Table of Contents

За да се управлява това хронично състояние изисква постоянна бдителност: проследяване на кръвната захар, коригиране на дозите инсулин, мониторинг на приема на храна и разпознаване на ранни признаци на опасни люлки. Традиционните хартиени трупи и периодичните посещения в клиниката предлагат само снимки на динамично заболяване. Конвергенцията на интернет на нещата (IoT) и машинното обучение (ML) променя тази парадигма, позволявайки непрекъснат, интелигентен мониторинг, който се движи отвъд реактивната грижа за прогнозиране, персонализирано управление. Тази статия изследва как IoT устройства и алгоритми за машинно обучение се комбинират, за да се изградят прогностични модели за диабет, технологиите, които правят възможно, пречките, които остават, и какво крие бъдещето.

Какво представляват IoT и машинно обучение в здравеопазването?

Интернет на нета се отнася до мрежа от физически обекти . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Машинно обучение, клон на изкуствен интелект, използва статистически техники, за да се даде възможност на системите да се учат от данни, без да бъдат изрично програмирани за всяко възможно правило. Вместо твърди условия за кодиране като това дали глюкоза > 180 mg/dL след това предупреждение, готварски алгоритми погълват хиляди дни на пациента на данни, за да открият сложни, нелинейни взаимоотношения. Тези алгоритми могат да класифицират, клъстер, или прогнозират резултати, като прогнозиране на хипогликемичен събитие 30 минути предварително или неопределяне на въздействието на глюкозата на определено хранене.

Синергията е ясна: IoT осигурява непрекъснат, високорезолюционен източник на данни, който алгоритмите на ML изискват за обучение на стабилни модели, и ML връща ефективни прозрения, които затварят цикъла, превръщайки данните от суровия сензор в препоръки в реално време за пациенти и клиники.

Как IoT устройства трансформират колекцията от данни за диабет

Преди широкото приемане на CGM, управление на диабета разчиташе силно на измерване пръст-стик, обикновено извършва 4 ... 10 пъти на ден. Тези снимки пропусна критични тенденции и овърнайт модели. IoT устройства са променили събирането на данни по няколко основни начина.

Непрекъснато следене на глюкозата

CGMs като Dexcom G6, Abbott FreeStyle Libre, и Medtronic Guardian сензори измерват нивата на глюкоза в нестихваща течност подкожно. Те предават показанията безжично към приложение смартфон или специален приемник на всеки 5 ... 15 минути. Пациент генерира приблизително 288 точки на ден, което би било непрактично да се регистрира ръчно. Тези високочестотни данни позволяват ML модели да се засекат фини глюкоза скорост на промяна модели (напр., бърз спад преди хипогликемия), че простите праг сигнали пропускат.

Умни инсулинови писалки и помпи

Smart инсулинови писалки (напр. Novo Nornurnskings NovoPen 6, Companion Medicals InPen) записват времето за инжектиране, дозата и вида инсулин, автоматично синхронизирани с мобилно приложение. Инсулинови помпи с интегрирани данни за CGM, като Tandem tslim X2 с контролно- IQ, образуват автоматизирани системи за доставка на инсулин (AID), които използват алгоритми (често ML- базирани) за корекция на базалните нива в реално време. Тези устройства генерират профил на инсулиново действие, който ML модели могат да корелират с глюкозен отговор.

Сменяеми проследяващи устройства за фитнес и други сензори

Слуги като Apple Watch, Fitbit, или Garmin устройства предоставят контекстуални данни: пулс променливост, температура на кожата, стъпки, етапи на сън, и нива на стрес. Тези променливи влияят на глюкозния метаболизъм. Например, физическата активност увеличава чувствителността на инсулина; стресът повишава кортизола и кръвната захар. Храненето на тези контекстуални сигнали в прогностични модели подобрява точността, тъй като моделът се учи да коригира прогнозите въз основа на пациент, който извършва текущата дейност и физиологичното състояние.

Машинно обучение техники за предсказуем диабет модели

Суровите данни от IoT устройства трябва да бъдат обработени, почистени и трансформирани преди да може да се използва за обучение на прогностични модели. Изборът на ML алгоритъм зависи от клиничния въпрос: прогнозиране на цифровата глюкозна стойност, класифициране на предстоящо събитие (хипогликемия/хипергликемия), или групиране на пациентите в рискови категории.

Модели на регресия за прогнозиране на глюкоза

Най-често срещаната задача е да се прогнозира бъдещото ниво на кръвна глюкоза на даден хоризонт например 15, 30 или 60 минути напред. Моделите на регресионните времеви серии са естествени кандидати. Традиционните модели на авторегресивна интегрирана пълзяща средна (ARIMA) са били използвани исторически, но вариантите на дълбоко обучение сега доминират. Мрежите с дълга краткотрайна памет (LSTM), тип повтаряща се невронна мрежа (RNN), са особено амбициозни при засичане на дългообхватни зависимости в глюкозните последователности. Изследователите в институции като Университета на Вирджиния и Станфорд са публикували модели, които постигат средна абсолютна грешка (MAE) под 15 mg/dL за 30 минути прогнози, използвайки данни за CGM и инсулин.

Класификационни модели за откриване на събития

Вместо да се прогнозират точните нива на глюкозата, някои модели са предназначени да открият появата на хипогликемия (кръвна глюкоза < 70 mg/dL) или хипергликемия (> 180 mg/dL) в промеждутъка на предсказанията. Алгоритъмите като Рандом Форест, XGBoost и поддържащи векторни машини (SVMs) са обучени върху характеристики, получени от скорошната глюкозна история, инсулин на борда и входове на храна. Например, изследването на DREAM (Diabetes Research on Event and Action Management) показват, че наклонно-подсилените дървета могат да постигнат 90% чувствителност при откриване на ноктурна хипогликемия, когато се обучават по мултимодална IoT данни.

Клъстериране за субфенотиране на пациента

Пациентите се различават по инсулинова чувствителност, бета- клетките, начина на живот и отговора към терапията. Безнадзорно клъстериране (напр. к- среда, йерархично купиране) могат да групират пациентите в субфенотипи въз основа на техните IoT модели данни. Тези подгрупи могат да имат различни рискови профили или да реагират по- добре на специфични схеми на лечение, позволяващи по- прецизни, персонализирани грижи.

Изграждане на предсказуем модел: От данни до внедряване

Създаването на работен прогностичен модел включва няколко стъпки отвъд просто избора на алгоритъм. Всеки етап представя свои собствени предизвикателства и избор на дизайн.

Придобиване на данни и предварителна обработка

Потокът от данни на IoT често е разбъркан: липсващи данни (сензорно дешифриране, пропускания на предаване), шум (компресионен артефакти) и нередовни времеви интервали. Преработката включва инпутация (напр. линейна интерпретация за къси пропуски), по-невъзможни стойности (физиологично невъзможни стойности като глюкоза > 600 mg/dL или < 20 mg/dL) и пренастройване към единна честота (напр. на всеки 5 минути). Данните трябва да бъдат подредени и през уредите за измерване на времето (напр. време на работа, история на помпата и активност тракер дневници често използват независими часовници.

Инженеринг на функции

Неподвижните сензорни стойности рядко осигуряват най-доброто представяне. Фирменото инженерство създава производни променливи, които кодират темпоралната динамика: скорост на глюкозата (първи дериват), ускорение (втори дериват), площ под кривата през последните прозорци, време от последното хранене, криви на инсулина действие, и нисък индекс на кръвната глюкоза (LBGI). Домейн специфични характеристики, като например индекс на риска от глюкоза го използва от Ювениле фондация за изследване на диабета (JDRF), могат да бъдат включени като инженерни входни средства.

Образец на обучение и валидиране

Данните от IoT устройства представляват уникално предизвикателство: мострите от един и същ пациент са свързани, нарушавайки независимостта на предположението за много стандартни методи за валидиране. Изследователите трябва да използват междуличностни или времеви влак/тестни раздели, за да избегнат изтичане на данни. Модел, обучен през първата седмица от данните за пациента, може точно да предскаже втората седмица (интра-пациентно валидиране), но обобщението на невиждан пациент (между пациентите) е много по-трудно. Метриците включват коренна средна квадратна грешка (RMSE) за регресия, област под приемника оперативна характеристика крива (AUROC) за класификация, и клинична точност, оценена от Clarke грешка Grid анализ (зона A+B).

В реално време Инференция и интеграция

Разработването на модел в клинично или потребителско приложение изисква нискоскоростна намеса. Edge . edge . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Примери и напредък в научните изследвания в реалния свят

Няколко търговски и академични системи вече демонстрират потенциала на IoT + ML за прогнозиране на диабет.

Системата Medtronic Guardian 3 използва патентован алгоритъм (SmartGuard), който предвижда хипогликемия 30 минути предварително въз основа на тенденциите на CGM, спиране на доставката на инсулин, когато има вероятност да бъде нарушен праг. По същия начин, Tandem Control-IQ алгоритъм използва модел прогностичен контрол (MPC) подход, който е тясно свързан с машинното обучение, за да се коригира базалните нива на инсулин и да се достави корекция болус автоматично.

В областта на изследванията, ОхайоT1DM набор от данни (събрани от 12 пациенти с диабет тип 1 за 8 седмици) се превърна в показател за разработване на модели за прогнозиране на глюкоза. Екипите по света са използвали своя CGM, инсулин, храна, и данни за дейността, за да обучават LSTM, конволюционни невронни мрежи (CNNs) и хибридни модели. Проучване от 2021 г. от Mirshekarian et al. (публикувано в IEE Transactions on BioMedical Engineering) показа, че LSTM, обучен по мултимодални IoT данни, може да прогнозира хипогликемия с точност от 0.82 и да се изземе от 0,76, представящи прости сигнали на прагова основа.

Пример за външна връзка: Научете повече за набора от данни на ОхайоT1DM и показателите за машинно обучение за прогнозиране на диабета.

Предизвикателствата и пречките пред широкото приемане

Въпреки впечатляващия технически напредък, рутинната употреба на прогностичните модели на IoT в диабетната грижа е изправена пред значителни пречки.

Поверителност и сигурност на данните

Когато IoT устройства предават глюкозата в облака, те генерират непрекъснати, интимни профили на човек, който е физиологичен състояние. Регулаторни рамки като HIPA в Съединените щати и GDPR в Европа мандат строго криптиране, контрол на достъпа, и съгласие на потребителя. Всеки модел, който събира данни трябва да гарантира, че предаването е кодирано в транзит (TLS 1.3), съхраняван криптиран в покой (AES-256), и че лично разпознаваемата информация (PII) е анонимна. Рискът от нарушение на данните или повторно идентифициране атака е постоянна загриженост, която може да подкопае доверието на пациента.

Стандартизация на оперативната съвместимост и устройството

Диабетните пациенти често използват устройства от множество производители: Dexcom CGM, помпа за инсулин Omnipod и проследяващ уред за активност на Fitbit. Всяко устройство говори различен протокол (Bluetooth Low Energy, собственически APIs, MQTT, HL7 FHIR). Няма универсален стандарт за неуловим или съчетаващ тези потоци. FDA . FDA . ИEEE . Положените усилия към неофициалните медицински устройства (напр. стандартите за лично здраве на IEE 11073) напредват бавно. Без без безпроблемна интеграция на данните, ефективността на модела страда, защото критичните данни липсват или не са включени.

Модел на здравина и генерализируемост

Повечето прогнозни модели са обучени на неточности, които са относително малки (дузини на няколкостотин пациенти) и са изкривени към определени демографски (напр. предимно бели, високи доходи, с достъп до най-новите инсулинови помпи). LSTM, който постига 10 mg/dL MAE на ОхайоT1DM root може да изпълнява зле на пациент с различен профил на инсулинова чувствителност, различна диета, или с помощта на по-стара помпа. Надграждането на тренировъчния композиция е често срещан капан. Изследователите се нуждаят от по-голям, по-разнообразни, многоцентрови идеално включително диабет тип 2 пациенти и тези, управлявани без инсулин помпени за изграждане на общи модели.

Регулаторно утвърждаване и клинично приемане

Получаването на прогностичен алгоритъм, изчистен от FDA (или еквивалентни органи) изисква строго клинично валидиране: моделът трябва да демонстрира безопасност, ефикасност и еквивалентност или превъзходство на стандарта на грижа. Програмата FDA год. за дигитален софтуер за здраве, предварително сертифициране има за цел да рационализира одобрението за нискорискови модели AI, но високорискови алгоритми (тези, които пряко контролират доставката на инсулин) все още трябва да преминат през обширни клинични изпитвания. Много академични модели никога не достигат търговски разполагане, защото те нямат ресурси за регулаторно подаване.

Бъдещи посоки: Къде се насочват IoT и машинното обучение

Следващата вълна от иновации обещава да се справи с настоящите ограничения и да отвори нови възможности.

Федерално обучение за обучение за поверителност

Вместо централизиране на данните за пациентите на клауд сървър, федерираното обучение позволява на устройството или на болничната граница да се проведе обучение по модел, като само обобщените модели (градиенти) споделят обратно към централния сървър. Този подход запазва поверителността (суровите данни никога не напускат контрола на пациента) и могат да използват данни от хиляди пациенти без да го преместват. Google . TensorFlow Federated и NVIDIA Clara са рамки, които изследват това в здравеопазването. Ранните резултати за прогнозиране на глюкоза показват, че Федерираните модели могат да постигнат точност, сравнима с централно обучени модели, като същевременно намаляват риска от изтичане на данни.

Мултимодикална интеграция на данните

Бъдещите модели ще включват още повече сигнали: непрекъснати кетонни монитори (в процес на разработване на риск от диабетна кетоацидоза), хормонални тракери (кортизол, глюкагон), геолокация (за да се осигури достъп до здравословна храна), както и социални неопределящи здравни (финансова стабилност, здравна ограмотяване). Природосъобразителното обработване на езици (NLP) може да смила безплатни текстови бележки от електронните здравни записи (ЕВП) за осигуряване на контекст за необичайните модели на глюкозата, подобно на бележка за скорошно заболяване или химиотерапия сесия.

Edge AI и намалена лечебност

Напредъкът в специализираните чипове на AI (напр. Google Edge PPU, Apple Nural Engine) прави възможно да се стартират сложни модели на дълбоко обучение директно на smartwatch или специален диабетен пластир. Намалената латентност означава, че моделът може да направи прогнози в рамките на секунди от получаването на най-новото CGM четене, което позволява наистина интервенции в реално време. За хибридни затворени системи за наблюдение на дълбочината, ръбът на извод елиминира забавянето и надеждността на проблемите с клауд-независим контрол.

Обяснен изкуствен интелект за клиническото доверие

Една основна пречка пред клиничното приемане е почернената кутия . . . . . характер на дълбоко обучение модели. Клиника може да се колебае да се коригира дозата на инсулин въз основа на модел . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Външни връзки за допълнително четене: JAMA преглед на AI в управлението на диабета и American Diabetic Association research updates on digital health.

Заключение

Пресечната точка на IoT и машинното обучение е преформулиране на управлението на диабета от реактивен, епизодичен модел в проактивен, прогностичен модел. Непрекъснати глюкозни монитори, интелигентни системи за доставка на инсулин и износващи се здравни тракери генерират безпрецедентни потоци от данни с висока резолюция. Машинното обучение алгоритми . От LSTM мрежи до градиент . Подсилени дървета . Консумативи, че данните за прогнозиране на тенденциите в глюкозата, откриване на предстоящите опасни събития, и шивашки интервенции за индивидуална физиология. Потенциалните ползи са огромни: по-малко хипо и хипергликемични епизоди, намалено време .

Въпреки това пътят към широко разпространеното осиновяване е изпълнен с технически, регулаторни и етични предизвикателства. Поверителността на данните и сигурността трябва да бъдат бронирани. Устройствата трябва да говорят общ език. Моделите трябва да се обобщят в различните популации и реални условия. А изходът на тези модели трябва да бъде достатъчно надежден, за да могат клиниките и пациентите да действат върху тях.

За милиони живеещи с диабет днес, обещанието за затворена система, която безпроблемно предвижда и предотвратява глюкозата, без постоянни ръчни усилия, вече не е научна фантастика. Това е близко бъдеще реалност, изградена върху сближаването на IoT и машинното обучение.