Johdanto: Real-World Data katalyytin tekonurmella innovaation

Keinotekoinen haima on myös tunnettu automaattisen insuliinin toimitus (AID) järjestelmä on olennaisesti muuttanut sitä, miten henkilöt tyypin 1 diabetes (T1D) hallita niiden kunto. Yhdistämällä jatkuva glukoosi monitori (CGM), insuliinipumppu, ja kontrolli algoritmi, nämä järjestelmät automatisoida insuliinin toimitus vastauksena reaaliaikainen glukoositaso, vähentää merkittävästi taakka jatkuva päätöksenteko. Kuitenkin huolimatta merkittävä edistyminen, matka kohti turvallisempaa, tarkempi, ja todella personoitu suljettujen silmukka järjestelmien vaatii enemmän kuin valvottuja kliinisiä tutkimuksia. Se vaatii todisteita jokapäiväisestä elämästä. Se on, jossa reaalimaailman tiedot (RWD) tulee välttämätöntä ja sääntelyn validointi seuraavan sukupolven keinotekoisen haiman järjestelmiä, lopulta tuo parempia tuloksia potilaille nopeammin.

Reaalimaailman tietojen ymmärtäminen: määritelmät, lähteet ja ainutlaatuinen arvo

Reaalimaailman aineistolla tarkoitetaan terveystietoja, jotka kerätään rutiininomaisesti erilaisista lähteistä perinteisten satunnaistettujen kontrolloitujen tutkimusten (RCT) ulkopuolella. Sen arvo piilee sen kyvyssä heijastaa todellisten potilaspopulaatioiden heterogeenisyyttä, päivittäistä vaihtelua ja ympäristövaikutuksia, jotka vaikuttavat laitteen suorituskykyyn.

  • Jatkuva glukoosi monitorit (CGM):[] laitteet kuten Dexcom G6/G7, Abbott FreeStyle Libre, ja Medtronic Guardian tuottaa korkean taajuuden glukoosimittaukset (5.15 minuutin välein) viikoksi tai kuukausiksi. Tämä massiivinen data tallentaa glykeemistä vaihtelua, aika-in-range (TIR), ja vaikutus aterioiden, liikunta, ja stressi.
  • Insuliinipumpputiedot:[ Älypumput kirjaavat perusnopeuden, bolusannokset, tilapäiset perussäädöt ja hälytykset. Yhdessä CGM-tietojen kanssa ne antavat täydellisen kuvan järjestelmän käyttäytymisestä.
  • Sähköiset terveystiedot:[] EHR sisältää laboratoriotulokset (esim. HbA1c, lipidiprofiilit), diagnoosit, lääkehistoriat ja komplikaatiotiedot. EHR-tietojen yhdistäminen laitelokkeihin mahdollistaa pitkittäisen tuloksen analyysin.
  • Patient-rekisterit:[) Laaja-alaiset rekisterit, kuten T1D Exchange Quality Improvement Network ja Saksan ja Itävallan DPV-rekisteri, koostavat tuhansilta potilailta saatuja tuloksia reaalimaailmassa.
  • Liikkuvat terveyssovellukset ja potilaiden ilmoittamat tulokset:[] Appss that log aterims, activity, and emotional hyvinvointi-being added context to glukoositrendien, auttaa tutkijoita ymmärtämään käyttäytymisen vaikutuksia.

Miksi RWD eroaa kliinisistä tutkimuksista:[] RCT-ryhmät tyypillisesti ilmoittavat homogeeninen väestö, johon liittyy tiukat inkluusiokriteerit (esim. ei äskettäin diabeettista ketoasidoosia, lähtötilanteen HbA1c-arvon välillä 7,0...10.10.0%) ja toimivat vakioiduilla seuranta-ajoilla. Sen sijaan RWD-arvot tulevat erilaisilta käyttäjiltä.

Miten RWD kiihdyttää keinotekoisia Pancreas-innovaatioita

Keinotekoisen haimajärjestelmän iteratiivisen suunnittelusyklin .Algoritmeja paranneltavasta kliiniseen validointiin markkinoille saattamisen jälkeiseen parantamiseen.

Algoritmin harjoittelu ja validointi asteikolla

Nykyaikainen suljettu-silmukka-algoritmit perustuvat koneoppimiseen (ML) ja mallin ennustamiseen (MPC). Nämä algoritmit vaativat valtavasti tietoa, jotta ne voivat oppia optimaaliset insuliinin toimitustavat ja käsitellä glukoosin sääntelyn epälineaarista dynamiikkaa. RWD tarjoaa täsmälleen sen: kuukausia korkean resoluution CGM- ja pumpun tietoja sadoilta tai tuhansilta reaalimaailman käyttäjiltä. Kehittäjät voivat kouluttaa algoritmit tätä tietoa tunnistaakseen kuvioita, kuten aamunkoiton ilmiön, liikunnan aiheuttama hypoglykemia tai aterian jälkeinen hyperglykemia runsasrasvaisten aterioiden jälkeen. Lisäksi RWD mahdollistaa algoritmin validoinnin erilaisissa väestö- ja ilmasto-olosuhteissa, mikä varmistaa järjestelmän yleistymisen peruskoulutuspopulaation ulkopuolella.

Esimerkiksi Tidepool Loop -projekti .Avoin lähde, FDA-selvitysten avulla toteutettu automaattinen insuliininjakelusovellus.App. on käyttänyt yhteisökäyttäjiltä saatua reaalimaailman dataa jatkuvasti parantaakseen annostuslogiikkaansa. Samoin akateemiset ryhmät, kuten JDRF-rahoitteinen kansainvälinen tekopanoksen tutkimusryhmä, tuovat usein RWD:tä rekistereistä simuloidakseen sitä, miten uudet algoritmit toimivat ennen kliinisten tutkimusten aloittamista.

Reaalimaailman suorituskyvyn seuranta ja turvallisuusvalvonta

Kun keinotekoinen haimajärjestelmä on hyväksytty, markkinoille saattamisen jälkeinen valvonta tulee välttämättömäksi. Sääntelyvirastot kuten Yhdysvaltain elintarvike- ja lääkehallinto (FDA) ja Euroopan lääkevirasto (EMA) kannustavat valmistajia keräämään RWD havaita harvinaisia haittatapahtumia, anturin suorituskyky kysymyksiä, tai algoritmi vikoja, jotka ilmaantuvat vasta laajan käytön jälkeen. Esimerkiksi, analysointi RWD MiniMed 670G järjestelmä paljasti jatkuva yöaika hyperglykemia joillakin käyttäjillä, mikä kannustaa ohjelmistopäivityksen, joka parantaa algoritmin yöllä käyttäytymistä.

RWD mahdollistaa myös jatkuvan turvallisuusseurannan ]lähi-ajassa kojelautaa[]. Striimaamalla CGM- ja pumpun tiedot luvan saaneet käyttäjät, valmistajat ja sääntelyviranomaiset voivat havaita suuntauksia.Näkyy esimerkiksi vakavien hypoglykemiatapahtumien lisääntyminen tietyissä sääolosuhteissa.

Potilas- ja potilaskohtainen räätälöinti ja personointi

Kaikki diabetespotilaat eivät vastaa samalla tavalla automaattiseen insuliininjakelujärjestelmään. Tekijät kuten aktiivisuusmallit, aterian koostumus, stressi, ja jopa kuukautiskierto voivat vaikuttaa dramaattisesti glukoosidynamiikkaan. Suurien kohorttien RWD-ryhmä antaa tutkijoille mahdollisuuden tunnistaa alaryhmiä, jotka voivat hyötyä erilaisista viritysparametreista tai algoritmikokoonpanoista. Esimerkiksi DPV-rekisterin tiedot osoittivat, että korkeaa liikuntatasoa omaavilla nuorilla oli paremmat tulokset, kun järjestelmään sisältyi harjoitusintensiteettitila. Tämä oivallus kertoi henkilökohtaisten asetusten suunnittelusta myöhemmissä järjestelmissä, kuten Tandem Control-IQ:ssa.

Lisäksi RWD mahdollistaa ennustavien mallien kehittämisen, jotka ennakoivat hypoglykemiaa tai hyperglykemiaa etukäteen. Kouluttamalla näitä malleja tuhansiin reaalimaailman profiileihin ne voidaan räätälöidä yksilön ainutlaatuiseen glukoosinjäljittämiseen, mikä johtaa todella mukautuvaan suljetun kierron hallintaan.

Reaalimaailman todisteiden hyväksyminen

Lauseke viittaa RWD-analyysistä saatuun kliiniseen näyttöön. Viime vuosikymmenen aikana sääntelyelimet ovat yhä useammin tunnustaneet RWE:n täydentäväksi tai jopa ensisijaiseksi todisteeksi tietyntyyppisistä lääkinnällisistä laitteista, erityisesti jo hyväksytyistä laitteista ja markkinoille saattamisen jälkeisistä tutkimuksista.

FDA julkaisi vuonna 2018 kehyksen RWD:n käytölle sääntelypäätöksissä, minkä jälkeen annettiin ohjeita RWD:n käytöstä lääkinnällisten laitteiden markkinoille saattamista edeltävän hyväksynnän tukena. Keinotekoisten haimajärjestelmien osalta FDA on hyväksynyt RWE:n:

  • Tuki merkintä laajennuksia (esim., lasten tai raskaana olevien populaatioiden).
  • Osoittaa pitkän aikavälin turvallisuutta ja tehokkuutta pidemmälle kuin tyypillinen 3.06 kuukauden kliinisen tutkimuksen ikkuna.
  • Toimita vertailutiedot yhden hoitohaaran tutkimuksissa, joissa RCT on epäkäytännöllinen tai epäeettinen.
  • Validoidaan algoritmipäivitykset ilman uusia keskeisiä kokeiluja, käsitteen "dokumentoitu suunnitteluhistoria."

Merkittävä esimerkki on Control-IQ-järjestelmän firmware päivityksen vuoden 2022 FDA-selvitys, joka perustuu suurelta osin yli 10 000 käyttäjältä kerättyihin reaalimaailman suorituskykytietoihin. Päivitys paransi aikaväliä 2,5 prosenttiyksikköä kasvattamatta hypoglykemiaa.

Kansainvälisesti EMA soveltaa mukautumispolkuihin perustuvaa lähestymistapaa, joka myös kannustaa RWE-integraatioon. Eurooppalainen terveysteknologian arviointiverkosto (EUnetHTA) ja REAl-world Data Initiative (READI) kehittävät aktiivisesti standardeja, joilla yhdenmukaistetaan RWD-hyväksyntöjä eri jäsenvaltioissa.

Sääntelyn odotukset edellyttävät kuitenkin, että RWD kerätään järjestelmällisesti, selkeällä tiedonhallinnalla, validoiduilla lähdejärjestelmillä ja vanoilla analytiikkamenetelmillä harhan minimoimiseksi. FDA on korostanut, että RWD:n on oltava tarkoituksenmukainen, mikä tarkoittaa, että tietojen laatu ja täydellisyys täyttävät tarkastellun tutkimuksen vaatimukset.

Haasteet reaalimaailman datan leveraging

Vaikka RWD on potentiaalinen, se ei ole mikään ihmelääke. Sen käyttö keinotekoisissa haimainnovaatioissa kohtaa useita esteitä, jotka vaativat huolellista lieventämistä.

Tietojen laatu ja standardointi

Useista lähteistä peräisin oleva RWD-tuotemerkki on usein epäjohdonmukaista: eri CGM-tuotemerkeillä on vaihteleva tarkkuus, pumpun tietoihin voi sisältyä hiljaisia okkullaatioita, ja EHR-aineisto voi sisältää puuttuvia tai ahtaita tietoja. Luotettavien oivallusten saamiseksi tutkijoiden on toteutettava tiukka esikäsittely. Virheellisten lukemien suodattaminen, aikavyöhykkeiden yhdenmukaistaminen ja yksiköiden normalisointi. [] Interoperatiiviset laitteet-aloite ja i2b2 -alusta[[ ovat esimerkkejä pyrkimyksistä standardoida diabeteksen tietomuotoja, mutta laaja-alainen käyttöönotto on edelleen epätäydellistä.

Yksityisyyttä ja turvallisuutta koskevat kysymykset

RWD sisältää usein erittäin arkaluonteista tietoa. Jatkuva glukoositaso, insuliiniannokset ja GPS-pohjaiset toimintomallit. Säännöt kuten HIPAA (USA) ja GDPR (Euroopassa) asettavat tiukkoja vaatimuksia tiedonkeruulle, tunnistamiselle ja suostumukselle. Potilaille on tiedotettava täysin siitä, miten heidän tietojaan käytetään, ja heillä pitäisi olla mahdollisuus peruuttaa suostumus. Lisäksi aggregaatin alustojen on varjeltava uudelleentunnistushyökkäyksiä, erityisesti kun yhdistetään useita tietokokonaisuuksia. Anonyymisaatiotekniikat, kuten erillisyksityisyys, ovat saamassa vetoa, mutta ne voivat vähentää tietojen hyödyllisyyttä pienille alaryhmille.

Valintavalinnat ja sekoittaminen

RWD on havainnoiva luonnosta.Potilas itsevalitsevat käyttämään tiettyä laitetta tai sovellusta.Aikaisin adoptoimalla keino haimajärjestelmiä voi olla enemmän tech-savvy, on korkeampi terveyslukutaito, tai on parempi lähtötason glykeeminen kontrolli kuin myöhemmin adoptaattorit. Tämä luo valinta harha, joka voi täyttää arvioitu tehokkuus. Samoin, sekoittavat tekijät kuten kausivaihtelut, ruokavalion interventiot, tai samanaikainen lääkitys voidaan riittävästi vangita. Advanced epidemiologic menetelmiä. Kuten alttius pisteet vastaavuutta, instrumentti muuttuja-analyysi, ja marginaali rakennemalleja.

Yleistys ja oma pääoma

Useimmat RWD-ryhmät tulevat korkean tulotason maiden väestöistä, joilla on hyvin resursseja terveydenhuoltojärjestelmiin. Kokemus potilaista matala- ja keskituloisissa maissa tai heikosti koulutetuista vähemmistöistä vauraissa maissa on usein aliedustettu. Vaikka RWD-ryhmä kerää enemmän monimuotoisuutta kuin RCT-ryhmät, sillä on edelleen puutteita. Kehittäjien on aktiivisesti etsittävä tietoa erilaisista väestötiedoista varmistaakseen, etteivät algoritmit lisää terveyseroja. Aloitteet, kuten [ Diabetes Technology Equity Consortium], pyrkivät täyttämään nämä puutteet, mutta edistys on hidasta.

Tulevaisuuden ohjeet: AI, Digital Twins ja yhteistyö Data Ecosystems

Seuraavan sukupolven keinotekoisten haimainnovaatioiden datalähtöisyys lisääntyy, ja RWD:llä on vieläkin tärkeämpi rooli.

Tekoäly ja ennustava analytiikka

Yhdistämällä syväoppimisen ja laajan RWD:n tutkijat voivat rakentaa malleja, jotka ennustavat glukoosin kulkuretkiä jopa 60 minuuttia etukäteen ja jotka ovat tarkkoja. Tällaiset mallit voidaan upottaa suoraan AID-järjestelmiin, jotta insuliinin toimitusta voidaan ennalta säätää ennen kuin hyperglykemiaa tai hypoglykemiaa ilmenee. Lisäksi, federoitu oppiminen. Jos mallit ovat koulutettuja useissa sairaaloissa tai laitevalmistamoissa ilman raakadataa. Varaukset yksityisyyttä samalla kun ne käyttävät kollektiivista RWD:tä. Varhaiset prototyypit ovat osoittaneet, että syötetyt mallit ovat paikallisesti koulutettuja parempia, erityisesti harvinaisissa tapauksissa, kuten yöllisessä hypoglykemiassa.

Tekonhajuisten digitaalisten kaksosten

Digitaalinen kaksonen on virtuaalinen kopio potilaan metabolisesta järjestelmästä, joka päivitetään jatkuvasti reaalimaailman anturitiedolla. RWD:n avulla tutkijat voivat luoda digitaalisia kaksosia tuhansille henkilöille ja simuloida erilaisten algoritmiparametrien, anturien tai insuliinityyppien vaikutusta ilman riskiä potilaalle. Tämä lähestymistapa nopeuttaa kehitystä sallimalla nopean iteroinnin silicossa. FDA on esimerkiksi tehnyt yhteistyötä akateemisten kumppaneiden kanssa luodakseen generatiivisen tekon haiman digitaalisen kaksosen[], joka voi niellä RWD:n ja tuottaa simuloituja kliinisiä koeskenaarioita sääntelyn uudelleentarkastelua varten.

Yhteistyö dataekosysteemit ja avoimet alustat

Yksikään yksittäinen yksikkö ei ole tarpeeksi RWD:n koko vaihtelun sieppaamiseen. Avoin data alustoja, kuten AvoinAPS[] ja ]Yöscout[[]]] ovat osoittaneet yhteisön tuottaman tiedon voimaa, mutta niillä ei ole standardoitua hallintoa. Tulevat toimet. Kuten []DIAMOND-hanke, jota rahoittaa potilas- ja tulostutkimuslaitos (PCORI) . Tavoitteena on luoda sekä innovatiivisuutta että viranomaishyväksyntää yhdistävät feteroidut tietoverkot.

Päätelmä

Real-world data on muuntamassa keinotekoisten haimajärjestelmien kehittämistä, validointia ja parantamista. Koulutuksesta vankkoja algoritmeja ja tiedottamista sääntelypäätöksistä, RWD tarjoaa puuttuvan yhteyden valvottujen tutkimusten ja sotkuisen, kaunis todellisuus päivittäisen diabeteksen hallinnan. Tie eteenpäin edellyttää yhteistyötä insinöörien, klinikoiden, sääntelyviranomaisten, ja, mikä tärkeintä, potilaiden. Se vaatii investointeja tietojen yhdenmukaistamista, yksityisyyden säilyttämisen analytiikkaa ja oikeudenmukaista tiedonkeruuta. Ja se vaatii sääntelypuitteita, jotka ovat edelleen ketterä tarpeeksi omaksua uusia todisteita uhraamatta turvallisuutta. Ihmisille elää T1D, palkka valjastaminen on selkeä: turvallisempi, älykkäämpi, ja henkilökohtaisempi keinotekoinen haima järjestelmiä, jotka saavuttavat klinikalle nopeammin.

Ulkoiset resurssit lisälukemista varten: