Table of Contents

Η Αυξανόμενη Διατομή Διαβήτη και Ηπατικής Υγείας

Ο σακχαρώδης διαβήτης, ειδικά ο διαβήτης τύπου 2, συνδέεται στενά με την ηπατική νόσο. Αυτή η σχέση είναι αμφίδρομη: ένα διαταραγμένο ήπαρ επιδεινώνει την αντίσταση στην ινσουλίνη, ενώ ο φτωχός γλυκαιμικός έλεγχος επιταχύνει την ηπατική βλάβη. Η πλέον διαδεδομένη ηπατική κατάσταση που σχετίζεται με το διαβήτη είναι η μη-αλκοολούχα λιπώδης ηπατική νόσος (NAFLD), η οποία μπορεί να εξελιχθεί σε μη-αλκοολική στεατοηπατίτιδα (NASH), ίνωση, κίρρωση, ακόμη και ηπατοκυτταρική καρκίνωμα. Συναγερμώς, πολλοί ασθενείς αναπτύσσουν σημαντική ηπατική παθολογία χωρίς συμπτώματα, καθιστώντας την έγκαιρη ανίχνευση κρίσιμο αλλά δύσκολο κλινικό στόχο.

Παραδοσιακές μέθοδοι ελέγχου ⁇ δοκιμές ηπατικής λειτουργίας ρουτίνας και υπερηχογράφημα ⁇ έχουν περιορισμένη ευαισθησία για την πρώιμη ⁇ σταδιακή νόσο. Για παράδειγμα, τα επίπεδα αμινοτρανσφεράσης της αλανίνης (ALT) ορού παραμένουν συχνά φυσιολογικά ακόμη και όταν υπάρχει σημαντική ίνωση του ήπατος. Αυτό το διαγνωστικό χάσμα έχει οδηγήσει το ενδιαφέρον για προηγμένες υπολογιστικές προσεγγίσεις, ιδιαίτερα την εκμάθηση μηχανών (ML), για να εξαγάγουν πολύπλοκα πρότυπα από τα δεδομένα των ασθενών και να προσδιορίσουν σε ⁇ ανθεκτικά άτομα πολύ πριν συμβεί μη αναστρέψιμη βλάβη.

Πώς η εκμάθηση μηχανών προχωρεί Ηπατολογία Προβολές

Τα μοντέλα μηχανικής μάθησης υπερέχουν στην ανάλυση των υψηλής διαστάσεων δεδομένων και την ανίχνευση μη γραμμικών σχέσεων που μπορεί να παραβλέψουν οι συμβατικές στατιστικές. Στο πλαίσιο της ηπατικής νόσου που σχετίζεται με το διαβήτη, οι αλγόριθμοι ML εκπαιδεύονται σε μεγάλα αρχεία ηλεκτρονικών αρχείων υγείας, εργαστηριακές τιμές, αρχεία απεικόνισης και γονιδιωματικά δεδομένα για να δημιουργήσουν αποτελέσματα προγνωστικού κινδύνου.

Πολλές μελέτες δείχνουν ότι τα μοντέλα ML υπερτερούν των παραδοσιακών αριθμομηχανών κινδύνου, όπως η βαθμολογία ίνωσης NAFLD ή ο δείκτης FIB ⁇ 4, στην ταυτοποίηση ασθενών με προχωρημένη ίνωση. Για παράδειγμα, ένα μοντέλο νευρωνικού δικτύου που ενσωματώνει την ηλικία, τον δείκτη μάζας σώματος, τον αριθμό αιμοπεταλίων HbA1c, και τα ηπατικά ένζυμα πέτυχαν μια περιοχή κάτω από την καμπύλη λειτουργίας του δέκτη (AUC) πάνω από 0,90 για την ανίχνευση σημαντικής ίνωσης σε μια διαβητική κοόρτη. Αυτό αντιπροσωπεύει μια σημαντική βελτίωση πάνω από την AUC των 0,75 ⁇ 0,80 τυπικών με παλαιότερες μεθόδους.

Βασικές εισροές δεδομένων για μοντέλα εκμάθησης μηχανών

Η ισχύς του ML δεν έγκειται σε μία μόνο μεταβλητή αλλά στο συνδυασμό ποικίλων πηγών δεδομένων. Τα πιο αποτελεσματικά μοντέλα για την έγκαιρη ανίχνευση της ηπατικής νόσου που σχετίζεται με το διαβήτη ενσωματώνουν τις ακόλουθες κατηγορίες:

  • Μεταβολικοί δείκτες: Νηστεία της γλυκόζης αίματος, HbA1c, επίπεδα ινσουλίνης, δείκτης HOMA ⁇ IR, τριγλυκερίδια, HDL χοληστερόλη.
  • Βιοχημεία λίβερων: ALT, AST, GGT, αλκαλική φωσφατάση, λευκωματίνη, χολερυθρίνη, αριθμός αιμοπεταλίων.
  • Χαρακτηριστικά απεικόνισης: Ποσοτικές παράμετροι υπερήχων (π.χ., συντελεστής εξασθένησης, ταχύτητα διάτμησης ⁇ κυμάτων), κλάσμα λίπους πυκνότητας πρωτονίων που προέρχεται από μαγνητική τομογραφία, μετρήσεις εναπόθεσης σιδήρου.
  • Δημογραφικά δεδομένα και δεδομένα για τον τρόπο ζωής: Ηλικία, φύλο, εθνικότητα, διάρκεια του διαβήτη, βάρος σώματος, σωματική δραστηριότητα, ιστορικό κατανάλωσης αλκοόλ.
  • Συνορμίες και φάρμακα: Παρουσία υπέρτασης, δυσλιπιδαιμίας, καρδιαγγειακής νόσου, χρήσης στατινών, ινσουλίνης ή υπογλυκαιμικού παράγοντα.

Προηγμένα μοντέλα μπορεί επίσης να ενσωματώσουν χαρακτηριστικά του χρόνου ⁇ σειρά, όπως τάσεις σε HbA1c ή ηπατικά ένζυμα για μήνες έως χρόνια, καταγράφοντας την τροχιά της νόσου πιο πιστά από ένα μόνο στιγμιότυπο.

Οι Οικογένειες του Αλγόριθμου Χρησιμοποιούνται στην Πρακτική

Κανένας αλγόριθμος ML δεν είναι καθολικά καλύτερος. Οι ερευνητές συνήθως συγκρίνουν αρκετές αρχιτεκτονικές για να βρουν την καταλληλότερη κατάλληλη για το μέγεθος των δεδομένων, τους τύπους χαρακτηριστικών και το κλινικό ερώτημα.

  • Λογιστική παλινδρόμηση με τακτικοποίηση (Λάσο, Ριτζ): Απλό, ερμηνευτικό και αποτελεσματικό όταν οι αλληλεπιδράσεις χαρακτηριστικών είναι περιορισμένες.
  • Δάση και κλισέ ⁇ εντερασμένα δέντρα (XGBoost, LightGBM): Πολύ στιβαρά προς τα ελλείποντα δεδομένα και μη γραμμικές σχέσεις· συχνά παράγουν κορυφαία ⁇ μεσιτικά μοντέλα για τα κλινικά δεδομένα της καρτέλας.
  • Υποστηρικτικές μηχανές διανυσματικών (SVMs): Χρήσιμες όταν ο αριθμός των χαρακτηριστικών είναι μεγάλος σε σχέση με το μέγεθος του δείγματος.
  • Βαθιά νευρωνικά δίκτυα (DNNs): Πιο ισχυρά για πολύπλοκη απεικόνιση ή πολυτροπική ολοκλήρωση, αν και απαιτούν μεγαλύτερα σύνολα δεδομένων και προσεκτική τακτοποίηση.
  • Διαχρονικά μοντέλα σειράς (LSTM, GRU): Ιδανικό για διαμήκη ηλεκτρονικά δεδομένα καταγραφής υγείας που αποτυπώνουν την εξέλιξη της νόσου με την πάροδο του χρόνου.

Ανεξάρτητα από τον αλγόριθμο, όλα τα μοντέλα πρέπει να επικυρωθούν αυστηρά σε ανεξάρτητες εξωτερικές ομάδες για να διασφαλιστεί η γενικευμένη δυνατότητα σε διάφορους πληθυσμούς, ρυθμίσεις υγειονομικής περίθαλψης και πρωτόκολλα συλλογής δεδομένων. Πρόσφατες προσπάθειες όπως το NIDDK Πρόγραμμα Έρευνας για την Ηπατική Νόσος προωθούν τα σύνολα δεδομένων συγκριτικής αξιολόγησης ανοιχτού κώδικα για την επιτάχυνση της επικύρωσης.

Κλινικά οφέλη της έγκαιρης ανίχνευσης μέσω της μηχανικής μάθησης

Η ενσωμάτωση του ML στη συνήθη φροντίδα του διαβήτη προσφέρει αρκετά απτά οφέλη που βελτιώνουν άμεσα τα αποτελέσματα των ασθενών.

Υψηλότερη διαγνωστική ακρίβεια

Τα μοντέλα ML μειώνουν τόσο τους ψευδώς θετικούς όσο και τους ψευδείς αρνητικούς ρυθμούς. Μια μελέτη που χρησιμοποιεί δέντρα με διαβάθμιση στην Εθνική Έρευνα για την Υγεία και τη Διατροφή (NANES) σύνολο δεδομένων που σωστά αναγνώρισε 87% των διαβητικών ασθενών με προχωρημένη ίνωση, σε σύγκριση με 65 ⁇ 70% με παραδοσιακά συστήματα βαθμολόγησης. Λιγότερες περιπτώσεις που παραλείπονται σημαίνουν προηγούμενες παραπομπές στην ηπατολογία, και λιγότερες ψευδείς θετικές απαλλάσσουν τους ασθενείς από περιττές και δαπανηρές εργασίες ⁇ up.

Γρηγορότερη, μη επεμβατική εξέταση

Τα περισσότερα μοντέλα ML βασίζονται σε δεδομένα που συλλέγονται συνήθως ⁇ εργασία αίματος και ζωτικά στοιχεία ⁇ ήδη στο διάγραμμα του ασθενούς. Αυτό εξαλείφει την ανάγκη για πρόσθετες λήψεις αίματος ή ακριβή απεικόνιση για αρχική διαστρωμάτωση κινδύνου. Ένα απλό ταμπλό μπορεί να σημαδέψει τους ασθενείς υψηλού κινδύνου σε πραγματικό χρόνο κατά τη διάρκεια μιας επίσκεψης πρωτοβάθμιας φροντίδας, προωθώντας μια στοχευμένη συζήτηση και παρακολούθηση ⁇ up.

Εξατομικευμένη Στρατολόγηση Κινδύνου

Τα παραδοσιακά συστήματα βαθμολόγησης δίνουν το ίδιο βάρος σε παράγοντες κινδύνου για όλους τους ασθενείς. Τα μοντέλα ML μπορούν δυναμικά να προσαρμόσουν τη σημασία κάθε παράγοντα με βάση το μοναδικό προφίλ του ατόμου. Για παράδειγμα, μια νεότερη γυναίκα με υψηλό HbA1c αλλά κανονική ALT μπορεί να λάβει διαφορετικό βαθμό κινδύνου από έναν ηλικιωμένο άνδρα με τις ίδιες εργαστηριακές τιμές αλλά ιστορικό υπέρτασης. Αυτή η εξατομικευμένη προσέγγιση ευθυγραμμίζεται με την ευρύτερη κίνηση προς την ιατρική ακριβείας.

Μειωμένη ανάγκη για επεμβατικές διαδικασίες

Η βιοψία του ήπατος παραμένει το πρότυπο χρυσού για τη στασιμότητα της ίνωσης αλλά μεταφέρει τους κινδύνους αιμορραγίας, λοίμωξης και δειγματοληπτικού λάθους. Με την ακριβή αναγνώριση των ασθενών που βρίσκονται σε πολύ χαμηλό κίνδυνο σημαντικής νόσου, η ML μπορεί να βοηθήσει πολλούς διαβητικούς ασθενείς να αποφύγουν με ασφάλεια τη βιοψία. Αντίθετα, οι ασθενείς υψηλού κινδύνου μπορούν να ιεραρχηθούν για επιβεβαιωτικές μη επεμβατικές εξετάσεις όπως παροδική ελαστογραφία (FibroScan), η οποία είναι λιγότερο επεμβατική και πιο κλιμακούμενη από βιοψία.

Κόστος ⁇ Αποτελεσματικότητα και Βελτιστοποίηση Πόρων

Από την άποψη του συστήματος υγείας, ο έλεγχος με οδηγίες ML μειώνει τις περιττές ειδικές παραπομπές, τις μελέτες απεικόνισης και τις βιοψίες. Ένα μοντέλο απόφασης ⁇ αναλυτικό που δημοσιεύθηκε στο []PubMed έδειξε ότι η εφαρμογή ενός εργαλείου διαστρωμάτωσης κινδύνου με βάση το ML σε μια κλινική διαβήτη πρωτοβάθμιας φροντίδας μείωσε το συνολικό κόστος ανά ασθενή κατά 18% ενώ βελτίωσε την ποιότητα ⁇ προσαρμοσμένα χρόνια ζωής, κυρίως αποφεύγοντας την προχωρημένη εξέλιξη της ηπατικής νόσου.

Προκλήσεις Περιορισμός Ευρέως Διαδομένης Κλινικής Υιοθεσίας

Παρά τα πειστικά στοιχεία, αρκετά εμπόδια πρέπει να ξεπεραστούν πριν από την εξέταση με βάση το ML ⁇ γίνει ρουτίνα στην ενδοκρινολογία και ηπατολογία κλινικές.

Ποιότητα και αντιπροσωπευτικότητα δεδομένων

Τα μοντέλα ML είναι εξίσου καλά με τα δεδομένα στα οποία εκπαιδεύονται. Πολλά υπάρχοντα μοντέλα έχουν αναπτυχθεί χρησιμοποιώντας σύνολα δεδομένων από κέντρα τριτοβάθμιας φροντίδας ή ομοιογενείς πληθυσμούς (π.χ., κυρίως Καυκάσιοι άνδρες από χώρες υψηλού εισοδήματος).Όταν εφαρμόζονται σε υποεκπροσωπούμενες ομάδες ⁇ όπως ισπανόφωνοι, μαύροι ή ασιατικοί πληθυσμοί με διαφορετικά μεταβολικά προφίλ ⁇ η απόδοση μοντέλου συχνά υποβαθμίζεται. Η εξασφάλιση της ποικιλομορφίας στα δεδομένα κατάρτισης και η εκτέλεση εξωτερικής επικύρωσης σε πολλούς χώρους είναι απαραίτητη.

Ερμηνευσιμότητα και Εμπιστοσύνη

Οι γιατροί είναι δικαιολογημένα διστακτικοί να δράσουν σε μια «μαύρη βάση» σύσταση χωρίς να καταλάβουν γιατί ένας ασθενής έλαβε βαθμολογία υψηλού κινδύνου. Τεχνικές εξηγησιμότητας όπως το SHAP (Shapley Πρόσθετα exPlanations) ή το LIME (Τοπικό Ερμηνευτικό Μοντέλο ⁇ αγνωστικές Επεξηγήσεις) μπορούν να αναδείξουν τα πιο σημαντικά χαρακτηριστικά για κάθε πρόβλεψη. Ωστόσο, η ενσωμάτωση αυτών των εργαλείων σε φιλικά προς το χρήστη κλινικά συστήματα υποστήριξης αποφάσεων παραμένει μια συνεχιζόμενη πρόκληση μηχανικής.

Προστασία δεδομένων και κανονιστική συμμόρφωση

Τα δεδομένα για την υγεία των ασθενών προστατεύονται από νόμους όπως η HIPAA στις Ηνωμένες Πολιτείες και η GDPR στην Ευρώπη. Η ανταλλαγή δεδομένων μεταξύ ιδρυμάτων για την κατάρτιση μοντέλων δημιουργεί ανησυχίες για την προστασία της ιδιωτικής ζωής. Τεχνικές όπως η πιστή μάθηση, όπου τα μοντέλα εκπαιδεύονται τοπικά και μοιράζονται μόνο συγκεντρωτικές παραμέτρους, προσφέρουν μια πολλά υποσχόμενη λύση. Επιπλέον, οποιοδήποτε μοντέλο ML που χρησιμοποιείται σε κλινικό περιβάλλον πρέπει να λάβει ρυθμιστική πιστοποίηση (π.χ. FDA 510(k) ή σήμανση CE), η οποία απαιτεί εκτεταμένη επικύρωση και παρακολούθηση.

Ένταξη στην Κλινική Ροή Εργασίας

Ένα μοντέλο που βρίσκεται σε έναν ερευνητικό διακομιστή αλλά δεν είναι ενσωματωμένο στο ηλεκτρονικό αρχείο υγείας (EHR) θα έχει μικρή πραγματική ⁇ παγκόσμια επίπτωση. Επιτυχής ανάπτυξη απαιτεί απρόσκοπτη σύνδεση με τα υπάρχοντα συστήματα EHR, αυτοματοποιημένη παραγωγή βαθμολογίας κινδύνου, και ειδοποιήσεις που δεν κατακλύζουν τους κλινικούς με ψευδείς συναγερμούς. Οι προμηθευτές τεχνολογίας, ομάδες πληροφορικής υγείας, και οι κλινικοί πρέπει να συνεργαστούν στενά για τον σχεδιασμό ροών εργασίας που ενισχύουν, αντί να διακόπτουν, φροντίδα. Το HIMSS πλαίσιο για την AI στην υγειονομική περίθαλψη παρέχει καθοδήγηση για τις βέλτιστες πρακτικές για την ενσωμάτωση αυτή.

Αναδυόμενες καινοτομίες στην εκμάθηση μηχανών για την ηπατολογία

Αρκετές νέες οδηγίες υπόσχονται να ενισχύσουν περαιτέρω την έγκαιρη ανίχνευση και την παρακολούθηση της ηπατικής νόσου που σχετίζεται με το διαβήτη.

Πολυ-μοντέλα συνδυαστικά στοιχεία απεικόνισης και εργαστηρίου

Αντί να βασίζονται αποκλειστικά σε εργαστηριακές τιμές, μοντέλα αιχμής τροφοδοτούν τόσο τα δεδομένα απεικόνισης (υπερηχογράφημα, μαγνητική τομογραφία ή αξονική τομογραφία) όσο και τα εργαστηριακά αποτελέσματα σε ένα ενοποιημένο νευρωνικό δίκτυο. Τέτοια υβριδικά μοντέλα μπορούν να αποτυπώσουν χωρικά μοτίβα ενδεικτικά της ηπατικής στεάτωσης ή ίνωσης εκτός από συστηματικές μεταβολικές διαταραχές.

Ενσωμάτωση με Φορητές Συσκευές

Τα μοντέλα ML που ενσωματώνουν αυτά τα χρονικά δεδομένα μπορούν να ανιχνεύσουν λεπτές προκλινικές μετατοπίσεις, όπως μεταγευματικές αιχμές γλυκόζης που συσχετίζονται με συσσώρευση λίπους στο ήπαρ. Με την πάροδο του χρόνου, αυτά τα διαμήκη σήματα θα μπορούσαν να αντικαταστήσουν ή να αυξήσουν τις περιοδικές κλινικές εργαστηριακές εξετάσεις.

Επεξεργασία Φυσικής Γλώσσας (NLP) από τις Κλινικές Σημειώσεις

Τα μη δομημένα δεδομένα στις σημειώσεις του γιατρού ⁇ όπως «αναφορές ασθενών αισθάνονται πιο κουρασμένοι» ή «ήπια δεξιά άνω τεταρτημόριο δυσφορία» ⁇ περιέχουν πολύτιμες ενδείξεις κινδύνου. Τα μοντέλα NLP μπορούν να εξάγουν αυτές τις αναφορές και να τις μετατρέψουν σε δομημένα χαρακτηριστικά. Σε συνδυασμό με τα δεδομένα εργαστηρίου και απεικόνισης, NLP ⁇ αυξημένα μοντέλα έχουν αποδειχθεί ότι βελτιώνουν την έγκαιρη ανίχνευση των περιστατικών ηπατικής ανεπάρκειας.

Γενετική AI για την αύξηση των συνθετικών δεδομένων

Ένας περιορισμός του ML σε υποτύπους σπάνιων ασθενειών ή παιδιατρικούς πληθυσμούς είναι η έλλειψη δεδομένων. Γενετικά αντιρροπικά δίκτυα (GANs) και διαφοροποιητικά αυτοκωδικοποιητές μπορούν να παράγουν ρεαλιστικά συνθετικά αρχεία ασθενών που επεκτείνουν την εκπαίδευση σύνολα δεδομένων, ενώ τη διατήρηση της ιδιωτικότητας. Αυτά τα συνθετικά αρχεία βοηθούν μοντέλα να γίνουν πιο στιβαρά χωρίς να εκθέτουν πραγματικά δεδομένα ασθενών, αν και είναι απαραίτητος αυστηρός έλεγχος ποιότητας για την πρόληψη της εισαγωγής των παρανόμων προτύπων.

Εξηγήσιμη AI για την υποστήριξη των κλινικών αποφάσεων

Νεότερα πλαίσια στην εξηγήσιμη AI (XAI) παρέχουν όχι μόνο παγκόσμια σημασία χαρακτηριστικό, αλλά και αντιπραγματικές εξηγήσεις ⁇ ⁇ Εάν η HbA1c του ασθενούς αυτού ήταν 1% χαμηλότερη, ο κίνδυνος τους θα μειωθεί κατά 15% ⁇ τέτοιες ενεργές ιδέες ενδυναμώνουν τους κλινικούς να σχεδιάζουν εξατομικευμένες παρεμβάσεις. Το πεδίο κινείται προς διαδραστικά ταμπλό που επιτρέπουν στους κλινικούς να «τι ⁇ εάν» προσαρμόζουν τις μεταβλητές και να δείτε ενημερωμένα αποτελέσματα κινδύνου σε πραγματικό χρόνο.

Πρακτικές Takeaways για τους Ιατρούς και τα Συστήματα Υγείας

Για τους οργανισμούς υγειονομικής περίθαλψης που εξετάζουν την υιοθέτηση ML για την έγκαιρη ανίχνευση της ηπατικής νόσου που σχετίζεται με το διαβήτη, τα ακόλουθα βήματα μπορούν να διευκολύνουν την επιτυχή εφαρμογή.

  • Ξεκινήστε με μια καλά καθορισμένη κατάσταση στόχου: Επικεντρωθείτε σε ένα συγκεκριμένο τελικό σημείο, όπως η ανίχνευση σημαντικής ίνωσης (≥F2), αντί να προσπαθήσετε να προβλέψετε όλα τα στάδια ταυτόχρονα.
  • Επιλέξτε ένα διαφανές, επικυρωμένο μοντέλο: Προτεραιότητα αλγορίθμων που προσφέρουν ερμηνευτικότητα (π.χ., τιμές SHAP) και έχουν επικυρωθεί εξωτερικά σε πληθυσμό παρόμοιο με τον δικό σας.
  • Εμπλέκουν τους τελικούς χρήστες νωρίς: Ενεργοποιήστε ιατρούς πρωτοβάθμιας φροντίδας, ενδοκρινολόγους και νοσηλευτές στο σχεδιασμό εργαλείων υποστήριξης αποφάσεων για να διασφαλιστεί ότι είναι διαισθητικοί και ενεργοί.
  • Εφαρμογή σταδιακής rollout: Ξεκινήστε με έναν πιλότο σε μία μόνο κλινική, μετρώντας τις μετρήσεις (ευαισθησία, εξειδίκευση, κλινική ικανοποίηση), και στη συνέχεια επεκτείνονται.
  • Εγχειρίδιο για παρασυρόμενα: Οι πληθυσμοί ασθενών και οι πρακτικές καταγραφής δεδομένων αλλάζουν με την πάροδο του χρόνου. Προγραμματίστε τακτική επανεκπαίδευση και ελέγχους απόδοσης για να διατηρήσετε την ακρίβεια.
  • Επενδύστε σε υποδομές δεδομένων: Βεβαιωθείτε ότι το EHR υποστηρίζει την τυποποιημένη εξαγωγή δεδομένων και τον υπολογισμό σε πραγματικό χρόνο για τις βαθμολογίες ML.

Μελλοντική Outlook: Προς ένα πρότυπο φροντίδας

Καθώς η μηχανική μάθηση συνεχίζει να ωριμάζει, είναι πιθανό να γίνει ένα τυπικό συστατικό των οδών φροντίδας του διαβήτη, όπως πολύ το πώς αυτοματοποιημένη ερμηνεία HbA1c είναι τώρα ρουτίνα. Πρόβλεψη μοντέλα που ενσωματώνονται με συνεχείς συσκευές παρακολούθησης και ηλεκτρονικά αρχεία υγείας θα επιτρέψει τη μετάβαση από τον επισοδικό έλεγχο σε συνεχή επιτήρηση κινδύνου. Οι ασθενείς θα λάβουν εξατομικευμένες ειδοποιήσεις όταν αλλάζει η τροχιά τους κινδύνου, προωθώντας έγκαιρες τροποποιήσεις του τρόπου ζωής ή φαρμακολογικές παρεμβάσεις.

Συνεχιζόμενες προσπάθειες οργανισμών όπως η Αμερικανική Ένωση Διαβήτη[] και η Ευρωπαϊκή Ένωση για τη Μελέτη του Ηπατικού] για να συμπεριλάβει τον ενισχυμένο έλεγχο της ML στις κατευθυντήριες γραμμές τους θα επιταχύνει την υιοθέτηση. Ο τελικός στόχος είναι να πιαστούν οι ηπατικές παθήσεις σε ένα στάδιο που είναι ακόμα αναστρέψιμο, διασπώντας εκατομμύρια διαβητικούς ασθενείς από τη νοσηρότητα της κίρρωσης και του καρκίνου του ήπατος. Ενώ παραμένουν τεχνικές και λειτουργικές προκλήσεις, η τροχιά είναι σαφής: η μηχανική μάθηση θα είναι ένα απαραίτητο εργαλείο για την καταπολέμηση της διαβητικής ⁇ συσχετιζόμενης ηπατικής νόσου.