Table of Contents

مقدمه: تکامل مدیریت دیابت خانگی

ملانوما بیش از 530 میلیون بزرگسال در سراسر جهان را تحت تاثیر قرار می دهد، با دیابت نوع 1 و دیابت پیشرفته 2 که نیاز به درمان انسولین شدید دارند، تا به تازگی، بیماران مجبور به نظارت بر گلوکز خون دستی و تزریق متعدد روزانه یا برنامه ریزی پمپ، رژیم مورد نیاز برای کاهش سرعت بدن برای خطا انسان و اغلب منجر به کنترل گلیسمیک زیر بهینه شده است.

این مقاله بررسی تکنولوژی پشت این سیستم ها، سابقه توسعه آنها، شواهد بالینی، موانع قانونی و مسیر به سمت مراقبت کامل از دیابت مستقل است، زیرا این دستگاه ها قابل دسترس تر، درک توانایی ها، محدودیت ها و الزامات عملی برای بیماران، پزشکان و پرداخت کنندگان ضروری است.

چگونه سیستم های Titration انسولین AI-Driven کار می کنند

اجزای اصلی

هر سیستم تحویل انسولین خودکار (AID) شامل سه عنصر یکپارچه است:

  • نظارت بر گلوکز ثابت (CGM): سنسور زیر پوستی که سطح گلوکز بین المللی را هر 1 تا 5 دقیقه اندازه گیری می کند و داده ها را به صورت بی سیم انتقال می دهد. فعلی CGMs (Dexcom G7، ابوت FreeSty Lilebre 3 دقت در یک تفاوت مطلق (سخت) و غیر قابل تنظیم کننده نیاز است.
  • Insulin Pump: یک دستگاه پوشیدنی که به طور سریع عمل می کند انسولین را از طریق یک پمپ کوچک کوچک می تواند لوله یا پچ (به عنوان مثال، Omnipod 5). پمپ های مدرن دارای قابلیت های میکرو-دوزینگ به عنوان کم 0.025 واحد است.
  • الگوریتم هوش: یک موتور نرم افزار، اغلب در حال اجرا بر روی یک کنترل کننده اختصاصی یا برنامه تلفن هوشمند، که پردازش داده های CGM و فرمان پمپ.این الگوریتم ها مغز سیستم هستند.

رویکردهای الگوریتمی: از PID تا یادگیری تقویت

سیستم های اولیه AID از کنترل های متناسب با محرک (PID) قرض گرفته شده از کنترل فرایند صنعتی استفاده کردند، در حالی که در از بین بردن خطاهای ثابت حالت موثر است، اغلب با نوسانات سریع گلوکز ناشی از غذا و ورزش مبارزه می کنند.

  • کنترل پیش بینی مدل (MPC): بر روی یک مدل ریاضی از دینامیک گلوکز کاربر ساخته شده است -insulinگلیسمی، MPC سطح گلوکز آینده را بیش از یک افق 30 تا 60 دقیقه پیش بینی می کند و تحویل انسولین را به طور فعال بهینه می کند. Medtronic 780G و Tandem Control-QIQI هر دو از انواع MPC استفاده می کنند.
  • آموزش اجباری (RL): الگوریتم های RLS نشان داده اند که سیستم های بهینه سازی از طریق تعامل مداوم با فیزیولوژی کاربر، محققان از استنفورد و دانشگاه کمبریج ثابت کرده اند که RL می تواند MPC را در آزمایشات silico، به ویژه در چالش های غذایی، به ویژه در طول چالش های غذایی، اعتبار بالینی محدود، و قانونی برای سیستم های سازگار هنوز در حال تکامل است.
  • منطق و شبکه های عصبی فازی: برخی از سیستم های تجربی از منطق فازی برای رسیدگی به عدم اطمینان یا شبکه های عصبی برای تشخیص الگوها (به عنوان مثال، قله های پس زمینه گلوکز) استفاده می کنند.

تمام الگوریتم ها محدودیت های ایمنی را شامل می شوند – مانند حداکثر محدودیت های انسولین در داخل برد، پیش بینی هیپوگلیسمی و تعلیق خودکار تحویل زمانی که گلوکز به سرعت کاهش می یابد. AI به طور مداوم با حساسیت انسولین کاربر، ریتم های شبانه و سطوح فعالیت سازگار می شود، با بسیاری از سیستم ها اهداف قابل تنظیم برای زمان های مختلف روز (به عنوان مثال اهداف بالاتر در طول ورزش، اهداف کم تر).

سفر توسعه: از تحقیق تا سیستم های تجاری

پروژه ی پیشگام: پروژه ی Pancreas مصنوعی

مفهوم یک سیستم حلقه بسته به 1960s با سیستم "Biostator" Bedside سیستم سرعت بخشیدن به پیشرفت عمده در دهه 2000 به لطف پیشرفت در دقت CGMloop و ارتباطات بی سیم تسریع می شود. JD source Pancreas پروژه (2006-2015) آزمایشات بالینی در دانشگاه هایی مانند دانشگاه هاروارد و کنترل کننده (FIRDRF) ثابت کرد که می تواند به طور موثر سیستم های درمانی بسته (F)

تنظیم مقررات Milestones

  • : تایید FDA Medtronic MiniMed 670G، اولین سیستم حلقه بسته هیبریدی خودکار تحویل پایه، اما هنوز هم نیاز به بوضوع غذایی.
  • 2019: مراقبت از دیابت Tandem برای کنترل-IQ FDA را دریافت می کند که شامل یک الگوریتم Dexcom G6 CGM و MPC می شود. این سیستم شامل یک حالت خواب برای کنترل تنگ تر و یک محیط فعالیت ورزشی برای کاهش خطر هیپوگلیسمی است.
  • ]2020: ] Medtronic 780G با الگوریتمی راه اندازی می شود که اصلاح خودکار هر 5 دقیقه یک بار از دست می دهد و گلوکز 100 میلی گرم / dL را هدف قرار می دهد.
  • : Omnipod 5 (Insulet) اولین پمپ پچ بدون لوله با تحویل انسولین خودکار می شود.این الگوریتم بر روی یک کنترل کننده آندروید یا یک دستگاه اختصاصی اجرا می شود و با Dexcom G6 ادغام می شود.
  • ]2023: بتا Bionics I Let دریافت FDA ترخیص به عنوان یک سیستم Bi-hormonal (insulin + glucagon) سیستم، هر چند دسترسی گلوکاگون محدود به تنظیمات بالینی است.

هر نسل جدید TIR را از پایه ای از درمان دستی به > 70٪ برای بهترین سیستم های تجاری بهبود می بخشد. 780G به یک TIR از ~ 75٪ در مطالعات دنیای واقعی دست می یابد، در حالی که گزارش های Control-IQ - 71٪ در حال حاضر برای استفاده در بارداری و در کودکان بسیار جوان مورد ارزیابی قرار می گیرند، در حال گسترش جمعیت است که می تواند بهره مند شوند.

شواهد بالینی و نتایج واقعی جهانی

fficacy in Type 1 دیابت

چندین کارآزمایی کنترل شده تصادفی (RCTs) و متاآنالیز ها برتری AID را بر مراقبت های استاندارد تأیید می کنند. A 2023 متاآنالیز در و متاآنالیز مراقبت [DOI: 10.23 / dc23-0220] جمع آوری داده ها از 18 RCTs (n=1،834) و دریافتند که سیستم های هیپوآ در حدود 12.1 درصد کاهش یافته است.

مردم با استفاده از سیستم های حلقه بسته هیبریدی تقریبا سه ساعت بیشتر در روز در محدوده هدف صرف کردند و یک رویداد هیپوگلیسمی شدید برای هر 200 سال بیمار را تجربه کردند، در مقایسه با هر 40 سال بیمار با درمان استاندارد. - 2023 Meta-Analysis، Diabetes مراقبت [F3:LT:2] [F3] [F3]

مهم است که کاهش هیپوگلیسمی یک مزیت عمده است، زیرا الگوریتم های AI می توانند پیش بینی های قریب الوقوع 20 تا 30 دقیقه قبل و تعلیق تحویل انسولین، حوادث هیپوگلیسمی شدید (کمک شخص ثالث) کاهش تا 80٪ در کاربران AID. علاوه بر این، زمان بالاتر (>180 mg / dL) کاهش می یابد، و باعث کاهش خطر عوارض طولانی مدت می شود.

گسترش به دیابت نوع 2

در حالی که بیشتر سیستم های AID برای دیابت نوع 1 طراحی شده اند، شواهد اولیه از استفاده از آنها در دیابت نوع 2 انسولین پشتیبانی می کند، مطالعه آزمایشی در سال 2024 در دانشگاه شیکاگو یک سیستم AID ساده در 40 بزرگسال مبتلا به دیابت نوع 2 با استفاده از تزریق روزانه متعدد، به این معنی است که TIR از 48٪ به 68٪ افزایش یافته و Hb1c از 8٪ به کاهش رضایت بالا و کاهش یافته است.

استانداردهای مراقبت از دیابت آمریکا در حال حاضر شامل AID به عنوان یک "درمان ترجیحی" برای افرادی با دیابت نوع 1 و یک گزینه معقول" برای افراد انتخاب شده با دیابت نوع 2 که توانایی استفاده از تکنولوژی را نشان داده اند.

مزایای استفاده از خانه: Beyond Glycemic Control

کیفیت زندگی و تجربه کاربری

خودکار سازی به طور چشمگیری کاهش بار ذهنی دیابت. کاربران گزارش هشدار کمتر، تست کم انگشت و آزادی بیشتر در زمان غذا.یک مطالعه کیفی منتشر شده در داروهای دیابتی بدون استفاده از فعالیت های تغییر یافته در شب، اغلب موضوعات "صلح ذهن" و "کنترل والدین با دیابت توصیف شده از طریق خواب بدون نگرانی در مورد توانایی های کم در حال تغییر در برنامه ریزی فیزیکی اشاره شده است.

کاهش سلامت Burden

ویژگی های نظارت از راه دور اجازه می دهد تا پزشکان داده های بیمار را از طریق سیستم عامل های ابری بررسی کنند، کاهش نیاز به بازدید مکرر کلینیکی در دوره COVID-19، Telehealth همراه با AID منجر به بررسی داده های بیمار از طریق سیستم عامل ابر، کاهش نیاز به بازدید از بخش اورژانس کمتر در میان بزرگسالان جوان مبتلا به دیابت نوع 1، با توجه به مطالعه 2022 از دانشگاه کلرادو، مربیان دیابت می توانند تنظیمات و بهبود زمان، و بهبود نتایج مربیگری.

صرفه جویی در هزینه های طولانی مدت

اگرچه دستگاه های AID هزینه های پیش رو بالاتری دارند (pump + CGM) ، تجزیه و تحلیل های بهداشتی و اقتصادی نشان می دهد که آنها در طول یک عمر مقرون به صرفه هستند.کاهش کتون دیابتی (DKA)، هیپوگلیسمی شدید و عوارض طولانی مدت (nephropathy، retinopathy) هزینه های دستگاه را جبران می کند.

چالش های اجرایی و آموزش کاربر

انتخاب بیمار و Onboarding

هر فرد مبتلا به دیابت یک کاندیدای ایده آل نیست.استفاده موفق نیاز به numeracy پایه (برای شمارش کربوهیدرات)، راحتی با تکنولوژی و تمایل به پوشیدن سنسور ها و پمپ ها به طور مداوم طول 2 تا 4 هفته، پوشش سنسور، عملیات پمپ، عیب یابی الگوریتم و تشخیص هشدارهای سیستم. بسیاری از مراکز مراقبت های دیابت گواهی و آموزش و متخصصان که انجام یک جلسه 24/7 و پشتیبانی اولیه در طول انتقال گرم.

دانلود بازی Adherence and Alert

حتی بهترین AI نمی تواند مطالعات غیر استفاده را جبران کند، نشان می دهد که پایبندی به سایش سنسور CGM و تغییرات پمپ در طول زمان کاهش می یابد. تقریبا 15-20٪ از کاربران AID را در سال اول متوقف می کنند، اغلب به دلیل خستگی زنگ خطر، تحریک پوست از چسب ها، یا سرخوردگی با اتوماسیون ناقص پاسخ داده اند.

ادغام با رژیم های موجود

بیمارانی که از تزریق های روزانه متعدد به AID انتقال می یابند، نیاز به یادگیری چرخش سایت پمپ، تنظیمات پایه موقت و روش های اضطراری برای شکست پمپ دارند. الگوریتم ها نیاز به دوره های اولیه "یادگیری" (اغلب 2 تا 6 روز) دارند که در طی آن سیستم با حساسیت فرد سازگار می شود.اطلاعات دنیای واقعی از Tidepool و Glooko نشان می دهد که بهبود صفحه گلیک پس از 3 تا 6 ماه ادامه استفاده از آن ادامه دارد.

چالش های فنی و ایمنی

الگوریتمی

الگوریتم های AI باید وقایع غیر قابل پیش بینی را انجام دهند: خوردن وعده های غذایی، شمارش کربوهیدرات نادرست، تغییرات ناشی از ورزش در حساسیت به انسولین و حرکت سنسور (جایی که CGM خواندن از گلوکز خون واقعی منحرف می شود) مدل های یادگیری ماشین می توانند برای آموزش داده ها و شکست در موارد لبه نیاز به تنظیم مقررات گسترده ای دارند (FLT:0in silico آزمایش با استفاده از آزمایش های پذیرش شده توسط FDA / شبیه ساز مورد نیاز به رفتار نظارت بر روی سیستم عامل های ضد بازار، ادامه می دهد.

امنیت سایبری و حریم خصوصی داده ها

از آنجایی که سیستم های AID بی سیم هستند و اغلب به ابر متصل هستند، آنها در برابر حملات سایبری آسیب پذیر هستند. [این بازیگر مخرب می تواند به لحاظ تئوری تنظیمات تحویل انسولین را تغییر دهد. FDA نیاز به تولید کنندگان برای ترکیب رمزگذاری، تأیید هویت و دستکاری سیستم های اتصال (FLT:0C امنیت و امنیت زیرساخت (CISA) دارد [F:1] راهنمایی برای دستگاه پزشکی و شرکت های امنیتی سایبری را غیر فعال می کند.

دقت و شکست های حسی

دقت CGM می تواند بر زندگی سنسور، به ویژه در 12 ساعت اول پس از قرار دادن (حساسیت "گرم کردن") یا در طول تغییرات سریع گلوکز، سنسور القا شده با فشار (فشار سنسور در هنگام خواب) می تواند باعث ایجاد الگوریتم های کم کاذب شود؛ اکثر سیستم های AID شامل چک های قرمز و کالیبراسیون انگشتان هنگام تشخیص انحراف هستند.

مسیر های آینده

سیستم های دوگانه: انسولین + Glucagon

iLet from beta Bionics ارائه درمان بی نظیر ([۳]، اضافه کردن مینی گلوکاگون برای جلوگیری یا درمان هیپوگلیسمی اولیه آزمایش نشان می دهد که گلوک می تواند گلوکز را در عرض ۱۰ دقیقه افزایش دهد، ارائه یک شبکه ایمنی برای تکثیر تهاجمی.با این حال، فرمول های فعلی گلوکاگون ثبات در قسمت های دمای اتاق را گزارش کرده و جایگزین های پمپ به طور مداوم (F = IRF) نیاز به حل دقیق دارد.

ادغام با خانه هوشمند و بهداشت دیجیتال

سیستم های آینده با ساعت های هوشمند، دستیاران صوتی و پایگاه های تغذیه ارتباط برقرار می کنند. تصور کنید که تلفن شما را می گوید: “من در مورد خوردن پیتزا هستم” و AI شمارش کربوهیدرات ها را از منوی رستوران با استفاده از تشخیص تصویر، سپس بولوس را تنظیم می کند، به همین ترتیب شرکت هایی مانند Glooko و Tide، سیستم عامل هایی را ایجاد می کنند که داده ها را از مواد پوشیدنی، ورود مواد غذایی و گزارش های الکترونیکی یکپارچه برای اصلاح دوز اتصال خودکار، و همچنین می توانند با استفاده از طریق خودکار انسولین، پردازش کنند.

(بدون خبر)

گلبک مقدس یک سیستم است که نیاز به ورودی کاربر صفر دارد، الگوریتم های فعلی هنوز نیاز به بوضوی غذایی برای مدیریت جهش های پس زمینه ای دارند. Ultrafast-acting انسولین (به عنوان مثال، در حال حاضر، Afrezza، Fiacoetic) با پروفایل های جذب سریع تر ممکن است اجازه دهد تا AI برای جبران وعده های غذایی به طور خودکار.

تنظیم مقررات و دسترسی

نابرابری جهانی Inequality

در حالی که سیستم های AID به طور گسترده ای در ایالات متحده، اروپای غربی و استرالیا در دسترس هستند، دسترسی به کشورهای کم درآمد و متوسط حداقل باقی مانده است، هزینه سنسور های CGM به تنهایی می تواند 2000 تا $ در سال باشد، اغلب با استفاده از سیستم های تامین عمومی مانند سیستم پمپ های پمپ (FLT:0) بسته ترین پروژه (F:1LT-1) و سیستم های تامین کننده خدمات درمانی عمومی مانند هری، بسته شده توسط سیستم های معتبر و Bsley.

نرم افزار به عنوان یک دستگاه پزشکی (SaMD)

الگوریتم AI خود را به عنوان یک دستگاه پزشکی طبقه بندی می کند. تنظیم کنندگان با چگونگی تأیید الگوریتم هایی که از طریق به روز رسانی بیش از حد هوا (OTA) به روز رسانی می شوند، چارچوب پیش از تنظیم FDA برای SaMD اجازه می دهد تا بهبود های دستگاه بدون بررسی مجدد کامل اگر تغییرات در یک پاکت عملکرد پیش از تنظیم Tem و کنترل الگوریتم های متعدد (MOTA بهبود می یابد که باعث اختلال در دسترس بودن سیستم درمانی جدید می شود و تغییر وضعیت درمانی).

جبران خسارت و پوشش بیمه

در ایالات متحده، بیمه گران خصوصی و Medicare در حال حاضر سیستم های AID را برای دیابت نوع 1 پوشش می دهند، با برخی از برنامه های لازم برای مجوز قبلی و اثبات درمان قبلی. پوشش برای دیابت نوع 2 در حال گسترش است، اما متناقض است.در بسیاری از کشورهای اروپایی، سیستم های بهداشت ملی پس از نشان دادن مقرون به صرفه بودن، کامل یا بازپرداخت بخش های حمایت از بیمار را فراهم می کند.

نتیجه گیری

سیستم های انسولین سازی مبتنی بر AI از نمونه های آزمایشی به ابزارهای معتبر بالینی و قابل دسترس تجاری که مدیریت دیابت را در خانه تغییر می دهند، پیشرفت کرده اند، با ادغام داده های گلوکز مداوم با الگوریتم های پیش بینی و تحویل دقیق، این سیستم ها بار مراقبت از خود را کاهش می دهند، در حالی که بهبود نتایج گلیک، امنیت، هزینه، و نیاز برای اتوماسیون کامل - اما الگوریتم های دقیق تر و دقیق تر می شوند، و به احتمال زیاد بهبود کیفیت دسترسی دقیق تر، و دقیق تر، و دقیق تر شدن چشم انداز جهانی، و بهبود کیفیت بهتر، و بهبود کیفیت چشم انداز دیجیتال، و بهبود کیفیت دقیق تر، و بهبود کیفیت دقیق تر، به نظر می رسد.