وعده ی دیجیتالی برای دیابت و سلامت روان

دیابت یک وضعیت مزمن است که نیاز به مدیریت دائمی خود دارد: نظارت بر گلوکز خون، تنظیم انسولین، برنامه ریزی غذا و فعال بودن فیزیکی، این روال بی وقفه نه تنها بر روی بدن بلکه در ذهن نیز، افسردگی و اضطراب دو تا سه برابر بیشتر از افراد مبتلا به دیابت نسبت به جمعیت عمومی، و این مسائل مربوط به سلامت روان می تواند کنترل گلیسمی را بدتر کند، کیفیت زندگی و علائم تشخیص اولیه را کاهش دهد - با این حال، اغلب تشخیص می تواند مشکلات حساس را از دست دهد.

تکنولوژی دیجیتال چیست؟

دیجیتالی enotyping اشاره به مجموعه مداوم و غیرفعال داده ها از تلفن های هوشمند، پوشیدنی ها و سایر دستگاه های متصل به منظور تعیین رفتار، شناخت و خلق و خوی فرد است. مفهوم توسط روان پزشک دکتر جان توخی و همکاران رسمی شده است، که آن را به عنوان "ارزیابی لحظه به لحظه از روش های فردی فن آوری انسان در استفاده از دستگاه های پوشیدنی دیجیتال - در حال حاضر به معنی ردیابی دقیق ترین سنسور های دیجیتال است.

قدرت پدیداری دیجیتال در توانایی آن برای ثبت داده ها در تنظیمات طبیعی است، بدون نیاز به کاربر برای گزارش فعالانه علائم، این سوگیری به یاد آوردن را کاهش می دهد و یک تصویر طولانی مدت از زندگی روزمره را برای افراد مبتلا به دیابت فراهم می کند، این داده ها می تواند با سطح گلوکز خون، انسولین، دوز و ورود به رژیم غذایی برای شناسایی الگوهای پیوند نوسانات انرژی، کیفیت اجتماعی و تعامل با خواب، و خواب، ارتباط با کیفیت اجتماعی، و خواب، تداخل داشته باشد.

Key Data Streams در Digital Phenotyping

  • فعالیت فیزیکی و خواب - Accelerometry و داده های GPS نشان دهنده تغییرات در تحرک، زمان بی تحرک و تکه تکه شدن خواب، که شاخص های اولیه از افسردگی است.
  • رفتار اجتماعی - ثبت نام، فرکانس پیام متنی، و نزدیکی بلوتوث تشخیص خروج اجتماعی و یا کاهش ارتباطات، رایج در افسردگی و اضطراب.
  • [FLT 1] و گفتار [FLT 1] - ضبط میکروفون می تواند تجزیه و تحلیل روان شناسی، نرخ سخنرانی و انتخاب کلمه برای تشخیص اختلالات خلقی.
  • [FLT: 1 ] سیگنال های الکتروزیزیولوژیک - ضربان قلب تنوع پذیری (HRV)، فعالیت الکتریکی و دمای پوست از پوشیدنی ها منعکس کننده سیستم عصبی اتونومیک، مرتبط با استرس و اضطراب است.
  • الگوهای استفاده از تلفن هوشمند - سرعت تایپ، زمان صفحه نمایش، و استفاده از برنامه می تواند نشان دهنده کاهش شناختی یا آشفتگی روان شناختی باشد.

ارتباط سلامت روان دیابت – Mental Health Connection: یک رابطه دو جهتی

رابطه بین دیابت و سلامت روان یک طرفه نیست. سلامت روان ضعیف می تواند منجر به مراقبت از خود دیابت زیر بهینه شود - دوزهای انسولین، خوردن ناسالم، عدم فعالیت فیزیکی - که به نوبه خود کنترل گلیسمیک را بدتر می کند و خطر عوارض مانند نوروپاتی، رینوپاتی و بیماری قلبی عروقی را افزایش می دهد.

مسائل سلامت روان در دیابت اغلب ابزارهای غربالگری استاندارد مانند PHQ-9 یا GAD-7 به خودگزارشی اعتماد می کنند و معمولاً تنها در طول ویزیت های بالینی تجویز می شوند. بیماران ممکن است به دلیل ننگ یا عدم بینش، علائم را گزارش دهند.حتی زمانی که غربالگری انجام می شود، فواصل بین ارزیابی ها می تواند ماه ها یا سال ها باشد – که مدت ها برای تشخیص آلودگی های اولیه دیجیتال بسیار طولانی است.

موانع فعلی در تشخیص زود هنگام

  • غربالگری دقیق - اکثر ویزیت های مراقبت از دیابت هر سه تا شش ماه اتفاق می افتد، با غربالگری سلامت روان اغلب به طور کامل حذف می شوند.
  • محدودیت های خودگزارش [FLT 1] - پیشداوری، تعصب اجتماعی، و فقدان آگاهی عاطفی نتیجه می گیرد.
  • یک اندازه مناسب تمام آستانه ها - برش استاندارد برای مقیاس افسردگی ممکن است برای افراد مبتلا به دیابت مناسب نباشد، جایی که خستگی، اختلال خواب و تغییرات اشتها می تواند با علائم بیماری همپوشانی داشته باشد.
  • Stigma و تشخیص بیماری - بیماران ممکن است احساس راحتی در مورد سلامت روان داشته باشند، و پزشکان ممکن است زمان یا آموزش برای بررسی موثر نداشته باشند.

چگونه دیجیتال Phenotyping در عمل کار می کند

خط لوله معمولی دیجیتال شامل سه مرحله است: جمع آوری داده استخراج شکست ، و نمونه سازی زمان یادگیری ماشین : یک برنامه تلفن هوشمند (به عنوان مثال، ذهن LAMP، ارزیابی های حرکتی غیر فعال) نمونه های سرعت پردازش داده (همچنین به عنوان مثال زمان کوتاه مدت زمان پردازش).

الگوریتم های یادگیری ماشین، به ویژه مدل های یادگیری تحت نظارت مانند جنگل های تصادفی یا تقویت گرادیان، بر روی داده های برچسب آموزش داده می شوند که در آن حقیقت زمین تشخیص بالینی یا شدت علائم از مقیاس های معتبر است.این مدل ها یاد می گیرند تا ویژگی های دیجیتال را به حالت های پیشرفته تر نقشه برداری کنند تا الگوهای زمانی عمیق را جذب کنند - به عنوان مثال، یک شبکه عصبی مکرر می تواند تشخیص دهد که کاهش تدریجی در HRV بیش از دو هفته، همراه کاهش تحرک افسردگی در خانه، یک دوره پیش بینی افسردگی است.

برای دیابت، جریان داده ها را می توان با خواندن گلوکز از مانیتورهای گلوکز مداوم (CGMs) غنی کرد (FLT:0) از دانشگاه کالیفرنیا، سان فرانسیسکو نشان داده است که داده های CGM همراه با استفاده از کرموگرافی می تواند علائم افسردگی روز بعد را با دقت بیش از 80٪ در افراد مبتلا به دیابت نوع 2، به طور مشابه، تشخیص دهد.

برنامه های کاربردی و هشدارهای واقعی

هدف نهایی ایجاد یک سیستم هشدار زودهنگام است که به بیمار و تیم مراقبت از آنها هشدار می دهد که خطر سلامت روان قابل توجهی تشخیص داده می شود، به عنوان مثال، برنامه بیمار ممکن است یک اطلاع رسانی را نشان دهد: "کیفیت خواب شما برای سه شب گذشته کاهش یافته است و فعالیت روزانه شما 40٪ کمتر از سطح پایه شما است.شما ممکن است علائم اولیه افسردگی را تجربه کنید که دوست دارید با هماهنگ کننده مراقبت از دیابت خود را بررسی کنید؟"

برخی از برنامه های آزمایشی در حال حاضر این رویکرد را آزمایش می کنند. Diabetes UK بهداشت روان (FLT:1) نشان داد که داده های پوشیدنی می توانند پیش بینی افسردگی را در چندبارروز و اختلال افسردگی عمده، با پیامدهای افسردگی برای بیماری و عود - سیستم عصبی مرکزی پیش بینی کنند.

مزایای بالقوه برای افراد مبتلا به دیابت

پیش از این، تشخیص دقیق تر

با ثبت تغییرات رفتاری ظریف در روزها یا هفته ها قبل از اینکه به صورت بالینی آشکار شوند، پدیداری دیجیتال می تواند مداخلات پیشگیرانه را فعال کند، به عنوان مثال، اگر الگویی از خروج اجتماعی و کاهش فعالیت بدنی شناسایی شود، یک کلینیک می تواند درمان را آغاز کند یا داروهای دیابت را قبل از افسردگی کامل تنظیم کند.

برنامه های درمان شخصی

داده های دیجیتالی پدیداری می تواند به تعدیل مداخلات به فرد کمک کند.یک بیمار که افسردگی با ترس از هیپوگلیسمی مرتبط است ممکن است از رویکرد متفاوتی نسبت به فردی که افسردگی ناشی از ناراحتی دیابت است، بهره مند شود.

بهبود سلامت خود-مدیریت دیابت

کنترل سلامت روان و دیابت در هم تنیده است، هنگامی که افسردگی در اوایل درمان می شود، بیماران بیشتر احتمال دارد که به دارو پایبند باشند، به طور منظم گلوکز را نظارت کنند و انتخاب های غذایی سالم را انجام دهند. A ] متاآنا-آنالیز در روانپزشکی JAMA؛ [FLT 1] دریافت که مدل های مراقبت های مشترک که شامل حمایت از سلامت روان بهبود کنترل گلیسمی (Hb1 کاهش 0.5٪ -0.7٪).

کاهش استفاده از بهداشت و درمان

جلوگیری از بحران های سلامت روان و عوارض دیابت، بازدید از بخش اورژانس، بستری شدن بیمارستان و ناتوانی های بلند مدت را کاهش می دهد، صرفه جویی در هزینه می تواند سرمایه گذاری در تکنولوژی را جبران کند، اگرچه هنوز هم نیاز به تجزیه و تحلیل دقیق سلامت و اقتصادی دارد.

چالش ها و ملاحظات اخلاقی

حریم خصوصی داده ها و امنیت

فن آوری دیجیتال تولید اطلاعات شخصی عمیقا شخصی - تاریخ مکان، تماس های اجتماعی، سیگنال های فیزیولوژیکی، حتی ضبط صدا، این اطلاعات بسیار حساس است و می تواند مورد سوء استفاده قرار گیرد اگر داده های بهداشتی تحت HIPAA در ایالات متحده و GDPR در اروپا محافظت می شود، اما بسیاری از برنامه های دیجیتال به عنوان دستگاه های پزشکی طبقه بندی نمی شوند و ممکن است فرآیندهای شفاف تر، داده های تأیید شده و داده های طولانی (کنترل داده های ضروری) را جمع آوری کنند.

الگوریتمی Bias

مدل های یادگیری ماشین تنها به اندازه داده هایی که در آن آموزش دیده اند، خوب هستند. [۱] اگر مجموعه داده های آموزشی عمدتا از سفید، درآمد بالاتر یا جمعیت جوان تر باشد، الگوریتم ها ممکن است برای بزرگسالان مسن تر، اقلیت های قومی، یا کسانی که سواد دیجیتال پایین تر دارند، ضعیف عمل کنند.این می تواند تفاوت های بهداشتی را تشدید کند. محققان باید به طور فعال شرکت کنندگان و مدل های مختلف در سراسر زیر گروه های زیر گروه های فرعی را استخدام کنند.

دسترسی و تقسیم دیجیتال

مالکیت هوشمند و پوشیدنی تقریباً در کشورهای با درآمد بالا جهانی است، اما شکاف ها در میان بزرگسالان مسن تر، افراد با درآمد پایین تر و برخی از جمعیت های روستایی که در حال حاضر تحت پوشش قرار دارند، اغلب کسانی هستند که می توانند از حمایت های سلامت روان دیجیتال بهره مند شوند.

ادغام کلینیکی و گردش کار

برای اینکه فن آوری دیجیتال مفید باشد، پزشکان نیاز به داشبورد تفسیر شده و پشتیبانی از تصمیم گیری دارند، نه جریان های داده خام، هشدارها باید قابل اجرا باشند؛ مثبت کاذب همچنین می تواند باعث ایجاد منابع هشدار دهنده و زباله شود. تیم های مراقبت از آموزش برای تفسیر بیومارکرهای دیجیتال و ادغام آنها در مدیریت دیابت یک چالش غیر هزینه ای است.

بیمار بردن و پذیرش

در حالی که جمع آوری داده های منفعل به طور عمده نامرئی است، برخی از بیماران ممکن است نظارت مداوم در معرض تحریک اضطراب یا اضطراب پیدا کنند، آنها ممکن است نگران قضاوت یا از دست دادن استقلال باشند. ارزیابی های لحظه ای زیست محیطی می تواند در صورت مکرر، ابزار طراحی شرکت با بیماران و ارائه گزینه های انتخابی برای جریان های داده خاص می تواند پذیرش را بهبود بخشد.

مسیر های آینده

ادغام با نظارت مداوم Glucose

ترکیب داده های CGM و پدیداری دیجیتال به ویژه امیدوار کننده است. Glucose variability -peaks و Overs، زمان در محدوده - یک مدل یادگیری ماشین شناخته شده است که هر دو داده رفتاری (خواب، فعالیت، تعامل اجتماعی) و داده های گلیکمی می تواند باعث ناراحتی و اثر شود: آیا یک اواخر شب کم خطر و بی خطر خواب و یا پاسخ واقعا شخصی سازی می کند؟

Multimodal AI و مدل های زبان بزرگ

پیشرفت در پردازش زبان طبیعی اجازه می دهد تا تجزیه و تحلیل زبان تایپ شده یا گفتاری در زمان واقعی. پیام های متنی بیمار یا یادداشت های صوتی می تواند تحریف های شناختی را آشکار کند ("من نمی توانم قند خون خود را بدون توجه به آنچه که من انجام می دهم") که نشان دهنده ناراحتی دیابت یا افسردگی همراه با داده های سنسور است، این مدل ها نمی تواند حضور یک مسئله را پیش بینی کند، اما خاص درمان هدایت کننده، و یا تغییر شیوه زندگی (C).

مداخلات بسته - Loop

چشم انداز نهایی یک سیستم حلقه بسته است که در آن تشخیص فن آوری دیجیتال باعث مداخله خودکار می شود - یک پیشنهاد ذهن آگاهی، یادآوری برای تماس با یک هماهنگ کننده مراقبت، یا حتی یک ماژول درمانی رفتاری کوتاه شناختی تحویل داده شده از طریق آزمایش های بالینی برنامه، چنین سیستم هایی را آزمایش می کند، اما محافظان ایمنی برای جلوگیری از آسیب رساندن به اقدامات خودکار نامناسب ضروری هستند.

مطالعات طولانی مدت طولانی مدت

اکثر تحقیقات دیجیتالی که تا به امروز انجام شده است شامل دوره های مطالعه کوتاه (هفته ها تا ماه) مطالعات طولانی مدت است که بیماران را در طول سالها پیگیری می کنند، لازم است تا درک کنند که چگونه نشانه های زیستی دیجیتال با پیشرفت بیماری، تغییرات درمان و رویدادهای زندگی تکامل می یابند. چنین مطالعات همچنین می تواند نشان دهد که آیا تشخیص زودهنگام از طریق فن آوری در واقع منجر به بهبود نتایج بالینی - سوال کلیدی برای پذیرش بیماری می شود.

چارچوب های اخلاقی و مسیرهای تنظیم

گسترش اخلاقی از پدیداری دیجیتال در مراقبت از دیابت نیاز به حاکمیت قوی دارد. ] گزارش جهانی WHO در مورد سلامت دیجیتال [ بر اصول عدالت، شفافیت و پاسخگویی به ابزارهای دیجیتالی فن آوری دیجیتال باید تحت بررسی قانونی توسط بدن مانند FDA به عنوان نرم افزار به عنوان یک دستگاه پزشکی (SaMD) روشن از عملکرد دستگاه، استاندارد طلا و نظارت بالینی ضروری است.

بیماران باید شرکای فعال باشند، نه سوژه های منفعل، تصمیم گیری مشترک در مورد اینکه چه داده هایی جمع آوری می شوند، چه کسی آن را می بیند و چگونه از آن استفاده می شود، مدل های مالکیت داده ای که به بیماران کنترل می دهند، مانند فروشگاه های داده شخصی یا موافقت مبتنی بر بلاک چین، در حال ظهور هستند، اما هنوز گسترده نیستند.

نتیجه گیری

پدیداری دیجیتال نشان دهنده یک تغییر پارادایم در چگونگی تشخیص و حل مسائل سلامت روان در افراد مبتلا به دیابت است.با تبدیل دستگاه های روزمره به ابزارهای نظارت مداوم، آن را ارائه می دهد پتانسیل برای به دقت گرفتن افسردگی، اضطراب و ناراحتی دیابت هفته ها یا ماه ها قبل از اینکه آنها خود مراقبت از خود و کنترل گلیک را مختل کنند، مزایای روشن است: مداخله قبلی، درمان شخصی تر، بهبود کیفیت زندگی، و احتمالا کاهش هزینه های همکاری دقیق، با توجه به مراقبت های بالینی، و نظارت های ضروری است.