התפתחות התחזיות של Hypoglycemia

סוכרת ניהולית דרשה זמן רב איזון עדין פעולה.עבור מיליוני חיים עם סוכרת מסוג 1 וסוג 2, האיום הקבוע של hypoglycemia - באופן פעיל סוכר בדם נמוך - נשאר אחד האתגרים היומיים המונעים ביותר של חרדה, אשר ניהול מבוסס על בדיקות קצה אצבע לוקח כמה פעמים ביום, מתן רק תמונות של רמות גלוקוז היום, לעתים קרובות מתגעגעים גלוקוז פתאומי, במיוחד במהלך השינה, או הלילה, כאשר הם החלו רק לאחר זמן קצר יותר של טיפול תרופתי, לאחר זמן קצר לאחר מכן, לאחר מכן, לאחר מכן, לאחר מכן, לאחר מכן, לאחר מכן, לאחר מכן, לאחר זמן קצר לאחר זמן קצר לאחר מכן, לאחר מכן, בדיקה גופנית אינטנסיבית של טיפול נמרץ של טיפול נמרץ של טיפול תרופתי, לאחר זמן קצר לאחר זמן קצר לאחר זמן קצר לאחר מכן, 000 זמן קצר לאחר זמן קצר לאחר מכן, 000 זמן קצר לאחר מכן, 000 זמן קצר לאחר זמן קצר לאחר מכן, 000 זמן קצר לאחר מכן, 000 זמן קצר לאחר מכן, 000 זמן קצר לאחר מכן, 000 זמן קצר לאחר מכן, 000 זמן קצר לאחר מכן, 000 זמן קצר לאחר מכן, 000 זמן קצר לאחר מכן, 000 זמן קצר לאחר מכן, 000 זמן קצר לאחר מכן, 000 זמן קצר לאחר מכן, 000 זמן קצר לאחר מכן, 000 זמן קצר לאחר מכן, 000 זמן קצר לאחר מכן,

הצורך הקליני בזיהוי מוקדם

Hypoglycemia אינה אי נוחות קטנה.כמה פרקים יכולים לגרום בלבול, התקפים, אובדן התודעה, כאבי לב מפחיתים את רמות הסוכרת המוקדמות, ואפילו מוות.התרעות נשאר גבוה מדי: מחקרים מדווחים כי אנשים עם סוכרת מסוג 1 חווים ממוצע של 2 עד שלושה פרקים hypoglycemic בשבוע, עם עלייה משמעותית של בעיות טיפול פסיכולוגיות, לעתים קרובות יותר מאשר רמות טיפול מופחתות של רמות גלוקוזיביות גבוהות יותר, אפילו יותר של טיפול קליניות.

המונחים: real-Time data Streams

מערכות חיזוי רובוסט גורמות אותות פיזיולוגיים מרובים בו-זמנית, ויוצרות תמונה רב-ממדית של מצב המטבולי של המטופל.מקורות הנתונים המרכזיים כוללים:

  • (FLT:0) ניטור גלוקוז נרחב (CGM)אנדרט (CGM) , 1 קורא במרווחים של אחת לחמש דקות, מתן עקומת גלוקוז כמעט בלתי פוסקת. חיישנים מודרניים כגון Dexcom G7 ו- Abbott Libre 3 מציעים דיוק גבוה עם הבדל יחסי מוחלט (D) מתחת ל-8%.
  • (FLT:0)Heart rate variability (HRV)BuildFLT:1) נמדד ממכשירים לבישים או שעונים חכמים. HRV משקף פעילות מערכת העצבים האוטונומית; היפוגליקמיה לעתים קרובות גורמת לנסיגה פרזימפטית והפעלה אוהדת לזיהוי באמצעות רכיבים רגישים HRV. Algorithms באמצעות תכונות HRV יכול לפעמים לחזות hypoglycemia 10 עד 30 דקות לפני CGM מראה סף מעברים.
  • (FLT:0) פעילות גופנית ושלב ספירת 1FLT:1 ממטרים וגירוסקופים.אימון מגביר את ניצול הגלוקוז ויכול לגרום שעות היפוגליקמיה מאוחרת לאחר פעילות.
  • (FLT:0) יומני dtary ייכנסו באופן ידני או נתפס באופן אוטומטי ממכשירים חכמים ומערכות זיהוי מזון מתמשך. תזמון צריכת פחמימות, קומפוזיציה ארוחה (איור, שומן, חלבון), ואינדקס גליקולמי המשפיע על פרופילי גלוקוז לאחר יחסי מין וסיכון hypoglycemia לאחר מכן.
  • (FLT:0) משך זמן ואיכות ההרחבה 1 (FLT:1 ), במעקב באמצעות עולי שינה או חיישני שינה.מנע שינה פוגע בתגובות הורמון נגד רגולציה ומגדיל את הרגישות לאינסולין, העלאת הסיכון hypoglycemia nocturnal.
  • (FLT:0) אינסולין שואב נתונים FLT:1 כולל שיעורי ההיתוך בישולי, מנות בולוס, חישובים על הסיפון אינסולין, ופספס מינונים.מודלים Pharmacokinetic להעריך שנותר פעילות אינסולין, אשר מתאמים מאוד עם שעות היפותגלימיה מתעת לאחר ארוחה או תיקון.

על ידי ניצול זרמים אלה, אלגוריתמים מקבלים רמה של מודעות מטבולית הרבה יותר עשיר מאשר מגמות גלוקוז לבד.האתגר הוא לטפל בשיעורי הדגימה heterogeneous, נתונים חסרים, ועיכובים של חיישן נתונים מראש צעדים - כגון סינכרוניזציה, בין היתר לרשת זמן משותפת, ומיצוי תכונה - חיוני ליצור קלט נקי עבור המודל בנוסף, כל אות פיזיולוגי נושא רעש; פריטים חזקים ללא פילטרים רלוונטיים.

משפחות אלגוריגמיה לחיזוי היפוגליקמיה

מודלים של Machine Learning

מערכות חיזוי מוקדמות שנתמכות על טכניקות למידה בפיקוח קלאסי. מכונות וקטורת תמיכה (SVMs), יערות אקראיים, ועצים ⁇ -boosted-boosted הוכשרו על גבי ההיסטוריה, שכותרתו נתונים שבהם כל חלון זמן מסווג כ hypoglycemic או non-hypoglycemic.למרות מודלים אלה ללכוד באופן ידני אינטראקציות לא-לינאריות בין תכונות - לדוגמה, כיצד מדרורד CGM עם נמוך ומאוחר לאחרונה סיכון דרמטי של חומרים אקראיים כגון:

רשתות נילי ולמידה עמוקה

ככל שהנפחים והכוח החישובי גדלו, הלמידה העמוקה הפכה לגישה הדומיננטית לחיזוי ההיפגליקמיה.רשתות עצביות מהפכתיות (CNN) מצטמצמות בגיוס תבניות מרחביות מקומיות מסדרה זמן רב-לשונית – כמו צורות גלוקוז אופייניות של ג'נרל מוטורס או חתימות זמניות של HRV (RNs) יכולות להפחית את רמת האבטחה של תאים מוקדמים יותר (RNLS) אך לעתים קרובות יותר זמן קצר טווח מוקדם יותר גבוה יותר מאשר תכונות קבועות) של זמן קצר לפני זמן קצר לפני זמן קצר קבועות (RLS) אך הן יכולות להיות קבועות) אך הן יכולות להורדת רמות זיכרון לטווח ארוך טווח קבועות של תאים יציבות של זמן קצר יותר.

אדריכלות היברידית ואנסמבל

גישות המדינה-of-the-art משלבות סוגים רבים של מודל כדי למנף את נקודות החוזק שלהם.אדריכלות היברידית טיפוסית משתמשת ב- CNN כספק חישובי תכונה לזהות דפוסים לטווח קצר (למשל, גלוקוזים גלוקוז מעל 15 דקות חלונות), ולאחר מכן מזין את התכונות האלה לתוך LSTM או GRU שלוכדת מגמות ארוכות יותר לאורך מספר שעות.

עיבוד נתונים בזמן אמת ו- Edge Deployment

יש להעביר תחזיות במהירות - עם שניות של קריאה חדשה של CGM - אחרת חלון ההתערבות נסגר.שלח את כל הנתונים הגולמיים לענן מציג שקיפות, רוחב פס, ודאגות פרטיות. לכן, מערכות מודרניות מסתמכות יותר ויותר על מחשוב קצה: הפעלת גרסאות קלות של מודלים מאומן ישירות על סמארטפון, שעון חכם, או אפילו החיישן עצמו.

אדג'ט אדריכלות

מנועי הפחתת משקל אור כגון TensorFlow Lite, ONNX Runtime, או Core ML מאפשרים פריסת מודלים על מכשירים מאומנים משאבים. צינור טיפוסי אוסף מדידות מחיישנים מקומיים באמצעות Bluetooth Low Energy (BLE), מבצעים על שכפול תכונה , ריצת פיזור נתונים, ובעיות אבטחה - כל בתוך 100 מ"מ מודל דחיסה רציפה של דחיסה - מטבוליזם (מעבור חיבורים נמוכים של 24) לדיוקן, כלומר, לדוגמה, ירידה של דגם אבטחה של 8 סיביות (הפחתה) לדיוק נמוך יותר) ל-ידי שימוש ב-32 שעות אימון רפואי (הפחתה) להפחתה של דגם דחיסה) להפחתה של דגם "להפחתת דיוק נמוך יותר מ-ידי שימוש ב- 70000 דקות)"מנקה) להפחתה של פחות מ-50,000 דולר)

למידה מקוונת ואישון

אחד בגודל של מודלים - כל המודלים אינם מספיקים כי לכל מטופל יש רגישות אינסולין ייחודית, דפוסי אורח חיים, תכונות חיישן calibration, ואפילו יום-יומי פנויה. למידה מקוונת (נקראת גם למידה מצטברת או מתמשכת) מאפשר לדגם לעדכן את הפרמטרים שלו כמו זרמי נתונים חדשים ב-learning בזמן אמת.

המונחים: reulatory Considerations

לפני הפריסה הקלינית, אלגוריתמים חיזוי חייבים לעבור אימות קפדני של מינהל המזון והתרופות האמריקאי (FDA) וסוכנות התרופות האירופית (EMA) דורשים ראיות לבטיחות ויעילות באמצעות מחקרים פוטנציאליים בקנה מידה גדול.החומרים העיקריים כוללים רגישות, ספציפיות, ערך חיזוי חיובי, ערך חיזוי חיובי, ושיעור הפחתת שתן נמוך מ-15 דקות של טיפול לא רצוי.

אתגרים במימוש אמיתי-עולמי

למרות תוצאות מרשימות במחקרים מבוקרים, פריסת העולם האמיתי עומדת בפני מכשולים מתמידים:

  • (FLT:0Data Quality and Sensorרעש: FLT:1 קריאות CGM יכולות להיסחף בגלל החיישן מרעיש, דחיסת חפצים ממיקומים ישנים, או שגיאות קלבריזציה. Algorithms חייב לזהות ולחוות בחסד את המאזניים, אובדן אות זמני, ושינויים מהירים שעשויים להיות חפצים ולא אירועים פיזיולוגיים אמיתיים.
  • (FLT:0 בין-טיפול בגמישות:FLT:1) תגובות מטאבוליות שונות עם הגיל, הרכב הגוף, תפקוד הכליות, תרופות מגובשות (למשל, חוסמי בטא המסתמים סימפטומים hypoglycemia), ואפילו קומפוזיציה מיקרוביומאומה מעיים.מודלים של מודלים של ניסויים קליניים הומוגניים עשויים להיכשל במסגרות מגוונות, אמיתיות- פדראליות - תוך שמירה על מודלים מרובים של שיתוף נתונים באופן כללי יותר.
  • (FLT:0) ופרטיות וביטחון: זרם רציף של נתונים פיזיולוגיים אינטימיים רגישים מאוד.סוף-סוף הצפנה, עיבוד מקומי, ואנונימיות הם הכרחיים לשמור על אמון המטופל.הסיכון להתקפות מחלוקות מבוכות - שם מעט מניפולציות גורמות תחזיות שווא - דורשות גם מחקר על עוצמה.
  • (FLT:0Userציות ותגובה התנהגותית: FLT:1ir) אפילו האלגוריתם הטוב ביותר הוא חסר תועלת אם המטופל מתעלם מהאזהרות, אינו לובש את החיישן באופן עקבי, או לא מצליח להיכנס לנתונים של אזהרות הוא דאגה אמיתית; מערכות צריכות למזער את האזעקות השקריות תוך כדי לכידת אירועים אמיתיים.
  • (FLT:0) מחסומים של רגולציה ותגמול: למערכות בריאות רבות, אלגוריתמים חיזוי עדיין אינם מכוסים על ידי ביטוח, הגבלת גישה לחולים בעלי ערך טכנולוגי או טכנולוגי.גם כאשר הם ברורים, רופאים עשויים להיות עמידים באמון בהמלצות של תיבות שחורות.

כיוונים עתידיים וחדשנות מתפתחת

חיישנים רב-ממדיים Fusion

חוקרים משלבים חיישנים חדשים כגון בלוטות גלוקוז מבוססות הזיעה (התרגילות גלוקוז בנוזל בין-יסודי באמצעות אמצעים שאינם פולשניים), צגים קטונים מתמשכים, ואלקטרונספאוגרם (EEG) שלוכדים שינויים בפעילות המוח במהלך אלגוריתמים hypoglycemia. Fusion המשלבים אותות מגוונים אלה - הן קונבנציונאליים וחידוש - מהווים עמידות גבוהה יותר וחיזוי מוקדם יותר.

Reinforcement Learning for Automated Insulin Delivery

Reinforcement למידה (RL) הולך מעבר לחיזוי לפעולה אוטונומית. סוכן RL לומד מדיניות עבור התאמת שיעורי משאבת אינסולין או דפי תיקון בזמן אמת, אופטימיזציה עבור אוגליקומיה ובטיחות. סימולטורים מוקדמים כגון UVA /Padova סוג 1 סוכרת להראות כי RL יכול להפחית את שיעור hypoglycemia על ידי 60% ל- סטנדרטי יחסית ל- אינטגרלימיטיבי של זמן (D) עם CID2 פונקציות גבוהה יותר מאשר CER) עם אלגוריתמים של אלגוריתמים (D) ו אלגוריתמים של אלגוריתמים של מעל CERCDC-CDC-CDC-CDC (D) לעומת 70% (D) ו-D) לעומת אלגוריתמים נבדקוחזקת של אלגוריתמים של אלגוריתמים (D) לעומת 70% (D) לעומת אלגוריתמים של אלגוריתמים עמוק (D.

AI (XAI) עבור קליניקאי אמון

מודלים Black-box לעתים קרובות לענות הספקנות של ספקי שירותי הבריאות והרגולטורים. טכניקות XAI -SHAP (SHapley Additive exPlanations), ⁇ משולבות, ו-Informance-wise propagation - אור גבוה אשר תכונות הובילו חיזוי מסוים.לדוגמה, מרפאה יכולה לראות שהאלגוריתם מחלחל סיכון גבוה בעיקר בשל "declining גלוקוז מעל 30 דקות" ו "in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in-in

מודלים לטווח ארוך

המערכות הנוכחיות מתמקדות ב-15-60 דקות הבאות.הגבול הבא צופה שעות היפוגליקמיה קדימה - לדוגמה, אזהרה לחולה לפני האימון כי הם יצטרכו חטיף מאוחר יותר.רשתות מהפכתיות טמפל (TCNs) והופכים מבוססי תשומת לב המסוגלים לעבד רצף ארוך מאוד מותאמת, למרות שהם דורשים משאבים חישוביים משמעותיים.

שילוב עם Pancreas מלאכותי

המטרה הסופית היא משלוח אינסולין סגור לחלוטין.אלגוריים שחיזוי hypoglycemia הם מרכזיים במערכות אלה, המאפשר הפחתה פעילה או השעיה של אינסולין משלוח:0CamAPS FXFLT:1 אלגוריתם, לדוגמה, משתמש מודל הסתגלות שליטה חיזוי מודל עם למידה מקוונת, והוא הראה יעילות יוצאת דופן במחקרים אמיתיים, במיוחד בילדים צעירים בעתיד לשלב הורמונים מרובים (מפולני), מדי חודש, פיזיולוגיה ייחודית, לומדת, מדי חודש, מתחומים ייחודיים).

מסקנה

(ב) אלגוריתמים חדשניים הרתמים זרם נתונים בזמן אמת משנים את ניהול ההיפגליקמיה מהתערבות של משבר תגובתי לסוכרת, מניעת מותאמות אישית (באמצעות מעקב אחר גלוקוז מתמשך עם קצב לב, פעילות, אינסולין ונתונים קונטקסטואליים, מודלים של למידת מכונה לזהות מבשרים פיזיולוגיים עדינים בלתי נראים לשיטות חירום ולמידה מקוונת, הופכים את המערכות המעשיות האלה לחיים יומיומיים, בעוד שהתקדמות בהסתברות ולמידה מבטיחה אפילו יותר אוטונומיה רחבה יותר.