وعده یادگیری ماشین در مدیریت دیابت

ملانوما بیش از 530 میلیون بزرگسال در سراسر جهان را تحت تاثیر قرار می دهد، با دیابت نوع 1 و بسیاری از موارد دیابت نوع 2 که نیاز به درمان انسولین روزانه دارند، برای دهه ها، مصرف انسولین بر الگوریتم های مبتنی بر قانون متکی است - اغلب با استفاده از نمونه های ثابت کربوهیدرات به آنزیم های خاص و عوامل اصلاح انسولین - که قادر به جذب طبیعت پویا، چند عاملی از یادگیری ماشین است، به جای یادگیری یک نمونه های ثابت است: او می تواند داده های فردی را از پردازش داده های فردی را بررسی کند.

چرا انسولین های سنتی آبشار را کوتاه می کنند

مدیریت انسولین متعارف، حتی با پمپ های انسولین مدرن و مانیتورهای مستمر گلوکز (CGMs)، هنوز هم بر ورودی دستی و قوانین پیش برنامه ریزی شده تکیه می کند. بیماران باید مصرف کربوهیدرات را تخمین بزنند، ورزش را پیش بینی کنند و قوانین یادگیری روزانه را بدون استفاده از داده های کم مصرف کنند که همه آنها می توانند حساسیت به انسولین را به طور چشمگیری تغییر دهند.

نقش فارماکوکینتیک انسولین در خطاهای دوپینگ

یکی دیگر از کوتاه بودن های سنتی عدم توجه به تفاوت های فردی در جذب انسولین و ترخیص است. پارامترهای فارماکوکینetic به طور گسترده ای به دلیل محل تزریق، ترکیب بدن و حتی الگوریتم های ثابت محیط است که به طور معمول فرض یک پروفایل عمل انسولین استاندارد، منجر به پشته سازی دوزهای انسولین و مدل های یادگیری ماشین هیپوگلیسمی بعدی می تواند جذب منحصر به فرد بیمار را از داده های CGM و تنظیم دقیق تر از تنظیم کند.

چگونه مدل های یادگیری ماشین توصیه های انسولین را بهبود می بخشد

روش های یادگیری ماشین برای انجام انسولین می تواند به طور گسترده به سه دسته تقسیم شود: یادگیری نظارت شده برای پیش بینی، یادگیری تقویت برای تصمیم گیری و مدل های ترکیبی که هر دو ترکیب جنبه های خاصی از چالش تحویل انسولین را شامل می شود.

آموزش عالی برای پیش بینی Glucose

مدل های مبتنی بر داده های تاریخی آموزش دیده اند - CGM رد، دوزهای انسولین، logs غذا و سوابق فعالیت - برای پیش بینی سطح گلوکز آینده - معماری های مشترک شامل درختان شیب دار بوت (XGboost، LightGBM)، شبکه های عصبی تکراری (RNNs)، و شبکه های حافظه کوتاه مدت (LTMSTM) این مدل ها می توانند پیش بینی کنند 30 تا حد کافی با دقت استاندارد مقایسه کنند؛ و سیستم کنترل شده توسط سیستم عامل تشخیص داده شده توسط اسکن دقیق و اسکن دقیق، برای تشخیص داده شده توسط یک سیستم عامل تشخیص داده شده توسط یک سیستم عامل تشخیص داده شده توسط اسکن شده با تأخیر، و اسکن شده است؛ برای تشخیص داده شده است:

آموزش تقویت برای کارهای مستقل

یادگیری تقویت (RL) یک گام بیشتر با یادگیری سیاست های بهینه از طریق محاکمه و خطا در یک محیط شبیه سازی شده پیش بینی می کند، مدل دریافت پاداش زمانی که گلوکز در محدوده هدف باقی می ماند و مجازات برای گشت و گذار بیش از بسیاری از ⁇ ، آن را یاد می گیرد که دوزهای انسولین را انتخاب کنید که به حداکثر رساندن ثبات گلیکیک طولانی مدت است.

مدل های ترکیبی و روش های جمع آوری

بسیاری از سیستم های تولیدی، پیش بینی نظارت شده را با محدودیت های ایمنی مبتنی بر قانون ترکیب می کنند.به عنوان مثال، یک گروه از LSTM و XGBoost مدل ها ممکن است گلوکز را پیش بینی کنند، در حالی که یک ماژول جداگانه RL یک دوز را پیشنهاد می کند، اما خروجی نهایی توسط یک لایه ایمنی محافظه کار فیلتر می شود که از تحویل جلوگیری می کند اگر دوز بیش از آستانه پیش تعریف شده باشد، این رویکرد شخصی سازی شخصی سازی شخصی با ایمنی بیمار، یک نیاز حیاتی برای تنظیم مجدد از الگوریتم برای استفاده از بهینه سازی سطح کاربر برای هر یک روش ساده سازی کاربر برای استفاده می کند.

منابع داده کلیدی و نقش آنها در آموزش مدل

موفقیت هر سیستم یادگیری ماشینی بستگی به کیفیت، دانه و تنوع داده ها دارد.برای انسولین، جریان های داده زیر بیشتر تاثیر گذار هستند:

  • نظارت بر گلوکز مداوم (CGM) خواندن: به طور معمول هر 5 تا 15 دقیقه نمونه، ارائه یک سری غنی از ارزش های گلوکز، حداقل 2 تا 4 هفته از داده های CGM برای جذب ریتم های روزانه و پاسخ های غذایی فردی نیاز دارند. برخی از مدل های پیشرفته همچنین از سیگنال های سنسور خام (به عنوان مثال، پیش بینی های بین المللی) استفاده می کنند.
  • insulin پمپ رکورد: ، log های دقیق از نرخ های پایه، مقدار بولوس و زمان تحویل، این اجازه می دهد مدل ها را به درک داروهای مخدر از آنالوگ سریع انسولین (به عنوان مثال، لیتزpro انسولین، به عنوان بخشی) از جمله محاسبات انسولین-onboard به عنوان یک ویژگی می تواند جلوگیری از دوز پشته.
  • داده های منوal: شمارش کربوهیدرات (به طور ایده آل با زمان و ترکیب ماکرو مغذی) برخی از سیستم های پیشرفته همچنین از عکس های غذایی یا اسکن بارکد برای برآورد بار گلیکمی استفاده می کنند. چربی و پروتئین می توانند جذب گلوکز را به طور قابل توجهی به تاخیر بیندازند و مدل هایی که این مواد مغذی را شامل می شوند پیش بینی های پس از زایمان را بهبود داده اند.
  • فعالیت فیزیکی: شمارش مرحله، ضربان قلب و نوع ورزش از پوشیدنی ها. ورزش حساسیت به انسولین را افزایش می دهد و می تواند باعث هیپوگلیسمی تاخیر شود؛ مدل ها باید این اثرات را در سراسر آسیب های مختلف و مدت زمان یاد بگیرند.
  • سطح کورتیزول (از طریق بیومارکرها)، مدت خواب و میزان استرس خودگزارش شده، هر دو قند خون را از طریق هورمون های ضد تشنج افزایش می دهد.
  • ] فاز چرخه قاعدگی: نوسانات هورمونی به طور قابل توجهی بر حساسیت به انسولین در افراد در حال رشد تأثیر می گذارد؛ از جمله این داده ها دقت مدل را تا 12٪ در برخی از مطالعات بهبود می بخشد.

تقویت داده های مصنوعی – تولید رد پای بیمار واقعی – همچنین برای گسترش مجموعه های آموزشی و بهبود استحکام مدل، به ویژه برای رویدادهای نادر مانند هیپوگلیسمی شدید استفاده می شود. تکنیک هایی مانند شبکه های عمومی مجاور (GAN) می توانند داده های مصنوعی با رضایت بالا را تولید کنند که همبستگی های زمانی را حفظ می کنند، مدل هایی را قادر می سازد تا از طیف وسیعی از سناریوها یاد بگیرند.

مزایای الگوریتم های یادگیری ماشین

هنگامی که به درستی اجرا شود، یادگیری ماشین بهبود ملموسی در مورد رویکردهای معمولی فراهم می کند:

  • شخصی سازی در مقیاس: الگوریتم ها می توانند از هزاران روز بیمار از داده ها یاد بگیرند، اما با فیزیولوژی و شیوه زندگی منحصر به فرد هر فرد سازگار است.
  • هیپوگلیسمی قرمز شده: مدل های پیش بینی کننده می توانند تحویل انسولین را قبل از وقوع یک رویداد گلوکز کم متوقف کنند، کاهش هیپوگلیسمی شبانه توسط 50-70٪ در مطالعات بالینی.
  • ] افزایش زمان در محدوده زمانی ( : کارآزمایی های متعدد گزارش یک افزایش 10 تا 20٪ در درصد از زمان صرف شده در محدوده گلوکز هدف (70-180 میلی گرم / dL) در مقایسه با درمان استاندارد. برخی از سیستم های حلقه بسته ML قدرت بسته بیش از 80٪ زمان در محدوده مصرف واقعی به دست آورده اند.
  • HbA1c: کنترل روزانه بهبود یافته به نشانگرهای گلیسمیک طولانی مدت بهتر تبدیل می شود. متاآنالیز سیستم های تحویل انسولین خودکار (از جمله ML) کاهش متوسط HbA1 را از 0.5 -0.8٪، که به طور بالینی برای کاهش خطر میکروواسکولی معنی دار است.
  • خستگی تصمیم گیری کاهش یافته: بیماران دیگر نیازی به محاسبه مداوم دوز ندارند؛ الگوریتم تنظیمات پایه را کنترل می کند و توصیه می کند مقدار بولوس، بهبود کیفیت زندگی و پایبندی به بررسی کاربران پمپ های ML به طور قابل توجهی کاهش نمرات پریشانی مرتبط با دیابت.

اجرای واقعی جهانی و شواهد بالینی

سیستم های تجاری و تحقیقاتی نشان داده اند که یادگیری ماشین می تواند به طور ایمن در تنظیمات خانه مستقر شود. 780G سیستم آموزش دیده از الگوریتم انطباق مبتنی بر داده های تاریخی برای بهینه سازی نرخ های پایه و سیستم های اصلاح خودکار استفاده می کند: فناوری SmartGuard آن به طور خودکار تحویل انسولین را بر اساس روند CGM تنظیم می کند و مطالعات واقعی نشان می دهد که بیش از حد استفاده می کند.

سیستم های پیشرفته ML-native در توسعه دیر مرحله ای قرار دارند. [برای مثال، Bionics iLet از یک عامل یادگیری تقویت کننده استفاده می کند که نیازی به شمارش کربوهیدرات ندارد - آن را یاد می گیرد الگوهای غذایی در طول زمان.

مثال قابل توجه دیگر OpenAPS جامعه است، که کاربران مدل های ML باز را برای بهینه سازی سیستم های حلقه بسته خود ساخته اند، در حالی که تایید FDA نیست، این تلاش های مردمی داده های ارزشمند دنیای واقعی را تولید کرده اند که توسعه تجاری را مطلع می کنند. # ما انتظار نداریم که حرکت با ترویج داده ها و الگوریتم های مشترک تسریع شده است.

چالش ها و محدودیت ها

علی رغم وعده، چندین مانع باید پیش از آنکه اجرای ML به صورت جهانی شود، برطرف شوند.

حریم خصوصی داده ها و امنیت

داده های بهداشتی بسیار حساس هستند. مدل های آموزش دیده در داده های بیمار باید مطابق با مقرراتی مانند HIPAA (US) و GDPR (Europe) آموزش داده شوند - که در آن مدل ها به صورت محلی در دستگاه ها آموزش داده می شوند و تنها به روز رسانی های جمع شده مشترک هستند - یک رویکرد امیدوار کننده برای حفظ حریم خصوصی است در حالی که هنوز یادگیری سطح جمعیت را یاد می گیرد، یادگیری تغذیه شده ارتباطات پر و پتانسیل برای تکنیک های مختلف را برای محافظت از دقت داده ها، می کند.

مدل سازی و کالیبراسیون Shift

یک مدل آموزش دیده در یک جمعیت ممکن است به دلیل تفاوت در رژیم غذایی، ژنتیک یا فرمول های انسولین محلی، ضعیف عمل کند.به علاوه، دقت سنسور در طول زمان ضعیف عمل می کند؛ مدل ها باید قوی باشند تا ورودی پر سر و صدا را حفظ کنند، پدیده "تغییر توزیع" به ویژه در دیابت مشکل است، زیرا فیزیولوژی بیمار می تواند به تدریج تغییر کند (به عنوان مثال، پیری، یا الگوریتم های یادگیری بیماری های یادگیری آنلاین که می توانند به روز رسانی داده های جدید کمک کنند).

تنظیم مقررات Hedles

دستگاه های پزشکی مبتنی بر ML نیاز به اعتبار دقیق دارند. چارچوب FDA برای "نرم افزار به عنوان یک دستگاه پزشکی" (SaMD) نیاز به شواهد ایمنی و اثربخشی در سراسر جمعیت های مختلف دارد. AI قابل توضیح همچنین یک تمرکز نظارتی است - پزشکان و بیماران باید درک کنند که چرا یک دوز توصیه شده است. مدل های جعبه سیاه کمتر به دست آوردن تکنیک های تایید مانند SHAP (apley یادگیری افزودنی) و یا ماشین آلات یادگیری (gnocal) می توانند کیفیت را اضافه کنند.

ادغام با گردش های کاری بالینی

اکثر متخصصین Endocrin برای تفسیر خروجی ML آموزش دیده نیستند. ادغام بی درز با سوابق بهداشت الکترونیکی (EHRs) و ابزار پشتیبانی از تصمیم ضروری است، علاوه بر این، سیستم های بهداشتی باید برای درمان هدایت شده AI بازپرداخت کنند - چالشی که به آرامی از طریق کدهای جدید CPT برای نظارت از راه دور بیمار مورد توجه قرار می گیرد.در ایالات متحده، مراکز Medicare &؛ خدمات Medicaid (CMS) پوشش گسترش یافته برای خود و الگوریتم های بازپرداخت انسولین، اما هنوز برای خود باقی مانده است.

اعتماد کاربر و پذیرش

حتی اگر الگوریتم ها معتبر باشند، بیماران و پزشکان ممکن است در جهت کنترل آموزش و پرورش در مورد مزایا و محدودیت های سیستم ML تردید داشته باشند.در طراحی الگوریتم از طریق تحقیقات مشارکتی می تواند اعتماد ایجاد کند و اطمینان حاصل کند که سیستم ها نیازهای دنیای واقعی را برآورده می کنند.

مسیر های آینده و الگوریتم های نسل بعدی

موج بعدی نوآوری بر این تمرکز خواهد کرد:

  • [FLT: 1] ترکیب CGM با پوشیدنی (ساعت هوشمند، مانیتور ضربان قلب مداوم) و حتی سنسورهای زیست محیطی (به عنوان مثال، دما، شمارش گرده) برای جذب استرس های خارجی کمک می کند.
  • دوقلوهای دیجیتال: ایجاد مدل های محاسباتی سطح فردی از متابولیسم بیمار که می تواند برای آزمایش الگوریتم های ML در silico قبل از استقرار استفاده شود، دوقلوهای دیجیتال شامل مدل های فیزیولوژیکی دینامیک گلوکز است و می توانند هزاران سناریو را برای اعتباربخشی به ایمنی شبیه سازی کنند.
  • یادگیری متا سازگار: الگوریتم هایی که یاد می گیرند چگونه یاد بگیرند - به سرعت سازگار با بیماران جدید با تنها چند روز از داده ها، یک مفهوم شناخته شده به عنوان یادگیری چند شات، روش های متا-یادگیری، مانند یادگیری متا آگنوستیک (MAML)، می تواند یک مدل را که فقط نیاز به حداقل برای هر بیمار جدید.
  • Integration با پانکراس مصنوعی برای دیابت نوع 2: اکثر تحقیقات بر دیابت نوع 1 متمرکز شده است؛ گسترش سیستم های حلقه بسته ML به انسولین نوع 2 بیمار می تواند به طور چشمگیری نتایج را برای جمعیت بسیار بزرگتر بهبود بخشد.این پیچیدگی به دلیل عملکرد سلول بتا باقی مانده، مقاومت به انسولین، و آزمایش های دارویی، اما با الگوریتم های ساده تر نشان می دهد.
  • AI قابل توضیح برای حمایت از تصمیم گیری بالینی: مدل های در حال توسعه که نه تنها دوز توصیه می کنند، بلکه منطقی را ارائه می دهند (به عنوان مثال، "کاهش به دلیل ورزش پیش بینی شده در 30 دقیقه آینده") اعتماد کلینیکی را افزایش می دهد و تصمیم گیری مشترک را امکان می دهد.

نتیجه گیری

یادگیری ماشین در حال تبدیل انسولین درمانی از یک روش واحد (LT-1) به یک درمان پویا و شخصی است که به نیازهای زمان واقعی هر بیمار پاسخ می دهد.با استفاده از غنی سازی کامل داده های فردی - روند گلوکز، الگوهای غذایی، خواب و استرس - این الگوریتم ها می توانند بار مدیریت دیابت را کاهش دهند در حالی که بهبود نتایج گلیسمی نیاز به مطالعه گسترده دارد.