Table of Contents

JDRF=S Rôle dans l'accélération de l'intelligence artificielle pour les soins de diabète de type 1

La gestion du diabète de type 1 (T1D) a été transformée au cours de la dernière décennie par des moniteurs de glucose continus (MGC), des pompes à insuline et des systèmes hybrides à boucle fermée. Pourtant, la prochaine frontière, entièrement autonome, dépend de pipelines de données robustes, d'algorithmes de prédiction et de validation clinique à grande échelle.

La stratégie JDRF=S n'est pas seulement de soutenir des prototypes d'IA isolés; elle est d'accélérer l'ensemble de l'écosystème, de la collecte de données et du développement d'algorithmes à l'approbation réglementaire et à l'adoption dans le monde réel.En s'associant à des entreprises technologiques, des laboratoires universitaires et des startups, JDRF veille à ce que les innovations d'IA se traduisent en outils pratiques pour les personnes vivant avec T1D.

Mission de la JDRF et argumentation en faveur de l'IA dans T1D

JDRF's a déclaré que la mission est d'accélérer la recherche qui guérit, prévient et traite le T1D et ses complications. L'IA s'inscrit carrément dans cette mission parce que le T1D génère d'énormes quantités de données (lectures de glucose, doses d'insuline, carnets de repas, niveaux d'activité, etc.) qui sont trop complexes pour qu'un algorithme individuel ou statique puisse gérer de façon optimale.

-La promesse de l'IA est de donner aux personnes avec T1D plus de liberté et de meilleurs résultats en rendant le système plus intelligent que n'importe quel programme basé sur des règles, - explique le Dr Aaron Kowalski, JDRF , PDG et un défenseur de longue date de la technologie en boucle fermée. --JDRF investit dans cette vision depuis des années.

Entre 2010 et 2024, le FJR a engagé plus de 500 millions de dollars dans la recherche sur le T1D, avec une part croissante de l'activité axée sur l'IA et la science des données. Les efforts de la fondation visent trois défis principaux : la fragmentation des données à travers les appareils, la transparence de l'algorithme pour la confiance clinique et la validation du monde réel des interventions axées sur l'IA.

Pourquoi l'IA est importante pour la gestion T1D

La prise en charge traditionnelle du diabète repose sur des tests sanguins sur doigt et des doses manuelles d'insuline, mais même avec des MSC et des pompes modernes, les gens passent seulement environ 50 à 70 % du temps dans la gamme cible de glucose (70 à 180 mg/dL).

  • Identifier les tendances subtiles du glucose que les humains manquent.
  • Ajuster l'administration d'insuline de façon proactive avant que l'hypoglycémie ou l'hyperglycémie ne se produise.
  • Personnaliser les paramètres de traitement en fonction de la physiologie, de l'activité et du sommeil individuels.
  • Réduire le fardeau cognitif de la prise de décisions constantes.

Les investissements de JDRF's ciblent chacun de ces domaines, visant à faire de l'IA un assistant invisible mais puissant dans les soins quotidiens T1D.

Collecte et normalisation des données: la Fondation de l'IA

Création de ensembles de données de haute qualité

Les modèles d'IA sont seulement aussi bons que les données qu'ils reçoivent. JDRF reconnaît très tôt que les données fragmentées et non interopérables des appareils constituent un goulot d'étranglement majeur. Par son Data Innovation Fund[, JDRF a soutenu des projets qui regroupent des données dé-identifiées sur les MCC, les pompes à insuline et les données rapportées par les patients dans de grands dépôts normalisés.

En mettant ces ensembles de données à la disposition des chercheurs et des développeurs, JDRF a permis la formation de modèles d'IA plus robustes et plus généralisables. La fondation préconise également que les fabricants d'appareils adoptent des normes communes de données (comme IEEE 11073 et HL7 FHIR) afin que les algorithmes d'IA puissent ingérer sans faille des informations provenant de toute MCC ou pompe conforme.

Qualité des données et étiquetage

Pour l'apprentissage automatique supervisé, les données doivent être étiquetées avec précision – par exemple, les moments où une personne a mangé un repas, a exercé ou a vécu une hypoglycémie. Le financement du FJR a contribué à la mise au point d'outils d'étiquetage semi-automatisés [ qui utilisent des algorithmes de détection d'événements pour réduire le fardeau manuel des chercheurs.

Analyse prédictive et prévision des risques

L'une des applications les plus directes de l'IA dans le T1D est la prédiction des taux futurs de glucose sanguin. JDRF a soutenu plusieurs groupes de recherche travaillant sur récurrent neural networks (RNNs) et transformer modélisés qui apprennent des données séquentielles sur les MCC pour prévoir le glucose 15 à 60 minutes à l'avance.

Algorithmes de prédiction de l'hypoglycémie

Des études financées par le FJDR ont démontré que l'IA peut prédire une hypoglycémie imminente avec une grande sensibilité et une grande spécificité. Par exemple, des chercheurs de l'Université de Virginie, avec le soutien du FJDR, ont développé un modèle d'apprentissage automatique qui utilise les tendances de la MCC, l'insuline à bord et la variabilité de la fréquence cardiaque pour avertir les utilisateurs 30 minutes avant qu'un faible ne se produise.

Évaluation de la variabilité glycémique

Au-delà de la simple prédiction, l'IA peut quantifier la variabilité glycémique[, une mesure liée aux complications à long terme. JDRF a financé la création de scores composites de variabilité qui combinent plusieurs paramètres dérivés de la MGM (écart type, MAGE, LBGI, HBGI) en un seul nombre interprétable.

Systèmes d'insuline en boucle fermée : JDRF , Signature AI Réalisation

Le succès le plus visible des soins T1D à l'IA est le développement de pompes à insuline à boucle fermée hybride (HCL), communément appelées systèmes de pancréas artificiels. Ces systèmes utilisent des algorithmes d'IA pour ajuster automatiquement l'apport d'insuline basale en fonction des lectures en temps réel de la MCC, tout en permettant à l'utilisateur de bolus manuel pour les repas.

De la recherche aux systèmes commerciaux

La première initiative majeure de boucle fermée de JDRF, lancée en 2006, a réuni des équipes d'ingénieurs de l'Université de Californie, Santa Barbara et de l'Université de Virginie. L'algorithme de contrôle prédictif de zone, qui est devenu la base de plusieurs produits commerciaux. En 2017, JDRF a collaboré avec Medtronic pour financer l'essai pivot du MiniMed 670G, le premier système hybride de boucle fermée approuvé. Depuis, JDRF a continué à soutenir des améliorations itératives, y compris l'intégration d'insulines à action rapide et de pompes à double hormone (insuline + glucagon).

Aujourd'hui, des systèmes comme le Tandem t:slim X2 avec Control-IQ (qui intègre la recherche financée par JDRF de l'Université de Virginie) démontrent la puissance de l'IA en pratique. Control-IQ utilise un algorithme prédictif pour ajuster les taux basaux et, au besoin, fournir des bolus de correction automatique. JDRF continue de diffuser des informations sur ces technologies pour aider les patients et les fournisseurs à comprendre comment l'IA améliore les résultats.

Progrès vers une boucle entièrement fermée

Le but actuel du JDRF est d'atteindre un système de boucle complètement fermé qui ne nécessite aucune entrée d'utilisateur pour les repas ou l'exercice. Cela implique des progrès dans l'IA pour estimer la teneur en glucides à partir des images des repas, détecter l'exercice à partir des données du capteur et gérer les pics de glucose liés au stress.

Applications personnalisées de gestion du diabète et coaching numérique

Au-delà du matériel, JDRF prend en charge les logiciels à moteur d'IA qui fournissent des recommandations individualisées. Ces applications analysent des données provenant de plusieurs sources – MGM, pompe, smartwatch, journaux manuels – pour générer des informations exploitables.

Le rôle de l'apprentissage automatique dans l'aide quotidienne à la décision

Des applications comme Glooko et Dexcom Clarity[ (qui ont tous deux bénéficié d'études financées par JDRF) utilisent ML pour générer des rapports de patron, comme -Votre glucose a tendance à augmenter fortement après le petit déjeuner le week-end -end - ou -Vous êtes à plus haut risque de bas de nuit les jours avec l'exercice de l'après-midi.-------------------------------------------------------------------------------------------------------------------------------------------

Mûres comportementales et gamification

JDRF reconnaît que la technologie à elle seule n'est pas suffisante – l'engagement de l'utilisateur est essentiel. Certains de ses projets financés intègrent des agents d'apprentissage de renforcement qui apprennent quels types de rappels ou d'encouragements fonctionnent le mieux pour un individu. Par exemple, une IA pourrait apprendre qu'un utilisateur réagit mieux à un message -you-e faisant grand -chose qu'une alerte clinique.

Collaborations innovantes : JDRF comme catalyseur

L'impact de la FJR sur l'IA dans les soins T1D est amplifié par son rôle de convocateur et de bailleur de fonds de collaborations intersectorielles.

  • Dexcom – cofinancer la recherche sur les algorithmes prédictifs basés sur la MCC.
  • Insullet Corporation – soutien au développement du système automatisé Omnipod 5 d'injection d'insuline, qui utilise un contrôleur basé sur Android et la logique de dosage de l'IA.
  • Google – explorer l'apprentissage automatique pour la prédiction du glucose et l'interopérabilité des données de santé.
  • TypeZero Technologies (maintenant partie de Tandem) – commercialisation des algorithmes de contrôle de l'Université de Virginie.
  • Des centres universitaires comme le Barbara Davis Center for Diabetes et [Joslin Diabetes Center – mener des essais cliniques pour des interventions à base d'IA.

Le Consortium Artificial Pancreas JDRF

Lancé en 2015, le consortium regroupe plus d'une douzaine de sites de recherche pour partager des données, normaliser les protocoles d'essai et accélérer l'approbation réglementaire des dispositifs à base d'IA. Cette structure collaborative a réduit le temps de l'invention d'algorithmes au déploiement clinique par des années.

Impact clinique et résultats réels

Selon une méta-analyse des essais en boucle fermée financée par JDRF, les utilisateurs de systèmes HCL ont obtenu une augmentation moyenne de 12 à 15 % du temps dans l'intervalle (TIR)[ par rapport à la thérapie par pompe augmentée par capteur, avec une réduction correspondante de l'hypoglycémie. De plus, des études montrent que les alertes prédictives induites par l'IA réduisent les événements hypoglycémiques graves jusqu'à 50 %.

Les résultats déclarés par les patients sont également positifs. Les données recueillies par le JDRF indiquent que les utilisateurs d'appareils améliorés par l'IA signalent une diminution de la détresse du diabète, une amélioration de la qualité du sommeil et une plus grande confiance dans la gestion du glucose en milieu public ou social.

Economie de la santé de l'IA en T1D

Le JDRF a également financé des analyses économiques de la santé démontrant que les systèmes axés sur l'IA peuvent être rentables à long terme en réduisant les visites des services d'urgence, les hospitalisations pour acidocétose diabétique (DKA) et les coûts de complications à long terme. Une étude de 2022 publiée dans Diabètes Technology & Therapeutics (avec le soutien du JDRF) a estimé que l'adoption généralisée de thérapies à boucle fermée à l'IA pourrait sauver le système de santé américain 1,5 milliard de dollars par année d'ici 2030.

Défis et considérations éthiques

Malgré les progrès, le JDRF reconnaît plusieurs défis à relever pour réaliser le plein potentiel de l'IA dans les soins T1D.

Confidentialité et sécurité des données

Les modèles d'IA exigent de grandes quantités de données personnelles sur la santé. JDRF finance la recherche sur l'apprentissage fédéral[ des approches, où des algorithmes sont formés à travers plusieurs sites sans données brutes laissant des serveurs locaux.

Algorithme Bias et Generalizability

Le FJR finance activement des projets qui recueillent des données auprès de populations sous-représentées (y compris les minorités raciales/ethniques, les personnes à faible revenu et les personnes âgées) afin de s'assurer que les outils d'IA fonctionnent pour tous. La fondation appuie également la recherche sur l'apprentissage automatique de la justice pour détecter et atténuer les biais dans les modèles de prédiction du glucose.

Les obstacles réglementaires

JDRF travaille avec les régulateurs pour élaborer des plans d'essai adaptés et des cadres de données factuelles qui peuvent accélérer l'approbation des algorithmes d'IA qui s'améliorent au fil du temps. La fondation fournit également des ressources pédagogiques aux chercheurs qui naviguent sur le parcours réglementaire.

Intégration à la santé mentale et à l'expérience utilisateur

JDRF investit dans la recherche de conception centrée sur l'homme pour créer des interfaces intuitives et respectueuses de l'attention de l'utilisateur. Cela comprend des travaux sur des seuils adaptés qui réduisent les fausses alarmes et des interactions vocales[ qui réduisent le temps d'écran.

Orientations futures : ce que le FJRD investit dans la prochaine

La feuille de route actuelle de la recherche sur l'IA dans le domaine du T1D comprend plusieurs projets ambitieux:

  • Systèmes à boucle fermée à double Hormone qui incorporent du glucagon ou du pramlintide pour mieux gérer les pics post-repas et les bas liés à l'exercice.
  • Détection et gestion de l'exercice à puissance d'IA à l'aide de capteurs portables (accéléromètres, moniteurs de fréquence cardiaque) pour ajuster automatiquement l'administration d'insuline pendant l'activité physique.
  • Apps de vision informatique qui évaluent le contenu en glucides des photos de smartphones, intégrés dans des calculatrices de bolus.
  • Modèles prédictifs de complications à long terme qui utilisent les données sur les MGC et le métabolisme pour identifier les personnes à haut risque de rétinopathie ou de néphropathie des années avant l'apparition clinique.
  • Jumelles numériques basées sur l'IA de patients individuels, permettant aux cliniciens de simuler les changements thérapeutiques dans le silico avant de les mettre en œuvre dans le monde réel.

JDRF explore également le potentiel des modèles de langage larges (LLM)[ pour servir d'éducateurs de diabète conversationnels, capables de répondre à des questions complexes sur le dosage de l'insuline, les règles de jour de maladie et les ajustements de voyage avec une grande précision.

Comment la communauté T1D peut-elle s'impliquer

JDRF encourage les personnes atteintes de T1D à contribuer à la recherche sur l'IA en faisant don de leurs données d'appareil par des programmes comme Tidepool=S Big Data Donation Project[.La participation aide les chercheurs à former de meilleurs modèles tout en maintenant une protection stricte de la vie privée.

Pour les chercheurs et les entrepreneurs, le JDRF offre divers mécanismes de financement, depuis les subventions d'innovation en début de carrière jusqu'aux bourses de consortium à grande échelle, axés spécifiquement sur l'intelligence artificielle et la science des données.

Conclusion

Les contributions de JDRF à la mise au point d'intelligence artificielle dans les soins T1D sont fondamentales et ambitieuses. De la catalyse des premiers systèmes hybrides à boucles fermées à la construction de l'infrastructure de données nécessaire aux algorithmes de prochaine génération, la fondation a positionné l'IA comme une composante essentielle de la gestion moderne du diabète.