El Diabetus afecta més de 537 milions d'adults arreu del món, una figura projectada per aixecar fortament en les dècades que ve. El gestionar aquesta condició crònica exigeix vigilància constant: la seguiment de la sang, ajustant les dosi de la insulina, controlar aliments en captura i reconèixer els primers signes de swing perillosos. Els registres de paper tradicionals i les visites de la clínica periòdica ofereixen només instantànies d' una malaltia dinàmica. La recuperació de les coses a Internet (IT) i aprendre (MLML), canviar el paradigma, habilitar el canvi de la taxa de pantalla continuament, el que es mou més enllà de la cura que es preveeixi, la gestió personalitzada. Aquest article analitza com l' aprenentatge de dispositius i la màquina són combinades per predir els models, que tenen les tecnologies possibles, i el que tenen els obstacles.

Què són els IoT i màquines d'aprenentatge de salut?

Internet de les coses es refereix a una xarxa d' objectes físics, sensors o aparells aparelladors premebitats amb programari, connectivitat, i la capacitat d' intercanviar dades sobre Internet. En un context sanitari, IoT inclou tot des de l' hospital en bombes de consumació a domicili. Per diabetis, els dispositius més rellevants són continus (CM), portugues de la insulina, portuguesa i la pesca de la insulina, i les transg. checks i les seves operacions de manera útil (p. ex., activitats intel· ligents, banda, rellotges de banda). Aquests dispositius generen fluxos de dades reals: inter- time- time: interluclids, tots els dispositius de lectura de la insulina, 5 minuts i la dos tipus de temps, i la taxa de velocitat física, etc.

Aprendre màquina, una branca d' intel· ligència artificial, usa tècniques estadístiques per a habilitar sistemes per a aprendre de dades sense ser programada explícitament per a cada regla possible. En comptes de condicions difícils de comparar com ara el kiff gluse > 180 mg/ dL llavors alerta, l' algorisme de microclML ha ingerit milers de dades de pacients a descobrir, relacions no lineals. Aquests algoritmes poden classificar, el clús, o els resultats, com ara la projecció d' un esdeveniment hipotecècmic 30 minuts en l' avançat o l' impacte de l' impacte d' un àpat específic.

L'IoT ofereix la font de dades contínua i d'alta resolució que requereixen algorismes ML per entrenar models robusts, i ML retorna un coneixement que tanca el bucle, convertint dades en sensors en recomanacions en temps real per als pacients i clíniques.

Com dispositius IoT transforma la col· lecció de dades de Diabetes

Abans de l'adopció general de CGM, la gestió de la diabetis es basava en mesures amb els dits, normalment va realitzar 410 vegades al dia. Aquestes instantànies van perdre les tendències crítiques i els patrons durant la nit. Els dispositius IoT han canviat de col· lecció de dades de diverses maneres fonamentals.

Monitors concebeosos

CGMs com el G6, Abbotja FreeStyle Libre, i els sensors Medrònic Guardian mesura nivells de glucosa en els substeràtils líquids intersttils. transmissió de lectura sense fil a una aplicació biphones o dedicats cada 515 minuts. Un pacient genera aproximadament 288 punts de dades per dia, que podrien ser poc pràctics per registrar- se manualment. Aquestes dades d' alta freqüència permeten als models ML per detectar subtils de tipus de patrons (p. ex., ràpid abans de saltar higiam) que els llindars de manera senzilla s' a faltar.

Pòrdiques intel· ligents Insulin i bombes

Pl· lips intel· ligents de la insulina (p. ex., Novo Novodiskts NovoPen 6, Compilacions mèdiques InPen), tipus de dosi i tipus de insulina, sincronitza automàticament amb una aplicació mòbil. Aquestes bombes de temps generen perfils de industria integrades, com ara els models de la Mand tslim X2 amb control- IQ, forma automatitzada de la insulina (ID) que utilitzen els algoritmes (dten ML- L) per ajustar les taxes basals en temps real. Aquests dispositius de temps generen perfils de la insulina integrats que poden correcionar models amb respostes de MLuchese amb la Glau.

Seguidors no útils i altres sensors

Els dispositius " Apple Watch ", Fhobit " o Garmin proporcionen dades contextuals: taxa de cor, temperatura de la pell, passos de son, nivells de son i nivells d'estrès. Aquestes variables influeixen el metabolisme. Per exemple, l' activitat física incrementa la sensibilitat de la insulina; elevació de l'estrès a la insulina i sucre de la sang. Alimentant aquests senyals contextuals en models preditius millora, com el model aprèn a realitzar provisió basant- se en una activitat pacient i lasiva de l' estat.

AGute Technquations per als models de Diabets predictius

Les dades en brut des de dispositius IoT s' han de processar, netejar i transformar- les abans de poder- se usar per entrenar models prediditius. L' elecció de l' algorisme ML depèn de la pregunta clínica: la projecció d' un valor numèric glucucàlid, classificant un esdeveniment impendent (hipoglymia/hipercepcia) o agrupant pacients en categories de risc.

Models de regressions per a l'aprenentatge d'aquest procés

La tasca més comuna està predint el nivell de glucucosa d' horitzó en un horitzó donat.g, 15, 30 minuts endavant. Els models de regressió del temps són candidats naturals. Els models d' autogressivas tradicionals integrats movent- se a la mitjana (ARIMA) s' han usat històricament, però les variants d' aprenentatge profundes que dominan ara. A les xarxes de memòria llarga (LMM), un tipus de xarxa neural recurrent (RNN), són particularment unadepreciables en les dependències llargues en seqüències gàtiques. Researchors com les institucions de la Universitat de Virginia i Stanford han publicat que vol dir que s'aconsegueixen un error absolut (MALg) 15 minuts per a les prediccions de CM i les dades de la insulina.

Models de classificació per a la detecció d' esdeveniments

En comptes de predir nivells exactes glucòs, alguns models estan dissenyats per a detectar el conjunt de problemes d' hipotaglyce (flouchicle) < 70 mg/ dL) o hiperglycemia (igt; 180 mg/ dL) en una finestra de predicció. Aquests són problemes binaris o classificacions de classificació multiclasse. Algorismes com ara el bosc aleatori, XGosBot, i màquines vectorials (S) es mostren en característiques derivades de la història recent glucheal, a la insulina i el menjar d' entrada. Per exemple, el Clect (Diarell) mostra que poden detectar els arbres de sensibilitat en els quals no es poden detectar dades multimocionals en laboliclearment en els arbres multiclocs.

Custerament per al subphinotip del Pacient

Els pacients difereixen en sensibilitat a la insulina, la funció beta- cel· la, i la resposta a les teràpies. Un grup de grups sense supervisió (p. ex., el K- hise, el clúss jeràrquica) pot agrupar pacients en els seus patrons de dades IoT. Aquests subgrups poden tenir diferents perfils o respondre millor als tractaments del règim, fent que tinguin una major cura personalitzada.

Construir un model predictiu: De dades a D desplegament

Crear un model predictor de treball implica diverses passes més enllà simplement seleccionant un algoritme. Cada etapa presenta els seus propis reptes i opcions de disseny.

Dades Acvocies i preprocessament de dades

El flux de dades IoT sovint és complicat: falta lectures (desha desaparegut de discirms de transmissió, forats de transmissió), soroll (compressió de defectes), i intervals de temps irregulars. Preprocessant inclou imputació uniforme (p. ex., cràccions lineals per a intervals curts buits), eliminació més breus (simòdicament impossibles com glucose > 600 mgL o 20 mgL/ mdL), i resplaciona a una freqüència uniforme (p. ex., 5 minuts). Les dades també han d' estar alineades en dispositius de tramat, marques de temps i activitats independents usen registres de rellotge.

Enginyeria de funcionalitats

Els valors de sensors cru solen proporcionar la millor actuació. L' enginyeria crea variables derivades que coducen dinàmiques temporals: taxa de canvi (la primera derivada), acceleració (segona derivada), àrea sota la corba sobre les finestres recents, temps des de l' últim àpat, corbes d' acció de la insulina, índex de sang baixa glucàtiques (LBGI). Les característiques específiques de domini, com ara l' índex d' INCLOUlucse ANSI usat per la base Juven Diabees (JF), es poden incorporar com a enginyer d' entrada.

Exercici de model i validació

Les dades dels dispositius IoT consideren un repte únic: Les mostres del mateix pacient estan correbilitzades, violació de la independència de molts mètodes de validació estàndard. Els investigadors han d' usar la pacient- validació o la prova temporal de la base per evitar la pèrdua de dades. Un model entrenat en la primera setmana d' un pacient les dades de les disces poden predir amb precisió la segona setmana (en una validació d' un pacient invisible), però en general, a un pacient (pògramainter- PG) és molt més difícil. Els metrics inclouen errors quadrats (MSE) per a la regressió de l' àrea de regressió, sota la corba de receptorabilitat del receptor (CROAU) per a la classificació clínica, i avaluant- los per l' anàlisi de la graella de l' anàlisi de la graella de l' error de la graella de Clark (ABzon+).

Real-Time Inference i Integració

El càlcul de Edge ROCI que s' executa en el dispositiu IoT o en una aplicació clínica o de consum requereix inteligencia baixa. La COST que s' executava la capacitat de desenvolupament en el dispositiu IoT en un dispositiu habitatge proper, que és crític en cas de xarxa. Els models han de ser encontitzats o podres per ajustar- se a la memòria i les restriccions de la sortida de les que es poden portar. La sortida normalment és una alerta o una recomanació: tries La vostra subsecència és pretituïda per sota de 70/ mgLL en 20 minuts. Considereu 15g- d' adraparament ràpid de carboratilar.

Exemples reals del món i el progrés de la recerca

Diversos sistemes comercials i acadèmics ja demostren el potencial de l'IoT + ML per a la diabetis.

L'aprovació del sistema Medrònic Guardian 3 usa un algorisme propietari (SmartGuard) que prediu l' hipglycemia 30 minuts basats en tendències de CGM, suspendre l' entrega a la insulina quan és probable que es incomplimenti un llindar. De manera similar, l' algorisme Tandem Control- IQ usa un control de model predimentiu (MPC), que està estretament relacionat amb la màquina d' aprenentatge, per ajustar els índex de la insulina i la correcció de la escalfament de la insulina automàticament.

En el domini d'investigació, el conjunt de dades OhioT1DM (conjuntat de 12 pacients amb 1 diabetis, 7 setmanes) ha esdevingut un punt de referència per desenvolupar models de predicció glucheros. Els equips arreu del món han utilitzat el seu ordinador de biocomunicació, insulina, menjar i dades d'activitat per entrenar les xarxes neuronals (CNNs), i models híbrids. Un estudi de 2021 Mirshekaris al. (oblimatge en les transaccions IEEE sobre Enginyeria biomèdicamed) demostrava que un LTM entrenat en dades multimoloo-Mo-Modxate, podria predir hipotentment amb una precisió de 0. 82 i recordant els seus llindars simple basats en les dades d'alerta.

Exemple d' enllaç extern: [[FLT: 0] Larn més sobre el conjunt de dades OhioT1DM i aprenent punts de referència de màquina per a la diabetis [[FLT: 1].

Reptes ibstacles a l' opció Adplasió

Malgrat els avenços tècnics impressionants, l'ús de la rutina d'un model predictoriu de diabetis s'enfronta a problemes significatius.

Privades de dades i seguretat

Les dades de salut del pacient són entre la informació més sensible. Quan els dispositius IoT transmeten lectures glucosas al núvol, generen perfils continus, íntimas d' un estat fictònic. Regífics com HIPA als Estats Units i el PIBR en el mandat d' Europa estrictes encriptatge, controls d' accés i consentiment d' usuari. Qualsevol model que recull les dades ha d' assegurar que la transmissió està encriptada en trànsit (TLS 1. 1), encriptada en repòs en repòs (AES- 256), i aquesta informació personalment i que és idifificable (IPIPIPI) és un risc d' una entrada de dades o una identificació persistent per a l' atac de requisitació que pot confiar en el pacient.

Interoperabilitat i estàndard del dispositiu

Els pacients usen sovint dispositius de múltiples fabricants: un CGMM de Dexcom, una bomba de la insulina Omnipod, i un seguidor d' activitats de FDAbit. Cada dispositiu parla un protocol diferent (Energia blava, propietari de l' API, MQT, MQLHI FR). No hi ha cap estàndard universal per a consultar o combinar aquests fluxos. Els intents de FDA=DOSP i els IEEEs que tenen problemes interopables per a dispositius mèdics interopables (p. ex., els estàndards de dispositiu personal de l' 073) estan progressint lentament. Sense la integració sense rendiment sense problemes, el model de dades que pateix perquè les dades no estan mal· la seva pèrdua o desquitificades.

Model Robussió i generalizbilitat

Els models predicients estan entrenats en conjunts de dades que són relativament petits (dozens a uns pocs centenars de pacients) i esbiaixen amb certes demogràfiques (p. ex., principalment blanc, amb ingressos alts, amb accés a les últimes bombes de insulina). Un LTM que aconsegueix 10 mg/ L MA sobre el cohort d'OhioM pot realitzar mal ús d' un pacient amb diferents sensibilitat a la insulina, una dieta diferent o una bomba més antiga. Per a l' entrenament és un forat comú. Els investigadors necessiten més diversos, més diversos, diferents tipus de dades multi- centre de dades incloent- centre de tipus i sense que es puguin construir amb els models de la insulina.

Validació rel· lació rel·tòria i opció d' audició Clical

Obtenir un algoritme predivatiu suprimit pel FDA (o cossos equivalents) requereix una validació clínic rigorosa: el model ha de demostrar la seguretat, efficitives, i equivalència o superioritat a l' estàndard de la cura. El programa de precertificació digital de la salut per a la salut digital pretén aprovar la línia de dades per models baixos de l' IA, però algoritmes d' alta resolució de la insulina (aquells que han de controlar directament) han d' anar sota proves clínics. Molts models acadèmics mai arriben a la difusió comercial perquè no tenen recursos reguladors per a sotmetre' s' han d' obtenir submissió.

Els sectors futures: On ioT i màquines aprenen són les capçaleres

La següent onada de promeses d'innovació per abordar les limitacions actuals i obrir noves possibilitats.

Aprenentatge de privadesa de Privacitat de Privactització de la PrivateQuery

En comptes de centralitzar les dades de pacient en un servidor de núvol, l' aprenentatge alimentat permet l' entrenament per a que es produeixi al dispositiu o a la vora de l' hospital, amb només actualitzacions de model agregades (gradients) tornin a un servidor central. Aquesta aproximació preserva la privacitat (les dades de la xarxa mai no deixen el control de la pacient 2001- 255.2) i pot aprofitar dades de milers de pacients sense moure' ls. Google 2001- 2008 TenFowed i NID Clara són marcs d' exploració en sanitat. Els resultats primers per a la predicció de la presentació de gluqueses que poden aconseguir models de manera més precisa per a comparar models central mentre redueix el risc de la pèrdua de dades.

Integració de dades multimoduculars

Els models futures incorporaran encara més senyals: ketone monitors continus (en desenvolupament per a un risc de diabetis ketocidio), els seguidors d' hormones (crtisol, glucàn), geolocalització (afer l' accés a menjar sa), i els determinants socials de la salut (firització financera, estabilitat de salut inatives). El processament de llengua natural (LP) poden digerir notes de text lliure des dels registres de salut electrònics (HR) per proporcionar patrons inusuals com el context de gluques com una nota sobre una malaltia recent o amocpaiva.

A la vora IA i la Reducció de la llicència

Avança en fitxes d' IA especialitzades (p. ex., Google Edge TPU, Apple Neural Engine) està fent possible executar models d' aprenentatge complexos directament en un pedaç intel· ligent o una diabetis dedicada. La lustració vol dir que el model pot fer prediccions en segons de rebre l' última lectura de CGM, habilitant les intervenció en temps real. Per als sistemes de regressió tancaren el buit, la vora de la resistència elimina el retard i la fiabilitat dels problemes del control ennudent.

Explicable IA per a la confiança Clinica

Una gran barrera per a l'adopció clínic és la naturalesa uckslavygres de models d' aprenentatge profunds. Un clínica podria dubtar d' ajustar l' exPancial de la insulina basat en un suggeriment de tícties model si no poden entendre [[FLT: 0] Per què[FLT: 1] ha fet aquesta predicció. Els Techscs com SHAP (SHley Addities il· lícites) i LIME (Execubles Model agnies de l' agnòstic de l' agnia) s' apliquen a les posicions de la lectura dels sensors (pex;, recent glu, declinant la insulina). La FDA també ha fet una preferència per a un senyal d' altres algoritmes que ofereixen decisions d' alt nivell d' interpretació, especialment per a les interpretacions de l' alt de l' ús de l' ús de les interpretacions de l' arc.

Enllaços externs per a la lectura: [[FLT: 0] JAMA revisar la gestió de la diabetis [[FLT: 1] i [[FLT]] [At American Diabetes Associació de recerca sobre la salut digital [[FLT: 3]].

Conclusió

La intersecció de l' aprenentatge i la màquina és la gestió de la diabetis de l' aprenentatge d' una reactiva, ipisòdic en un model proactiva, predictors. La encara més forta monitors de la insulina, sistemes intel· ligents i portables seguidors de la salut genera fluxos de dades d' alta resolució de la alta d' alta resolució de la neurolució. Els algoritmes de màquines de les xarxes de LSTM a les xarxes gradients de l' Òpticsboomipation que les dades de la proflecsi, detecten esdeveniments perillosos i les intervencions a la psicologia individual. Els beneficis potencials són molt importants: menys hipoteràpobles i hipergèciques, el temps reduïts de la vida, el temps de manera gradual, el temps de manera gradual, la qualitat d' eficàcia, i la qualitat d' alta qualitat.

No obstant això, el camí d'adopció s'ha de desenvolupar amb reptes tècnics, reguladors i ètics. La privacitat i seguretat de dades han de ser balades. Els dispositius han de parlar en un llenguatge comú. Els models han de generalitzar en les diferents condicions de població i UNICEF reals. I la sortida d' aquests models ha de ser prou digne per als clíniques i pacients actuar sobre els centres d'investigació. La comunitat, la indústria i els organismes reguladors han de tractar activament entre cada problema i el progrés s'està accelerant.

Per a milions de persones vivint amb diabetis avui, la promesa d'un sistema tancat de REPLACEloop que prediu sense resoldre i evita que l'excursions glucoseose (#699 sense esforç constant de ficció) ja no és una realitat propera a la convergència de la IoT i l'aprenentatge de màquines.