Εισαγωγή: Η Αυξανόμενη ανάγκη για πιο έξυπνη δοσολογία ινσουλίνης

Για άτομα με διαβήτη τύπου 1 και πολλά με διαβήτη τύπου 2, η θεραπεία με ινσουλίνη είναι απαραίτητη για τη διατήρηση των επιπέδων γλυκόζης στο αίμα εντός ενός υγιούς εύρους. Ωστόσο, η επίτευξη βέλτιστου γλυκαιμικού ελέγχου παραμένει μια επίμονη πρόκληση. Η παραδοσιακή δοσολογία ινσουλίνης βασίζεται σε στατικούς τύπους που εκτιμούν τις αναλογίες υδατανθράκων, τους διορθωτικούς παράγοντες και τους βασικούς ρυθμούς με βάση τους μέσους όρους του πληθυσμού.

Η μηχανική μάθηση (ML) προσφέρει μια αλλαγή παραδείγματος. Αναλύοντας μεγάλα, πολυδιάστατα σύνολα δεδομένων και τον εντοπισμό πολύπλοκων, μη γραμμικών σχέσεων, τα μοντέλα ML μπορούν να προβλέπουν ανάγκες ινσουλίνης με πολύ μεγαλύτερη κοκκιωσιμότητα. Αυτά τα μοντέλα μαθαίνουν από τα μοναδικά φυσιολογικά πρότυπα του κάθε ασθενούς και προσαρμόζονται με την πάροδο του χρόνου. Αυτό το άρθρο διερευνά πώς η μάθηση μηχανών χρησιμοποιείται για τη βελτίωση των μοντέλων πρόβλεψης της δόσης ινσουλίνης με την ενσωμάτωση των δεδομένων γευμάτων και της δραστηριότητας, τις τεχνικές προσεγγίσεις που εμπλέκονται, τα οφέλη και τα εμπόδια στην υιοθέτηση, και τι το μέλλον επιφυλάσσει για εξατομικευμένη διαχείριση του διαβήτη.

Η πρόκληση της προβλεψιμότητας της δόσης της ινσουλίνης

Ο ακριβής υπολογισμός μιας δόσης ινσουλίνης απαιτεί να συνυπολογίζονται η τρέχουσα γλυκόζη αίματος, η αναμενόμενη πρόσληψη υδατανθράκων, ο γλυκαιμικός δείκτης τροφίμων, η ώρα της ημέρας, η υπολειπόμενη ινσουλίνη επί του σκάφους, και η ευαισθησία ινσουλίνης που μπορεί να ποικίλει λόγω της δραστηριότητας, του στρες, της ασθένειας ή των ορμονικών κύκλων. Οι παραδοσιακές χειροκίνητες μέθοδοι είναι η πρόκληση σφαλμάτων και η επαχθής.

Οι συμβατικοί αλγόριθμοι που χρησιμοποιούνται στις αντλίες ινσουλίνης και στους αριθμομηχανές bolus συνήθως υποθέτουν σταθερή αναλογία ινσουλίνης ⁇ προς ⁇ υδατάνθρακες και διορθωτικούς παράγοντες. Δεν μαθαίνουν από προηγούμενα αποτελέσματα. Για παράδειγμα, ένας ασθενής που ασκεί τακτικά μπορεί να έχει αυξημένη ευαισθησία ινσουλίνης για ώρες μετά από μια προπόνηση, ωστόσο ένας κανονικός υπολογιστής δεν θα προσαρμόσει τη σύστασή του. Ομοίως, ένα γεύμα με υψηλή περιεκτικότητα σε λιπαρά επιβραδύνει τη γαστρική άδειαση και καθυστερεί την απορρόφηση της γλυκόζης, προκαλώντας μια μεταγενέστερη αύξηση της γλυκόζης που μπορεί να παραλείψει από μια απλή προσέγγιση καταμέτρησης υδατανθράκων.

Ο ρόλος της μηχανικής μάθησης στην προβλεψιμότητα της δόσης ινσουλίνης

Όταν εφαρμόζονται σε διαβήτη, τα μοντέλα ML μπορούν να εκπαιδευτούν σε ιστορικά αρχεία των επιπέδων γλυκόζης, δόσεις ινσουλίνης, κούτσουρα γευμάτων, φυσική δραστηριότητα, ύπνος, και άλλα συμφραζόμενα σήματα. Τα μαθημένα πρότυπα επιτρέπουν στο μοντέλο να προβλέψει τη βέλτιστη δόση ινσουλίνης για μια δεδομένη κατάσταση - μια που ελαχιστοποιεί μεταγευματικές εκδρομές γλυκόζης και μειώνει τα υπογλυκαιμικά συμβάντα.

Σε αντίθεση με τους στατικούς τύπους, τα μοντέλα ML βελτιώνονται συνεχώς καθώς συλλέγονται νέα δεδομένα. Μπορούν να είναι εξατομικευμένα στο άτομο, προσαρμόζοντας στις αλλαγές στην ευαισθησία της ινσουλίνης για εβδομάδες ή μήνες. Αυτή η προσαρμοστικότητα είναι ιδιαίτερα πολύτιμη κατά τις περιόδους αλλαγής βάρους, ανάπτυξης στα παιδιά, ή κατά την έναρξη ενός νέου σχήματος άσκησης. Επιπλέον, τα μοντέλα ML μπορούν να δημιουργήσουν διαστήματα εμπιστοσύνης ή βαθμολογία πιθανότητας, δίνοντας στους κλινικούς και τους ασθενείς επίγνωση της αξιοπιστίας μιας συνιστώμενης δόσης.

Βασικά χαρακτηριστικά στοιχείων για τα μοντέλα εκμάθησης μηχανών

Τα αποτελεσματικά μοντέλα ML εξαρτώνται από υψηλής ποιότητας, ποικίλα χαρακτηριστικά εισόδου.

  • Περιεκτικότητα σε υδατάνθρακες σε γεύμα: Απαραίτητη για την εκτίμηση της ινσουλίνης που απαιτείται για την κάλυψη της καταποθείσας γλυκόζης.
  • Χρονισμός γεύματος: Οι κυκλαδικοί ρυθμοί επηρεάζουν την ευαισθησία στην ινσουλίνη.
  • Επίπεδα σωματικής δραστηριότητας:[[FLT: 1]] Η άσκηση αυξάνει την ευαισθησία στην ινσουλίνη για ώρες και μπορεί να μειώσει τη γλυκόζη ανεξάρτητα από την ινσουλίνη.
  • Μετρήσεις γλυκόζης αίματος: Τα δεδομένα CGM παρέχουν την κατεύθυνση και το ρυθμό της τάσης της αλλαγής, οι οποίες είναι κρίσιμες για τις αποφάσεις της δοσολογίας που προκαταλαμβάνουν.
  • Ιστορικό χορήγησης ινσουλίνης:[[FLT: 1]] Ο χρόνος και η ποσότητα της τελευταίας δόσης, η υπολειπόμενη ινσουλίνη επί του σκάφους και τα βασικά σχήματα χορήγησης βοηθούν στην πρόληψη της στοίβαξης.
  • Πρόσθετα συμφραζόμενα χαρακτηριστικά: Ποιότητα ύπνου, βιοδείκτες καταπόνησης, φάση εμμηνορρυσιακού κύκλου, θερμοκρασία περιβάλλοντος, και ακόμη και χρόνος από την τελευταία δραστηριότητα μπορεί να βελτιώσει την ακρίβεια πρόβλεψης.

Τα προηγμένα μοντέλα μπορούν επίσης να χρησιμοποιούν ωμές λειτουργίες CGM όπως δείκτες μεταβλητότητας της γλυκόζης, ρυθμό επιτάχυνσης της αλλαγής και χρονικές σειρές τις προηγούμενες ώρες. \" πρόκληση έγκειται στη συλλογή αυτών των χαρακτηριστικών αξιόπιστα σε πραγματικές ⁇ παγκόσμιες ρυθμίσεις χωρίς να προσθέτουν υπερβολικό φόρτο του ασθενούς.

Τεχνικές εκμάθησης μηχανών σε λεπτομέρεια

Οι ερευνητές έχουν εφαρμόσει ένα φάσμα αλγορίθμων ML στην πρόβλεψη της δόσης ινσουλίνης. Η επιλογή εξαρτάται από τη φύση του προβλήματος, τα διαθέσιμα δεδομένα και την ανάγκη για ερμηνευτικότητα:

  • Λιγότερη και μη γραμμική παλινδρόμηση: Απλό μοντέλο που μπορεί να συσχετίσει τις εισροές (π. χ. υδατάνθρακες, δραστηριότητα) με μια δόση ινσουλίνης.
  • Αποφάσεις δέντρων και τυχαίων δασών: Μέθοδοι συγκέντρωσης που αποτυπώνουν μη γραμμικές σχέσεις και αλληλεπιδράσεις μεταξύ χαρακτηριστικών. Τυχαία δάση είναι ισχυρά σε ακραίες περιοχές και παρέχουν κατάταξη σπουδαιότητας, η οποία μπορεί να καθοδηγήσει την κλινική κατανόηση.
  • Βαθμολογημένες μηχανές ενίσχυσης (π.χ. XGBoost, LightGBM): Συχνά ξεπερνούν τα τυχαία δάση σε δομημένες εργασίες πίνακα δεδομένων. Χρησιμοποιήθηκαν με επιτυχία για να προβλέψουν μετα-γεύμα εκδρομές γλυκόζης και να προτείνουν προσαρμογές της δόσης.
  • Νευρικά δίκτυα και βαθιά μάθηση:[[LFT:1] Τα απλά δίκτυα τροφοδοσίας ⁇ προωθήματος μπορούν να μοντελοποιήσουν σύνθετες χαρτογραφήσεις. Περισσότερες προηγμένες αρχιτεκτονικές όπως επαναλαμβανόμενα νευρωνικά δίκτυα (RNN) και μακράς βραχυπρόθεσμης μνήμης (LSTM) δίκτυα είναι κατάλληλα για δεδομένα CGM χρόνου ⁇ σειρά. Μπορούν να μάθουν από τη σειρά των αναγνώσεων γλυκόζης και των γεγονότων ινσουλίνης, καταγράφοντας χρονικές δυναμικές που παραλείπουν τα στατικά μοντέλα.
  • Μάθηση ενίσχυσης (RL): Μια αναδυόμενη προσέγγιση όπου το μοντέλο μαθαίνει βέλτιστες πολιτικές δοσολογίας ινσουλίνης μέσω της δοκιμής και του λάθους σε ένα προσομοιωμένο περιβάλλον (π.χ., χρησιμοποιώντας τον προσομοιωτή διαβήτη UVA/ Padova τύπου 1).

Πολλά συστήματα τελευταίας τεχνολογίας συνδυάζουν πλέον πολλαπλές τεχνικές ⁇ χρησιμοποιώντας ένα νευρωνικό δίκτυο για την πρόβλεψη της γλυκόζης ακολουθούμενο από ένα στρώμα βελτιστοποίησης για τον υπολογισμό της δόσης. Μια μελέτη 2023 που δημοσιεύτηκε στο Diabetes Care απέδειξε ότι ένα μοντέλο με βαθμιδωτή ρύθμιση που ενσωματώνει δεδομένα γευμάτων και δραστικότητας μείωσε τη μεταγευματική υπογλυκαιμία κατά 42% σε σύγκριση με την τυπική μέτρηση των υδατανθράκων (]]βλέπε μελέτη[]]].

Οφέλη από την προδιάθεση της δόσης ινσουλίνης βάσει ML ⁇ Βασισμένης δόσης ινσουλίνης

Η ενσωμάτωση της μάθησης στη λήψη αποφάσεων για τη χορήγηση ινσουλίνης προσφέρει διάφορα απτά πλεονεκτήματα έναντι των συμβατικών προσεγγίσεων:

  • Επινοημένη ακρίβεια και μειωμένη γλυκοαιμική μεταβλητότητα: Με την ενσωμάτωση περισσότερων συμφραστικών χαρακτηριστικών, τα μοντέλα ML μπορούν να προβλέψουν την ακριβή δόση ινσουλίνης που διατηρεί τη γλυκόζη εντός του εύρους στόχου.
  • Προσωπική προσαρμογή: Τα μοντέλα μπορούν να επανεκπαιδευτούν στα δεδομένα ενός ατόμου, αντιπροσωπεύοντας μοναδικά μοτίβα όπως φαινόμενο αυγής ή άσκηση ⁇ που προκαλούνται αλλαγές ευαισθησίας που δεν συλλαμβάνονται από τους μέσους όρους του πληθυσμού.
  • Λιποθυμία υπογλυκαιμικά επεισόδια:[[LFT:1]] Τα μοντέλα μηχανικής μάθησης είναι ιδιαίτερα αποτελεσματικά στην πρόβλεψη καταστάσεων όπου η ευαισθησία στην ινσουλίνη είναι αυξημένη ⁇ για παράδειγμα, μετά από παρατεταμένη άσκηση ⁇ και μπορούν να προτείνουν χαμηλότερες δόσεις προορίως.
  • Μειωμένο φόρτος λήψης αποφάσεων: Η αυτοματοποίηση της σύστασης δόσης μειώνει την ψυχική προσπάθεια που πρέπει να καταβάλλουν οι ασθενείς σε κάθε γεύμα.
  • Καλύτερο χρόνο ⁇ σε ⁇ εύρος (TIR): Οι κλινικές δοκιμές έδειξαν ότι τα ενισχυμένα κλειστά ⁇ loop συστήματα ML επιτυγχάνουν TIR πάνω από 70% για πολλούς ασθενείς, σε σύγκριση με 55 ⁇ 65% με συμβατική θεραπεία με αντλία.

Σημαντικό είναι ότι χρησιμοποιούνται επίσης μοντέλα ML για τη βελτίωση της απόδοσης των υβριδικών συστημάτων κλειστού ⁇ λουπ (τεχνητό πάγκρεας). Αυτά τα συστήματα ήδη αυτοματοποιούν βασικές ρυθμίσεις ρυθμού? προσθέτοντας γεύμα ⁇ και δραστηριότητα ⁇ ενημερώνοντας ML μπορεί να τα κάνει πλήρως αυτόνομα για πολλούς χρήστες.

Προκλήσεις και Περιορισμοί

Παρά την αξιοσημείωτη πρόοδο, διάφορα εμπόδια εμποδίζουν την ευρεία υιοθέτηση της δόσης ινσουλίνης με βάση το ML σε συνήθη κλινική φροντίδα:

  • Η προστασία της ιδιωτικής ζωής και της ασφάλειας των δεδομένων: Τα δεδομένα για την προσωπική υγεία είναι εξαιρετικά ευαίσθητα. Η συγκέντρωση δεδομένων από πολλούς ασθενείς για την κατάρτιση ρωμαλέων μοντέλων εγείρει ρυθμιστικές ανησυχίες στο πλαίσιο της HIPAA και GDPR. Η αμειβόμενη μάθηση ⁇ όπου τα μοντέλα εκπαιδεύονται σε αποκεντρωμένα δεδομένα ⁇ είναι μια ελπιδοφόρα προσέγγιση, αλλά εξακολουθεί να επικυρώνεται.
  • Μοντέλο ερμηνευτικότητας: Οι γιατροί και οι ασθενείς πρέπει να κατανοήσουν γιατί[ ένα μοντέλο συνιστά μια συγκεκριμένη δόση. Τα νευρωνικά δίκτυα μαύρου-κουτί διαβρώνουν την εμπιστοσύνη. Αναπτύσσονται εξηγήσιμες τεχνικές AI (π.χ., SHAP, LIME), αλλά δεν είναι ακόμη στάνταρ σε εμπορικές συσκευές.
  • Ποιότητα και πληρότητα δεδομένων: Τα μοντέλα ML είναι μόνο τόσο καλά όσο τα δεδομένα εκπαίδευσης τους. Οι καταχωρήσεις των γευματικών, οι ανακριβείς αριθμοί υδατανθράκων και οι αναξιόπιστες καταγραφές δραστηριότητας υποβαθμίζουν την απόδοση. Τα μοντέλα πρέπει επίσης να είναι ανθεκτικά μέχρι τα σενάρια διανομής εκτός (π.χ. μια ημέρα ασθένειας).
  • Ρυθμιστικά εμπόδια: Οι αλγόριθμοι χορήγησης ινσουλίνης ταξινομούνται ως ιατρικά βοηθήματα, που απαιτούν έγκριση από φορείς όπως ο FDA ή ο EMA. Η διαδικασία έγκρισης για προσαρμοστικά μοντέλα ML που αλλάζουν με την πάροδο του χρόνου εξακολουθεί να εξελίσσεται. Ο FDA έχει εκδώσει οδηγίες για “προκαθορισμένα σχέδια ελέγχου αλλαγών”, αλλά προσθέτει πολυπλοκότητα για τους προγραμματιστές.
  • Γενικοποίηση σε διάφορους πληθυσμούς: Οι περισσότερες μελέτες έχουν διεξαχθεί σε σχετικά ομοιογενείς ομάδες. Μοντέλα που εκπαιδεύονται σε δεδομένα από ένα δημογραφικό μπορεί να μην έχουν καλή απόδοση σε άλλους με διαφορετικές δίαιτες, μοτίβα δραστηριότητας, ή γενετικό υπόβαθρο.
  • Βία και δικαιοσύνη: Αν τα δεδομένα της κατάρτισης είναι ανισόρροπα, το μοντέλο μπορεί να αποδώσει ελάχιστα για τις υποεκπροσωπούμενες ομάδες. \" διασφάλιση της δίκαιης απόδοσης αποτελεί κρίσιμη ηθική ανησυχία.

Κλινική επικύρωση και πραγματικές ⁇ Παγκόσμιες Εφαρμογές

Αρκετές ερευνητικές ομάδες και εταιρείες έχουν μεταφέρει την πρόβλεψη δόσης ινσουλίνης βάσει της ML από το εργαστήριο σε κλινικές μελέτες και εμπορικά προϊόντα:

  • Camaps FX: Αναπτύχθηκε από το Πανεπιστήμιο του Κέιμπριτζ, αυτό το υβριδικό κλειστό σύστημα ⁇ loop χρησιμοποιεί έναν αλγόριθμο μάθησης που προσαρμόζει την παράδοση ινσουλίνης με βάση τις ανακοινώσεις γευμάτων και την παρελθούσα συμπεριφορά. Σε δοκιμές, βελτίωσε το TIR σχεδόν 10% σε σχέση με την τυπική θεραπεία (] βλ. μελέτη Lancet]).
  • Tidepool Loop: Μια ανοικτή ⁇ πηγή, FDA ⁇ εκκαθαρισμένη αυτοματοποιημένη εφαρμογή παράδοσης ινσουλίνης που χρησιμοποιεί έναν αλγόριθμο προγνωστικού ελέγχου (MPC) με χαρακτηριστικά που σχετίζονται με το γεύμα.
  • Medtronic MiniMed 780G: Ενώ δεν βασίζεται πλήρως στο ML, ο αλγόριθμός του χρησιμοποιεί αναλογικό ⁇ διατακτικό ⁇ παραγωγικό (PID) έλεγχο με προσαρμοστικούς παράγοντες ευαισθησίας στην ινσουλίνη που προσαρμόζονται με βάση τα καθημερινά πρότυπα.
  • Ακαδημαϊκές δοκιμές:[ Μια δοκιμή 2022 στο Στάνφορντ χρησιμοποίησε ένα νευρωνικό δίκτυο LSTM για να προβλέψει τιμές γλυκόζης 30 λεπτών και να συστήσει boluses ινσουλίνης. Οι συμμετέχοντες που χρησιμοποιούν το σύστημα με ML είχαν σημαντικά λιγότερα υπογλυκιμικά επεισόδια από αυτά που βρίσκονται σε συνήθη φροντίδα (PubMed abstract]).

These examples demonstrate that ML‑enhanced dosing is not just theoretical—it is safely improving outcomes in real‑world settings. However, regulatory approval remains per‑product, and many promising models have not yet been commercialized.

Ενσωμάτωση με Φορητές Συσκευές και CGM

Η συνέργεια μεταξύ της μηχανικής μάθησης και της φορητής τεχνολογίας είναι ένας βασικός ενεργοποιητής της επόμενης γενιάς της πρόβλεψης της δόσης ινσουλίνης. Συνεχής οθόνη της γλυκόζης παρέχουν μια πλούσια ροή δεδομένων σε διαστήματα πέντε λεπτών, επιτρέποντας στα μοντέλα ML να παρακολουθεί τις τάσεις σε πραγματικό χρόνο. Φορητοί ιχνηλάτες δραστηριότητας (έξυπνα ρολόγια, ζώνες γυμναστικής, συνεχής οθόνη καρδιακού ρυθμού) προσθέτουν τη διάσταση της άσκησης.

Το συμπέρασμα ML με βάση το Cloud επιτρέπει σε συσκευές άκρων (αμπούλες ή smartphones) να λειτουργούν ελαφριά μοντέλα χωρίς να στραγγίζουν μπαταρίες. Καθώς η συνδεσιμότητα 5G γίνεται πανταχού παρούσα, η σύντηξη δεδομένων πραγματικού χρόνου από πολλαπλά φορητά θα γίνει απρόσκοπτη. Ο τελικός στόχος είναι ένα πλήρως αυτόνομο τεχνητό πάγκρεας που μαθαίνει τα καθημερινά πρότυπα του κάθε ασθενούς και προσαρμόζει τη δοσολογία προληπτικά ⁇ πριν από μια εκδρομή γλυκόζης συμβεί.

Μελλοντικές οδηγίες

Η περιοχή κινείται γρήγορα. Αρκετές αναδυόμενες τάσεις θα διαμορφώσουν την επόμενη δεκαετία της πρόβλεψης της δόσης ινσουλίνης βάσει ML:

  • Προσωπικά μοντέλα θεμελίωσης: Αντί να εκπαιδεύσει ένα μοντέλο από το μηδέν για κάθε ασθενή, μεγάλα προ-εκπαιδευμένα μοντέλα «ψηφιακών δίδυμων» θα μπορούσαν να είναι μια χαρά ⁇ με μερικές εβδομάδες των ατομικών δεδομένων, επιτρέποντας την άμεση εξατομίκευση.
  • Συγκεντρωμένη μάθηση για την ιδιωτική ζωή: Η συλλογική εκπαίδευση σε νοσοκομεία χωρίς να μοιράζονται ακατέργαστα δεδομένα θα επιτρέψει πολύ μεγαλύτερη και πιο ποικίλη σύνολα δεδομένων, διατηρώντας παράλληλα την εμπιστευτικότητα.
  • Ενισχύστε τη μάθηση για τη βελτιστοποίηση πολλαπλών σταδίων:[[LFT:1]] Η RL μπορεί να μάθει ακολουθίες δράσεων ⁇ π.χ. όχι μόνο ένα γεύμα, αλλά μια βασική και bolus στρατηγική μιας ολόκληρης ημέρας ⁇ για τη βελτιστοποίηση του μακροπρόθεσμου TIR και τη μείωση της HbA1c.
  • Εξηγημένα εργαλεία AI: Οι βελτιωμένες μέθοδοι ερμηνείας θα οικοδομήσουν εμπιστοσύνη μεταξύ των κλινικών και των ασθενών, επιταχύνοντας την υιοθέτηση. Τεχνικές όπως οι έννοιες ⁇ βασισμένες στην έννοια-εξηγήσεις ή η αντιπραγματική λογική προσαρμόζονται για την υποστήριξη της ιατρικής απόφασης.
  • Ενσωμάτωση των δεδομένων πολυομικής:[[LFT:1]] Τα προφίλ γονιδιωματικής, μεταβολομικής και μικροβιομετρικών εντέρων θα μπορούσαν να προβλέψουν μεμονωμένες αντιδράσεις ευαισθησίας στην ινσουλίνη στα τρόφιμα.
  • ⁇ υθμιστικά πλαίσια για προσαρμοστικό ML: Το FDA αναπτύσσει κατευθυντήριες γραμμές για τα ιατροτεχνολογικά βοηθήματα «συνεχής μάθησης» που μπορούν να επικαιροποιηθούν χωρίς να απαιτείται νέα έγκριση για κάθε αλλαγή μοντέλου (βλέπε ]) FDA AI/ML καθοδήγηση). Αυτό θα είναι κρίσιμο για την εμπορική βιωσιμότητα.

Καθώς οι πρόοδοι αυτές συγκλίνουν, το όραμα ενός πλήρως κλειστού ⁇ λειτουργικού συστήματος που χειρίζεται τα γεύματα και την άσκηση με ελάχιστη είσοδο χρήστη είναι εφικτό. Ο συνδυασμός των πλούσιων στοιχείων γεύματος και δραστηριότητας με ισχυρούς, εξατομικευμένους αλγορίθμους ML υπόσχεται να μετατρέψει τις ζωές εκατομμυρίων που ζουν με διαβήτη.

Συμπέρασμα

Η μηχανική μάθηση είναι επανάσταση στην πρόβλεψη της δόσης της ινσουλίνης με την ενσωμάτωση προηγουμένως υποχρησιμοποιημένων δεδομένων, όπως σύνθεση γεύματος, χρονοδιάγραμμα, και σωματική δραστηριότητα. Στατικοί τύποι δίνουν τη θέση τους σε προσαρμοστικά μοντέλα που εξατομικεύουν τη θεραπεία και να μειώσει το βάρος της αυτοδιαχείρισης. Ενώ οι προκλήσεις γύρω από την ιδιωτικότητα, την ερμηνευτικότητα και τη ρύθμιση παραμένουν, τα στοιχεία από κλινικές δοκιμές και πρώιμα εμπορικά συστήματα είναι επιτακτική. Η πορεία προς τα εμπρός περιλαμβάνει συνεχή συνεργασία μεταξύ των επιστημόνων δεδομένων, των κλινικών, των κατασκευαστών συσκευών, και των ρυθμιστικών αρχών. Με διαρκή επένδυση και προσεκτική προσοχή στην ηθική και ασφάλεια, ML ⁇ καθοδηγούμενη από τη χορήγηση ινσουλίνης θα γίνει σύντομα το πρότυπο της φροντίδας, επιτρέποντας στους ανθρώπους με διαβήτη για την επίτευξη καλύτερων γλυκαιμική αποτελέσματα με λιγότερη προσπάθεια.