מערכות הלבלב מלאכותיות - הידועות גם כמערכות משלוח אינסולין סגורות - יש בצורת סוג 1 ניהול סוכרת על ידי הפעלת קבלת ההחלטות המורכבות מאחורי מינון אינסולין.מערכות אלה תלויות במוניטורים הגלוקוז רציף (CGM), משאבות אינסולין, ואלגוריתמים מבוקרים מתוחכמת כדי לשמור על רמות גלוקוז בדם בטווח בטוח.למרות שמערכות הנוכחיות כבר הפחיתו הרבה מהנטל היומי, הביצועים שלהם קשורים הדוקים לאיכות ולשיפור של נתונים חיזוי של נתונים אישיים, אך ורק לאחר מכן, הוא הופך להיות בעל טווח נתונים של נתונים של נתונים אלגוריתמים של נתונים אישיים, אך ורקדלוקוזמיים של נתונים, אך ורקדקדקדקדקרטיים, אך ורקדנציה של נתונים, אך ורק לאחר מכן, אך ורקדנציה של נתונים, אך ורקדפסת משקל, אך ורקדפסתיקים אישיים של נתונים של נתונים אישיים של נתונים של נתונים, אך ורק לאחר מכן, אך ורקדנציה בטוחה.

מערכת המידע שמאחורי מערכות Pancreas מלאכותיות

מערכות pancreas מלאכותיות מודרניות לייצר אינטראקציה עם כמויות עצומות של נתונים.מקור העיקרי הוא לפקח הגלוקוז המתמשך, המספק קריאה בין-סמכותית גלוקוז כל 1-5 דקות, ומייצרות בערך 300-1,500 נקודות נתונים ביום למטופל.Insulin שואבת היסטורית משלוח יומן, כולל תעריפים על גבייתיים, כפליים ותיקוןים של משתמשים.

מערכת אקולוגית זו ממחישה את המחקר הגדול של נתונים:0.3 V'sFLT:1: נפח, מגוון ומהירות. ניסוי קליני יחיד הכולל 200 משתתפים מעל שישה חודשים מניב עשרות מיליוני נקודות נתונים.המגוון הרחבות בנויות נתונים נומנאליים (רמות ברורות, הגדרות משאבה), יומני למחצה מבניים (הודעות מיידיות, פעילות), ותגים), וגורמים לא ברורים (התיקים) לאבחון של נתונים ראשוניים, אך ורק לאבחון של מספר פעמים (המהירות) יש צורך בהערות של אינסולין (המהירות גבוהה יותר).

להפוך את הנתונים של Raw לאגוריגתמים

הליבה של מערכת הלבלב מלאכותי היא אלגוריתם הבקרה שלה, באופן מסורתי מבוסס על מודלים פיזיולוגיים פשוטים שאינם יכולים ללכוד את המורכבות המלאה של חילוף החומרים של כל אחד מהם (PID) או מודל שליטה חיזוי (MPC) תוך יעילות, גישות אלה מסתמכות על מודלים פיזיולוגיים פשוטים שאינם יכולים ללכוד את המורכבות המלאה של כל אחד של ניתוח נתונים גדולים. Big Analytics מאפשר שינוי לכיוון שיטות מונעות נתונים, למידה-hance כי לומדת דפוסים מותאמים אישית ישירות מהנתונים ההיסטוריים ואמיתיים באופן ישיר ואמיתיים נתונים.

טכניקות מודלים חיזוי

מודלים חיזוייים חיזוי רמות גלוקוז עתידיות דקות עד שעות קדימה, ומאפשרות התאמה יזום של אלגוריתמים למידה של אינסולין.מכונה כגון רשתות עצביות חוזרות ונשנות (RNN), רשתות זיכרון לטווח קצר ארוך (LSTM) ו- ⁇ מכונות מעצימות את הדינמיקה של נתונים גדולים של עקבות CGM, רשומות משלוח אינסולין, יומני מזון, ונתוני פעילות.

Reinforcement Learning for Adaptive control

שחזור למידה מלאכותית (RL) מציע מסגרת לשליטה סגורה שיכולה להסתגל לאורך זמן.ב pancreas מבוססי RL, הסוכן (algorithm) לומד מדיניות אופטימלית עבור משלוח אינסולין על ידי אינטראקציה עם הממצאים (הדינמיקה של המטופל מבוסס גלוקוז) ומקבל תגמולים עבור שהייה בגליקולמיה ועונשים עבור סיורים.

מודל אישיזציה ו-Hing Learning

אחת האפליקציות המבטיחות ביותר של ניתוח נתונים גדול היא התאמה אישית.לא שני אנשים מגיבים זהה לאינסולין, פחמימות או פעילות גופנית. על ידי איסוף נתונים ברמת האוכלוסייה, שיטות למידה העברה יכולות להחדיר מודל מותאם אישית לחולה חדש עם רק כמה ימים של נתוני calibration.המודל ממשיך להתאים כפרטים אישיים מצטברים יותר.

למידה מבוססת פרטיות לשיפור

אחד המכשולים הגדולים ביותר בשימוש בנתונים גדולים לאימון אלגוריתמי הוא פרטיות המטופל. בנקאות פדרנד מציעה פתרון: מודלים מאומנים על מכשירים מבוזרים מרובים או שרתים מחזיקים נתונים מקומיים, ללא החלפת הנתונים הגולמיים.רק עדכוני מודל ( ⁇ s) משותפים עם שרת פרטיות מרכזי, אשר מצטבר אותם כדי לשפר מודל גלובלי של הגנה מלאה.

תוצאות קליניות וראיות

המדד האולטימטיבי להצלחה עבור כל מכשיר רפואי משופר תוצאות קליניות. גוף גדל של מחקר מראה כי שילוב ניתוח נתונים גדול לתוך אלגוריתמים הלבלב מלאכותי מניב יתרונות מוחשיים בשליטה גליקולית, בטיחות וסיפוק המטופל.

שליטה על מטריקס

זמן בטווח (TIR, 70-180 מ"ג / DL) הפך מדד תקן הזהב עבור הערכת ביצועים הלבלביים מלאכותיים.מחקרים השוואת עיצובי אלגוריתם מסורתיים לאלה המוחזקים על ידי למידת מכונות באופן עקבי על רווחים של 3-7 נקודות ב TIR, המתורגמת ל- 45 דקות עד 90 דקות יותר ביום בטווח היעד.

מחקרים אמיתיים ו-Scale Data

מעבר לניסויים מבוקרים, ראיות בעולם האמיתי ממערכות הלבלב מלאכותיות המחוברות לענן מציירות תמונה משכנעת. Aggregated נתונים מעשרות אלפי משתמשים, אנונימיים וניתחו בקנה מידה, חושפים כי עדכוני אלגוריתם המיודעים על ידי ניתוח נתונים גדול מובילים לשיפורים נרחבים באוכלוסייה.לדוגמה, ניתוח רטרוספקטיבי של 20,000 משתמשים במערכת היברידית זמינה מסחרית סגורה-loop הראו כי לאחר עדכון קושחה ששלב בין קבוצות גיל 54/אונדקמיות לפחות.

שיפור בטיחות

בטיחות היא רבת ערך בהתקנים רפואיים אוטונומיים.אנליזה נתונים גדולה משפרת את הבטיחות במספר דרכים. ראשית, אלגוריתמים לזיהוי אנומליים יכולים לסמן תקלות בחומרה (למשל, הפחתת חיישן, אומדן סטורציה) על ידי ניתוח דפוסים בזרם הנתונים המשמידים את הנורמות של נתונים של DGM- לדוגמה, עלייה פתאומית ברעש על אות CGM עם אינסולין עולה עשוי להצביע על חיישן שלילי, עלולים, כלומר, לאחר שסביר להניח כיבודקים בסיכון גבוה של נתונים לאבחון של סוכרת, כגון ירידה של סרטן מוקדם של סוכרתית משקל גבוה, כגון: 26% של סרטן לב, לדוגמה, לדוגמה, כגון:

אתגרים

למרות ההבטחה, שילוב ניתוח נתונים גדול במערכות הלבלב מלאכותי אינו ללא מכשולים.אתגרים אלה משתרעים על ניהול נתונים, תשתיות טכניות, פיקוח רגולטורי.

פרטיות נתונים ואבטחה

נתוני בריאות הם בין המידע האישי הרגיש ביותר. Aggregating וניתוח נתונים ממקורות מרובים מעלה חששות לגבי זיהוי מחדש, פריצות נתונים ושימוש משני בארצות הברית, עמידה ב-HIPAA היא חובה, בעוד שמשתמשים אירופיים נופלים תחת GDPR.הנתונים חייבים להיות מאומתים, מוצפנים במעבר ובמנוחה, וכן גישה מבוקרת.

אפשרויות להתאמה ותקני נתונים

הנוף של המכשיר לסוכרת הוא מפורש. CGMs, משאבות אינסולין, מעקבי פעילות ומערכות EHR משתמשים לעתים קרובות פורמטים נתונים קנייניים ופרוטוקולים תקשורתיים.ללא ממשקי נתונים סטנדרטיים, העלאה נתונים על פני מכשירים ומוכרים הופכת ל- Work-intensive ו- EHR-prone. , כמו תקן התקשורת של IEEE, תקן התקשורת של מכשיר בריאות אישי ו-HL7 משאבי יכולת הפעלה (HIR) הם עדיין מפשטומים, אך ורק אינטגרטיביים סטנדרטיים של מערכות אבטחה סטנדרטיות סטנדרטיות של מערכת ההפעלה וטכנולוגיות סטנדרטיות של Microsoft.

המונחים: constraints

אלגוריתמים של הלבלב מלאכותיים חייבים לבצע חומרה ממוקדת משאבים - באופן חד-משמעי המיקרו-מעבד בתוך משאבת אינסולין או אפליקציית שותפים לסמארטפון. הפעלת מודלים למידה מורכבים עם מיליוני פרמטרים על מכשירים כאלה הוא מאתגר. Edge גישות כי הסרת חישוב כבד לענן הן אפשריות רק כאשר יעיל, נמוך-latency רשת קיימת תחת אזורים שמורים או נסיעות, עשוי להיות אבוד, ירידה של אלגוריתם יעיל יותר של אבטחה, כאשר הוא יעיל יותר, ללא ספקולציית אבטחה יעילה יותר, כאשר הוא יעיל יותר, תוך כדי להשיג אופטימיזציה של מערכות אבטחה יעילה יותר, תוך כדי אלגוריתם יעיל יותר, תוך כדי אלגוריתם יעיל יותר, 000 זמן קצר יותר, 000 יעיל יותר, 000 יעיל יותר, 000 יעיל יותר, 000 יעיל יותר של אבטחה יעיל יותר, 000 יעיל יותר, 000 יעיל יותר, 000 יעיל יותר, 000 יעיל יותר, 000 יעיל יותר, 000 ביצועים.

כיוונים עתידיים

המסלול של טכנולוגיית הלבלב מלאכותי מצביע על מערכות אוטונומיות, רב-hormone וקשר-מודעות. Big Data Analytics יהיה המנוע המניע את הקידום הזה.

מערכות Multi-Hormone Systems

מערכות סגורות נוכחיות מספקות רק אינסולין. glucagon יאפשר גישה דו-hormonal שיכולה גם להעלות וגם רמות גלוקוז נמוכות יותר, שעלולות לחסל hypoglycemia לחלוטין.עם זאת, שליטה בשני הורמונים בזמן אמת דורשת אלגוריתם מורכב יותר.Big Data ממחקרים קליניים ו קליניים של פאן-רמולוני דו-וריום יכול להודיע על התפתחות של מדיניות בקרה מתוחכמת כי אינסולין ו gagont dos מבוסס על גלוקוז מתמשך, הם גם טיפול תרופתי אחר, טיפול תרופתי (לאחר אימון גופני קצר) טיפול תרופתי אחר, טיפול תרופתי (לאחר אימון גופני קצר) ופרקים).

שילוב עם טכנולוגיה לבישה ו- Digital Twins

חיישניים לבישים מעבר CGMs - כגון צגים קטונים מתמשכים, חייג גלוקוז מבוססי הזיעה, ואפילו מכשירים אופטיים לא פולשניים - יספקו זרמי נתונים עשירים יותר. בשילוב עם טכנולוגיה דיגיטלית, שבו הפיזיולוגיה של המטופל מדמה בסליקו, החוקרים יכולים להפעיל מיליוני התנגשויות אלגוריתמיות כדי להתאים פרמטרים לפני פריסת אותם בעולם האמיתי.

מסלולי תגמול עבור AI / ML מבוססי מכשירים

סוכנויות רגולטוריות כגון ה- FDA להתאים את מסגרותיהם כדי להתאים למכשירים רפואיים מבוססי מכונה לשיפור לאורך זמן. הגישה המוצעת "מחזור חיים של מוצר עוברי" עבור אלגוריתמי AI / ML דורשת מהיצרנים להגיש תוכנית בקרת שינוי שנקבע מראש המתארת כיצד האלגוריתם יהיה מעודכן על בסיס נתונים חדשים.זה יוצר נתיב ברור לשילוב נתונים גדולים לשיפורים של מערכות בקרה מלאכותית, אשר דורש מעקב יעיל של ארגונים משפטיים, אשר דורשות על ידי איגוד נתונים של גורמים משפטיים שונים, אשר דורשות, אשר דורשות באופן דומה, אשר דורש מעקב.

תכנון סבלני וחווית המשתמש

בסופו של דבר, ההצלחה של כל מערכת הלבלב מלאכותי תלויה באימוץ משתמשים ומעורבות מתמשכת. ניתוח נתונים גדול יכול גם להודיע עיצוב חווית המשתמש.ניתוח דפוסים של התנהגות המשתמש - כגון כמה פעמים חולים אינטראקציה עם המשאבה, הודעות הארוחה, ואימון הדבקה - יכול לחשוף נקודות כאב והזדמנויות לפשטות של טיפול תרופתי, עיבוד שפה טבעית של ביקורות ותמיכה יכול לזהות בעיות נפוצות.

מסקנה

ניתוח נתונים גדול אינו שיפור היקפי במערכות הלבלב מלאכותיות - הוא יכולת בסיסית שתקבע את קצב ההתקדמות לקראת ניהול סוכרת אוטונומית, מותאמות אישית מלאה.על ידי רתום זרמי נתונים עצומים שנוצרים על ידי עונדים, משאבות, ורשומות קליניות, חוקרים ומהנדסים יכולים לבנות אלגוריתמים כי הם לומדים ממיליוני ניסיון של שעות של חולים, לצפות בטיולים מסוכנים, להסתגל לכל אחת מהראיות הייחודיות של הגוף, אך הם כבר משפרים של זמן, אך ורק עם התפתחות, אך ורק לאחר מכן, אך ורק לאחר מכן, הן יכולות להיות משופרות, הן טכנולוגיות, הן יכולות להיות חזקות יותר, אך ורקדות, הן יכולות לשפר את האלגוריתמים של אלגוריתמים, אך ורקמות, הן יכולות להיות חזקות יותר, הן יכולות לשפר את האלגוריתמים של נתונים, אך ורקדות, אך הן יכולות לשפר את האלגוריתמים של אלגוריתמים של אלגוריתמים של אלגוריתמים של נתונים, אך ורקדות, אך ורקמותרפיות, אך ורקדות, תוך שיפור משמעותי, כאשר הן יכולות להיות חזקות יותר, אך ורקדות, הן יכולות להיות חזקות יותר, הן יכולות להבטיח אלגוריתמים, אך ורקדות, הן יכולות להיות חזקות יותר, הן יכולות להבטיח אלגוריתמים, אך ורקדות, כאשר

משאבים חיצוניים לקריאה נוספת:

  • ◄ [15] [15] [15] [15]
  • (ב) ⁇ 0) ,100 ,100 ,Wal Outcomes of a Hybrid Closed-Loop System - Diabetes CarecioFLT 1
  • (ב) ,0) למידה של מחשבת הלבלב מלאכותיים - Naturecio MedicineFLT 1
  • מחקר נתונים גדול מסוג 1 סוכרת (PubMedFLT) 1
  • (FLT:0) American Diabetes Association - Artificial Pancreas TechnologyFLT)