три дни&# 8221;). За доставчиците системата трябва да се покаже нивото на увереност на модела и доказателствата в подкрепа на всяка препоръка.

Осигуряване на чувствителност и културно чувство

Адаптивен алгоритъм, обучен предимно върху данни от англоговорящи, градски пациенти могат да се борят за адаптиране на образованието за селски, не-английски-говорящи, или ниско-литературен потребители. Екипите за развитие трябва да инвестират в локализация на съдържанието (език, образи, примери за храна), културна адаптация (напр. включване на традиционни ястия или религиозни практики на гладно), както и тестване на използваемост с представителни потребителски групи. Самият алгоритъм трябва да бъде проектиран да открива, когато съдържанието не резонира (напр. високо отпадане, ниски резултати на вицовете) и да сигнализира, че съдържанието на екипа за преразглеждане.

Интеграция с клинични работни процеси

За да се адаптира образованието да стане стандартна част от диабетната грижа, то трябва да се побере безпроблемно в съществуващите клинични работни потоци. Това означава интеграция с ЕВП (така че образователните препоръки се появяват в графиката на пациента и могат да бъдат преразгледани по време на посещения), оперативна съвместимост с диабетни устройства (CGM, помпи), и гладка комуникация с екипа за грижа. Идеално, системата трябва да изпрати седмични обобщения доклад на пациента на първична медицинска помощ, клиникар или ендокринолог, намалявайки тежестта на преглед на ръчните данни.

Проучване на случаи: Ранен успех с адаптивно обучение по диабет

Пилотна програма, управлявана от голям академичен медицински център, включи 150 възрастни с диабет тип 2, които са имали нива на HbA1c над 9%. Участниците използваха приложение за смартфон, което се интегрира с техния CGM и разполага с адаптивен учебен двигател, обучен върху над 500 детайлни учебни цели. Повече от шест месеца:

Средният период на време се е увеличил от 45% на 63%.
Самоповестяваното доверие в лечението на високата кръвна захар се е повишило с 35%.
Приспособяването на приложението средно 22 минути на ден, като 85% от потребителите попълват най-малко три модула седмично.

Качествена обратна връзка разкри, че пациентите оценяват точния характер на съдържанието: уведомление преди вечеря с кратко видео за избягване на постпрандиални шипове, или напомняне за лечение на дъна, които се появяват, когато стрелката CGM тенденция посочи надолу. Този вид контекстуална персонализация е възможно само чрез адаптивни алгоритми, които обработват данни в реално време.

Бъдещи указания

В областта на адаптивното обучение в областта на образованието по диабет все още се развива, но няколко вълнуващи начина са на хоризонта.

Интеграция с телемедицина и дистанционно наблюдение

Тъй като телемедицината става рутинна, адаптивното образование може да бъде вградено директно във виртуалните посещения. Преди телеконсултация пациентът завършва кратък адаптивен модул, който актуализира своите пропуски в знанията и изпраща резюме на клиника. По време на посещението лекарят може да се съсредоточи върху най-належащите въпроси, отколкото да прекарва време върху материала, който пациентът вече знае. Пост-визита, алгоритъмът укрепва това, което е обсъдено с персонализираното съдържание на последващи действия.

Обучение в реално време и събиране на информация

Представете си адаптивна система, която не само преподава, но и треньори в реално време. Пациент с данни CGM, стичащи се към облака, може да получи уведомление: &# 8220;Вашата глюкоза се покачва бързо след тази закуска. Не забравяйте да преди болус най-малко 15 минути преди хранене. Ето един 30-секунден опреснителен за времето за хранене инсулин.&# 8221; Такова затворено обучение отива отвъд ученето в промяна на поведението в точката на грижа.

Мултимодална и многостранна адаптация

Бъдещите алгоритми ще се адаптират не само към нуждите на образованието за диабет, но и към съпътстващите условия като хипертония, депресия или затлъстяване. Същият пациент може да получи модул за преброяване на натрий сутрин и упражнение за управление на стреса вечер, всички ръководени от единен модел на обучение, който обхваща множество хронични условия.

Гласови и естествени езикови интерфейси

Умните говорители и гласови асистенти предлагат безръководен начин за предоставяне на адаптивно образование, особено за възрастни пациенти или такива с ниско зрение. Алгоритъмът може да зададе въпрос, да изслуша вербалния отговор на пациента и да определи следващото най-добро съдържание. Ранните пилоти с Amazon Alexa и Google Assistant са показали голямо удовлетворение сред потребителите, които предпочитат да говорят пред писменото обучение.

Най-добри практики за организации, които прилагат адаптивно обучение по диабет

За здравни системи, платци или компании за цифрово здравеопазване, които търсят адаптивно обучение, следните насоки могат да увеличат вероятността от успех:

Започвайте с тесен обхват. Фокусирайте се върху една тема с високо въздействие (напр. корекция на дозата инсулин) и докажете, че алгоритъмът работи преди да разширите програмата.
Включват диабетни преподаватели от първия ден. Техният опит е от съществено значение за създаването на съдържание, утвърждаването на модели на обучаващи се и тълкуването на алгоритмите.
Дизайн за наклонност. Тест с различни популации пациенти, за да се избегне алгоритмично пристрастие. Използвайте обикновен език, множество езици и културни адаптации.
Измерете знанията и поведението. Само резултатите от теста са недостатъчни. Проследяване на клиничните резултати (HbA1c, време в обхват, степен на хипогликемия) за да се демонстрира реално въздействие в света.
План за итеративен напредък. Адаптивните системи никога не са завършени. Бюджет за текущи актуализации на съдържанието, преквалификация на модела и усъвършенстване на потребителския опит въз основа на аналитичните анализи.

Външен ресурс: The Diabetes Technology Society предлага рамка за оценка на дигиталните здравни интервенции, която включва критерии за адаптивни и персонализирани функции.

Заключение

Адаптивните алгоритми за обучение представляват повратна точка в образованието по диабет. Като се движат извън статичните подаяния и еднократните класове, тези интелигентни системи се срещат с всеки пациент, където те са готварски, емоционално и клинично и ги насочват към по-добро самоуправление. Процесът на развитие изисква тясно сътрудничество между клиничните, съдържанието и техническите екипи, но отплатата е значителна: пациенти, които са по-ангажирани, по-наясно и по-уверени в способността си да управляват диабета ден след ден.

Тъй като сензорната технология, широколентовата свързаност и машинното обучение продължават да напредват, адаптивното образование ще се превърне в стандартен компонент на диабетната грижа не като пригодено за добавяне, а като основен инструмент за овластяване на пациентите и подобряване на резултатите в мащаб. Здравните системи и платците, които инвестират в изграждането и рафинирането на тези алгоритми, ще бъдат добре разположени, за да осигурят персонализирано, ефективно и ефективно образование на милионите хора, живеещи с диабет по целия свят.