כיצד בינה מלאכותית היא עצמת נתונים במערכות פאן-קררות מלאכותיות

הבנת מערכת Pancreas מלאכותית

מערכות pancreas מלאכותיות, הידועות גם כמערכות משלוח אינסולין אוטומטיות, מייצגים התקדמות טרנספורמטיבית בניהול סוכרת מסוג 1.מערכות משולבות אלה משלבות שלושה מרכיבים עיקריים: לפקח גלוקוז מתמשך (CGM) שממדד רמות גלוקוז בין-דתיות כל אחד לחמש דקות, משאבת אינסולין המספקת אינסולין מהיר פעולה באופן תת-פעמי, ואלגוריתם בקרה שמעבד נתונים של גלוקוז ומשאבים פעולות בזמן אמת.

מערכות מסחריות נוכחיות, כגון מדטרוניק מיני מ"ד 780G ו-Tandem Control-IQ, כבר הפגינו שיפורים משמעותיים בתוצאות גליגליצריות.ניסויים קליניים מדווחים על זמן בטווח הארוך (70-180 מ"ג/dL) מעל 70%, עם הפחתה משמעותית בגרסאות היפותליקמיה ויפרגליקומיה באופן מלא בהשוואה לטיפול במשאבת חומרים לא-תרגול.

אתגר הפרשנות של הנתונים

נתונים רול מ CGM הוא רועש, כפוף לסחף קלורציה, ועיכובים מטבעו כי גלוקוז בין-סיסי מאחורי גלוקוז בדם עד 5-15 דקות.נתוני משאבת אינסולין מוסיפים שכבה נוספת: שאריות, שיעורי אספקה, ותרעות של אוקטלוסון חייבים כולם להתפייס.

האתגר המרכזי הוא להפוך זרם נתונים לא מושלם, גבוה ממדים לתוך החלטות אינסולין בטוח ויעילות.זה כרוך סינון רעש חיישן, הערכת רמות גלוקוז הנוכחיות והעתידיות, קביעת אי הוודאות, ועדיפות בטיחות מעל כל שאר דגמי הבקרה המסורתית לעתים קרובות להניח רמות לינאריות ועמידות, אשר קרוב יותר לדינמיקה הגלוקוז המורכב של הגוף וגישות למידה עמוקה, על ידי משוואות יומיומיות, יכול למצוא את רמות שונות באופן ישיר, מאשר משוואות זמן רב, מאשר למערכות שונות, מאשר שיטות למידה שונות, מאשר למערכות שונות של מידע רגיל, מאשר משוואות זמן, מאשר שיטות מתקדמות, מאשר שיטות שונות, מאשר לוגיות שונות, מאשר שיטות למידה, מאשר שיטות שונות, מאשר משוואות זמן רב יותר מאשר שיטות שונות, מאשר למערכות שונות, מאשר למערכות שונות, מאשר למערכות למערכות למערכות למערכות למערכות למערכות למערכות למערכות למערכות למערכות למערכות לוגיות שונות של אינטליגנציה מלאכותית, מאשר למערכות למערכות למערכות למערכות למערכות למערכות למערכות למערכות למערכות למערכות למערכות פתורות, מאשר למערכות למערכות למערכות למערכות למערכות למערכות למערכות למערכות פתורות, מאשר לוגיות שונות של אינטליגנציה מלאכותית, מאשר למערכות פתורות, מאשר למערכות פתורות

כיצד בינה מלאכותית הופכת את הפרשנות של נתונים

אינטליגנציה מלאכותית משפרת את פרשנות הנתונים במספר ממדים: דיוק חיזוי, הסתגלות, עמידות לרעש, וקבלת החלטות תחת אי ודאות.

Machine Learning for Predictive Modeling

מודלים ממוחשבים סופר-ביקוריים של למידת מכונות מאומן על נתוני משאבת CGM ההיסטורית והאינסולין כדי לחזות רמות גלוקוז עתידיות. אלגוריתמים נפוצים כוללים יערות אקראיים, עצים מוכופים, מכונות ומכשירים מורכבים המשלבים מספר רב של לומדים חלשים כדי להפחית את השגיאה החיזוי.מודלים האלה לומדים לזהות דפוסים חוזרים כגון לאחר אימון גלוקוז לאחר תקופתי, הירידה בין לילה בגלוקוז, ואת ההשפעה ההדרגתית של פעולה אינסולין על ידי שילוב תכונות של זמן, כגון חיזוי, טרנדים מדויקים, טרנדים לפני 30 דקות, , , , , תחזיות מדויקות, , , , בדיקות גלוקוז, גירסאות קודמות של בדיקות מרשם, יכולות לייצר בדיקות מרשם מוקדם יותר, , , בדיקות אינסולין, גירסאות קודמות של 30 דקות לפני זמן, , בדיקות גלוקוז, , , , גירסאות קודמות של בדיקות הריון, יכולות לייצר בדיקות גלוקוז, יכולות לייצר , , , , , , , גירסאות קודמות של בדיקות מרשם מוקדם יותר, גירסאות קודמות של גלוקוז, גירסאות קודמות של גלוקוז, , , גירסאות קודמות של גלוקוז, טמפרטורות מדויקות של גלוקוז, גירסאות קודמות גירסאות קודמות גירסאות קודמות גירסאות

מחקר מפורסם שפורסם ב-FLT:0. [Diabetes טכנולוגיה & TherapeuticssFLT:1 העריך מודל יער אקראי מאומן על נתונים מ-112 אנשים עם סוכרת סוג 1.המודל השיג טעות מרובע (RMSE) של 18.5 מ"ג / dL עבור 30 דקות תחזיות יזום, תוך מתן בסיס אוטומטי משולב (ARMA) על ידי 35%, במסגרת מחקר באוניברסיטת וירג'יניה, רק לאחר מתן תוצאות אישיות שונות יותר, רק לאחר מכן, לאחר מתן תוצאות פחות מ- 10 חודשים).

(ב) [15] [15] [15] [15] [15]

למידה עמוקה עבור Noise Reduction ו- Pattern Recognition

ארכיטקטורות למידה עמוקה, במיוחד רשתות עצביות אבולוציה (CNN) וזיכרון לטווח קצר ארוך (LSTM) רשתות, מתאימים במיוחד לעיבוד נתונים של סדרות זמן. CNN יכולים באופן אוטומטי לחלץ תכונות מתופעות גלוקוז גולמיות, סינון פריטים תנועה ורעש חיישן מבלי לדרוש הנדסת חשמלאי לפני ביצוע ידני.

מודל היברידי של CNN-LSTM נבדק על תחילת נתונים של 150 חולים הפחיתו את האזעקות היפוגליקמיה השקרית ב-40% תוך שמירה על הרגישות מעל 95%.מודל למד להתעלם טיפות טרנספורמטיות עקב דחיסת חיישן או חפצים, אשר הם גורמים נפוצים של אזעקה מיותרת. יתר על כן, למידה עמוקה מאפשרת היתוך חיישן: שילוב נתונים של CGM עם אותות עזר ממכשירים לב כמו צגים ו- accelericial של טיפול, למשל, ירידה של לחץ דם, ירידה של לחץ דם, למנוע ירידה לא אמין, טיפול תרופתי, ירידה של לחץ דם, למנוע רמות טיפול תרופתית של טיפול תרופתי, טיפול תרופתי, טיפול תרופתי, למנוע רמות טיפול לא אמין.

Reinforcement Learning for Automated Insulin Dosing

Reinforcement למידה (RL) נעה מעבר לחיזוי של מדיניות מינון אינסולין ישירות.במסגרת של RL, סוכן אינטראקציה עם הסביבה (גוף המטופל) על ידי בחירת פעולות (שיעורי משלוח או בולים) וקבלת פרסים המבוססים על תוצאות הגלוקוז המתקבלות.המטרה היא ללמוד מדיניות הממקסימה את הגמול המצטבר - תוך זמן רב במגוון הגלוקוז - בעוד סיכון מיני, במיוחד hypoglycemia.

עמוק Q-networks ואופטימיזציה של מדיניות פרוקסימית הם שני אלגוריתמים של RL אשר הראו הבטחה בהגדרות קליניות סימולציה ו קליניות. חוקרים מאוניברסיטת קיימברידג' הוכיחו כי Q-network עמוק יכול לפרט בקר PID סטנדרטי בסביבת סימולציה קלינית, השגת יותר זמן בטווח ללא הגדלת שכיחות של hypoglycemia.

(ב) [15] ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇

AI-Driven Data Preמעבד והנדסת תכונות

לפני כל מודל חיזוי או בקרה יכול להיות מיושם, נתונים חיישן גולמי חייב להיות מעובד להסיר חפצים, ערכים חסרים אימפולסיביים, ונרמל אותות. גישות מסורתיות להסתמך על סינון והתערבות החציוני, אבל שיטות אלה יכולים להציג הטיה או להיכשל תחת ירידה ממושכת חיישן. AI מופעלת קוד זדונית מערכות הפעלה מופעלת יותר של נתונים CGM יכול לשחזר פלחיבוקים עם דינמיקה גבוהה, שמירה על רמות גלוקוז מבוזרות יותר.

הנדסה תכונה היא אזור אחר שבו AI מוסיף ערך.במקום הגדרה ידנית תכונות כמו רמת גלוקוז של שינוי, האצה או אינסולין על הסיפון, מודלים למידה עמוקה יכול ללמוד תכונות רלוונטיות באופן אוטומטי. עם זאת, עבור מודלים המבוססים על עץ כי ליהנות קלטות בעבודת יד, בחירה תכונה אוטומטית באמצעות טכניקות כמו recursive תכונת חיסול או SHAP-הקודים מבוסס על חשיבות ספציפית יכול לזהות את המשתנים החיזוי ביותר עבור גישה היברידית זו - שילוב עם ידע אוטומטי - עם יכולת חיזוי יכולת חיזוי יכולת חיזוי - תוך שמירה על יכולת חיזוי יכולת חיזוי אוטומטי.

יתרונות עולמיים וראיות קליניות

שילוב של AI עבר מערכות פנוקריטיס מלאכותיות מטיפוסי מחקר למוצרים הזמינים מסחרית עם השפעה קלינית מדידה.מערכת 780G Medtronic מעסיקה אלגוריתם למידה מכונה אשר באופן אוטומטי להתאים את שערי הבסטל ומספקת את גליון התיקון כאשר גלוקוז עולה על סף טרום התחלה. במחקר רב מרכזי גדול, משתמשים השיגו אלגוריתם זמן מדיה של 71% עם פחות מ-1% של תחזיות דם נמוך יותר מ -30% / ירידה של אינסולין.

מעבר למערכות מסחריות, אבטיפוס מתקדם המונעות על ידי AI הראו תוצאות מרשימות יותר.ניסוי רב-מרכזי של אלגוריתם מבוסס למידה עמוק שנרשמ 120 מבוגרים עם סוכרת מסוג 1 ומדד זמן לטווח זמן כמו נקודת הקצה העיקרית.מערכת הבינה המלאכותית השיגה תקופתיות בינונית של 82%, ללא תופעות של קטוגוזיס סוכרת או hypoglycemia חמורה דיווחו גם על שביעות רצון משמעותית והפחתה משמעותית של בעיות אבטחה קודמות.

התאמה היא יתרון עיקרי של שילוב AI. מערכות מסורתיות דורשות כוונון ידני של פרמטרים כגון יחסי אינסולין-to-carbohydrate, גורמי תיקון, ושיעורי ביסטל, אשר חייב להיות מותאם מעת לעת על בסיס רגישות אינסולין משתנה. אלגוריתמי AI יכולים ללמוד באופן רציף מהנתונים הספציפיים לחולה, להסתגל פרמטרים אלה בזמן אמת ללא התערבות של משתמשים.

(ב) [15] [15] [17] ,5 ,2 ,2 ,2 ,5 ,2 ,5 ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ).

הגדרות נוספות: פרטיות, בטיחות ותקנות

למרות ההצלחות הללו, פריסת AI במכשיר רפואי מוסדר מציגה אתגרים ייחודיים.פרטיות נתונים היא דאגה עיקרית: מערכות הלבלב מלאכותיות מייצרות זרמים רצופים של נתונים רגישים מאוד, אשר חייבים להיות מוגנים על פי תקנות כגון HIPAA בארצות הברית ו-GDPR באירופה, מודלים בינה מלאכותית לעתים קרובות מאומנים על תשתיות ענן, אך העברת נתונים גולמיים מהמכשיר מעלה שקיפות, אבטחה, בעיות פדריקנות.

בטיחות נותרה חשובה.מודל AI שהופך החלטה מטעה לעשות יכול לגרום hypoglycemia מסכנת חיים או היפרגליקמיה. כתוצאה מכך, כל מערכות המונעות על ידי בינה מלאכותית מסחריות משלבות שכבת בטיחות - קבוצה של מגבלות קשות שמתחלות על פני AI כאשר הם יובילו לפעולות לא בטוחות.לדוגמה, אם AI מציע תיקון גדול אך המגמה גלוקוז יציבה או נופלת, שכבת בטיחות עשויה להיות המינון או לדרוש אישורים מבוקרים, כולל בדיקות טיפול תרופתיות, כולל בדיקות טיפול תרופתיות.

מחסום נוסף הוא הצורך בנתונים מגוונים של הכשרה.מודלים של AI המאומנים נתונים מאוכלוסייה דמוגרפית או גיאוגרפית אחת עשויים לא להכלל באחרים עם הרגלי תזונה שונים, דפוסי פעילות, או רקע גנטי.מודל מתמשך המחודש עם נתונים מייצגים חיוני לביצועים שוויוניים. החוקרים מפתחים טכניקות למידה המאפשרות מודל טרום-מאומנים להסתגל למשתמש חדש עם נתונים מינימליים – לעתים קרובות רק אחד עד שבועיים של CGM ו-Am זה מראה תוצאות מהירות עבור פיתוח נתונים, ללא שינוי אבטחה.

המונחים: relative pathways

מינהל המזון והתרופות האמריקאי (FDA) הקים מסלול רגולטורי ייעודי עבור מערכות הלבלב מלאכותיות, כולל אלה המשלבים רכיבי AI. בשנת 2023, הסוכנות פרסמה הדרכה ספציפית למכשירים רפואיים הניתנים ל-AI, תוך הדגשת דרישות לביצועים אלגוריתם שקוף, הערכה מוטה, ופוסט-שיווק מעקב אחרי שוק.

כדי להזרים אישור, יצרנים רבים לאמץ גישה אימות מודולרית: רכיב AI הוא אישר באופן עצמאי כמודול תוכנה, ולאחר מכן משולב במערכת הכוללת ובדיקה מקצה לקצה.זה מאפשר שיפורים רציונאליים - לדוגמה, אלגוריתם בינה מלאכותית מעודכן יכול להיות פרוס באמצעות עדכוני AI עדכניים לאחר ההדגמה של ביצועים שווים או ביצועים מעולים באמצעות בדיקות ריצוף וסימולציות קליניות.

כיוונים עתידיים: AI ו- Next-Generation Systems

הגבול הבא הוא מערכות סגור לחלוטין הדורשות לא קלט למשתמש ארוחות, פעילות גופנית או מתח. AI יהיה חיוני לזיהוי ארוחות ופעילות גופנית מחתימות חיישן לבד, ללא הודעות מפורשות. מחקרים מוקדמים באמצעות רשתות עצביות מהפכתיות על נתונים CGM השיגו דיוק זיהוי ארוחה מעל 85% עם שיעור חיובי כוזב מתחת ל-5%.שלב זאת עם הכרה בפעילות המונעת על ידי AI מ-ידי עווית יכול לאפשר למערכת הפחתת אינסולין ולהוביל באמת לדלקת שתן.

אינטגרציה נתונים רב-ממדית

מערכות pancreas מלאכותיות עתידות לשלב נתונים מחיישנים רבים, כולל צגים בקצב הלב, accelerometers, חיישני טמפרטורה העור ואפילו צגים קטנוניים רצופים.מודלים למידה עמוקה הממזגים אלה אותות זמניים heterogeneous יכולים לשפר את החיזוי ולהפחית את התלות על כל חיישן חמצן יחיד.

למידה וקידום פרטיות של AI

למידה פדרנד היא מאפשרת מפתח להגדלת AI על פני אוכלוסיות גדולות של מטופלים ללא להתפשר על פרטיות.בפרדיגמה זו, מודל גלובלי מחולק למכשירים מקומיים, שכל אחת מהן מעדכנת עדכון באמצעות הנתונים שלה בלבד את ההעדכונים ( ⁇ s) נשלחים בחזרה לשרת פרטיות מרכזי, שבו הם מצטברים כדי לחדד את המודל הגלובלי של המטופל לא עוזב את המכשיר האקדמי כבר מזין את התחזיות של חמישה ניסויים בתחום הבריאות, תוך כדי שיפור יעיל של תאים אלה.

הסבר ואמון

עבור חולים ומרפאות לבטוח בהחלטות מונעות על ידי AI, המערכת חייבת לתקשר את ההיגיון שלה בצורה מובנת.סביר את הטכניקות AI (XAI), כגון SHAP (SHapley Addit Explanations), LIME, או מנגנוני תשומת לב במודלים למידה עמוקים, יכול לזהות אילו תכונות קלט השפיעו על מינון אינסולין או אזעקה נתון, כי משתמשים נוטים לקבל החלטות אוטומטיות כאשר מוצגות עם הסברים פשוטים, לדוגמה, כגון לחץ דם נמוך יותר, כגון:

מסקנה

אינטליגנציה מלאכותית מעצבת מחדש את האופן שבו מערכות הלבלב מלאכותיות מפרשות נתונים, ומאפשרות בקרה הסתגלות בזמן אמת שלא ניתן להעלות על הדעת לפני עשור.מודלים של למידת מכונות מנבאים מגמות גלוקוז בעלות דיוק גבוה, מערכות למידה עמוקות מסנןות רעש ושילוב נתונים של חיישן רב-ממדי, וסוכני למידה רבי-מתאים מחזקים עושים מדיניות תוך סמך אי-ודאות.טכנולוגיות אלה עברו מסימולציות אקדמיות למוצרים מסחריים עם הטבות מוכחות, כולל אירועים קלים יותר, כולל אירועים היפר-טווחיים, פחות, וגרועים יותר, ושינויים היפרגליקים וגרועים יותר, והופכים לעומסים יותר.

אתגרים נשארים בפרטיות, בטיחות, ובאופן כללי, התקדמות מתמשכת בלמידה ממוזמנת, ריבוי רגישויות, העברת למידה, ומסבירה AI מבטיח להתגבר על המכשולים האלה, לסלול את הדרך עבור מערכות אוטונומיות לחלוטין הדורשות פיקוח מינימלי של משתמשים.כפי שמסגרות רגולטוריות ממשיכות להתפתח, תוך שילוב של שיפורים AI ואלגוריתמים הסתגלות, אנו יכולים לצפות שאימוץ מהיר יותר ויותר, בין מערכות מתקדמות יותר ויותר, לבין זרם מלאכותי, הוא כבר לא זמין, הוא בטוח יותר ויותר, עם אלגוריתמים, עם אלגוריתמים, הוא כבר יותר ויותר, עם אלגוריתמים, הוא כבר עכשיו, עם אלגוריתמים, הוא בטוח יותר ויותר, עם אלגוריתמים, הוא בטוח יותר ויותר, הוא כבר יותר ויותר בטוח יותר ויותר, עם אלגוריתמים, עם אלגוריתמים, עם אלגוריתמים, עם אלגוריתמים, עם אלגוריתמים, עם אלגוריתמים, עם אלגוריתמים, הוא כבר יותר ויותר, עם אלגוריתמים, עם אלגוריתמים, עם אלגוריתמים, עם זאת, הוא עדיין ממשיך להתפתח, עם זאת, עם זאת, עם זאת, הוא כבר יותר ויותר בטוח יותר ויותר בטוח יותר ויותר בטוח יותר ויותר בטוח יותר ויותר בטוח יותר ויותר, הוא עדיין ממשיך להתפתח, הוא כבר עכשיו, עם זאת, עם