مقدمه: داده های دنیای واقعی به عنوان یک کاتالیزور برای نوآوری Pancreas مصنوعی

پانکراس مصنوعی که به عنوان یک سیستم تحویل انسولین خودکار (AID) نیز شناخته می شود، اساساً تغییر کرده است که چگونه افراد مبتلا به دیابت نوع 1 (T1D) وضعیت خود را مدیریت می کنند، با ترکیب یک مانیتور مداوم گلوکز (CGM)، یک پمپ انسولین و یک الگوریتم کنترل، این سیستم ها در پاسخ به سطح گلوکز زمان واقعی، به طور قابل توجهی کاهش بار تصمیم گیری دائمی، با این وجود بهبود دقیق زندگی، و دقیق تر، نیاز به سیستم های تشخیص دقیق تر است.

درک داده های واقعی جهانی: تعاریف، منابع و ارزش منحصر به فرد

داده های دنیای واقعی به اطلاعات مربوط به سلامت که به طور معمول از منابع مختلف خارج از زمینه آزمایشات کنترل شده سنتی (RCTs) جمع آوری شده است، ارزش آن در توانایی آن برای منعکس کردن ناهمگنی جمعیت بیمار واقعی، تنوع روزانه و اثرات زیست محیطی که بر عملکرد دستگاه تأثیر می گذارد، می باشد.

  • مانیتورهای گلوکز ثابت (CGMs): دستگاه هایی مانند Dexcom G / G7، ابوت FreeStyle Libre، و Medtronic Guardian اندازه گیری گلوکز با فرکانس بالا (هر 5 تا 15 دقیقه) در طول هفته یا ماه.این مجموعه داده های عظیم جذب گلیسمیک variability، زمان- برد (IRT)، و تاثیر وعده های غذایی، و استرس و فشار غذایی.
  • داده های پمپ Insulin: پمپ های هوشمند نرخ های پایه، دوزهای بولوس، تنظیمات پایه موقت و هشدارهای همراه با داده های CGM را ثبت می کنند، آنها یک تصویر کامل از رفتار سیستم ارائه می دهند.
  • سوابق سلامت الکترونیکی (EHRs): EHRs حاوی نتایج آزمایشگاهی (به عنوان مثال، HbA1c، پروفایل های چربی)، تشخیص، تاریخچه داروها و داده های عوارض. Linking EHR برای ورود دستگاه ها تجزیه و تحلیل نتایج طولی را فعال می کند.
  • ] [تعز کننده های فوری: ، جاذبه های بزرگ مقیاس مانند شبکه بهبود کیفیت مبادلات T1D و رجیستری DPV ثبت شده در آلمان / Austrian نتایج دنیای واقعی را از هزاران بیمار جمع آوری می کنند.
  • برنامه های بهداشتی و نتایج گزارش شده بیمار: برنامه هایی که غذا، فعالیت و رفاه عاطفی را وارد می کنند، زمینه ای را به روند گلوکز اضافه می کنند، و به محققان کمک می کند تا تأثیرات رفتاری را درک کنند.

چرا RWD از داده های کارآزمایی بالینی متفاوت است: RCTs به طور معمول ثبت جمعیت همگن با معیارهای پذیرش دقیق (به عنوان مثال، هیچ کتواسی دیابتی اخیر، HbA1c بین 7.0-10٪)، و آنها تحت برنامه های استاندارد پیگیری استاندارد عمل می کنند، در مقابل، RWD از جمله کودکان مختلف - و تشخیص داده شده است که سیگنال های ایمنی را از دست داده اند و تشخیص داده شده است که نشان می دهد که این شکاف های حساس است و کشف آن را از دست رفته است.

چگونه RWD نوآوری پانکوراس مصنوعی را تسریع می کند

چرخه طراحی آنتریک سیستم پانکراس مصنوعی – از اصلاح الگوریتم تا اعتبار بالینی تا بهبود بازار پس از بازار – توسط داده ها تقویت می شود. RWD هر مرحله را با ارائه داده های بزرگ و طولانی مدت که منعکس کننده چگونگی عملکرد سیستم ها در شرایط واقعی آمبولانس است، تسریع می کند.

آموزش الگوریتم و اعتبار در مقیاس

الگوریتم های مدرن بسته حلقه به یادگیری ماشین (ML) و کنترل پیش بینی مدل (MPC) متکی هستند، این الگوریتم ها نیاز به مقادیر زیادی از داده ها برای یادگیری الگوهای تحویل مطلوب انسولین و برای رسیدگی به پویایی غیر خطی از تنظیم گلوکز دارند.RWD دقیقاً این را ارائه می دهد: ماه های با وضوح بالا CGM و داده های پمپ از صدها یا هزاران کاربر واقعی.

به عنوان مثال، پروژه حلقه Tidepool – یک برنامه تحویل خودکار انسولین باز، FDA-پاک شده – از داده های دنیای واقعی از کاربران جامعه استفاده کرده است تا به طور مداوم منطق انجام آن را اصلاح کند، به طور مشابه، گروه های دانشگاهی مانند گروه مطالعه بین المللی تغذیه شده JDRF اغلب RWD را از registries وارد می کنند تا شبیه سازی کنند که چگونه الگوریتم های جدید قبل از شروع به انجام آزمایشات بالینی.

نظارت بر عملکرد واقعی و نظارت بر ایمنی

هنگامی که یک سیستم پانکراس مصنوعی تایید شد، نظارت پس از بازار ضروری می شود.سازمان های تنظیم مقررات مانند سازمان غذا و داروی ایالات متحده (FDA) و آژانس پزشکی اروپا (EMA) تولیدکنندگان را تشویق می کنند تا RWD را جمع آوری کنند تا حوادث جانبی نادر، مشکلات عملکرد سنسور یا اشکالات الگوریتمی را که تنها پس از استفاده گسترده پدیدار می شوند، تجزیه و تحلیل RWD از Mini MiniMed 670G سیستم ثابت شده است که برخی از یک سیستم رفتار شبانه را بهبود می دهد.

RWD همچنین نظارت مستمر ایمنی را از طریق (FLT:0) داشبورد تقریباً زمان واقعی ، با جریان CGM و داده های پمپ از کاربران رضایت بخش، تولید کنندگان و تنظیم کنندگان می توانند روند - مانند افزایش در حوادث هیپوگلیسمی شدید در شرایط خاص - و هشدارها و یا اعلان های به یاد آوردن فعال.

سفارشی سازی بیمار و شخصی سازی

هر فرد مبتلا به دیابت به همان روش به سیستم تحویل انسولین خودکار پاسخ نمی دهد. عواملی مانند الگوهای فعالیت، ترکیب غذا، استرس و حتی چرخه های قاعدگی می توانند به طور چشمگیری بر پویایی گلوکز تأثیر بگذارند. RWD از گروه های بزرگ اجازه می دهد تا محققان را شناسایی کنند که ممکن است از پارامترهای تنظیم مختلف یا تنظیمات الگوریتم بهره مند شوند.

علاوه بر این، RWD توسعه مدل های پیش بینی کننده را که پیش بینی هیپوگلیسمی یا بیش از حدگلیسمی ساعت ها پیش از آن است، با آموزش این مدل ها در هزاران پروفایل دنیای واقعی، می توان آنها را به امضای گلوکز منحصر به فرد فرد فرد فرد، که منجر به کنترل حلقه بسته شده است، طراحی کرد.

پذیرش شواهد واقعی جهانی (RWE)

عبارت ] شواهد واقعی در جهان [ [FLT 1 ] اشاره به شواهد بالینی تولید شده از تجزیه و تحلیل RWD در طی یک دهه گذشته، بدن های نظارتی به طور فزاینده ای RWE را به عنوان مکمل یا حتی شواهد اولیه برای انواع خاصی از ارسال دستگاه های پزشکی - به ویژه برای دستگاه های قبلا تایید شده و برای مطالعات پس از بازار شناخته شده است.

در سال 2018، FDA یک چارچوب برای استفاده از RWD در تصمیم گیری تنظیمی منتشر کرد، و سپس با استفاده از RWD برای حمایت از تایید پیش از بازار دستگاه های پزشکی، FDA RWE را پذیرفته است:

  • پشتیبانی از گسترش برچسب (به عنوان مثال برای کودکان یا جمعیت های باردار)
  • نشان دادن ایمنی و اثربخشی بلند مدت فراتر از پنجره آزمایشی معمولی 3 تا 6 ماه.
  • در این میان، اطلاعات جمع آوری شده در اختیار شما قرار می گیرد.
  • به روز رسانی الگوریتم معتبر بدون نیاز به کارآزمایی های جدید محوری، تحت مفهوم "تاریخ طراحی مستند"

یک مثال قابل توجه، تایید FDA 2022 برای به روز رسانی سیستم عامل برای کنترل IQ عمدتا بر اساس داده های عملکرد واقعی جمع آوری شده از > 10،000 کاربر است.این به روز رسانی بهبود زمان در برد 2.5 درصد بدون افزایش هیپوگلیسمی - اندازه اثر سازگار با RCT قبلی اما مشاهده شده در استفاده روزمره.

بین المللی، EMA یک رویکرد مسیرهای سازگار را اجرا می کند که همچنین ادغام RWE را تشویق می کند.شبکه اروپا برای ارزیابی فناوری بهداشت (EUNETHTA) و طرح داده REAl-world (READI) به طور فعال در حال توسعه استانداردهای برای هماهنگ کردن پذیرش RWD در سراسر کشورهای عضو است.

با این حال، انتظارات نظارتی نیاز دارد که RWD به طور سیستماتیک با حاکمیت داده های روشن، سیستم های منبع معتبر و روش های تحلیلی قوی برای به حداقل رساندن سوگیری جمع آوری شود. FDA تاکید کرده است که RWD باید متناسب با هدف باشد، به این معنی که کیفیت داده و تکمیل استانداردهای مطالعه کنترل شده برای سوال خاص در دست را برآورده می کند.

چالش های در مدیریت داده های واقعی-World

با وجود پتانسیل آن، RWD یک پاناسا نیست، استفاده از آن در نوآوری پانکراس مصنوعی با موانع متعددی مواجه است که نیاز به کاهش دقیق دارند.

کیفیت داده ها و استاندارد

RWD از منابع متعدد اغلب از ناسازگاری رنج می برد: مارک های مختلف CGM دقت های مختلفی دارند، داده های پمپ ممکن است شامل تشنج های خاموش، و داده های EHR می توانند شامل ورودی های از دست رفته یا قابل اشتعال باشند تا بینش های قابل اعتماد را به دست آورند، محققان باید پیش پردازش دقیق را پیاده سازی کنند - فیلتر کردن نادرست خواندن، تراز کردن مناطق زمانی و واحدهای طبیعی سازی (FLT: نمونه های استاندارد) و تجهیزات ناقص است.

حریم خصوصی و نگرانی های امنیتی

RWD اغلب شامل اطلاعات بسیار حساس – سطوح گلوکز ثابت، دوزهای انسولین و الگوهای فعالیت مبتنی بر GPS است. مقررات مانند HIPAA (در ایالات متحده) و GDPR (در اروپا) الزامات سختگیرانه ای را در جمع آوری داده ها، شناسایی و رضایت بیماران باید به طور کامل در مورد چگونگی استفاده از داده های آنها مطلع شوند و آنها باید توانایی برای حذف تکنیک های ذخیره سازی را داشته باشند، به خصوص اگر داده های مشابه را کاهش دهند، باید به طور کامل اطلاعات را کاهش دهند.

انتخاب Bias و Confounding

RWD توسط طبیعت مشاهده می شود - بیماران خود را انتخاب می کنند تا از یک دستگاه خاص یا برنامه استفاده کنند.در اوایل سیستم های پانکراس مصنوعی ممکن است بیشتر فن آوری-savvy، سواد سلامت بالاتری داشته باشند یا کنترل گلیسمیک بهتری نسبت به بعداً اتخاذ کنندگان ساختاری داشته باشند که می توانند اثربخشی تخمین زده شده را افزایش دهند، به طور مشابه عوامل گیج کننده مانند تغییرات فصلی، مداخلات رژیم غذایی، یا تجزیه و تحلیل های پیشرفته - ممکن است به اندازه کافی از روش های موثر باشد.

قابلیت های عمومی و عدالت

اکثر RWD از جمعیت در کشورهای با درآمد بالا می آید که سیستم های بهداشتی به خوبی منبع شده اند.تجربه بیماران در کشورهای کم درآمد و متوسط، یا در میان اقلیت های فقیر در کشورهای ثروتمند، اغلب کم نشان داده می شود، در حالی که RWD تنوع بیشتری نسبت به RLT ها را جذب می کند، هنوز شکاف ها دارند. توسعه دهندگان باید به طور فعال داده ها را از شکاف های جمعیتی متنوع برای اطمینان از الگوریتم هایی که پیشرفت های بهداشتی را تشدید نمی کنند، جستجو کنند.

مسیرهای آینده: AI، Twins دیجیتال و سیستم های داده مشارکتی

نسل بعدی نوآوری پانکراس مصنوعی به طور فزاینده ای مبتنی بر داده ها خواهد بود، با RWD بازی یک نقش حتی مرکزی تر.سه روند در حال ظهور است.

هوش مصنوعی و پیش بینی Analytics

با ترکیب یادگیری عمیق با RWD بزرگ، محققان می توانند مدل هایی را بسازند که پیش بینی گلوکز را تا 60 دقیقه قبل از دقت بالا انجام دهند، این مدل ها می توانند به طور مستقیم به سیستم های AID جاسازی شوند تا تحویل انسولین را قبل از هیپرگلیسمی یا هیپوگلیسمی رخ دهد، علاوه بر این، یادگیری تغذیه شده - که در آن مدل ها در سراسر بیمارستان های متعدد یا تولید کنندگان دستگاه آموزش دیده می شوند بدون اینکه داده های اولیه را غیرفعال کنند - به ویژه هنگامی که دارای رویدادهای کم مصرف کننده های معمولی هستند.

دوقلوهای دیجیتال Pancreas مصنوعی

یک دوقلو دیجیتال یک شبیه سازی مجازی از سیستم متابولیک بیمار است که به طور مداوم با داده های سنسور دنیای واقعی به روز می شود.با استفاده از RWD، محققان می توانند دوقلوهای دیجیتال را برای هزاران نفر ایجاد کنند و اثر پارامترهای الگوریتم مختلف، قرار دادن سنسور یا انواع انسولین بدون هیچ گونه خطر برای پانکراس را شبیه سازی کنند.این روش سرعت توسعه را با اجازه دادن به سرعت آن در silico برای مثال، مصرف کننده و تجزیه و تحلیل های بالینی (F) می تواند یک جفت گیری بالینی را انجام دهد:

سیستم های داده های همکاری و Open Platforms

هیچ نهاد واحدی به اندازه کافی RWD برای ثبت همه تنوعات T1D. Open-data Platform مانند OpenAPS و حریم خصوصی RLT:2 [FLT3] پروتکل های بزرگ حفاظت از داده ها را در نهایت نشان داده اند، اما فاقد تلاش های استاندارد دولت آینده - مانند تجزیه و تحلیل های استاندارد [FLTD] - این گروه های پردازش داده های مشترک را فراهم می کند:

نتیجه گیری

داده های دنیای واقعی در حال تبدیل چگونگی توسعه، معتبر و بهبود یافته است.از آموزش الگوریتم های قوی برای اطلاع رسانی به تصمیمات تنظیم کننده، RWD ارتباط از دست رفته بین کارآزمایی های کنترل شده و واقعیت کثیف و زیبا مدیریت دیابت روزانه را فراهم می کند: مسیر نیاز به همکاری در میان مهندسان، پزشکان، تنظیم کنندگان و مهمتر از همه، بیماران است که سرمایه گذاری در آسیب رساندن به طور دقیق، تجزیه و تحلیل های ایمنی و تحلیل های شخصی تر برای استفاده از آن است و نگهداری اطلاعات دقیق تر برای استفاده از طریق جمع آوری اطلاعات دقیق تر و تنظیم مجدد و تنظیم اطلاعات برای استفاده از آن.

[در این باره] [و] [و] [در این باره]، [[[۱]] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۲] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۲] [۱] [۱] [۳] [۳] [۳] [۳] [۱] [۱] [۱] [۱] [۱] [۱] [۲] [۱] [۱] [۲] [۳] [۲] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۳] [۱] [۱] [۳] [۱] [۱] [۳] [۱] [۱] [۱] [۲] [۲] [۱] [۲] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۳] [۳] [۲] [۱] [۳] [۳] [۱] [۲] [۳] [۱