Table of Contents

چگونه Glucose Monitors کار می کند

دستگاه های نظارت مستمر گلوکز (CGM) به یک سنسور مینیاتوری وارد شده به بافت زیر لایه ای برای اندازه گیری سطح گلوکز در مایع بین المللی متکی هستند، این اندازه گیری به طور خودکار هر یک تا پنج دقیقه اتفاق می افتد، تولید یک جریان مداوم از سیگنال های الکتریکی خام، سنسور به طور بی سیم با یک فرستنده ارتباط می یابد، که داده ها را به گیرنده، برنامه تلفن هوشمند، یا انسولین انتقال می دهد، به طور ذاتی این سیگنال های فیلتر کردن دقیق، و بدون اطمینان از پردازش دقیق، و پردازش داده های پردازش داده های پردازش داده های پردازش شده، و پردازش داده های پردازش داده های پردازش شده، و پردازش داده های پردازش شده، و پردازش داده های پردازش داده های پردازش شده، و پردازش شده، و پردازش داده های پردازش شده، و پردازش داده های پردازش شده، بدون اطلاع رسانی دقیق، می تواند به طور بی سیم را به طور بی سیم کشی پردازش داده های پردازش دقیق، و پردازش داده های پردازش داده های پردازش داده های پردازش داده های پردازش شده به طور بی سیم کشی، و پردازش شده، و پردازش شده به طور بی سیم کشی، اطمینان حاصل شود.

نقش اصلی الگوریتم ها در دستگاه های CGM

الگوریتم ها به عنوان موتور تحلیلی پشت هر سیستم CGM عمل می کنند، انجام لایه های متعدد پردازش سیگنال و تفسیر، هر لایه به یک چالش خاص در سنجش گلوکز بین المللی اشاره می کند. درک این توابع به کاربران کمک می کند تا درک کنند که چرا اختلاف های گاه و گاه بین خواندن CGM و اندازه گیری های کیستی انگشت اتفاق می افتد و چگونه تولید کنندگان تلاش می کنند تا آنها را به حداقل برسانند.

فیلتر سیگنال و کاهش نویز

جریان های سنسور خام توسط منابع مختلف سر و صدا آلوده هستند: تداخل الکترومغناطیسی از الکترونیک نزدیک، استرس مکانیکی از حرکت کاربر، و تغییرات دمای ترانس در سایت وارد کننده. فیلترهای پیشرفته مانند فیلتر Kalman - یک سنسور فشرده در تجزیه و تحلیل حالت مایع، به طور موقت استفاده می شود تا سیگنال را نرم کند در حالی که حفظ روند گلوکز مرتبط با بیولوژیکی است. فیلتر Kalman با ترکیب اندازه گیری فعلی با سرعت بالا، با کاهش سرعت بالا، به طور متوسط استفاده از هر یک دستگاه غیر قابل اعتماد به طور دقیق، به طور دقیق، به طور دقیق، کاهش می تواند به طور منظم از هر یک کاهش تجزیه و یا کاهش آن استفاده کند.

جبران خسارت و جبران خسارت

تمام سنسورهای CGM به تدریج حساسیت را در طول مدت زمان خود (معمولا 7 تا 14 روز) به دلیل تنظیم پیش بینی، تجزیه آنزیم و واکنش های بافت محلی، این حرکت باید جبران شود تا دقت دقیق را حفظ کند - الگوریتم های کالیبراسیون داده از اندازه گیری گلوکز انگشت ثابت شده برای تنظیم میزان بهره برداری و پارامترهای سنتی CGM نیاز به دو تا کالیبراسیون در هر الگوریتم اندازه گیری مجدد دارند.

دانلود بازی The Calculations and Rate-of-change Arrows

یکی از قابل اجراترین ویژگی های ارائه شده توسط الگوریتم های CGM، فلش سرعت تغییر است که نشان دهنده جهت و سرعت حرکت گلوکز است. الگوریتم شیبگلیسمی خط برگشت را بر روی یک پنجره کشویی از آخرین 15 تا 20 دقیقه از مقادیر قابل اطمینان گلوکز فیلتر شده، مانند "سرعت" (افزایش و پیش بینی؛ 2 mg / تاخیر) یا روند تحویل کم ارزش (1) و یا هشدارهای سریع است.

هیپوگلیسمی و Hyperگلیسمی هشدار می دهد

هشدار های پیش بینی شده با پیش بینی سطح گلوکز خطرناک قبل از وقوع آن، فراتر از زنگ خطر می رود.این الگوریتم نرخ فعلی تغییر در آینده (معمولا 20 تا 30 دقیقه) را افزایش می دهد و هشدار می دهد که گلوکز پیش بینی شده از آستانه هشدار دهنده ی مصرف کننده ی دقیق جلوگیری می کند (به عنوان مثال، اگر گلوکز در 1.5 mg / dL / مقدار فعلی 110 mg / d باشد، اغلب با استفاده از یک مقدار هشدار دهنده ی شدید (در حدود 70 دقیقه قبل از هر مقدار هشدار دهنده ی هشدار دهنده ی هشدار دهنده ی هشدار دهنده ی هشدار دهنده ی هشدار دهنده ی هشدار دهنده ی هشدار دهنده ی هشدار دهنده ی هشدار دهنده ی هشدار دهنده ی هشدار دهنده ی هشدار دهنده ی شدید) و هشدار دهنده ی مقدار هشدار دهنده ی هشدار دهنده ی مقدار هشدار دهنده ی مقدار هشدار دهنده ی مقدار هشدار دهنده ی مقدار هشدار دهنده ی مقدار هشدار دهنده ی مقدار هشدار دهنده ی هشدار دهنده ی هشدار دهنده ی هشدار دهنده ی هشدار دهنده ی هشدار دهنده ی هشدار دهنده ی هشدار دهنده ی هشدار دهنده ی هشدار دهنده ی هشدار دهنده ی هشدار دهنده ی هشدار دهنده ی زمان دقیق در طول 27) در طول زمان دقیق در طول زمان دقیق خواب، اگر گلوکز، اگر گلوکز، اگر گلوکز، مقدار هشدار دهنده ی هشدار دهنده ی هشدار دهنده ی هشدار دهنده ی مقدار هشدار دهنده

انواع الگوریتم های مورد استفاده در سیستم های CGM

پشته الگوریتم در یک دستگاه CGM مدرن معمولا شامل چندین جزء متمایز ریاضی یا یادگیری ماشین است که هر کدام برای یک کار خاص بهینه شده اند. ترکیب این تکنیک ها دقت کلی، پاسخگویی و تجربه کاربری سیستم را تعیین می کند.

فیلترهای Kalman برای برآورد دولت

فیلتر Kalman ستون فقرات اکثر الگوریتم های CGM تجاری است.این برآورد بهینه از گلوکز واقعی را با فرض صدای Gaussian و دینامیک خطی ارائه می دهد. فیلتر در دو مرحله عمل می کند: پیش بینی (استفاده از یک مدل ساده از رفتار گلوکز برای برآورد ارزش بعدی) و اصلاح (برقرار دادن پیش بینی با اندازه گیری واقعی بر اساس عدم اطمینان مربوطه).

مدل های یادگیری ماشین برای تشخیص الگو

الگوریتم های یادگیری ماشین به طور جدایی ناپذیر برای بهبود دقت و شخصی سازی شده اند. [۱] مدل های یادگیری پیش از تنظیم شده در مجموعه داده های بزرگ سیگنال های سنسور جفت شده و اندازه گیری های مرجع قند خون (از تجزیه و تحلیل آزمایشگاه یا متر های کیستیک) آموزش داده اند که به طور قابل توجهی تشخیص الگوهای ظریف که نشان دهنده حرکت سنسور، تداخل از موادی مانند اسید استامینن یا به عنوان اسید کورتیک، یا فشرده سازی، به عنوان مثال، می تواند یک الگوریتم تشخیص داده های عصبی کوتاه مدت (cend) باشد که باعث کاهش سیگنال موقت (به خصوص هنگامی که یک سنسور عصبی).

الگوریتم های Fusion برای ادغام چند برابر

همانطور که تکنولوژی پوشیدنی گسترش می یابد، الگوریتم های همجوش داده های CGM را با ورودی های accelerometers، مانیتور ضربان قلب، سنسور های دمای پوست و حتی مانیتورهای مداوم کتونی ترکیب می کنند، به عنوان مثال، اگر داده های شتاب دهنده نشان دهنده فعالیت فیزیکی شدید باشد، الگوریتم ممکن است پیش بینی هیپوگلیسمی آن را به سمت بالا تنظیم کند زیرا ورزش باعث افزایش گلوکز می شود.

الگوریتم های سازگار و خودآموزی

پیشرفته ترین سیستم های CGM شامل الگوریتم های سازگار است که به طور مداوم پارامترهای خود را بر اساس داده های کاربر فردی به روز می کنند.این الگوریتم ها از تکنیک هایی مانند حداقل مربع های بازگشتی یا شیب آنلاین برای تنظیم ضریب کالیبراسیون، برآوردها و پیش بینی وزن در زمان واقعی استفاده می کنند.در طی چند روز اول از سایش سنسور، الگوریتم "یادگیری" متغیر گلوکز معمولی کاربر، و زمان بندی های تمرین، اجازه می دهد تا افراد دقیق را تنظیم کنند.

چگونه الگوریتم ها تجربه کاربر را افزایش می دهند

مزایای نهایی پردازش الگوریتمی بسیار فراتر از یک صفحه نمایش عددی ساده است. الگوریتم های CGM مدرن داده های خام را به بینش های عملی تبدیل می کنند که کاربران را قادر می سازد تا دیابت را با اعتماد به نفس و دقت بیشتر مدیریت کنند.

پشتیبانی از تصمیم گیری در زمان واقعی

فلش های روند و مقادیر گلوکز پیش بینی شده به کاربران کمک می کند تا تصمیمات آگاهانه در مورد مصرف انسولین، مصرف کربوهیدرات و فعالیت فیزیکی را اتخاذ کنند، به عنوان مثال، یک فلش "سرعت" 90 دقیقه پس از یک وعده غذایی ممکن است باعث ایجاد یک بوضوح اصلاح شود، در حالی که یک فلش "پایین" در طول تمرین می تواند توصیه کند که مصرف یک کربوهیدرات سریع قبل از هیپوگلیسمی برخی از توسعه برخی از سیستم ها همچنین ویژگی های دوز فعلی را کاهش می دهد (به ویژه توصیه می کند که به طور دقیق انسولین).

تحلیل شخصی و Respective Analysis

الگوریتم ها می توانند هفته ها یا ماه ها داده های گلوکز را برای شناسایی الگوهای تکراری تجزیه و تحلیل کنند.برای مثال، آنها ممکن است جهش های پس از افسردگی ثابت را تشخیص دهند که نشان دهنده زمان بندی نامناسب، یا هیپوگلیسمی های شبانه است که انسولین پایه ای بیش از حد را پیشنهاد می کنند.اطلاعات آگgregated اغلب به عنوان یک نمایه گلوکز متابولی (AGP)، که نشان می دهد گلوکز متوسط، زمان یاب و تجسم روزانه و پزشکان نیاز به تنظیم آن دارند.

خودکارسازی انسولین Delivery

در سیستم های حلقه بسته هیبریدی، مانند Medtronic 780G یا Tandem Control-IQ، الگوریتم های CGM به طور مستقیم با پمپ های انسولین ارتباط برقرار می کنند. الگوریتم به طور مداوم مقادیر گلوکز را می خواند، سطوح آینده را پیش بینی می کند و انتقال انسولین پایه ای را به طور خودکار تنظیم می کند. برخی سیستم ها همچنین وقتی که گلوکز پیش بینی می شود از آستانه استفاده می کند، به طور قابل توجهی کاهش می یابد.

حافظه و روند بصری سازی

الگوریتم های CGM هزاران نقطه داده را به گزارش های به راحتی قابل هضم فشرده می کنند.ویژگی هایی مانند روز استاندارد، نمودار های پای زمان در برد و درصد بالاتر / پایین دامنه به کاربران کمک می کند تا به سرعت ارزیابی کنند که چگونه استراتژی مدیریت آنها کار می کند. الگوریتم های پیشرفته می توانند بر روی ورود فعالیت، نشانگرهای غذایی و زمان دارو برای آشکار کردن روابط علت تاثیر گذاری تاثیر گذاری اطلاعات مفید، تاثیر بگذارند.

چالش ها و محدودیت های الگوریتم های CGM

علی رغم پیچیدگی آنها، الگوریتم های CGM کامل نیستند و درک محدودیت های آنها به کاربران کمک می کند تا داده ها را به درستی تفسیر کنند و از اضافه کردن اطلاعات به تک تک خواندن ها اجتناب کنند.

  • خطر در مقابل مسئولیت پذیری تجارت متقابل: الگوریتم هایی که فیلترینگ سنگین برای کاهش سر و صدا اعمال می کنند ممکن است تاخیر در تشخیص تغییرات سریع گلوکز را در طول نوسانات سریع (به عنوان مثال، جهش های پس از مصرف و یا قطره های ناشی از انسولین)، گزارش شده است که گلوکز ممکن است در پشت سر گذاشتن میزان واقعی گلوکز 5 - همچنین به سرعت پایین آمدن از حد سرعت، کاهش سرعت پایین، کاهش سرعت حرکت کند.
  • تداخل و خطاهای کالیبراسیون: چندین ماده می تواند با سنسور های اکسید گلوکز تداخل داشته باشد، و باعث بیش از حد تحریک یا کم مصرف شدن می شود.آستامینوفن (پارارتامول) یک تداخل شناختی شناخته شده است که می تواند خواندن را با 10 تا 50 میلی گرم / dL برای چندین ساعت جدیدتر افزایش دهد، اگر چه در طول زمان شناسایی دقیق، می تواند به عنوان جبران سریع مواد کاهش یابد، به جای اینکه مواد تشخیص داده شده است، به طور دقیق، به طور دقیق، به عنوان مواد تشخیص داده شده است.
  • تنوع فردی: عملکرد الگوریتم در سراسر افراد به دلیل تفاوت در ضخامت پوست، وضعیت آب و برق، عمق قرارگیری سنسور و سرعت بالینی اغلب مقادیر عالی MARD را به طور متوسط گزارش می دهد (به عنوان مثال، 8 تا 10٪)، اما کاربران فردی ممکن است خطاهای بزرگتر مانند فشرده سازی های مکرر (هنگامی که دروغ می گویند) یا دقت بافت غیر قابل انکار است.
  • داده های CGM به طور مداوم به تلفن های هوشمند و پلتفرم های مبتنی بر ابر برای ذخیره سازی و تجزیه و تحلیل منتقل می شود، در حالی که رمزگذاری و ناشناس سازی استاندارد هستند، آسیب پذیری در امنیت اپلیکیشن ها یا به اشتراک گذاری داده های شخص ثالث غیر مجاز باید خطراتی را درک کند. بیمه درمانی و قانون پاسخگویی] تنظیم دقیق برای امنیت اطلاعات محافظت شده در میان کاربران، اما باید اطمینان از هر گونه سیاست های محافظت شده و محافظت شده را در میان کاربران خود را درک کند.
  • شفافیت و اعتماد مدل: به عنوان مدل های یادگیری ماشین پیچیده تر می شوند، به اصطلاح الگوریتم های "جعبه سیاه" ممکن است نتایج صحیح را بدون ارائه استدلال به راحتی تفسیر شده ایجاد کنند، این عدم شفافیت می تواند اعتماد کاربر را از بین ببرد، به ویژه هنگامی که الگوریتم توصیه های مشکوک را ایجاد می کند.

دستورالعمل های آینده برای الگوریتم ها در دستگاه های CGM

نسل بعدی الگوریتم های CGM از پیشرفت در یادگیری عمیق، محاسبات لبه و سنسورهای چند منظوره برای دستیابی به دقت و شخصی سازی بی سابقه استفاده می کند.

یادگیری عمیق برای پیش بینی های طولانی مدت

شبکه های عصبی در حال حاضر (RNNs)، ترانسفورماتورها و مدل های مبتنی بر توجه برای پیش بینی سطح گلوکز تا 60-90 دقیقه قبل با دقت بالا، با آموزش در مجموعه داده های گسترده که شامل عوامل متنوع - ترکیب های حرکتی، جذب انسولین، شدت تمرین، نشانگرهای استرس و حتی فازهای چرخه قاعدگی - این مدل ها می توانند مدل های دینامیک پیچیده غیر خطی را که به طور مستقیم قادر به کاهش نتایج یادگیری عمیق هستند، جذب کنند، به طور مستقیم از طریق نمونه های پیش بینی دقیق تر از حد 30 نمونه های اتوماسیون، ضبط کنند.

Edge AI و On-Device Process

اجرای الگوریتم ها در فرستنده سنسور یا تلفن هوشمند (edge AI) وابستگی به اتصال ابر، تأخیر پایین تر و افزایش حریم خصوصی.کنترلرهای مدرن با واحدهای پردازش عصبی می توانند شبکه های عصبی سبک را در زمان واقعی با حداقل مصرف برق اجرا کنند.این اجازه می دهد تا ویژگی هایی مانند تشخیص فوری هیپوگلیسمی در هنگام قطع از اینترنت، و نگرانی در مورد ارسال داده های حساس به سرورهای از راه دور مانند دستگاه های سرمایه گذاری دور و ابزار بعدی آنها در لبه های لبه های بعدی برای جلوگیری از دسترس بودن.

Multi-Sensor Fusion و ادغام های قابل تحمل

الگوریتم های آینده داده های CGM را با ورودی های Smartwatchs (تحریم ضربان قلب)، فعالیت الکترو پوستی، دمای پوست، مانیتورهای مداوم کتون و حتی سنسورهای نوری غیر تهاجمی ترکیب می کنند، این ادغام می تواند هشدارهای اولیه برای کتواسوئید دیابتی 1، هیپوLT تحریک شده، یا عفونت را ارائه دهد.به عنوان مثال، افزایش ناگهانی در ضربان قلب همراه با گلوکز ممکن است هشدار دهنده شدید باشد (برای مثال، قبل از انجام چندین مورد استفاده از عمل چند برابر، اجازه می دهد: یک نمونه، یک نمونه، یک نمونه، یک نمونه، یک نمونه، یک نمونه، یک نمونه، یک نمونه، یک نمونه، یک نمونه، یک نمونه، یک نمونه، یک نمونه، یک نمونه، یک نمونه، یک تزریق مجدد از تزریق، یک نمونه، یک نمونه، یک عامل درمان ضدگلوبولیک بیمار را بررسی علائم پیشگیرانه، یک مصرف کننده است.F، یک عامل بیماری را بررسی کند.

آموزش مداوم خود و شخصی سازی

الگوریتم هایی که به طور مداوم با رفتار کاربر فردی سازگار می شوند – که به عنوان یادگیری مادام العمر شناخته می شوند – بر خلاف مدل های استاتیک آموزش داده شده در داده های جمعیت، این الگوریتم ها پارامترهای خود را پس از هر جلسه سنسور به روز می کنند، ترکیب الگوهای جدید مانند تغییرات در رژیم غذایی، روتین ورزش یا حساسیت به انسولین به دلیل نوسانات هورمونی می تواند تنظیمات پمپ انسولین، توصیه های بولوس غذا و تنظیمات مداخله را که به طور کامل سیستم های کاربر نیاز دارند، ارائه دهد؛ تعداد کمی از قبل از آن ها، ارائه می دهد؛ تعداد محدودی از سیستم های سازگار با قابلیت های دستی.

نظارت بر تنظیم و اعتبار الگوریتم

از آنجا که الگوریتم های CGM به طور مستقیم بر تصمیمات پزشکی تأثیر می گذارند – از جمله انجام انسولین – بدن های منظم نیاز به شواهد دقیق دقیق از دقت و ایمنی دارند. FDA نیاز به تولید کنندگان برای انجام مطالعات بالینی مقایسه خواندن سنسور در برابر یک روش مرجع (به عنوان مثال، دستگاه زرد یا تجزیه و تحلیل گاز خون معتبر) دارد، متریک اولیه MARD است، با هدف به طور معمول زیر 10٪ برای استفاده از الگوریتم تایید شده (به عنوان مثال، اگر هر گونه تغییر سریع در نظر گرفته شده باشد، باید عملکرد سریع و یا تنظیم کننده قابل قبول باشد، به عنوان مثال، به عنوان مثال، به عنوان مثال، به عنوان مثال، تنظیم سریع در نظر می تواند به عنوان مثال، تنظیم سریع در نظر گرفته شده توسط سیستم های ارائه دهنده دوز بالا را به عنوان مثال، تنظیم کننده سریع و یا تنظیم کننده، تنظیم کننده، تنظیم کننده های قابل قبول باشد.

نکات عملی برای کاربران برای بهینه سازی عملکرد الگوریتم

  • محل سنسور را تمیز، خشک و آزاد از لوسیون ها یا روغن ها نگه دارید تا نویز سیگنال را به حداقل برسانید.از قرار دادن سنسور در مناطق با بافت یا مو سنگین.
  • با توجه به دستورالعمل های سازنده، برای سیستم هایی که نیاز به کالیبراسیون دارند، از خواندن های انگشت-چسبی که هنگام گلوکز به صورت پایدار مصرف می شوند – نه در هنگام افزایش سریع یا سقوط – برای جلوگیری از معرفی خطا استفاده کنید.
  • از نوار های تست از همان مقدار در صورت امکان برای کاهش variability. Store بر اساس دستورالعمل ها (cool، خشک، دور از نور خورشید) استفاده کنید.
  • به روز رسانی برنامه CGM و سیستم عامل گیرنده به سرعت تولید کنندگان اغلب بهبود الگوریتم را که افزایش دقت، اضافه کردن ویژگی های جدید، و یا تعمیر اشکالات شناخته شده است.
  • داده های روند مرور با ارائه دهنده مراقبت های بهداشتی خود را در فواصل منظم بررسی کنید.به دنبال الگوهایی در زمان-در برد، کم های شبانه و جهش های پس زمینه ای برای تنظیم درمان بر اساس بینش های مشتق شده از الگوریتم باشید.
  • از عواملی که می توانند در خواندن تداخل داشته باشند آگاه باشید: داروهای رایج مانند استامینوفن، دوزهای بالا از ویتامین C یا حتی انواع هموگلوبین. برچسب دستگاه را برای تداخل های شناخته شده بررسی کنید و در مورد گزینه های جایگزین با پزشک خود بحث کنید.
  • اگر شما به کاهش فشرده سازی پایین (کاهش گلو هنگام خواب بر روی سنسور) مشکوک هستید، فشار را از سایت حذف کنید و بعد از ۱۵ دقیقه دوباره بررسی کنید، الگوریتم باید بهبود یابد، اما رویدادهای فشرده سازی مکرر ممکن است تغییرات سنسور را تضمین کند.

نتیجه گیری

الگوریتم ها شرکای خاموش و ضروری در نظارت مستمر گلوکز هستند.آنها جریان های الکتریکی خام را به پیش بینی های نجات دهنده، فلش های روند و هشدارها تبدیل می کنند، میلیون ها نفر از افراد مبتلا به دیابت را قادر می سازند تا وضعیت خود را با چابکی بی سابقه از فیلترهای Kalman که سنسور را به شبکه های عصبی عمیق که پیش بینی می کنند، مدل های ریاضی در قلب دستگاه های CGM به شدت ادامه می دهند - چگونه به درک دقیق تر از طریق اطلاعات و نقاط مختلف، و تغییرات دقیق تر، و سیستم های مختلف، و اطلاعات دقیق تر، و سیستم های عصبی.