تکامل نظارت بر گلوئس

برای دهه ها، افراد مبتلا به دیابت به متر های انگشت نگاری متکی بودند که یک عکس فوری از گلوکز خون را در یک لحظه معین ارائه می دادند، در حالی که این دستگاه ها یک گام عمده به جلو از آزمایش ادرار بودند، آنها شکاف های بزرگ در داده های گرانبها را ترک کردند، خواندن قبل از صبحانه می تواند روند شبه را آشکار کند، و یک چک زمان غذا از دست رفته است که ممکن است یک ساعت بعد از آن شروع به مصرف گلوکز کوتاه مدت کند (برای اندازه گیری مقدار کمی از حد کافی) که در آن، داده های کوتاه مدت، که در زمان مشخص شده است.

ابزارهای نظارت بر گلوکز مدرن دیگر دستگاه های اندازه گیری منفعل نیستند؛ آنها سیستم های هوشمندی هستند که از هر کاربر وازسید یاد می گیرند؛ فیزیولوژی منحصر به فرد، ترکیب سنسور های کوچک زیر پوستی، فرستنده های بی سیم و تجزیه و تحلیل مبتنی بر ابر، باعث شده است که سرعت گلوکز فروتن به یک ابزار مشاوره شخصی تبدیل شود.این مقاله بررسی می کند که چگونه الگوریتم ها داده های سنسور خام را به پیش بینی های عملی، پیش بینی های علمی پشت آن پیش بینی های علمی و آنچه که مدیریت دیابت آینده برای آن ها در اختیار دارد تبدیل می کند.

چگونه Glucose Monitors کار می کند

درک الگوریتم های پیش بینی نیاز به درک اول چگونه CGM جمع آوری داده ها. سیستم CGM متشکل از سه جزء اصلی است: سنسور، یک فرستنده و گیرنده (اغلب یک برنامه تلفن هوشمند یا خواننده اختصاصی) سنسور یک رشته نازک است که فقط در زیر پوست قرار می گیرد، معمولا در داخل شکم یا بازوی آن از یک الکترود مبتنی بر آنزیم برای اندازه گیری گلوکز در میان مایع و مایع بین المللی استفاده می کند؛ تقریباً در زیر 10 حالت محدود شدن خون، تقریباً به 10، به 10، به 10، به مقدار 10، که تقریباً محدود شدن از طریق قند خون، به مقدار قند خون محدود می شود.

تکنولوژی Sensor Technology

اکثر سنسورهای CGM از واکنش اکسید گلوکز استفاده می کنند. آنزیم گلوکز را به گلوکونولاکتون و هیدروژن تبدیل می کند. پراکسید هیدروژن سپس در الکترود اکسید می شود، تولید یک جریان الکتریکی متناسب با غلظت گلوکز است.این جریان توسط فرستنده اندازه گیری می شود و به یک خواندن گلوکز تبدیل می شود. اوایل CGM نیاز به کالیبراسیون مکرر انگشت برای حرکت صحیح دارد، اما مدل های جدیدتر مانند De ابوت و بدون نیاز به استفاده از G7 Free-x و یا بدون نیاز به سادگی استفاده از سنسورهای بازیافتن.

انتقال و ذخیره سازی داده ها

فرستنده به صورت بی سیم داده ها را به یک دستگاه نمایش می فرستد که هر یک از آنها از بلوتوث کم انرژی استفاده می کنند که باتری را حفظ می کند و اجازه می دهد تا ارتباط مستقیم با تلفن های هوشمند داشته باشد.داده ها می توانند به صورت محلی بر روی دستگاه ذخیره شوند و اغلب برای تجزیه و تحلیل الگو و به اشتراک گذاری با ارائه دهندگان مراقبت های بهداشتی آپلود شوند.

الگوریتم های کار: از داده های خام تا بینش پیش بینی

ارزش گلوکز خام به تنهایی برای پیش بینی سطح آینده کافی نیست. الگوریتم ها باید داده ها را تفسیر کنند، سر و صدا را فیلتر کنند و مدل های ریاضی را بکار گیرند که پویایی تنظیم گلوکز را به دست می آورند. چندین نوع الگوریتم از رگرسیون خطی ساده تا مدل های یادگیری ماشینی استفاده می شوند.

بازگشت خطی و Polynomial Regression

ساده ترین روش پیش بینی از خواندن گلوکز تاریخی برای قرار دادن یک خط یا منحنی استفاده می کند که نشان دهنده روند فعلی است.به عنوان مثال، اگر گلوکز با نرخ 2 mg / dL در دقیقه در طی 15 دقیقه گذشته افزایش یافته باشد، یک رگرسیون خطی می تواند پروژه ای را انجام دهد که پیش فرض کند گلوکز در 30 دقیقه آینده کجا خواهد بود.

فیلتر کردن Kalman

فیلترهای Kalman به طور گسترده ای در سیستم های CGM برای ترکیب منابع داده های پر سر و صدا به یک برآورد دقیق تر استفاده می شوند. فیلتر یک حالت ریاضی ( گلوکز واقعی و نرخ تغییر) را حفظ می کند و هر بار که یک خواندن سنسور جدید به آرامی می رسد؛ خواندن جدید در برابر حالت پیش بینی شده بر اساس اندازه گیری های قبلی، وزن بیشتری برای خواندن با نویز کمتر به نظر می رسد که به طور خودکار و یا کاهش سرعت حرکت را از طریق استفاده از سیگنال های تجاری.

یادگیری ماشین و شبکه های عصبی

پیشرفت های اخیر مدل های یادگیری ماشینی را معرفی کرده اند که می توانند روابط پیچیده و غیر خطی بین گلوکز و ورودی های مختلف را یاد بگیرند. درختان تصمیم گیری، جنگل های تصادفی، ماشین های تقویت کننده گراد و شبکه های یادگیری عمیق همه چیز را برای پیش بینی گلوکز استفاده می کنند؛ این مدل ها در مجموعه داده های بزرگ حاوی هزاران روز از داده های CGM همراه با ورود به مواد غذایی، سوابق ورزشی و دوزهای بالا آموزش داده می شوند؛ و سپس افزایش سطح گلوکز 3، و سپس افزایش الگوهای غذایی بالا و سپس افزایش می توانند برای افزایش سطح بالا و افزایش یابند؛ و افزایش سطح قندی مانند یک صفحه قند غذایی بالا و افزایش یابند؛ و سپس افزایش سطح قند غذایی.

مطالعه 2021 که در ] ژورنال علم و فناوری دیابت منتشر شده است، چندین الگوریتم یادگیری ماشین را مقایسه کرد و دریافت که شبکه های حافظه کوتاه مدت (LSTM) کمترین خطای پیش بینی برای 30 دقیقه و 60 دقیقه پیش بینی شده ( منبع را به یاد می آورند که شبکه های عصبی طولانی مدت هستند که می توانند از داده های سریع تر استفاده کنند، بنابراین بسیاری از داده های پاک کننده هستند.

ورودی های کلیدی برای پیش بینی دقیق

الگوریتم ها تنها به اندازه داده هایی که دریافت می کنند، خوب هستند. دقت به چندین فاکتور بستگی دارد:

  • ] Current و خواندن گلوکز اخیر: آخرین 15 تا 30 دقیقه از داده های سنسور شیب فوری را فراهم می کند.
  • الگوهای گلوکز تاریخی: بسیاری از سیستم ها روز ها یا هفته ها از داده ها را برای ثبت ریتم های شبانه روزی (به عنوان مثال، Dawn Phenomenon) و پاسخ های مکرر غذا ذخیره می کنند.
  • ] مصرف کربوهیدرات: کاربران ممکن است به صورت دستی وارد غذا شوند، یا سیستم ها می توانند کربوهیدرات ها را از پاسخ های گلوکز مداوم دریافت کنند. الگوریتم ها زمان افزایش، اوج و مدت سفرهای پس از زایمان گلوکز را مدل می کنند.
  • [IOB]: دوز فعلی و اخیر انسولین برای پیش بینی زمانی که گلوکز کاهش می یابد، ضروری است. Algorithms از مدل های دارویی انسولین برای برآورد انسولین فعال باقی مانده استفاده می کند.
  • فعالیت فیزیکی: ورزش افزایش گلوکز جذب توسط عضلات؛ الگوریتم هایی که شمارش گام یا داده های ضربان قلب دریافت می کنند می توانند پیش بینی های پایین را تنظیم کنند.
  • [FLT: 1] برخی از سیستم ها به کاربران اجازه می دهند تا رویدادهایی مانند تب یا استرس عاطفی را تگ کنند که می تواند گلوکز را از طریق کورتیزول و آدرنالین افزایش دهد.

با ترکیب این ورودی ها، یک الگوریتم می تواند یک منحنی پیش بینی را ایجاد کند که به نظر می رسد 30 تا 60 دقیقه پیش، اغلب به عنوان یک خط در نمودار CGM نشان داده می شود. کاربر نه تنها سطح فعلی خود را بلکه در جایی که آنها در حال حرکت هستند، قادر به مداخلات فعال مانند خوردن یک میان وعده قبل از یک کم پیش بینی شده یا گرفتن یک اصلاح قبل از بالا پیش بینی شده است.

مزایای فراتر از نظارت بر زمان واقعی

تغییر از واکنش به نظارت پیش بینی شده، نتایج دیابت را برای هر دو نوع 1 و نوع 2 دیابت تغییر داده است.

کاهش هیپوگلیسمی و هیپرگلیسمی

هیپوگلیسمی، به ویژه در شب، یک نگرانی عمده است. هشدارهای پیش بینی کننده می تواند کاربر را 20 تا 30 دقیقه قبل از وقوع کم بیدار کند، به آنها زمان برای مصرف گلوکز سریع را می دهد. مطالعات نشان داده اند که استفاده از CGM زمان مصرف شده در هیپوگلیسمی را تا 40٪ کاهش می دهد تا 60٪ نسبت به نظارت بر کیستیک به تنهایی ( [منبع: 1، پیش بینی های مشابه، اجازه می دهد تا حد زیادی کاهش یابد.

کاهش A1C

هنگامی که کاربران به طور مداوم در بینش پیش بینی عمل می کنند، سطح گلوکز متوسط آنها بهبود می یابد. متاآنالیز آزمایش های کنترل شده تصادفی گزارش می دهد که CGM از A1C با 0.3 تا 0.6 درصد در بزرگسالان مبتلا به دیابت نوع 1 و تا 0.5 امتیاز در کسانی که مبتلا به دیابت نوع 2 در درمان شدید انسولین هستند، استفاده می کند، این عنصر پیش بینی می کند، زیرا به کاربران کمک می کند تا دوزهای قبل از مصرف کننده و زمان بندی را به خوبی تنظیم کنند.

تحویل انسولین بسته و خودکار

بیان نهایی الگوریتم های پیش بینی شده، پانکراس مصنوعی یا سیستم حلقه بسته هیبریدی (LTLTLT = 780G و Tandem Control-IQ از داده های CGM برای تنظیم خودکار تحویل انسولین پایه و یا حتی اصلاح بولوسهای منبع و اصلاح سیستم های پمپ یک کنترل مدل پیچیده (MPC) است که به طور مداوم بهبود می بخشد انسولین تحویل در یک بازه زمانی استاندارد (FASH) و تنظیم آن ها را افزایش می دهد؛ اما ثابت می کند.

چالش ها: دقت، کالیبراسیون و حریم خصوصی

علی رغم پیشرفت، الگوریتم های پیش بینی شده با محدودیت های مختلفی مواجه هستند که کاربران باید آن را درک کنند.

دقت و زمان Lag

تاخیر 5 تا 10 دقیقه بین گلوکز بین بین بارداری و خون می تواند باعث شود پیش بینی ها در طول تغییرات سریع کمی پشت واقعیت باشند، به عنوان مثال، پس از دوز بزرگ انسولین سریع عمل، گلوکز خون ممکن است به سرعت کاهش یابد در حالی که مایع بین میلی گرم طول می کشد تا منعکس کننده این تغییر باشد.

الگوریتم Bias و Data Diversity

مدل های یادگیری ماشین عمدتاً در داده های بزرگسالان سفیدپوست و میانسال با دیابت نوع 1 ممکن است به سایر جمعیت ها تعمیم ندهند.مردم قومیت های مختلف، سن، شاخص توده بدنی و دیابت حاملگی ممکن است پویایی گلوکز-استالین مختلف داشته باشند.انجمن دیابت آمریکا خواستار مجموعه داده های گسترده تر برای اطمینان از عدالت در الگوریتم عملکرد ( [F] [F] [F] می تواند نتایج دقیق را ارائه دهد.

حریم خصوصی داده ها و امنیت

داده های CGM اطلاعات بسیار حساس سلامت است.این اغلب در سرورهای ابر ذخیره می شود و با سازندگان دستگاه، توسعه دهندگان برنامه و گاهی شرکای تحقیقاتی به اشتراک گذاشته می شود. کاربران باید سیاست های حریم خصوصی را بررسی کنند و درک کنند که چگونه داده های آنها مورد استفاده قرار می گیرد. FDA و FTC راهنمایی در مورد امنیت سایبری برای دستگاه های پزشکی متصل را صادر کرده اند، اما به علاوه، برخی از برنامه های رایگان CGM از طریق مشارکت های بیمه یا موسسات تحقیقاتی رضایت داده و موسسات مالکیت اطلاعات را افزایش می دهند.

کاربر Reliance و تصمیم گیری خستگی

در حالی که هشدار پیش بینی مفید است، آنها همچنین می توانند منجر به خستگی هشدار شوند اگر آنها مکرر یا نادرست هستند، برخی از کاربران گزارش می دهند که به هشدارهای حساس شده اند، به ویژه در طول شب، تولید کنندگان آستانه های قابل تنظیم و حالت های آرام را معرفی کرده اند، اما بیش از حد بر اعتماد به الگوریتم ممکن است باعث شود کاربران به نادیده گرفتن مهارت های خود مدیریت اساسی مانند کربوهیدرات یا تأیید انگشت دستی هنگام خواندن و مطابقت؛

آینده: AI، سیستم های بسته بندی شده و ادغام

نسل بعدی ابزار نظارت بر گلوکز حتی ادغام محکم بین سنسورها، الگوریتم ها و سیستم های تحویل انسولین را مشاهده می کند.

هوش مصنوعی و شخصی سازی

مدل های یادگیری عمیق شخصی تر می شوند، یادگیری هر کاربر و یاسژ؛ الگوهای منحصر به فرد در طول هفته ها و ماه ها به جای استفاده از یک روش تک اندازه ای، محققان در حال توسعه وردولا هستند؛ دوقلوها وردولای دیجیتال؛ ویمدash؛ مدل های ویروسی از یک وانژیک فردی؛ متابولیسم گلوکز که می تواند اثر غذاهای مختلف، و تمرینات انسولین را شبیه سازی کند، حتی قبل از اینکه هر گونه پیش بینی دقیق چرخه واقعی را انجام دهد.

سنسور های غیر تهاجمی

سنسورهای فعلی هنوز نیاز به یک وارد شدن سوزن کوچک دارند که برخی از کاربران از آن متنفر هستند. Raman طیفوسکوپی، تصویربرداری تصویری پرتره و سنسورهای مبتنی بر عرق در حال توسعه هستند، در حالی که هیچ کدام هنوز دقت CGM را در آزمایشات بالینی مطابقت نداده اند، ترکیب عدم تهاجمی با الگوریتم های پیش بینی می تواند نظارت بر گلوکز را حتی یکپارچه تر کند.

ادغام با تجهیزات هوشمند و Wearables

داده های CGM به طور فزاینده ای با داده های از ساعت های هوشمند، ردیاب های تناسب اندام و مانیتور خواب ادغام می شوند، به عنوان مثال، الگوریتمی که فعالیت پایین و نشانگرهای استرس بالا را می بیند ممکن است افزایش گلوکز را پیش بینی کرده و یک پیاده روی کوتاه یا یک تمرین ذهن را توصیه کند، به طور خودکار زمان تزریق و دوزهای را وارد کند، تغذیه که داده ها به طور مستقیم به مدل های پیش بینی شده برای محاسبات دقیق تر انسولین-بر روی می آیند.

پروتکل های باز و Interoperability

پروژه حلقه Tidepool و FDA &rsquo؛ طبقه بندی سازگار با CGM (iCGM) استانداردهای باز را ارتقاء داده است که به کاربران اجازه می دهد تا دستگاه های مخلوط و مطابقت را از تولیدکنندگان مختلف ترکیب کنند، این رقابت و نوآوری را تقویت می کند، که منجر به الگوریتم هایی می شود که می توانند به روز رسانی شوند بیشتر از سخت افزار.

نتیجه گیری

الگوریتم ها نظارت گلوکز را از یک ابزار اندازه گیری ساده به یک سیستم هوشمند که قادر به پیش بینی روند قند خون با دقت قابل توجه است، افزایش داده های سنسور مداوم در کنار ورودی هایی مانند مصرف کربوهیدرات، زمان انسولین و فعالیت های فیزیکی است، این الگوریتم ها به افراد مبتلا به دیابت یک پنجره قدرتمند در آینده فوری خود را پیش بینی می کنند، نتیجه نه تنها آگاهی بهتر، بلکه بهبود ملموس در زمان، کاهش اتوماسیون، و دقت پایین تر است، و حتی پیش بینی دقیق تر از حد پایین تر از حد آن، و ابزار های انسانی، و حداقل کیفیت پایین تر است.