Table of Contents

Изкуствените системи за подстригване на панкреаса, известни също като системи за доставка на инсулин в затворен цикъл, имат реформа на управление на диабет тип 1, като автоматизират сложните решения зад дозиране на инсулина. Тези системи зависят от непрекъснатите глюкозни монитори (CGM), инсулиновите помпи и сложните алгоритми за контрол, за да поддържат нивата на кръвната глюкоза в безопасен диапазон. Въпреки че настоящите системи вече са намалили голяма част от ежедневното натоварване, тяхната ефективност остава тясно свързана с качеството и разнообразието на данните, които обработват. Големите данни, аналитичните анализи и анализите на масивните, хетерогенни и нежелани модели стават от съществено значение за подобряване на точността, безопасността и персонализацията на тези алгоритми. Чрез изготвяне на данни от хиляди пациенти, модели на реалния свят и широк спектър от физиологични сигнали, изследователи и клиниколози могат да уплътняват модели, да оцветят неблагоприятни събития и в крайна сметка да подобрят резултатите за хората, живеещи с диабет.

Екосистемата данни зад изкуствените панкреаси системи

Модерните системи на изкуствения панкреас генерират и взаимодействат с огромни обеми данни. Основният източник е непрекъснат глюкозен монитор, който осигурява нереалистични данни за глюкозата на всеки 1... 5 минути, произвеждайки приблизително 300... 1 500 точки на ден на пациент. Инсулиновите помпи лог-институции, включително базалните проценти, болусните количества и потребителските корекции. Отвъд специфичните данни за устройството, електронните здравни записи (ЕВП) допринасят историческа клинична информация като стойности на HbA1c, профили на комбудитет и списъци с лекарства. С възможност за носене на фитнес тракери и интелигентни часовници добавят друг слой с данни за физическата активност, сърдечната честота, моделите на съня и стресовите показатели.

Тази екосистема илюстрира големи данни три V .: обем, разнообразие и скорост. Едно клинично изпитване, включващо 200 участници в продължение на шест месеца, дава десетки милиони точки от данни. Разнообразието обхваща структурирани невалидни данни (глюкозни нива, настройки на помпата), полуструктурирани трупи (месообяви, тагове за активност) и неструктурирани бележки (клиникови наблюдения). Скоростта изисква обработка в реално време на алгоритъми, които трябва да анализират входящи сензорни данни и да коригират доставката на инсулин в рамките на няколко минути. Интеграцията и хармонизирането на тези източници на данни остава значително техническо предизвикателство, но това е ключът към отключването на по-високонеутрофични алгоритми.

Преобразуване на необработени данни в активиращи алгоритми

Ядрото на изкуствената панкреасна система е неговият контролен алгоритъм, традиционно базиран на пропорционално-интегрална-производни (ПИД) или моделен прогностичен контрол (МПС). Въпреки че ефективни, тези подходи разчитат на опростени физиологични модели, които не могат да уловят пълната сложност на всеки индивид. Големите данни анализи позволяват промяна към задвижвани от данни, машинно обучение, които учат персонализирани модели директно от исторически и реални данни.

Предсказуеми техники за моделиране

Очакващите модели прогнозират бъдещи нива на глюкозата минути до часове напред, което позволява проактивно регулиране на доставката на инсулин. Машини за обучение алгоритми като повтарящи се невронни мрежи (RNNs), дългосрочни мрежи памет (LSTM) и градиентно усилващи машини са обучени на големи набори от данни за CGM следи, записи на доставка на инсулин, трупи за хранене и данни за активност. Например, изследователи са обучени модели LSTM на данни от над хиляда пациенти, за да се предскаже хипогликемия 30 минути предварително с висока чувствителност и специфичност. Тези модели могат да бъдат вградени в алгоритъма за preemposively намаляване на базалния инсулин, когато хипогликемично събитие е вероятно, като по този начин намаляване на времето, прекарано под диапазон. По-скорошните подходи използват трансформаторни архитекти, които улавят дългообхватни зависимости в динамиката на глюкозата, постигане на дори по-висока точност в прогнозирането както хипогликемия и хиперглюкемия.

Учене за адаптивно управление

В един изкуствен панкреас, агент (алгоритъм) научава оптимална политика за доставка на инсулин чрез взаимодействие с околната среда (пациентът също така получава награди за престой в euglymia и наказания за наноматериали. Големите данни осигуряват средата за обучение под формата на надлъжни реални набори. Офлайн RL алгоритми, по-специално, могат да се учат от вкаран опит, без да изискват онлайн проучване, което може да изложи пациентите на риск. Ранните резултати показват, че RL-базиран изкуствен панкреас може да се сравни или надформова традиционна MPC в симулации, и клинични пилотни проучвания са в ход да валидира тези констатации в условията на свободен живот.

Модел на персонализация и трансфер обучение

Един от най-обещаващите приложения на големите анализи на данните е персонализацията. Не двама души реагират еднакво на инсулина, въглехидратите или упражненията. Чрез данните на населението в миньорската мрежа, методите за трансфер на знания могат да инициализират персонализиран модел за нов пациент с само няколко дни данни за калибриране. Моделът продължава да се адаптира като повече лични данни, които се натрупват. Този подход драстично скъсява периода на на рампа, който исторически изисква дълъг клиничен оптимизация. Освен това, техниките за клъстери могат да идентифицират откъсите на пациентите, например, тези с висока чувствителност към инсулин или ясно изразен феномен на зазоряване и съответно параметри на шиваш алгоритъм. Скорошните работни работи използват автоенкодери, за да научат нискомерни изображения на метаболитни профили на пациента, позволяващи изключително бърза персонализация, която работи в различни устройства и популации.

Федерирано обучение за подобряване на поверителността

Едно от най-големите пречки при използването на големи данни за обучение на алгоритми е поверителността на пациентите. Федеративното обучение предлага решение: моделите се обучават в множество децентрализирани устройства или сървъри, които държат локални данни, без да обменят необработени данни. Само макетните актуализации (градиенти) се споделят с централен сървър, който ги събира за подобряване на глобален модел. В изкуствените панкреасни системи, подхранваното обучение позволява на алгоритъма да се учи от опита на хиляди потребители, като същевременно се съхраняват данни за глюкозата на всеки индивид (граданти) на тяхното устройство или в рамките на болничната им сигурност. Ранните пилотни проучвания показват, че федерираните модели постигат точност, сравнима с централно обучени модели, като същевременно осигуряват много по-силни гаранции за поверителност. Тази техника е особено ценна за изграждането на надеждни хипогликемизиращи проглектори, които могат да се генерализират сред различните популации без нарушаване на правилата за защита на данните.

Клинични резултати и доказателства

Нарастващото научно тяло показва, че интегрирането на големи анализи на данни в изкуствените алгоритми на панкреаса води до осезаеми ползи от гликемичен контрол, безопасност и удовлетвореност на пациентите.

Метрици за контрол на гликемичен контрол

Времето в обхват (TIR, 70...180 mg/dL) се превръща в златен стандарт за оценка на ефективността на изкуствения панкреас. Проучванията, сравняващи традиционните алгоритми с тези, които се подобряват чрез машинно обучение, постоянно отчитат печалби от 3... 7 процентни пункта в ТИР, което се превежда приблизително 45 минути до 90 минути повече на ден в целевата гама. Съответно, времето в хипергликемиемия (над 180 mg/dL) и времето в хипогликемията (не повече от 70 mg/dL) намалява. A 2023 метаанализ на 12 рандомизирани контролирани проучвания установи, че данните, задвижвани от изкуствени панкреасни системи, намаляват ноктурната хипогликемия с 40% в сравнение с по-ранни устройства, които не са били определени аналитични. Освен това, варирането на стойностите на глюкозата, което се наблюдава чрез коефициента на вариация (CV) .

Изследвания на реалния свят и данни за големия мащаб

Освен контролираните проучвания, реалните данни от свързани с облака изкуствени панкреасни системи рисуват завладяваща картина. Обобщени данни от десетки хиляди потребители, анонимизирани и анализирани в мащаб, разкриват, че актуализациите на алгоритмите, информирани от големите данни, аналитичните данни водят до подобрения в населението. Например ретроспективен анализ на 20 000 потребители на предлагана в търговската мрежа хибридна система за затворени прозорци показа, че след актуализация на фърмуера, която включва нов прогностичен модул за хипогликемия, честотата на хипогликемична събития (дефиниран като сензорна глюкоза под 54 mg/dL за поне 15 минути) е намаляла с 33% във всички възрастови групи. Подобни подобрения са наблюдавани за времето в диапазон, особено през нощта.

Подобрения в областта на безопасността

Безопасността е от първостепенно значение в автономни медицински устройства. Големите анализи на данните засилва безопасността по няколко начина. Първо, алгоритъма за откриване на аномалията може да се засече хардуер неизправности (напр., деградация на сензорите, задаване на запушване на инфузиите) чрез анализ на модели в потока данни, които се отклоняват от научените норми. Например, внезапно увеличаване на шума на CGM сигнала, съчетано с повишаване на инсулиновата доставка може да покаже неудачник. Второ, толерантна контрол архитектура използва несъстоятелни източници на данни, например колебания на сърдечната честота като неподходящо средство за хипогликемиемия риск да потвърди или да отмени решения за доставка на инсулин. Трето, модели на риск на населението могат да идентифицират пациенти, които е вероятно да изпитат тежка хипогликемия или диабетна кетоацидоза, което позволява целевата клиникална интервенция преди да настъпи криза.

Предизвикателствата пред изпълнението

Въпреки обещанието, интегрирането на големи анализи на данни в изкуствените панкреасни системи не е без препятствия.

Поверителност и сигурност на данните

Данните за здравето са сред най-чувствителните лични данни. Сравняването и анализирането на данни от множество източници поражда опасения относно повторно идентифициране, нарушения на данните и вторично използване. В САЩ спазването на HIPA е задължително, докато европейските потребители попадат в обхвата на GDPR. Данните трябва да бъдат де-секриминирани, криптирани при транзит и при покой и контрол на достъпа. Освен това пациентите трябва да предоставят изрично информирано съгласие за използването на данните им в обучението по алгоритми и непрекъснатото подобряване. Прозрачните рамки за управление на данните са от съществено значение за поддържането на доверието и избягването на регулаторните санкции. Използването на техники за нередовна поверителност, като се добавят калибриран шум към данни или параметри на модела, се получава по-добре, за да се предотврати повторно-нещо, като същевременно се даде възможност за полезни анализи.

Стандарти за оперативна съвместимост и данни

Диабетното устройство пейзаж е фрагментиран. CGMs, инсулинови помпи, проследяващи дейности, и EHR системи често използват собствени формати на данни и протоколи за комуникация. Без стандартизирани интерфейси на данни, натрупването на данни между устройства и доставчици става трудоемък и непроницаем. Индустриалните усилия като IEEE 11073 лични здравни устройства стандарт за комуникация и HL7 Бързото здравеопазване оперативно съвместими ресурси (FHIR) са напреднали, но широкото приемане остава непълно. Платформи с отворен код като Tidepool и Loop са демонстрирали стойността на стандартизирани тръбопроводи за данни, но се запазват регулаторни и търговски бариери.

Компютационни ограничения

Изкуствените алгоритми на панкреаса трябва да изпълняват на ресурс-конструирани хардуера, обикновено микропроцесорът в инсулинова помпа или приложението смартфон компаньон. Работещи сложни модели на дълбоко обучение с милиони параметри на такива устройства е предизвикателство. Edge компютърни подходи, които разтоварват тежки изчисления на облака са възможни само когато съществува надеждна, ниско-летовна мрежова свързаност. В недохранени райони или по време на пътуване, свързаност може да бъде загубена, принуждавайки алгоритъма да разчита на по-малко сложни недостатъци. Оптимизиране на моделите чрез квантизация, некролиза и дестилация е активна област на изследване за постигане на изпълнение в реално време на вградени системи, без да се жертва точност. Някои производители сега използват хибридни ръб-клон архитектура, където най-слабата чувствителност на интерференция (напр. хипогликемия предвиждане на всеки пет минути) работи на място, докато модели актуализации и по-сложни анализи се появяват в облака, когато е налична връзка.

Бъдещи указания

Траекторията на изкуствената панкреасна технология сочи към напълно автономни, многохормони и системи за обработка на контексти. Големите анализи на данни ще бъдат двигател, който ще управлява тези подобрения.

Многохормонни системи

Добавянето на глюкагон ще даде възможност за двухормонален подход, който може както да повиши, така и да намали нивата на глюкозата, потенциално елиминирайки напълно хипогликемията. Въпреки това, контролирането на два хормони в реално време изисква по-сложен алгоритъм. Големите данни от предклиничните и клинични проучвания на двухормонния изкуствен панкреас могат да информират развитието на сложни контролни политики, които балансират инсулина и дозата на глюкагона въз основа на прогнозираните глюкозни траекториии, състава на храната и упражненията. Изследователите също проучват използването на прамлинтид (аналитичен амилин) заедно с инсулина, за да забавят стомашното изпразване и потискане на секрецията на глюкагон, допълнително изглаждане след хранене на глюкозата.

Интеграция с износени технологии и цифрови близнаци

Съоръжени сензори извън CGMs . Като непрекъснати кетонни монитори, пот-базирани глюкозни сензори, и дори неинвазивни оптични устройства . ще осигури по-богати потоци от данни. Комбинирано с цифрова технология близнак, където пациент . Физиологията на пациента е симулирана в Силико, изследователите могат да работят милиони алгоритмични итериции да оптимизират параметрите, преди да ги настанят в реалния свят. Облачно базирани цифрови платформи близнаци, които обобщават данни от хиляди реални пациенти позволяват настройка на алгоритъма на населението, като същевременно запазват индивидуалната си неприкосновеност чрез подхранвано обучение. Вече, някои изследователски групи са изградили цифрови близнаци, които включват хранене модели, инсулинова чувствителност, и ефекти, позволяващи персонализирани сценарии за тестване, които биха били невъзможни в клинично проучване.

Регулаторни пътеки за устройства с база AI/ML

Регулаторните агенции, като например FDA, адаптират своите рамки, за да се настанят в машинното обучение, базирани на медицински устройства, които се подобряват с течение на времето. FDA го предлагат по отношение на цялостния продуктов цикъл на живот на алгоритмите AI/ML, изисква от производителите да представят предварително определен план за контрол на промените, който описва как алгоритъмът ще бъде актуализиран въз основа на нови данни. Това създава ясен път за включване на големи данни, аналитични в итеративни подобрения на изкуствените панкреасни системи. Производителите обаче трябва да докажат, че всяка версия на алгоритъма е безопасна и ефективна, което изисква стабилно валидиране на различни наноматериали, които представляват целевата популация. Европейският съюз също така изисква непрекъснато наблюдение на реалния свят на ефективността, като правят анализ на големите данни неразделна част от постпазарното наблюдение.

Пациент-центричен дизайн и опит на потребителя

В крайна сметка, успехът на всяка изкуствена панкреасна система зависи от приемането на потребителя и устойчивото ангажиране. Големите анализи на данните могат да информират потребителския опит дизайн. Анализиране на моделите на потребителското поведение . Като често пациентите взаимодействат с помпата, съобщенията за хранене, и упражненията . Може да разкрие точки на болка и възможности за опростяване. Физически език обработка на потребителски рецензии и обаждания подкрепа могат да идентифицират общи въпроси на използваемостта. С затварянето на цикъла между данните за използване на реалния свят и алгоритъм дизайн, разработчиците могат да създадат системи, които са не само клинично ефективни, но и интуитивни и минимални. Един фирмени анализ на потребителските данни установи, че значителен процент от сигналите за хипогликемиемия са били игнорирани, което води до препроекти, които правят предупрежденията по-ефективни и по-малко натрапчивни, които в свой ред намаляват умората на сигнала и подобрените гликемични резултати.

Заключение

Големите данни анализ не е периферно подобрение на изкуствените панкреасни системи . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Външни ресурси за допълнително четене: