نقش داده های تولید شده بیمار در بهبود الگوریتم های سیستم Pancreas مصنوعی

چگونه داده های بیمار-Generated دقت الگوریتم را بهبود می بخشد

الگوریتم های مدرن AP به دو دسته گسترده تقسیم می شوند: ] کنترل پیش بینی مدل (MPC) و proportional-integral-integral-integral-ivive Control (PID) گاهی اوقات با منطق فازی یا یادگیری ماشین اضافه می شود.

ملموس ترین مزیت PGD توانایی ایجاد تنظیمات (FLT:0) آگاه از متن است سناریوهای زیر را در نظر بگیرید:

• ورزش هوازی افزایش استفاده از گلوکز، اغلب باعث هیپوگلیسمی ساعت بعد.با مصرف داده ها از ردیاب تناسب اندام و یا یک گزارش فعالیت خود گزارش شده، الگوریتم می تواند انسولین پایه را کاهش دهد و هدف را به سمت بالا قبل، در طول، و بعد از جلسه، حتی یادگیری منظم پردازش برای شروع یک الگوریتم قبل از شروع، تنظیم کند و تنظیم اگر یک نمونه قبل از شروع به کار کنید، ممکن است یک تابع سرعت 5 دقیقه ای برای تنظیم شود.
• چرخه قاعدگی: بسیاری از زنان مبتلا به T1D تجربه قابل توجهی از تنوع گلوکز در طول فاز بی نظیر به دلیل تغییرات هورمونی. Longitudinal PGD ردیابی فازهای چرخه همراه با گلوکز و داده های انسولین، سازگاری الگوریتم را که باعث کاهش هیپرگلیسمی و هیپوگلیسمی در سراسر چرخه قاعدگی می شود، برخی از سیستم های پیشرفته اجازه می دهد تا به طور خودکار حساسیت های جداگانه را تنظیم کند.
• استرس و استرس: عفونت، استرس و التهاب مقاومت به انسولین را از طریق کورتیزول و سیتوگلیسمی التهابی افزایش می دهد. PGD به شکل log علائم نشانه یا تنوع ضربان قلب پوشیدنی می تواند الگوریتم را برای ورود به حالت "روز قریب الوقوع" با نرخ بالاتر و عوامل اصلاح تهاجمی بیشتر، افزایش دهد.
• ] مصرف آلکول: الکل در ابتدا باعث هیپرگلیسمی از آزاد شدن گلوکز کبدی می شود، اما بعدا منجر به هیپوگلیسمی به تاخیر می شود زیرا کبد ترخیص الکل از گلوکوئوژنز را اولویت می دهد. PGD نشان می دهد که مصرف الکل می تواند الگوریتم را برای کاهش انسولین پایه و تنظیم حداقل هدف گلوکز بالاتر برای 8 تا 12 ساعت بعد از آن، تسریع کند.

این شخصی سازی ها استاتیک نیستند – آنها به عنوان PGD جدید جمع آوری می شوند، الگوریتم را قادر می سازد تا با تغییرات شیوه زندگی، پیری و پیشرفت بیماری سازگار شود. یادگیری از طریق دوره ای مجدد مجدد مدل مرکزی (به عنوان مثال، اصلاح شبانه) یا سازگاری آنلاین با استفاده از تکنیک های یادگیری بیزی یا تقویت کننده رخ می دهد.

مدل های پیش بینی شده با یادگیری ماشین

فراتر از سازگاری پارامتر، تغذیه PGD (FLT:0 [نسخه 1] مدل های پیش بینی شده با گلوکز (FLT:1) که پیش بینی گلوکز تا 60 دقیقه پیش رو است. روش های یادگیری ماشین مانند جنگل های تصادفی، افزایش گراد و شبکه های عصبی شدید (L:3) به طور مشابه با مدل های فیزیولوژیکی کلاسیک سازگار است که در مجموعه داده های بزرگ PGD PG آموزش دیده می شود، مطالعه ای در مورد استفاده از خطا شیمیایی (F:2.

در دسترس بودن PGD همچنین الگوریتم های پیشرفته تر یادگیری تقویت (RL) را فراهم می کند. عوامل RLS به یادگیری سیاست بهینه انسولین با تعامل با محیط زیست (شگلیسمی) و دریافت پاداش بر اساس نتایج گلوکز کمک می کنند، زیرا RL نیاز به اکتشاف گسترده دارد، به طور گسترده ای از شبیه سازی های واقعی که الگوهای PGD را شامل می شوند، سود می کند. [F:0SimGluc] [به عنوان مثال شبیه سازی های مبتنی بر انعطاف پذیری عمومی نیاز به درمان های انعطاف پذیر دارند، و مطمئن بودن زمان واقعی برای کنترل کنندگان در مقایسه با استفاده از آن دارند.

چالش ها و ملاحظات در استفاده از داده های بیمار-Generated

علی رغم مزایای روشن، ادغام PGD در الگوریتم های AP موانع قابل توجهی را ارائه می دهد که باید برای اطمینان از ایمنی، عدالت و پذیرش کاربر مورد توجه قرار گیرد.

دقت داده ها و کمال

داده های خودگزارش شده به طور بدنامی پارامترهای خطا-prone. Carboziهیدراته (حتی با برنامه ها و پایگاه های داده، اغلب توسط 20 تا 30٪ از شدت واقعی ورزش ذهنی است، و بسیاری از بیماران فراموش شده یا انتخاب نمی کنند که با استفاده از روش های تشخیص دقیق از دست رفته یا نادرست، از طریق روش های تشخیص مداوم چربی، به طور بالقوه باعث بروز حوادث نامطلوب مانند هیپوa از یک وعده غذایی غیر معمول یا غیر معمول (مانند روش های تشخیص دقیق).

نگرانی های حریم خصوصی و نظارتی

PGD، به ویژه هنگامی که با سوابق بهداشتی قابل شناسایی مرتبط است، تحت HIPAA (US) و GDPR (Europe) محافظت می شود، تجمع مبتنی بر ابر PGD برای آموزش الگوریتم ها نگرانی در مورد نقض داده ها، شناسایی مجدد و استفاده ثانویه را فراهم می کند: الگوریتم های تنظیم شده باید با انواع ورودی خاص و کیفیت آنها در عمل مواجه شوند.اگر یک الگوریتم آموزش دیده در مورد بالا بودن APF (به این معنی است که فقط نیاز به برخی از داده های کنترل آن است، به عنوان یک سیستم های نیمه کاره ای که ممکن است، به طور کامل نیست.

کاربران Burden و Equity

برای اینکه PGD موثر باشد، بیماران باید به طور مداوم آن را ارائه دهند – یا دستگاه هایی را که به طور خودکار آن را ثبت می کنند، استفاده از یک بار داده (FLT:1) که ممکن است به طور نامتناسبی بر گروه های خاصی تأثیر بگذارد: بزرگسالان مسن تر، کسانی که سواد پایین تری دارند، یا افراد بدون دسترسی به اینترنت قابل اعتماد، از طریق ساعت های هوشمند و دستگاه های متصل می توانند بار را کاهش دهند، اما این دستگاه های یادگیری سریع همیشه با استفاده از مزایای دسترسی به طور دقیق و یا افرادی که از طریق آنها را دارند که از طریق بهبود داده های دسترسی به طور دقیق، استفاده می کنند، از طریق آنها، از طریق مدل های دسترسی به طور دقیق، از طریق مدل های دسترسی به طور دقیق، از طریق آنها، از طریق آنها، از طریق مدل های دسترسی به طور دقیق، تجزیه و یا افرادی که به طور دقیق، از طریق مدل های دسترسی به طور دقیق، تجزیه و یا افرادی که به طور دقیق، از طریق مدل های دسترسی به طور دقیق، از طریق مدل های دسترسی به طور دقیق، از طریق PGD، از طریق مدل های دسترسی به طور دقیق، تجزیه و یا افرادی که به طور کامل از طریق مدل های دسترسی به طور قابل اعتماد به طور دقیق، تجزیه و بدون دسترسی به

مسیر های آینده: به سوی سیستم های کاملاً مستقل و شخصی

نسل بعدی سیستم های پانکراس مصنوعی به احتمال زیاد از حلقه بسته هیبریدی (جایی که بیماران هنوز هم وعده های غذایی و ورزش را اعلام می کنند) به به طور خودکار دوگلیسمی یا چند بعدی تکامل می یابند [FLT 1] [FLT1] (insulin plus glucagon یا pramtide) این سیستم ها حتی به شدت به PGD متکی هستند زیرا اضافه کردن الگوهای قبل از مصرف کننده نیاز دارد تا درک کند که چگونه می تواند یک سیستم های پیش بینی شده و انتظار از دریافت کننده را داشته باشد.