Table of Contents

ظهور الگوریتم های یادگیری تطبیقی در آموزش دیابت

دیابت بیش از 537 میلیون بزرگسال در سراسر جهان را تحت تاثیر قرار می دهد و این تعداد همچنان به صعود خودمدیریتی موثر برای جلوگیری از عوارض ضروری است، اما سنتی آموزش و پرورش یک اندازه مناسب اغلب قادر به تعامل با بیماران و یا پاسخگویی به نیازهای منحصر به فرد خود را یادگیری سازگار با الگوریتم های یادگیری سازگار است: سیستم های مبتنی بر داده که محتوای آموزشی را به هر یک از زبان های آموزشی فردی و #8217 سفارشی می کنند؛ سطح دانش، و رفتارهای یادگیری بالینی، و یادگیری محیطی، و یادگیری و یادگیری و یادگیری ماشین های آموزشی با وعده داده های آموزشی.

بر خلاف سیستم عامل های یادگیری استاندارد که از یک برنامه درسی ثابت پیروی می کنند، سیستم های یادگیری تطبیقی به طور مداوم دشواری، پا زدن و تمرکز مواد بر اساس یادگیرنده و #8217؛ عملکرد و بازخورد در مراقبت از دیابت، به این معنی است که بیمار مبارزه با زمان انسولین ماژول های هدفمند را بر شمارش کربوهیدرات و دوز اصلاح دریافت می کند، در حالی که کسی با کنترل گلیک عالی اما عادات مراقبت از پا ضعیف باعث می شود تا سرعت بررسی مهارت های خود را افزایش دهد.

اجزای اصلی الگوریتم های یادگیری تطبیقی برای دیابت

برای درک چگونگی عملکرد این سیستم ها، به شکستن آنها به چهار لایه متصل کمک می کند:

  1. لایه Ingestionmentation و #8211؛ جمع آوری داده های ساختار یافته و بدون ساختار از مانیتور گلوکز، پمپ های انسولین، ردیاب های فعالیت، ورود دارو، نتایج گزارش شده بیمار و سوابق سلامت الکترونیکی.
  2. و #8211؛ نمایندگی آماری یا ماشینی از بیمار و #8217؛ دانش فعلی، شکاف مهارت، سبک یادگیری و الگوهای رفتاری به روز می شود.
  3. محتوای Repository و #8211؛ کتابخانه ای از دارایی های آموزشی ماژولار (فیلم، آزمون، شبیه سازی، خلاصه متن) با سطح دشواری، موضوع، مهارت های پیش نیاز و ترجیحات فرمت برچسب زده شده است.
  4. موتور بازسازی و #8211؛ الگوریتمی که بهترین فعالیت یادگیری بعدی را با متعادل کردن سه فاکتور انتخاب می کند: آنچه بیمار نیاز به یادگیری دارد (شکاف های دانش)، آنچه که آنها آماده یادگیری (منطقه توسعه پروتیتال) هستند، و آنچه آنها را با انگیزه نگه می دارد (پیش بینی کننده های پیش بینی مانند زمان، پایبندی یا فرمت های اخیر).

این لایه ها در یک حلقه کار می کنند: بیمار با سیستم، به روز رسانی مدل یادگیرنده، توصیه موتور محاسبه مجدد، و یک قطعه محتوای جدید از طریق یک برنامه تلفن هوشمند، رابط وب یا حتی یک سخنران هوشمند تحویل داده می شود.

منابع داده های واقعی جهانی که موجب سازگاری سوخت می شوند

غنی بودن مدل یادگیرنده بستگی به انواع داده های تغذیه شده در آن دارد. پیاده سازی های سرب از:

  • مانیتورهای گلوکز ثابت (CGMs) و #8211؛ ارائه زمان در برد، تنوع گلیسمیک و فلش های روند که نشان می دهد که آیا بیمار بیش از حد هیپوگلیسمی، هیپوگلیسمی یا پایدار است.
  • پمپ Insulin یا مدادهای هوشمند و #8211؛ نشان دادن پایبندی به دوزهای پایه و بولوس، الگوهای اصلاح و دوزهای از دست رفته.
  • قابلیت و ردیاب خواب و #8211؛ فعالیت فیزیکی و کیفیت خواب به طور مستقیم بر حساسیت به انسولین تأثیر می گذارد؛ الگوریتم می تواند محرک های آموزشی را به این کشورها پیوند دهد.
  • ] بررسی های ضروری و میکروبک [ و #8211؛ سوالات کوتاه، در تنفس (“ چگونه شما در مورد تنظیم دوز خود را پس از ورزش? & #8221; بینش فوری در مورد سطح اعتماد و سوء تفاهم.
  • ] سوابق سلامت الکترونیکی (EHRs) و #8211; نتایج آزمایشگاه (HbA1c, eGFR, لیپید), comorbidities, و لیست داروها پس زمینه بالینی برای خیاط پیچیدگی محتوا و فوریت فراهم می کند.

فرآیند توسعه: از داده تا Deployment

ساخت یک سیستم یادگیری تطبیقی آماده تولید برای آموزش دیابت یک تلاش چند رشته ای است که شامل Endocrinology، مربیان دیابت، دانشمندان داده، مهندسان نرم افزار و طراحان UX است. این توسعه به طور معمول از طریق این مراحل ادامه می یابد:

۱) نیاز به ارزیابی و نقشه برداری محتوا

قبل از نوشتن یک خط کد، تیم محدوده کامل آموزش خودمدیریت دیابت را تعریف می کند.این شامل زمینه های موضوعی مانند:

  • درک اهداف گلوکز خون و نظارت
  • شمارش کربوهیدرات و برنامه ریزی غذا
  • مدیریت انسولین و تنظیم دوز
  • جلوگیری و درمان هیپوگلیسمی
  • مدیریت روز بیمار
  • مراقبت از پا، مراقبت چشم و کاهش خطر قلبی عروقی

هر موضوع به اهداف یادگیری میکرو (به عنوان مثال، و #8220 تقسیم می شود؛ سه علت از پدیده طلوع و #8221؛ یا #8220؛ محاسبه دوز اصلاح برای گلوکز خون 250 mg / dL & #8221؛ سازندگان محتوا سپس توسعه چندین نسخه از همان یادگیری در سطوح مختلف خواندن، با استفاده از رسانه های مختلف (متن تعاملی، و شبیه سازی فرهنگی).

استراتژی جمع آوری داده ها

داده های آموزش ابتدایی از سوابق تاریخی برنامه های آموزش دیابت، ورود تعامل بیمار از برنامه های موجود و افراد بیمار متخصص است، با این حال، سیستم های واقعا سازگار نیاز به مصرف داده های زمان واقعی دارند. این تیم باید خط لوله های امن، سازگار را طراحی کند که داده های شناسایی شده از دستگاه های بیمار و EHRs را می گیرد.

] منابع خارجی : بیشتر بخوانید در مورد استانداردهای داده برای قابلیت همکاری دستگاه دیابت از کنسرسیوم استانداردهای داده ها .

آموزش مدل و اعتبار

مدل های یادگیری ماشین که در سیستم های سازگار استفاده می شوند از دانش ساده zi که به یادگیری تقویت عمیق می پردازد، متغیر است: رایج ترین روش یک روش ترکیبی است:

  • شناخت و #8211؛ برآورد احتمال اینکه بیمار هر مهارت را بر اساس تاریخ پاسخ خود تسلط داده است.یک الگوریتم مشترک، مدل دانش بیزی (BKT) است که با موفقیت در سیستم های هوشمند آموزش و پرورش برای ریاضیات و علوم استفاده شده است.
  • فیلترینگ مشارکتی و #8211؛ الگوهای هزاران کاربر مشابه را برای توصیه محتوا که به دیگران در پروفایل های قابل مقایسه کمک می کند، به عنوان مثال، اگر بیماران مبتلا به HbA1c و پایین #8220؛ برنامه ریزی و #8221؛ نمرات پس از تماشای یک ویدیو در پیش ازبولوس، برای یک سیستم ویدئویی جدید بیمار با همان مشخصات ویدئویی جدید.
  • [FLT: 1 ] و #8211؛ الگوریتم هر تصمیم آموزشی را به عنوان یک عمل که پاداش (به عنوان مثال، بهبود نمره آزمون، افزایش زمان در محدوده) بیش از هزاران تعامل، می آموزد توالی بهینه از فعالیت های یادگیری برای هر فرد.

مدل ها در داده های تاریخی آموزش دیده و از طریق آزمایش A / B و مطالعات آزمایشی به خوبی هماهنگ شده اند. معیارهای معتبری نه تنها شامل دستاوردهای دانش بلکه تغییرات رفتاری مانند کاهش حوادث هیپوگلیسمی، بهبود دارو و نمرات رضایت بالاتر بیمار است.

۴- Personalization Engine

هنگامی که مدل پیش بینی می کند که بیمار باید چه چیزی را در آینده یاد بگیرد، موتور شخصی سازی مناسب ترین ماژول محتوا را انتخاب می کند.

  • ] [یادگیری] [ ] و #8211؛ سطح فعلی تسلط، اشتباهات اخیر، خستگی نامزدی.
  • Context و #8211؛ زمان روز (به عنوان مثال، صبح در مقابل خواب)، محل (خانه در مقابل کار)، خواندن دستگاه های اخیر ( گلوکز بالا پس از شام ممکن است یک ماژول در پس از زایمان ایجاد کند.
  • و #8211؛ برخی از سیستم ها ناامیدی یا خستگی را از طریق زمان پاسخ، تعداد اشاره های درخواست شده یا حالت خودگزارش می دهند، هنگامی که ناامیدی بالا است، سیستم ممکن است یک بازی بازبینی یا یک پیام انگیزشی را به جای فشار دادن محتوای جدید و دشوار ارائه دهد.
  • ترجیحات یادگیری و #8211؛ برخی از بیماران با تماشای، دیگران با خواندن، و دیگران با تمرین با شبیه سازی های تعاملی، یاد می گیرند که فرمت ها منجر به بالاترین میزان تکمیل و حفظ برای آن فرد می شوند.

خروجی یک مسیر یادگیری شخصی است که در زمان واقعی سازگار می شود.به عنوان مثال، بیمار که فقط در مورد شمارش کربوهیدرات یاد گرفته است ممکن است یک آزمون کوتاه دریافت کند، سپس شبیه سازی که در آن آنها یک بوبک غذا را تنظیم می کنند و منحنی گلوکز حاصل را می بینند، سپس خلاصه متن برای تقویت نقاط کلیدی اگر آنها به درستی پاسخ دهند، سیستم حرکت می کند؛ اگر آنها یک سوال را از دست بدهند، آن را با توضیح های مختلف، دوباره حلقه می زنند.

۵- ارزیابی مستمر و تکرار

Deployment پایان نیست.یک داشبورد تجزیه و تحلیل اختصاصی شاخص های عملکرد کلیدی را دنبال می کند: زمان به کارشناسی ارشد در هر موضوع، نرخ های کاهش، مدت جلسه متوسط، و مهمتر از همه، نتایج بالینی مانند کاهش HbA1c، فرکانس هیپوگلیسمی شدید و بازدید از اتاق اورژانس. تیم توسعه ملاقات هفتگی برای بررسی این معیارها، که در آن الگوریتم مبارزه، و به روز رسانی محتوا و یا بر اساس پارامترهای به روز رسانی محتوا است.

به عنوان مثال، اگر داده ها نشان دهند که بیماران دارای سواد کم سلامت بعد از اولین درس در مورد انواع انسولین از بین می روند، تیم ممکن است این ماژول را در سطح پایین تر خواندن بازنویسی کند و کمک های بصری بیشتری را اضافه کند.اگر الگوریتم همچنان توصیه می کند همان ویدیو به کاربر با وجود کاهش تعامل، عملکرد پاداش در مدل RL ممکن است نیاز به دوباره به ترکیب نوآوری به عنوان یک عامل داشته باشد.

مزایای برای بیماران و ارائه دهندگان خدمات بهداشتی

تغییر از جزوه های استاتیک عمومی به آموزش تطبیقی و شخصی سازی شده مزایای قابل اندازه گیری برای هر دو طرف معادله مراقبت را به دست می آورد.

نتایج بیمار-Level

  • تعامل بالا و #8211؛ سیستم های انطباق با ارائه محتوا که هرگز آسان (بورing) و یا خیلی سخت (مخالف) نرخ تکمیل برای ماژول های سازگار اغلب بیش از 80٪، در مقایسه با 20 تا 40٪ برای دوره های آنلاین غیر انطباقی است.
  • حفظ دانش بهبود یافته و #8211؛ تکرار فضا و یادگیری تسلط، هر دو به الگوریتم های سازگار ساخته شده، تقویت مفاهیم در طول زمان نشان می دهد که بیماران با استفاده از آموزش دیابت سازگار می توانند گام های مراقبت از خود را به طور دقیق سه ماه پس از مداخله نسبت به کسانی که در یک جلسه کلاس درس شرکت کردند، به یاد آورند.
  • [FLT: 1 ] و #8211؛ هنگامی که آموزش دقیقا هدف قرار می گیرد، آن را تحریک عمل در دنیای واقعی است.
  • اضطراب هیپوگلیسمی قرمز و #8211؛ ماژول های شخصی در تشخیص و درمان کم، تحویل درست قبل از خواب یا بعد از ورزش، به بیماران کمک می کند تا احساس اعتماد به نفس بیشتری داشته باشند و حوادث هیپوگلیسمی شبانه را کاهش دهند.

مزایای ارائه دهنده-Level

  • ] آموزش بیمار قابل توجه و #8211؛ یک مربی دیابت می تواند صدها بیمار را با استفاده از یک پلت فرم سازگار نظارت کند، زمان خود را برای کسانی که نیاز به تغییرات مدیریت پیچیده یا حمایت روان شناختی دارند، حفظ کند.
  • بینش بالینی قابل قبول و #8211؛ سیستم گزارش هایی را تولید می کند که شکاف های دانش، الگوهای رفتاری و پرچم های خطر را برجسته می کند. A ارائه دهنده می تواند به سرعت ببیند که بیمار هنوز دوزهای اصلاح را درک نمی کند و این پیام را در طول بازدید بعدی تقویت می کند.
  • پیگیری های آموزشی و #8211؛ یادآوری های خودکار و چک کردن نرخ های بدون نمایش برای کلاس های آموزش و پرورش و اطمینان از تداوم یادگیری بین قرار ملاقات ها.
  • ] مدیریت سلامت روان درمانی ] و #8211؛ داده های جمع آوری شده از پلت فرم سازگار نشان می دهد سوء تفاهم مشترک در سراسر جمعیت دیابت کلینیک، فعال سازی کیفیت هدف.

چالش های اجرایی و استراتژی ها برای غلبه بر آن ها

علی رغم وعده های آن، یادگیری تطبیقی برای آموزش دیابت با موانع متعددی مواجه است که نیاز به برنامه ریزی دقیق دارند.

حریم خصوصی داده ها و امنیت

داده های بهداشتی یکی از حساس ترین اطلاعات شخصی است. جمع آوری اطلاعات CGM، دوزهای انسولین و رفتارهای یادگیری یک هدف غنی برای نقض ایجاد می کند. انطباق با HIPAA، GDPR و قوانین حفاظت از داده های محلی غیر قابل مذاکره است؛ استراتژی های استفاده از آن شامل رمزگذاری پایان به پایان، تکنیک های حریم خصوصی است که به جمع آوری داده ها، و دادن بیماران کنترل دقیق داده جمع آوری شده و چگونگی ارائه یک سیستم #8 را حذف می کند.

] منابع خارجی ]: انجمن دیابت آمریکا استاندارد مراقبت پزشکی در دیابت[ شامل دستورالعمل هایی برای ترکیب ابزارهای بهداشتی دیجیتال در هنگام محافظت از حریم خصوصی بیمار است.

شفافیت الگوریتم و اعتماد

بیماران و ارائه دهندگان به طور قابل درک از توصیه های جعبه سیاه محتاط هستند، به ویژه هنگامی که این توصیه ها می توانند بر زمان بندی انسولین یا زمان غذا تأثیر بگذارند، الگوریتم باید قابل توضیح باشد: چرا این ویدیو را انتخاب کرده است؟ چه داده هایی این تصمیم را گرفته اند؟ یک رویکرد شامل یک و #8220 است؛ منطق و # 22، زمینه در رابط کاربری (به عنوان مثال، و #8 توصیه می شود؛ این مدل سطح قند خون بالا است.

تضمین محتوای مرتبط و حساسیت فرهنگی

یک کتابخانه محتوا با اندازه یک قادر به خدمت به جمعیت های مختلف نیست. یک الگوریتم انطباق عمدتا در داده های انگلیسی زبان آموزش دیده است، بیماران شهری ممکن است برای خیاط آموزش برای روستایی، غیر انگلیسی زبان، یا گروه های توسعه کم سواد باید در محتوای محلی سازی (زبان، تصاویر، نمونه های غذایی)، سازگاری فرهنگی (به عنوان مثال، استفاده از غذاهای سنتی یا روش های تست محتوای مستقیم) سرمایه گذاری کنند.

ادغام با گردش های کاری بالینی

برای آموزش تطبیقی برای تبدیل شدن به یک بخش استاندارد از مراقبت از دیابت، باید به طور یکپارچه به جریان های کاری بالینی موجود متصل شود، که به معنی ادغام با EHRs (به طوری که توصیه های آموزشی در نمودار بیمار ظاهر می شود و می تواند در طول بازدید بررسی شود)، همکاری با دستگاه های دیابت (CGM، پمپ)، و ارتباط صاف با تیم مراقبت به طور ایده آل، سیستم باید گزارش هفتگی برای کاهش اطلاعات بیمار یا پایان نامه.

مطالعه موردی: موفقیت اولیه با آموزش دیابت تطبیقی

یک برنامه آزمایشی که توسط یک مرکز پزشکی بزرگ دانشگاهی اجرا می شود، 150 بزرگسال مبتلا به دیابت نوع 2 را ثبت کرد که سطوح HbA1c بالاتر از 9٪ داشتند. شرکت کنندگان از یک برنامه تلفن هوشمند استفاده کردند که با CGM ادغام شده و یک موتور یادگیری سازگار را در بیش از 500 اهداف یادگیری دانه آموزش داده بودند.

  • میانگین زمان در برد از 45 تا 63 درصد افزایش یافته است.
  • اعتماد به نفس در مدیریت قند خون بالا تا ۳۵ درصد افزایش یافته است.
  • میانگین میانگین مشارکت برنامه در روز ۲۲ دقیقه بود و ۸۵ درصد از کاربران حداقل سه ماژول را در هفته تکمیل می کردند.

بازخورد کیفی نشان داد که بیماران از ماهیت زمان فقط در محتوا قدردانی می کنند: اطلاع رسانی قبل از شام با یک ویدیو کوتاه در جلوگیری از جهش های پس زمینه ای یا یادآوری در مورد درمان کم که زمانی که روند CGM اشاره کرد، این نوع شخصی سازی متنی تنها از طریق الگوریتم های سازگار است که داده های زمان واقعی پردازش می شود.

مسیر های آینده

زمینه یادگیری تطبیقی در آموزش دیابت هنوز هم در حال بلوغ است، اما چندین مسیر هیجان انگیز در افق هستند.

ادغام با Telemedicine و Remote Monitor

از آنجایی که Telemedicine به طور معمول تبدیل می شود، آموزش تطبیقی می تواند به طور مستقیم به بازدید های مجازی جاسازی شود، قبل از اینکه یک تله تشنج، بیمار یک ماژول کوتاه انطباق را تکمیل کند که شکاف های دانش خود را به روز می کند و خلاصه ای را به کلینیکیان ارسال می کند، پزشک می تواند بر روی مسائل فشار دهنده تمرکز کند نه صرف زمان بر روی مواد بیمار که قبلاً می داند، الگوریتم بحث در مورد محتوای شخصی شده است.

حلقه های مربیگری و بازخورد در زمان واقعی

تصور کنید که یک سیستم سازگار که نه تنها به مربیان در زمان واقعی می آموزد، بیمار با جریان داده CGM به ابر می تواند یک اعلان دریافت کند: و #8220؛ گلوکز شما به سرعت پس از آن میان وعده غذایی افزایش می یابد تا حداقل 15 دقیقه قبل از غذا خوردن، در اینجا یک تازه کننده 30 ثانیه در زمان انسولین و # 2281، چنین یادگیری بسته به نقطه مراقبت از تغییر می رود.

Multimodal و Multi-Disease Adaptation

دیابت به ندرت در انزوا رخ می دهد. الگوریتم های آینده نه تنها به نیازهای آموزش دیابت بلکه همچنین به شرایط کم تحرک مانند فشار خون، افسردگی یا چاقی نیز سازگار می شوند. همان بیمار ممکن است یک ماژول در شمارش سدیم در صبح و یک ورزش مدیریت استرس در شب، همه توسط یک مدل فراگیر هدایت شده است که چندین شرایط مزمن را شامل می شود.

ارتباطات زبان طبیعی و صوتی

سخنرانان هوشمند و دستیاران صوتی یک راه بدون دست برای ارائه آموزش تطبیقی، به ویژه برای بیماران مسن و یا کسانی که دارای دید کم هستند، ارائه می دهند.این الگوریتم می تواند یک سوال بپرسد، به پاسخ کلامی بیمار گوش دهد و بهترین محتوای اولیه را با آمازون الکسا و دستیار گوگل نشان داده است رضایت بالا در میان کاربران که ترجیح می دهند در مورد دستورالعمل کتبی صحبت کنند.

بهترین روش ها برای سازمان هایی که آموزش دیابت سازگار را پیاده سازی می کنند

برای سیستم های بهداشتی، پرداخت کنندگان یا شرکت های بهداشتی دیجیتال که به دنبال توسعه یادگیری تطبیقی هستند، دستورالعمل های زیر می توانند احتمال موفقیت را افزایش دهند:

  1. با یک محدوده باریک شروع کنید.[۱۰] بر یک موضوع با آرامش بالا (به عنوان مثال تنظیم دوز انسولین) تمرکز کنید و الگوریتم را قبل از گسترش به برنامه درسی کامل اثبات کنید.
  2. مربیان دیابت را از روز اول تقویت کنید.[۱۰] تخصص آنها برای ایجاد محتوا، اعتبار مدل های یادگیرنده و تفسیر خروجی الگوریتم ضروری است.
  3. طراحی برای انحصار آزمون با جمعیت بیمار متنوع برای جلوگیری از تعصب الگوریتمی استفاده از زبان ساده، زبان های متعدد و سازگاری فرهنگی.
  4. هر دو دانش و رفتار را به اشتراک بگذارید.[۱۰] نمرات آزمون به تنهایی کافی نیست.پی نتایج بالینی (HbA1c، نرخ های هیپوگلیسمی در رده، زمان) برای نشان دادن تاثیر واقعی در جهان است.
  5. ]برنامه ریزی برای بهبود آنتریک سیستم های انطباقی هرگز به پایان نرسیده اند. بودجه برای به روز رسانی های محتوای مداوم، آموزش مدل و بهبود تجربه کاربر بر اساس تجزیه و تحلیل.

] منابع خارجی : جامعه فناوری دیابت ارائه می دهد ] چارچوب کار برای ارزیابی مداخلات سلامت دیجیتال که شامل معیارهایی برای ویژگی های سازگار و شخصی سازی شده است.

نتیجه گیری

الگوریتم های یادگیری تطبیقی نشان دهنده نقطه عطفی در آموزش دیابت است، با حرکت فراتر از دست ثابت و کلاس های یک بار، این سیستم های هوشمند هر بیمار را که در آن هستند ملاقات می کنند - از نظر شناختی، عاطفی و بالینی - و هدایت آنها به سمت مدیریت بهتر خود فرایند توسعه، نیاز به همکاری نزدیک در سراسر محتوای بالینی، و تیم های فنی، اما پرداخت قابل توجه است: بیماران مشغول به کنترل بیشتر، و اطمینان بیشتر بیماران هستند.

به عنوان تکنولوژی سنسور، اتصال پهن باند و یادگیری ماشین همچنان پیشرفت می کند، آموزش تطبیقی تبدیل به یک جزء استاندارد از مراقبت از دیابت خواهد شد - نه یک افزودنی خوب به خوبی، موثر، و کارآمد برای توانمندسازی بیماران و بهبود نتایج در مقیاس. سیستم های بهداشتی و پرداخت کنندگان که در حال حاضر در ساخت و پالایش این الگوریتم ها به خوبی برای ارائه شخصی سازی، موثر و آموزش و کارآمد برای زندگی با میلیون ها نفر در سراسر جهان است.