دانلود بازی Hidden Workload of Diabetes Technology

سیستم های مصنوعی پانکراس (APS)، که به عنوان سیستم های تحویل انسولین حلقه بسته نیز شناخته می شوند، یکی از مهمترین پیشرفت های موجود در مراقبت از دیابت در دهه های اخیر را نشان می دهند.این سیستم ها یک مانیتور گلوکز مداوم (CGM)، یک پمپ انسولین و یک الگوریتم کنترل برای حذف انسولین، با هدف حفظ سطح گلوکز خون در محدوده هدف با حداقل مداخله کاربر، با این حال، وعده کامل اتوماسیون به طور قابل توجهی به بررسی مقادیر دقیق از مصرف کننده، به دلیل نیاز به طور قابل توجهی کاهش میزان قابل توجهی از پردازش سیگنال های فعلی است:

چرا کالیبراسیون در سیستم های بسته بسته - Loop اهمیت می دهد

مانیتورهای گلوکز مستمر به طور مستقیم گلوکز خون را اندازه گیری نمی کنند، آنها غلظت گلوکز را در مایع بین المللی از طریق یک واکنش آنزیمی اندازه گیری می کنند که یک جریان الکتریکی را تولید می کند.این جریان به یک گلوکز خواندن از طریق یک الگوریتم کالیبراسیون تبدیل می شود. رابطه بین سیگنال خام و قند واقعی خون ثابت نیست؛ آن را در طول زمان به دلیل غشای پیری، غشا، کثیف، متابولیک، و عوامل محیطی بدون دقت چند دوره ای، و به طور بالقوه جلوگیری از آن تغییر می دهد.

در یک سیستم پانکراس مصنوعی، الگوریتم کنترل بر داده های CGM متکی است تا تصمیمات واقعی در مورد تحویل انسولین را بگیرد، اگر سنسور نادرست باشد، الگوریتم انسولین را بر اساس ورودی ناقص تحویل می دهد که می تواند عواقب جدی داشته باشد، بنابراین کالیبراسیون یک راحتی محض نیست - یک تابع ایمنی است که تضمین می کند حلقه بسته در محدوده های قابل قبول عمل می کند، با این حال، نیاز برای انجام آزمایش های متعدد انگشت و ایجاد یک گام غیر کیستیک است که یک گام غیر کیستیک را دوباره طراحی کرده است.

پروتکل کالیبراسیون سنتی

برای سال ها، سیستم های CGM تجاری نیاز به دو کالیبراسیون انگشت نگاری در روز داشتند، در زمان های خاص انجام می شدند (به عنوان مثال، پس از بیدار شدن و قبل از غذا) برخی سیستم ها زمانی که گلوکز به سرعت در حال تغییر بود یا زمانی که اعتماد به نفس سنسور پایین بود، این بار سنگین را بر روی کاربران تحمیل کرد، به ویژه در هنگام خواب، ورزش یا مطالعات مربوط به بیماری نشان داده اند که کالیبراسیون زمان، اغلب کاهش مستقیم با دقت سنسور، کاهش می یابد.

محاسبه کننده: چه هزینه های کالیبراسیون کاربران

بار کالیبراسیون نه تنها یک ادراک است؛ آن را در ابعاد مختلف قابل اندازه گیری است، اول، بار عملی: هر انگشت سنج نیاز به شستشو، تیز کردن یک انگشت، جمع آوری نمونه خون، و استفاده از آن به نوار تست، این یک تا دو دقیقه در هر تست اختصاص داده شده، بلکه فعالیت ها را مختل می کند و می تواند در تنظیمات اجتماعی یا حرفه ای شرم آور باشد. - 4 -6 - انگشت شست و خم شدن به این بار بار دیگر، به ترجمه ساعت 10 دقیقه اختصاص داده شده است.

دوم، بار روانی: تست های سوزن دردناک هستند و اضطراب را تولید می کنند، به ویژه برای کسانی که دارای فوبیا سوزن یا نوک انگشتان حساس هستند، یادآوری مداوم از وضعیت بیماری می تواند منجر به فرسودگی دیابت شود سوم، بار شناختی: کاربران باید به یاد داشته باشند که در زمان های خاص کالیبره شوند، برنامه ریزی در مورد زمان غذا و ورزش، و تفسیر نتایج.

چهارم، بار اقتصادی: نوار های انگشت نگاری و lancets با هزینه های مداوم قابل استفاده هستند، حتی با بیمه، هزینه های خارج از جیب می تواند قابل توجه باشد، زمانی که بار کالیبراسیون منجر به از دست دادن تست ها و نتیجه سنسور در عدم ثبات می شود، کاربران ممکن است تغییرات بیشتری در کنترل گلوکز تجربه کنند، افزایش خطر عوارض و هزینه های کلی مراقبت های بهداشتی.

تاثیر بر APS پذیرش و نتایج

علی رغم مزایای روشن تحویل انسولین خودکار، بسیاری از افراد مبتلا به دیابت یا به تاخیر انداختن APS یا رها کردن تکنولوژی به دلیل بار کالیبراسیون.تحقیقات منتشر شده در Diabetes تکنولوژی وamp درمانی؛ نشان می دهد که کاربران که کالیبره کمتر به طور معمول دارای زمان بالاتر در برد و نتایج بهتر گلیک هستند - نه به این دلیل که کالیبراسیون مضر است، اما اغلب مشخص نیست که ارتباط با آنها مشکلات بالینی بالا و یا تعداد بیشتری را کاهش می دهد.

مطالعه ای که توسط ClinDiabetes انجام شده است نشان داد که بار کالیبراسیون دومین دلیل برای قطع سیستم های حلقه بسته هیبریدی است، تنها واکنش های پوستی به چسب ها را توصیف می کند. کاربران مورد نیاز را به عنوان "ironic" توصیف کردند - ساخت یک سیستم برای کاهش مدیریت دیابت تنها به خواسته های جدید روزانه.

تکنیک های Minimizing کالیبراسیون Burden

در پاسخ به این چالش ها، محققان و تولید کنندگان دستگاه یک نوآوری با هدف کاهش یا از بین بردن نیاز به کالیبراسیون کاربر را توسعه داده اند.این تکنیک ها شامل بهبود سخت افزار، الگوریتم های نرم افزار، معماری سیستم و کاملا جدید پارادایم سنسور است.

سنسور های کالیبره کارخانه

مستقیم ترین رویکرد برای کاهش بار کاربر این است که به طور کامل کالیبراسیون کاربر را از بین ببرد. سنسورهای کالیبر کارخانه با پارامترهای پیش تنظیم کالیبراسیون تولید می شوند که برای کل مدت زمان سایش سنسور معتبر باقی می مانند، این سنسورها از کنترل کیفیت پیشرفته در طول تولید استفاده می کنند تا اطمینان حاصل شود که سازگاری سیگنال و دقت از جعبه.D.D.com G6 و G7 مطالعات سنسور، به عنوان مثال، کارخانه ها نیاز به یک تجربه کامل کالیبراسیون دارند (که نشان دهنده همه کاربران است).

کالیبراسیون کارخانه بار اولیه کاربر را حذف می کند، اما محدودیت های شدید در تولید سنسور و شیمی سنسور را در نظر می گیرد. تنوع پذیری بین سنسورها باید به حداقل برسد، و الگوریتم کالیبراسیون باید به اندازه کافی قوی باشد تا سنسور را در طول زمان کنترل کند، برخی از سنسورها هنوز ممکن است نیاز به چک های گاه به گاه سوزناک داشته باشند اگر سیستم ناهنجاری ها را تشخیص دهد، اما این ها به جای قانون، استثنا هستند.

آموزش ماشین با استفاده از یادگیری ماشین

برای سیستم هایی که هنوز نیاز به کالیبراسیون یا برای کاربران که انعطاف پذیری سنسور های کاربر-c کالیبراسیون را ترجیح می دهند، الگوریتم های یادگیری ماشین می توانند فرکانس و بار شناختی کالیبراسیون را کاهش دهند، این الگوریتم ها رابطه بین سیگنال سنسور خام و ارزش های گلوکز مرجع را در طول زمان، انطباق با ویژگی های خاص سنسور مانند حرکت، زمان تاخیر و الگوهای صوتی با تجزیه و تحلیل داده های تاریخی، الگوریتم می تواند پیش بینی کند که حتی زمان مناسب را به حداقل رساندن زمان و حتی زمان لازم برای به حداقل رساندن زمان.

دکتر بوریس Kovatchev و تیمش در دانشگاه ویرجینیا یک سیستم ایمنی یکپارچه برای APS ایجاد کردند که از یادگیری ماشین برای مقابله با کالیبراسیون با کمتر انگشت سنج استفاده می کند، رویکرد آنها از یک چارچوب zi برای به روز رسانی پارامترهای کالیبراسیون در زمان واقعی بر اساس هر دو داده سنسور و اندازه گیری های گاه به گاه مرجع استفاده می کند.

پیاده سازی های پیشرفته تر از یادگیری خود نظارت می کنند، جایی که الگوریتم خطاهای کالیبراسیون را بدون برچسب های صریح با تجزیه و تحلیل سازگاری سیگنال در چندین سنسور یا با پردازش متقابل با داده های تحویل انسولین تشخیص می دهد، به عنوان مثال، اگر سنسور گزارش می دهد افزایش سریع در گلوکز در حالی که پمپ انسولین به طور فعال در حال افزایش تحویل است، الگوریتم می تواند به این نتیجه که خواندن سنسور ممکن است اشتباه و تنظیم فواصل زمانی پایدار باشد.

سنسور Fusion: ترکیب جریان های داده

همجوشی سنسور تکنیکی است که اطلاعات را از چندین سنسور ترکیب می کند تا برآورد دقیق تر و قابل اعتمادتری از سطح گلوکز فعلی تولید کند.در زمینه APS، این به طور معمول به معنای ترکیب داده ها از چندین الکترود در همان سنسور، ترکیب داده ها از دو سنسور مختلف که در سایت های مختلف قرار دارند یا ادغام داده های CGM با سیگنال های فیزیولوژیکی دیگر مانند ضربان قلب، رفتار پوست، یا یک خوردگی است.

سنسورهای چند الکترونی، مانند سنسورهایی که در سیستم ایمپلنت حسی Eversense استفاده می شوند، گلوکز را در عمق های متعدد درون فضای بین مرزی اندازه گیری می کنند که به الگوریتم اجازه می دهد تا برای واکنش های بافت محلی و مصنوعات حرکتی اصلاح شود، سیستم Eversense نیاز به یک دوره کالیبراسیون اولیه دارد، اما سپس با کاهش قابل ملاحظه ای از نیازهای نشانگر انگشت برای 90 روز، داده های Fusion از الکترود های متعدد باقی مانده، همچنین به طور خودکار حذف می شود: اگر یک سیستم تشخیص کاربر نیاز به حذف یک سیستم تشخیص زمان واقعی باشد، اگر آن را از پردازش کند، و حذف کند، می تواند به طور خودکار استفاده کند، و حذف کند، اگر یک سیستم تشخیص کاربر نیاز به یک سیستم تشخیص آن را از پردازش اطلاعات.

سنسورهای بدن-worn برای ضربان قلب، دما و فعالیت به طور فزاینده ای به اکوسیستم های APS متصل می شوند.با جریان گلوکز متنی - افزایش سریع در طول ورزش در مقابل افزایش تدریجی پس از یک وعده غذایی - الگوریتم می تواند بین حرکت سنسور و تغییر بیولوژیکی واقعی در دانشگاه کمبریج نشان داد که اضافه کردن داده های پوشیدنی سنج کاهش خطاهای کالیبراسیون توسط 18٪ در یک سیستم بسته شده است.

پیش بینی کننده Scheduling

حتی زمانی که کالیبراسیون هنوز مورد نیاز است، سیستم های مدرن می توانند زمان هایی را که اختلال را به حداقل می رسانند، به جای یک برنامه دو بار در روز، الگوریتم های کالیبراسیون پیش بینی کننده الگوهای تاریخی کاربر را برای شناسایی پنجره های ثبات گلیسمی نسبی، به عنوان مثال، اگر کاربر به طور مداوم سطح گلوکز پایدار در اوایل بعد از ظهر داشته باشد، سیستم می تواند به کالیبراسیون آن زمان به جای ساعت 2 صبح، که در طول این احتمال کاهش سرعت و کاهش سرعت کالیبراسیون، سرعت و کاهش می یابد.

سیستم کنترل Tandem، در حالی که در ابتدا نیاز به کالیبراسیون منظم، تکامل یافته است تا کاربران را قادر به کالیبره کردن کمتر با استفاده از یک رویکرد " کالیبراسیون شده": سیستم اعتماد کالیبراسیون تجمعی را ردیابی می کند و تنها درخواست یک علامت گذاری زمانی که حاشیه خطا بیش از آستانه است.این رویکرد کاربر در حلقه کاهش فرکانس متوسط کالیبراسیون توسط 40٪ ثابت با توجه به داده های واقعی گزارش شده است.

سنسور های پایدار و طولانی مدت

طول عمر سنسور به طور مستقیم بر بار کالیبراسیون تأثیر می گذارد. سنسورهای سنتی CGM 7 تا 14 روز طول می کشد، نیاز به جایگزینی مکرر و کالیبراسیون با هر سنسور جدید، سنسورهای قابل ایمپلنت مانند Eversense E3، یک دوره سایش 180 روزه را ارائه می دهند، زیرا سنسور به طور زیر با یک برش کوچک قرار می گیرد، کالیبراسیون اولیه بالاتر است (یک سری از انگشت است که در روز)، اما یک دوره کلی برای کاهش قابل توجه، هر بار 714، یک بار کالیبراسیون قابل توجه است.

حتی در دسته سنسور های غیر گیاه خوار، تولید کنندگان برای پوشیدن طولانی تر فشار می آورند. Dexcom G7 یک لباس 10 روزه با کالیبراسیون کارخانه ارائه می دهد. نسل های آینده به مدت 14 روز یا بیشتر هدف قرار می گیرند.هر روز از سایش طولانی تعداد شروع سنسور و مراحل کالیبراسیون مرتبط را کاهش می دهد.

Cloud-based Population کالیبراسیون

مفهوم نوظهور استفاده از داده های سطح جمعیت برای کالیبره کردن سنسورهای فردی است.در یک APS متصل به ابر، داده های ناشناس از هزاران سنسور می تواند جمع آوری شود تا یک بار دیجیتال از ویژگی های پاسخ سنسور را ایجاد کند، هنگامی که یک سنسور جدید وارد می شود، سیستم با پارامترهای کالیبراسیون بر اساس میانگین جمعیت شروع می شود و سپس آنها را با تعدادی از ویژگی های مرجع کاربر بررسی می کند (این مثال، فقط می تواند یک نوار انگشت را باز کند).

علاوه بر این، مدل های یادگیری ماشین که در مجموعه داده های عظیم آموزش دیده اند می توانند مسیر حرکت سنسور را بر اساس الگوی سیگنال اولیه خود پیش بینی کنند، اگر مدل پیش بینی کند که یک سنسور خاص تا روز ۵ به سمت عدم ثبات حرکت می کند، سیستم می تواند به طور فعال یک پنجره کالیبراسیون را در روز ۴ تنظیم کند، نه انتظار برای حرکت به بیش از آستانه.

طراحی کاربر محور: ساده سازی گردش کار کالیبراسیون

فراتر از تکنولوژی زمینه ای، نحوه کالیبراسیون به کاربر بسیار مهم است، از نظر تاریخی، سرعت کالیبراسیون مختل شده است - زنگ هشدار های فشرده، اعلان های مزاحم و پنجره های زمان سخت است که سیستم های مدرن یک فلسفه طراحی کاربر محور تر را بدون اجازه دادن به کاربران در صفحه قفل دستگاه، می تواند برای یک دوره پیکربندی قابل تنظیم، و پنجره های سخت زمان با اعلان های دیگر مانند سیستم های قطع دسترسی به طور مستقیم، به کاربران اجازه می دهد.

کالیبراسیون صدا و جریان کار آزاد برای کاربران با اختلالات بصری یا معلولیت فیزیکی نیز مورد بررسی قرار می گیرد. FDA اخیرا یک سیستم را پاک کرده است که از دستورات صوتی برای هدایت کاربر از طریق کالیبراسیون استفاده می کند، که کاهش بار شناختی و فیزیکی برای کسانی که با وظایف حرکتی خوب مبارزه می کنند.

نتایج بالینی: آیا کالیبراسیون Burden باعث بهبود کنترل Glucose می شود؟

سوال نهایی این است که آیا کاهش بار کالیبراسیون نتایج بالینی بهتر را تولید می کند. شواهد تشویق می کند. متاآنالیز مطالعات مقایسه سنسورهای با کالیبر کارخانه به سنسورهای کالیبره کاربر نشان می دهد که سنسورهای کالیبر کارخانه دقت قابل مقایسه ای دارند (MARD 8.6% در مقابل H.1) اما به طور قابل توجهی رضایت کاربر و سنسور بالاتر (15٪ طولانی تر) و زمان بیشتری برای کاهش سرعت باز شدن، و به حالت باز شدن به طور مستقیم و ترجمه کمتر دارند.

در کارآزمایی های بسته هیبریدی، کاربرانی که کمتر از یک بار در روز را به طور متوسط به 72٪ زمان در برد، در مقایسه با 64٪ برای کسانی که بیش از دو بار در روز کالیبره شده اند، در حالی که این همبستگی ممکن است تا حدودی منعکس کننده این باشد که کاربران پایدارتر نیاز به کالیبراسیون کمتری دارند، همچنین نشان می دهد که حذف بار کاربران را قادر می سازد تا به تعامل مداوم با سیستم.

مطالعه ای که توسط Bekiari et al. در Fiasp-with-APS گروه نشان داد که عادات کالیبراسیون کاربر قوی ترین پیش بینی کننده زمان در منطقه پس از HbA1c پایه است که کالیبره شده در فواصل توصیه شده است 5.2 درصد از زمان بالاتر برد در مقایسه با کسانی که به تأخیر انداختن یا کالیبراسیون الگوریتم ساده است، فقط بر پیدا کردن یک اثر مستقیم از کاهش سرعت در حال تغییر است.

ملاحظات نظارتی و ایمنی

کاهش بار کالیبراسیون نباید ایمنی را به خطر اندازد. FDA و سایر نهادهای نظارتی نیاز دارند که سیستم های CGM در طول سایش اولیه با معیارهای دقیق خاصی روبرو شوند و بر اساس زندگی سنسور، سیستم های تنظیم شده کارخانه باید ثابت کنند که دقت آنها بدون دخالت کاربر حفظ می شود، از جمله در سناریوهای چالش برانگیز مانند تغییرات سریع گلوکز، ارتفاع بالا یا در طول تمرین.

یک رویکرد به دست آوردن کشش "بدون کالیبراسیون شرط" برچسب گذاری است.به عنوان مثال، Dexcom G6 برای اکثر کاربران کالیبراسیون بدون کالیبراسیون در نظر گرفته می شود، اما هشدار می دهد که برخی از بیماران ممکن است نیاز به کالیبره اگر عدم انطباق علامت - سنسور بدون علامت - این تعادل با استقلال کاربر در آینده، ما ممکن است تایید بیومتریک (به عنوان مثال، نیاز به یک سیستم تنظیم کننده زمان که به آن اجازه می دهد تا یک سیستم های تنظیم کننده امن - به عنوان یک آستانه امن باشد) به عنوان یک سیستم های تنظیم کننده امن است.

مسیر های آینده: به سوی یک کالیبراسیون کاملاً مستقل

هدف بلند مدت این است که کالیبراسیون کاربر را به طور کامل حذف کنید. چندین جریان تحقیق موازی به سمت این آینده اشاره می کند.

سنسور های نوری غیر تهاجمی

سنسورهای نوری بر اساس طیفوسکوپی Raman، تشخیص فوتونی یا طیفوسکوپی حرارتی می تواند گلوکز را از طریق پوست بدون وارد کردن سوزن اندازه گیری کند، بنابراین جلوگیری از خطا و تکان دادن که به طور کامل شرکت هایی مانند DiaMonTech] را ضروری می کند [FLT 1 نمونه اولیه غیر تهاجمی با دقت نزدیک شدن به این تکنولوژی های کالیبراسیون را نشان داده است.

کالیبراسیون از طریق هوش مصنوعی و مدل های جمعیت

مدل های AI که شامل روند جهانی، داده های آب و هوا، ورود غذا و ژنتیک می توانند الگوهای حرکت سنسور فردی را پیش بینی کنند تا به درستی که نشانگر انگشت سنج ها غیر ضروری می شود، الگوریتم از داده های تاریخی کاربر همراه با مدل های جمعیت برای خود-تنظیمی استفاده می کند، این در سیستم های تحقیقاتی مانند سیستم DiAS دانشگاه ویرجینیا مورد آزمایش قرار می گیرد، که در آن کالیبراسیون الگوریتم تنها با استفاده از سنسور تحویل و بدون دستیابی به هر گونه منبع انگشت 9.5% انجام می شود.

سیستم های ضد افسردگی و چند بعدی

سیستم هایی که شامل گلوکاگون یا هورمون های دیگر هستند، کانال های اطلاعات اضافی را اضافه می کنند.در یک سیستم دو هورمون دوگانه، الگوریتم کنترل دارای دو منبع مستقل بازخورد است (به عنوان مثال، از CGM و پاسخ رفتاری به گلوکاگون)، که اجازه می دهد تا آن را به تشخیص خطاهای کالیبراسیون بیشتر قابل اعتماد، پوشیدن دو سنسور CGM به طور همزمان (به عنوان مثال، یکی در بازوی و در یک مورد نیاز شکم) باعث کاهش برخی از سیستم های مطالعه و عدم اطمینان تر می شود.

User-Tailored کالیبراسیون برای جمعیت های آسیب پذیر

کودکان، زنان باردار و بزرگسالان مسن دارای فیزیولوژی گلوکز متمایز هستند که ممکن است نیاز به روش کالیبراسیون دقیق داشته باشند.سیستم های آینده ممکن است فرکانس کالیبراسیون و پروتکل را بر اساس پروفایل کاربر، داده های بلند مدت و حتی نشانگرهای ژنتیکی تنظیم کنند.به عنوان مثال، زنان باردار تغییرات سریع گلوکز را تجربه می کنند، به طور بالقوه نیاز به کالیبراسیون بیشتر دارند، اما سیستم می تواند این روش ها را در زمان مناسب تنظیم کند و از روش های هدایت صدا برای به حداقل رساندن مشکلات کالیبراسیون بالا استفاده کند.

نتیجه گیری

بار کالیبراسیون یک مانع مداوم برای پذیرش گسترده و استفاده پایدار از سیستم های پانکراس مصنوعی است، با این حال مسیر نوآوری روشن است: هر سال، سنسورها دقیق تر می شوند، الگوریتم ها دقیق تر می شوند و رابط کاربری تبدیل به بخشش بیشتر می شود، بدون اینکه هر گونه ویژگی های دقیق رشد روزانه را به آنها ارائه دهد، یادگیری ماشین آلات برابر، همجوشی سنسور و مدل سازی جمعیت مبتنی بر ابر، به طور کامل کاهش می دهد.