Viime vuosina pilvipohjaiset tietoalustat ovat muokanneet perusteellisesti lääketieteellisen tutkimuksen maisemaa. Antamalla useille laitoksille mahdollisuuden tehdä yhteistyötä reaaliaikaisesti, jakaa suuria tietoaineistoja ja suorittaa kehittyneitä analyysejä ilman fyysisen infrastruktuurin hallintaa. Nämä alustat ovat tulleet välttämättömiksi. Tämä muutos on erityisen merkittävä diabeteksen tutkimuksessa, jossa sairauden monimutkaisuus edellyttää erilaisten tietotyyppien integroimista elektronisista terveystiedoista ja jatkuvasta glukoosin monitoreista (CGM) saatuihin tuloksiin genomiikan, metabolomiikan ja potilaiden raportoimien tulosten osalta. Siirtyminen erillisistä laitoskohtaisista tiedoista toisiinsa yhteydessä oleviin pilviekosysteemeihin on nopeuttanut löydösten löytövauhtia, jolloin tutkijat voivat kysyä kysymyksiä, joihin ei aiemmin voitu vastata tietojen pirstaloitumisen ja laskentarajoitusten vuoksi.

Pilviinfrastruktuurin merkitys kasvaa Diabetestutkimuksessa

Diabetes mellitus käsittää ryhmän metabolisia sairauksia ominaista krooninen hyperglykemia. Esiintyvyys kasvaa maailmanlaajuisesti . Yli 537 miljoonaa aikuista tällä hetkellä diabetes, mukaan International Diabetes Federation.Tällaiset tarpeet monitoiminen tutkimus ei ole koskaan ollut kiireellisempää. Perinteiset tutkimusmenetelmät perustuvat paikallisten palvelimien, manuaalisen tiedon jakamisen sähköpostitse tai fyysisen median, ja ajoittainen eränsiirto. Nämä lähestymistavat otettiin käyttöön latenssi, tietojen epäjohdonmukaisuuksia, ja versionhallinta painajaisia. Cloud-pohjainen alustojen ratkaista näitä pullonkauloja tarjoamalla yhtenäinen, aina käytettävissä oleva ympäristö, jossa tietoja eri lähteistä voidaan tallentaa, yhdenmukaistettu, ja analyized mittakaavassa. Tutkimusverkostot T1D Exchange[]] ovat osoittaneet, miten pilviinfrastruktuuri mahdollistaa klinikat kaikkialla Yhdysvalloissa antaa tietoja tuhansista potilaista, luoda runsaasti resursseja opiskeluun tyypin 1 diabetes.

Pilvi-infrastruktuuri tukee myös kasvavaa suuntausta "suurdatan" käyttöön diabeteksen tutkimuksessa. Tutkimukset, kuten tekoälyn tutkiminen tyypin 2 diabeteksen ennustamiseksi, osoittavat, miten pilvilaskenta tarjoaa tarvittavan laskentavoiman monimutkaisille algoritmeille.Machine Learning Malleilla, jotka vaativat koulutusta miljoonissa datapisteissä. Lisäksi kyky käynnistää virtuaalisia koneita, joissa on satoja ydintä, joilla on kysyntää, tarkoittaa, että tutkijoiden ei tarvitse enää investoida kalliisiin toimitilalaitteistoihin. Tämä joustavuus on ratkaisevan tärkeää projekteille, joissa on vaihtelevia laskentatarpeita, kuten genomikokoisia yhdistystutkimuksia (GWAS) tai pitkittäisanalyysit jatkuvasta glukoosin seurannasta. Tietomäärien kasvaessa pilvialustojen avulla voidaan varmistaa, että varastointi- ja käsittelytehoa voidaan skaalata saumattomasti keskeyttämättä jatkuvaa tutkimusta.

Edut pilvialustat Diabetes Research

Tietojen jakaminen ja yhteistyö

Yksi tärkeimmistä eduista on tiedon jakamisen helppous eri laitosten välillä. Tutkijat eri sairaaloista, yliopistoista ja tutkimuskeskuksista voivat käyttää ja osallistua keskitettyyn tietokantaan. Tämä vähentää päällekkäisyyksiä ja edistää yhteistyökulttuuria, jossa löydökset voidaan validoida ja rakentaa nopeasti. Esimerkiksi []]Jaeb Center for Health Research[]] koordinoi monikeskus kliinisiä tutkimuksia käyttäen pilvipohjaista keskitettyä tiedonkeruuta, jolloin voidaan reaaliaikainen tietojen laadun ja potilaiden tulosten seuranta. Tämä agility on ollut keskeisessä asemassa tyypin 1 diabeteshoitojen ja keino haimajärjestelmien tutkimuksissa. Kliinisten tutkimusten lisäksi pilvialustojen avulla voidaan yhdistää tietoja havainnointitutkimuksiin, jolloin tutkijat voivat tunnistaa harvinaisia alaryhmiä ja samanaikaisia sairauksia, jotka olisivat näkymättömiä yhden laitoksen tietokana.

Reaaliaika-analyysi ja näkymät

Pilvialustat mahdollistavat reaaliaikaisen tiedon nielemisen ja analysoinnin. Kliinisissä tutkimuksissa tai havainnointitutkimuksissa tietoja voidaan streamata suoraan laitteista. Esimerkiksi jos turvasignaali ilmestyy yhdessä tutkimuksen käsivarressa, pilvipohjainen järjestelmä voi hälyttää tietoturvallisuuden valvontataulun välittömästi, jolloin kojelauta päivittyy välittömästi. Tämä välilyönti mahdollistaa trendien havaitsemisen aikaisin, opintoparametrien säätämisen ja jopa mukautuvien koesuunnitelmien toteuttamisen. Esimerkiksi jos tutkimushaarassa ilmenee turvasignaali, pilvipohjainen järjestelmä voi hälyttää tietoturvallisuuden valvontataulun välittömästi ja mahdollisesti vähentää potilasriskiä. Nopeus voi olla vuosikausia poissa perinteisestä tutkimusajasta, sillä tutkijoiden ei tarvitse enää odottaa tietojen jäädyttämistä tai manuaalista kyselyn resoluutiota.

Skaalattavuus pituusasteissa

Diabetestutkimus käsittää usein pitkittäisen tiedonkeruun, joka kestää useita vuosia ja tuhansia osallistujia. Pilvialustat ovat luonnostaan skaalautuvia, käsittelevät miljardeja datapisteitä ilman suorituskyvyn heikentymistä. Kun uusia dataaaltoja saapuu vuosittaisista tarkastuksista, jatkuvista seurantalaitteista tai biopankkinäytteistä. Varastointia voidaan laajentaa joustavasti ja laskea resursseja voidaan lisätä monimutkaisiin analyyseihin, kuten GWAS-analyysiin tai syväoppimismalleihin komplikaatioiden ennustamiseksi. Tämä skaalattavuus tukee myös federoituja kyselyitä useissa tietokannoissa, joiden avulla tutkijat voivat testata hypoteesit suurilla, monilla eri väestöillä ilman päällekkäisiä tietoja.

Kustannustehokkuus ja resurssien optimointi

Jakamalla infrastruktuuria useiden hankkeiden ja instituutioiden kesken pilvialustojen kustannukset vähenevät huomattavasti. Sen sijaan, että kukin laitos ylläpitää omaa korkeaa suorituskykyistä laskentakeskusta, tutkijat maksavat vain kuluttamistaan resursseista. Tämä jakomalli demokratisoi kehittyneiden analytiikan käyttöä, mikä mahdollistaa pienille laboratorioille ja laitoksille resurssirajoitteisten asetusten mukaan osallistumisen huippututkimukseen. Monet pilvipalvelujen tarjoajat tarjoavat apurahoja ja alennettua hinnoittelua akateemiselle tutkimukselle, mikä alentaa esteitä entisestään. Lisäksi kyky sysätä ja purkaa tilapäisiä laskentaklustereita tarkoittaa, että lyhyen aikavälin, compute-intensitiivisiä tehtäviä (kuten koneoppimismallin koulutusta) voidaan suorittaa ilman jatkuvia pääomamenoja. Tällä tehokkuusvaikutuksella on erittäin suuri vaikutus: tutkijat voivat osoittaa enemmän budjettia hypoteesien tuottamiseen ja validointiin kuin IT-.

Pilviteknologiat Tehoavat Diabetestutkimus

Google Cloud Platform (GCP)

Google Cloud tarjoaa erikoistuneita terveydenhuollon ja biotieteiden ratkaisuja, kuten terveydenhuollon sovellusrajapinta, joka voi syödä tietoja FHIR-muodossa, ja työkaluja kuten Vertex AI koneoppimiseen. Sen vahva datan analysointiominaisuudet, kuten BigQuery, mahdollistavat tutkijoiden kyselyn petatavuja datan sekunneissa standardi SQL. GCP tietoturvasertifikaatit, mukaan lukien HIPAA compliance[], tehdä luotettava valinta käsitellä suojattuja terveystietoja. Diabetestutkimuksen GCP:n integrointi Cloud Healthcare API mahdollistaa saumattoman nauttimisen HL7v2, DICOM, ja FHIR tietoja elektronisista terveysrekistereistä, joka on kriittinen tutkimuksia varten, jotka yhdistävät kliinisiä tietoja potilaiden raportoituja tuloksia tai laitetietoja.

Amazon Web Services (AWS)

AWS tarjoaa kattavan palveluvalikoiman ison datan analysointiin, mukaan lukien Amazon S3 tallennusta varten, Amazon EMR käsittelyä varten Spark jobs ja SageMaker koneoppimismalleja varten. AWS tarjoaa myös tarkoitukseen rakennettuja palveluita, kuten Amazon HealthLake, joka käyttää koneoppimista terveystietojen normalisoimiseen ja tallentamiseen FHIR-yhteensopivassa muodossa. Monet akateemiset lääkärikeskukset käyttävät AWS-järjestelmää luodakseen yhteisiä tutkimusympäristöjä, jotka täyttävät lakisääteiset vaatimukset, kuten HIPAA, GDPR ja FedRAMP. Kyky perustaa datajärvet S3:ssa yhdistettynä rakeisten pääsyvalvontajärjestelmien kanssa, mahdollistaa tutkimusverkkojen jakaa tietoja uhraamatta turvallisuutta.

Microsoft Azure

Azure yhdistää laajasti käytettyihin tutkimustyökaluihin, kuten Jupyter Notebooks, ja tarjoaa Azure Synapse Analytics -analytiikkaa big dataa varten. Sen Azure API FHIR -internovatiivista terveysdatan yhteentoimivuutta. Lisäksi Azuren vahva identiteettien hallinta ja roolipohjainen pääsyvalvonta helpottavat lupajärjestelmän hallintaa eri laitosten yhteenliittymässä. Azure Machine Learning -interventaariossa on helpompi kehittää ennustemalleja, kuten diabeettisen retinopatian etenemistä ennustavia malleja, tarjoamalla hallittuja laskentaklustereita ja automatisoituja ML-valmiuksia.

Muut uudet alustat

Kolmen suurimman tekijän lisäksi Snowflaken pilviarkkitehtuuri mahdollistaa turvallisen tiedonjaon ilman kopiointia. Käyttäjät voivat jakaa tietoja organisaatioiden kesken "osakkeiden" kautta, jotka säilyttävät hallintosäännöt. Databricks tarjoaa yhtenäisen analytiikan alustan, joka perustuu Apache Spakiin ja tukee yhteistyömuistikirjoja ja kehittyneitä analytiikkaa eri tietotyypeille. Nämä työkalut ovat yhä enemmän käytössä diabetestutkimuskonsortioissa, jotka tarvitsevat joustavia ja skaalattavia ympäristöjä laaja-alaisiin moniomis-analyyseihin. Esimerkiksi NIH Kaikki tutkimusohjelmat [.

Miten pilvialustat Ota käyttöön tietojen yhdenmukaistaminen

Yksi sitkeimmistä haasteista monitoimialan diabeteksen tutkimuksessa on dataheterogeenisyys. Eri sairaalat ja klinikat käyttävät erilaisia sähköisiä terveystietojärjestelmiä, koodausstandardeja (esim. ICD-10, SNOMED) ja tiedonkeruuprotokollia. Pilvialustat helpottavat näiden erilaisten tietolähteiden muuntamista yhteisiksi tietomalleiksi, kuten Observational Medical Outcomes Partnership Common Data Model (OMOP CDM) tai FHIR. Cloud-pohjaiset putkistot, joissa käytetään Apache Spark, Cloud Dataflow tai AWS Glue, voivat poimia, muuntaa ja ladata tietoja vakiomuotoisiksi muodoiksi. Kun tutkijat voivat tehdä koko konsortion alueella analyyttisiä kyselyjä, joissa data on luotettavaa.

Haasteet ja lieventämisstrategiat

Tietosuoja ja sääntelyn noudattaminen

Potilaiden luottamuksellisuuden suojelu on tärkeää diabeteksen tutkimuksessa, johon liittyy usein arkaluonteisia terveystietoja, kuten glukoosin jatkuva seuranta, insuliinipumppulokit ja geneettinen tieto. Säännöt, kuten HIPAA Yhdysvalloissa ja GDPR Euroopassa asettavat tiukkoja vaatimuksia tietojen tallentamiselle, siirto ja käyttö. Pilvipalvelujen tarjoajat ovat vastanneet tarjoamalla HIPAA-hyväksyttäviä palveluja, liikealan liitännäissopimuksia (BAA) ja tietojen salausta levossa ja kauttakulkumatkalla. Tutkijoiden on myös toteutettava tietojen tunnistamisen tekniikoita, kuten poistamalla suoria tunnistimia, päivämääränvaihtoa ja lisäämällä melua numeerisiin arvoihin. Monissa pilvialustoissa on nyt tarjolla tiukkoja tietojenkäsittelykäytäntöjä automaattisesti tarkistavia välineitä, jotka tarkistavat tietojen käsittelyn sääntelystandardien mukaisesti. Hyvin suunniteltu tietojen hallintajärjestelmä, mukaan lukien tietojen käyttösopimukset (DUA) laitosten välillä, on olennaisen tärkeää näiden vaatimusten navigointiin.

Tietojen standardointi ja yhteentoimivuus

Heterogeneous dataformaatit eri laitoksissa ovat merkittävä haaste. Tehokkaan toimielinten välisen analyysin varmistamiseksi tiedot on yhdenmukaistettava yhteisiin standardeihin, kuten OMOP CDM:ään tai FHIR:ään. Pilvialustat voivat helpottaa tätä tarjoamalla tiedonsiirtoputkistoja ja työkaluja paikallisten tietojen kartoittamiseksi näihin standardeihin. Esimerkiksi AWS HealthLake ja Google Cloud Healthcare API tarjoavat sekä sisäänrakennettua FHIR-muunnosta. Alun perin standardointia ei kuitenkaan pidä aliarvioida, ja jatkuvaa hallintoa tarvitaan johdonmukaisuuden säilyttämiseksi, kun uusia tietolähteitä lisätään. Tutkimusverkostot luovat usein tiedonkurointiryhmiä, jotka työskentelevät pilviinsinöörien kanssa kartoitussääntöjen määrittelemiseksi ja reunatapausten käsittelemiseksi.

Pääsynvalvonta ja turvatoimet

Laajan monitoimitiimin käyttöoikeuksien hallinta on monimutkaista. Pilvialustat tarjoavat rakeisen roolipohjaisen kulunvalvonnan (PBAC) ja määritteeseen perustuvan kulunvalvonnan (ABAC), jonka avulla hallinnoijat voivat määritellä tarkasti, ketkä voivat lukea, kirjoittaa tai analysoida kutakin dataa. Monitoiminen tunnistus- ja tarkastuslokit auttavat estämään luvatonta pääsyä ja tarjoavat näkyvyyttä tietojen käyttöön. Säännöllisiä tietoturvatarkastuksia ja NIST 800-53 -järjestelmien noudattamista suositellaan. Fileated-tutkimus, jossa tiedot pysyvät lähdelaitoksessa, pilvialustat voivat järjestää kyselyn suorittamisen liikuttamatta raakadataa.

Teollis- ja tekijänoikeudet sekä tietojen omistus

Yhteistyötutkimus herättää usein kysymyksiä tiedon omistusoikeudesta ja immateriaalioikeuksista. Pilvialustat eivät ratkaise luonnostaan näitä oikeudellisia kysymyksiä, mutta ne voivat tukea niitä esimerkiksi datan jakamisen ja käytön seurannan avulla. Selkeät sopimukset yhteistyön alussa ovat ratkaisevia, jotta voidaan välttää kiistat myöhemmin. Monet tutkimuskonsortiot hyväksyvät yhteisen tiedonjakosopimuksen, jossa määritellään, kuka omistaa johdettua dataa (kuten yhdistetyt tilastot tai koulutetut mallit) ja miten niitä voidaan käyttää. Pilvipohjainen kirjautuminen ja versiointi tarjoavat muuntamattoman tietueen tietojen saatavuudesta ja analysointivaiheista, jotka voivat olla hyödyllisiä omistusvaatimusten ratkaisemisessa.

Real-World sovellukset ja tapaustutkimukset

Kaikki meidät -tutkimusohjelma

Vaikka NIH:n ohjelma ei keskity yksinomaan diabetekseen, se käyttää pilvipohjaista alustaa, jolla voidaan tallentaa ja analysoida yli miljoonan osallistujan terveystietoja. Tutkijat voivat käyttää dataa diabeteksen alatyyppien, geneettisten riskitekijöiden ja terveyserojen tutkimiseen. Pilviinfrastruktuuri mahdollistaa tämän laajan resurssin turvallisen ja hallitun jakamisen koko tutkimusyhteisössä. Käyttämällä tietopassijärjestelmää kaikki Meistä mahdollistavat tutkijoiden analysoida tietoja pilvipohjaisen työtilan kautta lataamatta koskaan koko dataa, säilyttäen samalla yksityisyyden ja mahdollistaen syvän tieteellisen tutkimuksen.

Multi-Centerin kliiniset tutkimukset tyypin 1 diabeteksen hoitoon

Tyypin 1 diabeteksessa ]Jaeb Center for Health Research[ koordinoi monikeskustutkimuksia käyttäen pilvipohjaista keskitettyä tiedon talteenottoa. Tietojen laadun ja potilaiden tulosten reaaliaikainen seuranta mahdollistaa turvallisuussignaalien ja tehokkuustrendien nopeamman tunnistamisen, mikä parantaa tutkimusten tehokkuutta. Esimerkiksi äskettäin tehdyssä hybriditutkimuksessa, jossa oli suljettu insuliinin annostelujärjestelmä, satojen osallistujien tiedot streamattiin yöllä pilvitietokantaan, jossa ne puhdistettiin ja pisteytettiin automaattisesti. Näin tutkimusryhmä pystyi havaitsemaan laitevirheet päivien sisällä sen sijaan, että odotti paikan seurantakäyntejä, joita saattaa esiintyä viikkoja myöhemmin.

Kansainvälinen Diabetes Genomics -konsortia

Diabetes Genetics Initiative -hankkeen kaltaiset hankkeet perustuvat pilvipalveluihin, joissa yhdistetään genomikokoisia yhdistystietoja eri organisaatioilta eri puolilta maailmaa. Tallentamalla raaka-aineita ja fenotyyppejä jaettuun pilvivarastoon, tutkijat voivat suorittaa mega-analyseja, jotka olisivat logistisesti mahdottomia paikallisten järjestelmien avulla. Pilvi mahdollistaa myös toistettavissa olevan tutkimuksen: analyysiputket ja työnkulku on pakattu kontteihin (Docker) ja ne voidaan suorittaa uudelleen minkä tahansa yhteistyökumppanin toimesta, jotta tulokset olisivat luotettavia ja läpinäkyviä.

Tulevaisuuden ohjeet: tekoäly, Federative Learning ja maailmanlaajuinen yhteistyö

Tekoäly ja koneoppiminen

Pilvialustat tarjoavat laskuvoimaa, jota tarvitaan monimutkaisten tekoälymallien, kuten syvän neuroverkon, joka ennustaa diabeettista retinaalikuvaa, malleja, jotka ennustavat hypoglykeemisiä tapahtumia CGM:n ja aktiivisuusdatan avulla, tai malleja, jotka optimoivat insuliinin annostelua. Koska pilvikustannukset vähenevät ja tekoälytyökalut tulevat helpommin saataville, näitä malleja voidaan käyttää kliinisissä olosuhteissa päätöksenteon tueksi. Kyky kouluttaa malleja, joissa on uusia tietoja useista laitoksista, parantaa tarkkuutta ja yleistyvyyttä. Cloud-pohjaiset tekoälypalvelut kuten Google Cloud AutoML, Azure Cognitive Services ja Amazon SageMaker AutoPilot mahdollistavat jopa tiimien rakentamisen ilman syvää ML-asiantuntijuutta.

Federal Learning for Privacy Preservation

Yksi lupaava lähestymistapa tietosuojahaasteiden voittamiseen on feederoitu oppiminen, jossa koneoppimismalleja koulutetaan hajautetuissa tietolähteissä ilman raakadatan siirtoa. Pilvialustat voivat järjestää opetustyön kulkuja koordinoimalla malliparametrien vaihtoa institutionaalisten solmukohtien välillä. Esimerkiksi mallin, jolla ennakoidaan diabeettisen munuaistaudin etenemistä, voitaisiin kouluttaa viidessä sairaalajärjestelmässä ilman potilastason dataa poistumasta kunkin sairaalan verkosta. Näin tutkijat voivat hyötyä suurista, erilaisista tietokannoista säilyttäen samalla paikallisen valvonnan arkaluontoista tietoa. Varhaisia onnistumisia diabetesta varten tapahtuvan syötetyn oppimisen ennustamisessa on raportoitu, ja lähestymistavasta odotetaan tulevan vakio monikeskustutkimuksissa, joissa datan jakamista rajoitetaan.

Maailmanlaajuiset yhteistyöaloitteet

Pilvipohjaiset alustat mahdollistavat aidosti maailmanlaajuisen yhteistyön, joka yhdistää korkean tulotason maissa toimivat tutkijat pieni- ja keskituloisissa maissa, joissa diabeteksen esiintyvyys kasvaa nopeasti. Jaetut pilviympäristöt voivat tarjota koulutusresursseja, standardoituja analyysiputkistoja ja vertailuaineistoja, jotka edistävät valmiuksien kehittämistä ja tasapuolista osallistumista. [:n]:n kaltaiset aloitteet ovat pilvitutkimuksen ja sen tulosten vertailu pilviteknologian vipuvaikutus, jotta voidaan kuroa umpeen aukkoja ja nopeuttaa edistymistä kohti parempaa ennaltaehkäisyä ja hallintaa maailmanlaajuisesti. Tarjoamalla edullista varastointia ja vertailupisteitä heikosti koulutettujen alueiden tutkijoiden keskuudessa, pilvipalvelujen tarjoajat auttavat tasaamaan pelikenttää. Lisäksi pilvialustojen avulla tuetaan monikielisiä havainto- ja kohorttien löytötyökaluja, mikä helpottaa erilaisten tutkimuspopulaatioiden rekrytointia ja varmistaa, että tulokset ovat yleistet eri etnisten tieteiden ja geografioiden välillä.

Pilvipohjaisia tutkimustietoja koskevien järvien täytäntöönpanon parhaat käytännöt

Jotta voidaan maksimoida pilvialustojen hyödyt, diabetestutkimusverkostoissa olisi otettava käyttöön useita parhaita käytäntöjä. Ensinnäkin perustetaan tiedonhallintakomitea, johon kuuluu edustajia kaikista osallistuvista laitoksista määrittelemään datan määritelmät, laatukynnykset ja käyttöperiaatteet. Toiseksi, käytetään modulaarista arkkitehtuuria: erillistä tallennus-, käsittely- ja esitystasoja, jotta jokainen voidaan skaalata itsenäisesti. Kolmanneksi, toteutetaan automatisoituja tietojen validointitarkastuksia nielemispisteessä havaita virheitä varhaisessa vaiheessa. Neljänneksi, käytä kondensoituja analyysityönkulkuja (esim. Dockerin tai Singularityn avulla) varmistaakseen uusittavuus eri pilviympäristöissä. Viidenneksi, seurata kustannuksia ja käyttää ennakoivasti; pilvikustannusten hallintatyökalut voivat auttaa estämään odottamattomia menoja. Lopuksi dokumentoida kaikki datan muunnokset ja analyysivaiheet versio-ohjatussa arkistossa, joka on välttämätön auditiability ja tulevien tutkimusten toistamiseen.

Lopuksi, pilvipohjaiset dataalustat ovat tulleet korvaamattomiksi diabeteksen tutkimuksessa. Ne ovat välttämättömiä, kun ne hajottavat institutionaalisia esteitä, mahdollistavat reaaliaikaisen analyysin ja mittakaavan, jotta ne voivat ottaa huomioon nykytutkimuksen valtavat tietomäärät. Vaikka yksityisyyden, standardoinnin ja kulunvalvonnan kaltaiset haasteet vaativatkin huolellista huomiota, hyödyt ovat paljon suurempia kuin esteet. Koska tekniikka, kuten tekoäly ja feederated oppiminen kypsä, pilvi toimii edelleen selkärangana aidosti yhteenliitetyssä, globaalissa tutkimuksessa, jonka tavoitteena on ymmärtää ja valloittaa diabetes.