Table of Contents

ملانوما بیش از 537 میلیون بزرگسال در سراسر جهان را تحت تاثیر قرار می دهد، یک رقمی که پیش بینی می شود در دهه های آینده به شدت افزایش یابد.مدیریت این وضعیت مزمن نیاز به هوشیاری مداوم دارد: ردیابی گلوکز خون، تنظیم دوز انسولین، نظارت بر موانع مصرف مواد غذایی، و تشخیص نشانه های اولیه نوسانات مواد مخدر و بازدید از کلینیک دوره ای تنها پیش بینی یک بیماری پویا را ارائه می دهد.

IoT و یادگیری ماشین در بهداشت و درمان چیست؟

اینترنت اشیا به شبکه ای از اشیاء فیزیکی – دستگاه ها، سنسورها یا لوازم – جاسازی شده با نرم افزار، اتصال و توانایی تبادل داده ها در اینترنت اشاره دارد.در یک زمینه مراقبت های بهداشتی، IoT همه چیز را از پمپ های تزریق بیمارستان به قفسه های فشار خون خانگی، برای دیابت، اکثر دستگاه های IoT به طور مداوم مانیتور گلوکز (CGM)، قلم هوشمند انسولین، و دستگاه های خواندن فیزیکی، و یا حتی تصاویر دقیق (برای مثال، این نوار های ساعت فیزیکی) تولید می کند.

یادگیری ماشین، شاخه ای از هوش مصنوعی، از تکنیک های آماری برای فعال کردن سیستم ها برای یادگیری از داده ها بدون اینکه به طور صریح برای هر قاعده احتمالی برنامه ریزی شود، به جای شرایط سخت کد سازی مانند "اگر گلوکز واگت؛ 180 میلی گرم / dL پس از آن هشدار"، الگوریتم های ML هزاران روز از داده ها را برای کشف روابط پیچیده، غیر خطی مصرف می کنند، یا پیش بینی نتایجی از یک اثر خاص گلوکز در یک رویداد خاص.

synergy روشن است: IoT خوراک داده های مداوم و با وضوح بالا را فراهم می کند که الگوریتم های ML نیاز به آموزش مدل های قوی دارند و ML بینش های عملی را که حلقه را بسته است، بازگرداندن می کند و داده های سنسور خام را به توصیه های زمان واقعی برای بیماران و پزشکان تبدیل می کند.

چگونه دستگاه های IoT مجموعه داده های دیابت را تغییر می دهند

قبل از پذیرش گسترده CGMs، مدیریت دیابت به شدت بر اندازه گیری های کیستیک انگشت متکی بود، که معمولاً 4 تا 10 بار در روز انجام می شد.این عکس ها گرایش های بحرانی و الگوهای شبانه را از دست می دهند.

قابلیت های مستمر Glucose Monitors

CGMs مانند Dexcom G6، ابوت FreeStyle Libre و سنسورهای نگهبان Medtronic اندازه گیری سطح گلوکز در زیرگلیسمی مایع درون آنی است که آنها خواندن را به طور بی سیم به یک برنامه تلفن هوشمند یا گیرنده اختصاص داده شده هر 5 تا 15 دقیقه. A بیمار تقریبا 288 نقطه داده در روز تولید می کند - حجمی که به صورت دستی برای تشخیص این الگوهای سریع گلوکز (تغییر سریع).

قلم های هوشمند انسولین و پمپ ها

قلم های انسولین هوشمند (به عنوان مثال، Novo Nordisk’s NovoPen 6، HP Medical's InPen) ضبط زمان تزریق، دوز و نوع انسولین، به طور خودکار همگام سازی با یک برنامه تلفن همراه. پمپ انسولین با داده های یکپارچه CGM، مانند Tandem tslim X2 با کنترل-IQIQ، فرم انسولین خودکار (ID) که اغلب از الگوریتم های زمان بر اساس ML استفاده می کنند.

ردیاب های پوشیدنی و سایر سنسورها

پوشیدنی هایی مانند Apple Watch، Fitbit یا Garmin دستگاه ها داده های متنی را ارائه می دهند: تنوع ضربان قلب، دما، مراحل خواب و سطح استرس، این متغیرها بر متابولیسم گلوکز تأثیر می گذارد، به عنوان مثال، فعالیت فیزیکی حساسیت به انسولین را افزایش می دهد؛ استرس باعث افزایش کورتیزول و قند خون می شود.

تکنیک های یادگیری ماشین برای مدل های پیش بینی کننده دیابت

داده های خام از دستگاه های IoT باید پردازش، تمیز و تغییر یابند قبل از اینکه بتوان از آن برای آموزش مدل های پیش بینی استفاده کرد، انتخاب الگوریتم ML بستگی به سوال بالینی دارد: پیش بینی ارزش گلوکز عددی، طبقه بندی یک رویداد قریب الوقوع (هیپوگلیسمی / هیپوگلیسمی)، یا گروه بندی بیماران به دسته های خطر.

مدل های بازگشتی برای پیش بینی گلوکز

رایج ترین کار پیش بینی سطح گلوکز خون آینده در افق داده شده است - به عنوان مثال، 15، 30 یا 60 دقیقه پیش از آن. مدل های رگرسیون زمان-زمان نامزدهای طبیعی هستند. مدل های انتقال خودکار و عصبی سنتی (ARIMA) به طور تاریخی استفاده شده اند، اما انواع یادگیری عمیق در حال حاضر بر شبکه های حافظه کوتاه مدت (LSTM) تسلط دارند، یک نوع از خطاهای شبکه عصبی (به ویژه در رشته های جذب گلوکز کامل).

مدل های طبقه بندی برای تشخیص رخداد

به جای پیش بینی سطح گلوکز دقیق، برخی از مدل ها برای تشخیص شروع هیپوگلیسمی ( گلوکز خون وlt؛ 70 mg / dL) یا هیپرگلیسمی (وگلیسمی؛ 180 میلی گرم / dbooL) در یک پنجره پیش بینی شبانه طراحی شده اند، این ها مشکلات طبقه بندی چند نفره یا چند طبقه ای دارند، مانند جنگل تصادفی، XGBoost، و ماشین های پشتیبانی (VM) که در مورد توجه قرار دارند، نشان می دهند که در مورد توجه قرار دارند.

دسته بندی برای بیمار Subphenotyping

دیابت یک بیماری یکنواخت نیست. بیماران در حساسیت به انسولین، عملکرد سلول های بتا، شیوه زندگی و پاسخ به درمان ها متفاوت است. خوشه بندی نشده (به عنوان مثال، k-means، خوشه سلسله مراتبی) می تواند بیماران را به زیرمجموعه ها بر اساس الگوهای داده IoT خود دسته بندی کند.این زیرگروه ها ممکن است پروفایل های خطر متمایز داشته باشند یا بهتر به رژیم های خاص درمانی پاسخ دهند که مراقبت دقیق تر را قادر می کنند.

ساخت یک مدل پیش بینی کننده: از داده تا Deployment

ایجاد یک مدل پیش بینی کار شامل چندین گام فراتر از انتخاب یک الگوریتم است.هر مرحله چالش ها و انتخاب های طراحی خود را ارائه می دهد.

خرید و پردازش داده ها

جریان داده های IoT اغلب آشفته است: خواندن از دست رفته (اختلال سنسور، شکاف های انتقال)، سر و صدا (تحریم فشرده)، و فواصل زمانی نامنظم. پیش پردازش شامل قطع عضو (به عنوان مثال، تقسیم خطی برای شکاف های کوتاه)، حذف بیشتر (فیزیکی غیر ممکن مانند گلوکز و آگات؛ 600 mg / L وlt؛ 20mg / نوار زمان بسته بندی شده) و اغلب باید در سراسر فرکانس داده ها (به طور مساوی 5، و یا فرکانس داده ها).

مهندسی

ارزش سنسور خام به ندرت بهترین عملکرد را ارائه می دهد. مهندسی ویژگی متغیرهای مشتق شده را ایجاد می کند که پویایی زمان را کد می کنند: سرعت گلوکز تغییر (اول مشتق)، شتاب ( مشتق دوم)، منطقه تحت منحنی بیش از پنجره های اخیر، زمان از آخرین وعده غذایی، منحنی های عمل انسولین و شاخص قند خون پایین (LBGI) ویژگی های خاص، مانند "شاخص خطر کاهش" استفاده شده توسط بنیاد تحقیقات دیابت نوجوانان (JD مهندسی شده است).

آموزش مدل و اعتبار

داده های دستگاه های IoT کلارک یک چالش منحصر به فرد را نشان می دهد: نمونه های از همان بیمار با هم مرتبط هستند، نقض فرضیه استقلال بسیاری از روش های استاندارد اعتبار سنجی، محققان باید از تجزیه و تحلیل متقابل بیمار یا زمان بندی زمان بندی زمان بندی برای جلوگیری از نشت داده ها استفاده کنند. یک مدل آموزش دیده در هفته اول از داده های بیمار ممکن است به درستی پیش بینی هفته دوم (تقوط اعتبار داخلی)، اما به طور کلی دریافت کننده (BCEI) برای تجزیه و تحلیل بالینی دقیق تر (CEIPR) است شامل مشخصات بالینی دقیق تر (CEIPR) است.

زمان واقعی و ادغام

استقرار یک مدل در یک برنامه بالینی یا مصرف کننده نیاز به تداخل کم دارد. Edge Computing - اجرای ML در تداخل به دستگاه IoT یا در یک گوشی هوشمند نزدیک - وابستگی به اتصال ابر را کاهش می دهد که در مورد قطع شبکه مهم است: مدل های باید در حافظه و محدودیت های باتری از خروجی پوشیدنی به طور معمول توصیه می شود که در زیر 15 / 50 دقیقه هشدار مصرف شود: "IP.

نمونه های واقعی و تحقیقات پیشرفت

چندین سیستم تجاری و علمی در حال حاضر پتانسیل IoT + ML را برای پیش بینی دیابت نشان می دهند.

سیستم Medtronic Guardian 3 FDA از یک الگوریتم اختصاصی (SmartGuard) استفاده می کند که پیش بینی هیپوگلیسمی را 30 دقیقه پیش بر اساس روند CGM، تعلیق انسولین تحویل زمانی که آستانه احتمالا نقض می شود، به طور مشابه، الگوریتم Tandem Control-IQ از یک روش پیش بینی مدل (MPC) استفاده می کند، که به طور نزدیک به یادگیری ماشین، تنظیم انسولین و تنظیم سرعت اصلاح می شود.

در حوزه تحقیقاتی، مجموعه داده های اوهایوT1DM (که از 12 بیمار مبتلا به دیابت نوع 1 در 8 هفته) استخراج شده است، به یک معیار برای توسعه مدل های پیش بینی گلوکز تبدیل شده است. تیم های سراسر جهان از CGM، انسولین، غذا و داده های فعالیت برای آموزش LSTM، شبکه های عصبی یکپارچه (CNNs)، و مدل های هیبریدی A 2021 توسط او آموزش دیده و مهندسی زیست محیطی (DN2) استفاده کردند که می تواند داده های ساده ای را در LS6 را پیش بینی کند، و مهندسی زیست محیطی را نشان دهد.

مثال لینک خارجی: بیشتر در مورد مجموعه داده های اوهایوT1DM و معیارهای یادگیری ماشین برای پیش بینی دیابت بیشتر بدانید.

چالش ها و موانع به اتخاذ گسترده

علی رغم پیشرفت های فنی چشمگیر، استفاده روزمره از مدل های پیش بینی شده IoT در مراقبت از دیابت با موانع قابل توجهی مواجه است.

حریم خصوصی داده ها و امنیت

داده های سلامت بیمار در میان حساس ترین اطلاعات شخصی است.هنگامی که دستگاه های IoT خواندن گلوکز را به ابر منتقل می کنند، پروفایل های مداوم و صمیمی از حالت فیزیولوژیکی فرد تولید می کنند. چارچوب های تنظیم مقررات مانند HIPAA در ایالات متحده و GDPR در اروپا رمزگذاری دقیق، کنترل دسترسی و رضایت کاربر، هر مدل که داده ها را جمع آوری می کند باید اطمینان حاصل کند که انتقال در حمل و نقل رمزگذاری شده است (II) و یا آسیب رساندن به بیمار (اطلاعات شخصی).

قابلیت متقابل و استاندارد سازی دستگاه

بیماران دیابتی اغلب از دستگاه های تولید کنندگان متعدد استفاده می کنند: Dexcom CGM، یک پمپ انسولین Omnipod و ردیاب فعالیت Fitbit. هر دستگاه یک پروتکل مختلف (انرژی کم آبی، API اختصاصی، MQTT، HL7 FHIR) را به آرامی از داده های غیر قابل تنظیم پزشکی رنج می برد.

افزایش مدل و قابلیت عمومی

بیشتر مدل های پیش بینی شده در مجموعه داده هایی آموزش داده می شوند که نسبتا کوچک هستند (دوزن ها به چند صد بیمار) و به سمت برخی از جمعیت شناسی (به عنوان مثال، عمدتا سفید، با درآمد بالا، با دسترسی به آخرین پمپ های انسولین قابل توجه) که به 10 mg / dL MAE در گروه اوهایوT1DM دست می یابد، ممکن است عملکرد ضعیفی در بیمار با حساسیت به انسولین داشته باشد، یا نیاز به تعداد بیشتری از جمله استفاده از نوع پمپ های مختلف، از طریق پمپ های مختلف، از جمله پمپ های مختلف، آموزش های مختلف، از طریق پمپ های مختلف، استفاده از جمله پمپ های مختلف، استفاده از طریق پمپ های مختلف، به پمپ های مختلف، نیاز به 10 mg / dx MAE.

اعتباربخشی تنظیم کننده و پذیرش بالینی

دریافت یک الگوریتم پیش بینی شده توسط FDA (یا ارگانهای معادل) نیاز به اعتبار بالینی دقیق دارد: مدل باید ایمنی، اثربخشی و برابری و یا برتری را به استاندارد مراقبت نشان دهد. برنامه پیش فرض نرم افزار دیجیتال FDA با هدف ساده سازی تایید برای مدل های کم خطر AI، اما الگوریتم های پرخطر (آن هایی که به طور مستقیم کنترل انسولین تحویل) هنوز باید آزمایشات بالینی گسترده ای انجام شود، زیرا آنها فاقد منابع ارائه دهنده خدمات تجاری هستند.

مسیر های آینده: جایی که یادگیری IoT و ماشین در حال هدایت است

موج بعدی نوآوری وعده می دهد تا محدودیت های فعلی را حل کند و امکانات جدید را باز کند.

آموزش حفظ حریم خصوصی

به جای متمرکز کردن داده های بیمار در یک سرور ابر، یادگیری تغذیه شده اجازه می دهد تا آموزش مدل بر روی دستگاه یا در لبه بیمارستان رخ دهد، با تنها به روز رسانی مدل (موارد) به یک سرور مرکزی به اشتراک گذاشته شده است، این رویکرد حفظ حریم خصوصی کلارا (داده های هرگز کنترل بیمار را ترک نمی کند) و می تواند داده ها را از هزاران بیمار بدون حرکت دادن دقت گوگل آموزش دیده و تجزیه و تحلیل داده ها برای کاهش داده های کلاب شده در این روش های قابل مقایسه با استفاده از طریق داده های قابل مشاهده شده در مورد استفاده از گلوکز.

Multi-Modal Data Integration

مدل های آینده حتی سیگنال های بیشتری را شامل می شوند: مانیتورهای مداوم کتن (در توسعه خطر ابتلا به کتواسوئیدوز دیابتی)، ردیاب های هورمون (cortisol، گلوکاگون)، موقعیت جغرافیایی (برای دسترسی به غذاهای سالم)، و عوامل اجتماعی سلامت ( ثبات مالی، سواد درمانی) می توانند یادداشت های رایگان - متن از سوابق سلامت الکترونیکی (EHR) را هضم کنند تا الگوهای بافت غیر معمول را ارائه دهند.

Edge AI و کاهش Latency

پیشرفت در تراشه های تخصصی AI (به عنوان مثال، Google Edge Vista، Apple Neuro Engine) امکان اجرای مدل های یادگیری عمیق پیچیده را به طور مستقیم در یک ساعت هوشمند یا یک پچ اختصاصی دیابت، کاهش تأخیر به این معنی است که مدل می تواند پیش بینی های در عرض چند ثانیه از دریافت آخرین مطالعه CGM، قادر به انجام مداخلات واقعا زمان واقعی برای سیستم های بسته، لبه حلقه در از بین بردن و به تاخیر در مسائل کنترل ابر.

هوش مصنوعی قابل توضیح برای اعتماد کلینیکی

یک مانع عمده برای پذیرش بالینی ماهیت "جعبه سیاه" مدل های یادگیری عمیق است.یک کلینیکی ممکن است در تنظیم دوز انسولین بر اساس پیشنهاد مدل تردید کند اگر آنها نمی توانند درک کنند (FLT:0 چرا آن را به طور خاص تصمیم گیری های پیش بینی شده مانند SHAP (برنامه های افزودنی افزودنی افزودنی افزودنی افزودنی افزودنی افزودنی افزودنی) و LIME (مدل از دست رفته) که ترجیح داده شده است که خواندن یک پیش بینی بالا را نشان دهد.

لینک های خارجی برای خواندن بیشتر: بررسی AI در مدیریت دیابت و به روز رسانی های تحقیقاتی انجمن دیابت آمریکا در سلامت دیجیتال.

نتیجه گیری

تقاطع IoT و یادگیری ماشین مدیریت دیابت را از یک مدل واکنشی، اپیزودی به یک مانیتور گلوکز فعال، پیش بینی شده، سیستم های تحویل انسولین هوشمند و ردیاب های بهداشتی پوشیدنی جریان های بی سابقه ای از الگوریتم های یادگیری ماشین با وضوح بالا را تولید می کنند - از شبکه های LSTM گرفته تا درختان گرادی - داده های قریب الوقوع برای تشخیص روند گلوکز، و مداخلات بالقوه کاهش می یابد.

با این حال، مسیر پذیرش گسترده با چالش های فنی، نظارتی و اخلاقی است. حریم خصوصی داده ها و امنیت باید ضد گلوله باشد. دستگاه ها باید یک زبان مشترک صحبت کنند. مدل ها باید در سراسر جمعیت های مختلف و شرایط دنیای واقعی تعمیم داده شوند و خروجی این مدل ها باید به اندازه کافی برای پزشکان و بیماران برای عمل بر روی جامعه تحقیق، صنعت و تنظیم کننده هر گونه مسائل به طور فعال و سریع است.

برای میلیون ها نفر که امروز با دیابت زندگی می کنند، وعده یک سیستم حلقه بسته که به طور یکپارچه پیش بینی می کند و مانع از سفر گلوکز می شود - بدون تلاش مستمر دستی - دیگر داستان علمی نیست.این یک واقعیت نزدیک به آینده است که بر همگرایی IoT و یادگیری ماشین ساخته شده است.