Table of Contents

סוכרת משפיעה על יותר מ 537 מיליון מבוגרים ברחבי העולם, דמות הצפויה לעלות בחדות בעשורים הקרובים.ניהול מצב כרוני זה דורש מעקב קבוע: מעקב אחר גלוקוז בדם, התאמת מינון אינסולין, ניטור צריכת מזון, והכרה בסימנים מוקדמים של נדנדה מסוכנת נייר מסורתי וביקורים במרפאתיים תקופתיים מציעים רק תמונות של מחלה דינמי.

מה זה IoT ו- Machine Learning in Healthcare?

האינטרנט של הדברים מתייחס לרשת של אובייקטים פיזיים - חיישנים, או מכשירים - שקועים בתוכנה, קישוריות, ואת היכולת להחליף נתונים באינטרנט. בהקשר של בריאות, IoT מקיף הכל מ משאבות אינפוזיות לבית שימוש בספירת לחץ דם לשימוש ביתי, עבור סוכרת, את מכשירי IoT הרלוונטיים ביותר הם צגים גלוקוז רציף (CGM), אינסולין חכם, משאבות אינסולין, אפילו בדיקות עיניים חכמות, אופנים, כל מיניות טיפוליות, לחץ דם חכם, אופנים, או יותר, או יותר, או יותר, תרופות הרגעה.

למידת מכונה, ענף של בינה מלאכותית, משתמשת בטכניקות סטטיסטיות כדי לאפשר למערכות ללמוד מהנתונים מבלי להיות מתוכנת במפורש לכל כלל אפשרי.במקום תנאים קשים כגון "אם גלוקוז > 180 מ"ג / dL ואז להזהיר", אלגוריתמים של אלפי ימי חולשות של נתונים כדי לגלות מערכות יחסים מורכבות, לא לינאריות. אלגוריתמים אלה יכולים לסווג, להציג תוצאות, או לחזות, כגון תחזית היפוך של 30 דקות של חשיפה מוקדמת של סוכר.

הסינרגיה ברורה: IoT מספק את ההזנת נתונים רציפה וגבוהה שאלגוריתמים של ML צריכים להכשיר מודלים חזקים, ו-ML מחזיר תובנות ניתנות לפעולה שסגורות את הלולאה, והופך את נתוני החיישן להמלצות בזמן אמת לחולים ולמרפאות.

כיצד מכשירים IoT הופכים את איסוף הנתונים של סוכרת

לפני אימוץ נרחב של CGMs, ניהול סוכרת התבסס רבות על מדידות אצבע, בדרך כלל ביצע 4-10 פעמים ביום. אלה תמונות החמצו מגמות קריטיות ודפוסי לילה.

עקבו אחרי Glucose Monitor

CGMs כגון Dexcom G6, Abbott FreeStyle Libre, ו- Medtronic Guardian מודד רמות גלוקוז בנוזלים בין-תחומיים subcutanely.הם משדרים קריאה אלחוטית לאפליקציית סמארטפון או מקלט ייעודי כל 5-15 דקות. A המטופל מייצר בערך 288 נקודות נתונים ביום - נפח שיהיה לא מעשי כדי להזין באופן ידני.

עטים חכמים ופסולות

עטים אינסולין חכמים (למשל, נובו נורדיסק נובופין 6, Companion Medical InPen) להקליט זמן הזרקת זמן, מנה, סוג אינסולין, מסונכרן אוטומטית לאפליקציית מובייל. משאבות אינסולין עם נתונים CGM משולבים, כגון Tandem ts X2 עם Control-IQ, טופס משלוח אינסולין אוטומטי (AID) לשימוש אלגוריתמים מבוססי לעתים קרובות כדי להתאים את רמות גלוקוז אמיתיות.

מסלולי כושר ללבוש וחיישנים אחרים

ללבוש כמו Apple Watch, Fitbit, או Garmin מכשירים לספק נתונים קונטקסטואליים: קצב הלב, טמפרטורה עור, שלבים, שלבים שינה, רמות הלחץ. משתנים אלה משפיעים על חילוף החומרים גלוקוז.לדוגמה, פעילות גופנית מגבירה את הרגישות אינסולין; הלחץ מעלה קורטיזול וסוכר בדם.הזנת אותות קונטקסטואליים אלה למודלים מנבאטיביים משפר את הדיוק, כמו המודלים לומדים להתאים את התחזיות על בסיס פעילות גופנית ותפקוד פיזיולוגי הנוכחי של המטופל.

טכניקות למידת מכונות עבור מודלי סוכרת חיזוי

הנתונים הגולמיים של מכשירי IoT חייבים להיות מעובדים, לנקות ולעבור טרנספורמציה לפני שניתן להשתמש בהם כדי להכשיר מודלים חיזוייים.בחירה של אלגוריתם ML תלויה בשאלה הקלינית: חיזוי ערך גלוקוז מספרי, המסווג אירוע מתמשך (hypoglycemia/hyperglycemia), או קבוצת חולים לקטגוריות סיכון.

מודלים לחיזוי גלוקוז

המשימה הנפוצה ביותר היא לחזות את רמת הגלוקוז בדם בעתיד באופק נתון - למשל, 30, 30 או 60 דקות קדימה. דגמי רגרסיה של זמן הם מועמדים טבעיים.מודלים מסורתיים משולבים באופן אוטומטי (ARIMA) בשימוש היסטורי, אבל גרסאות למידה עמוקות יותר תחת שליטה של זמן קצר זיכרון (LS) רשתות, סוג של רשת עצבית משולבת משולבת משולבת (NR) הם חיזוי מוקדם של אינסולין ו רצף של 15 מ"ג'מ"ג'מ"מ"מ"ג'מ"מ) באופן קבוע (R) ב לכידת נתונים באוניברסיטת וירג'יניהם) ו- C.

מודלים לזיהוי אירועים

במקום לחזות רמות גלוקוז מדויקות, כמה דגמים נועדו לזהות את תחילת ההיפוגליקמיה (גלוקוז בדם; 70 מ"ג / DL) או היפרגליקמיה (וקט; 180 מ"ג / dL) בחלון חיזוי.אלה הם בעיות סיווג בינארי או רב-כית.אלגותמים כגון Random Forest, XGBst, ו- תמיכה מכונות וקטור (VSM) מאומנים על תכונות גלוקוז ו- Drecookremediteditedemireme (למשל, לדוגמה, לדוגמה, לא יכול להשיג לחץ דם) על גבי חומר DREACDC, לדוגמה, לחץ דם, לא יכול להשיג לחץ דם, לדוגמה, לא יכול להשיג אתגרין (D.

קלוש למטופל

סוכרת היא לא מחלה אחידה.מטופלים שונים ברגישות אינסולין, תפקוד תא בטא, אורח חיים, ותגובה לטיפולים. unsupervised אשכולing (למשל, k-means, היררכי) יכול לחלק חולים לתוך תת-פנוטיפים המבוססים על דפוסי הנתונים של ה-IoT שלהם.קבוצות אלה עשויות להיות פרופילים סיכון מובהקים או להגיב טוב יותר למשטרים ספציפיים, המאפשר טיפול מדויק יותר, מותאמים אישית.

בניית מודל חיזוי: מהנתונים ועד ל Deployment

יצירת מודל חיזוי עבודה כרוך כמה שלבים מעבר פשוט בחירת אלגוריתם.כל שלב מציג אתגרים משלו ואפשרויות עיצוב.

רכישת נתונים וקידום

זרם הנתונים של IoT הוא לעתים קרובות מבולגן: קריאות חסרות (הסתה, פערי שידור), רעש (אובייקטים מדכאים), מרווחי זמן לא סדירים. Preprocessing כולל מוטציות (למשל, זיהום ליניארי עבור פערים קצרים), הסרת מופרזת (מכשירים לא אפשריים מבחינה פילוסופית כמו גלוקוז > 600 מ"ג / L < 20 מ"ג) ועוקבים אחר פעילות גופנית (מ) לעתים קרובות על פני כדוריות, ותדירות גבוהה יותר, על פני כדוריות (D) ותדירות גבוהה יותר, מדי, מדי, מדי, מדי, מדי, מדי, מדי, מדי, מדי, מדי זמן).

הנדסה

ערכי חיישן Raw לבדם מספקים את הביצועים הטובים ביותר.הנדסת תכונות יוצרת משתנים שמקורם בדינמיקה של זמן קוד: רמת גלוקוז של שינוי (הנוצרה הראשונה), האצה (הגזרה השנייה), האזור תחת העקומה של חלונות אחרונים, זמן מאז הארוחה האחרונה, עקומות פעולה אינסולין, ואינדקס גלוקוז נמוך בדם (LBGI).

מודל אימון ואימות

נתונים ממכשירי IoT מציגים אתגר ייחודי: דגימות מאותו מטופל מתואמות, מהפרת ההנחה של שיטות אימות סטנדרטיות רבות. חוקרים חייבים להשתמש בשיפוט בין המטופל לריצה או ברכבת זמנית / פיצולים כדי למנוע דליפת נתונים.מודל המאומנים בשבוע הראשון של נתוני המטופל עשוי לחזות במדויק את השבוע השני (בטיפול ב-Atra-solation), אך באופן כללי לאבחון של ניתוח לא מטופל (AUC) הוא ניתוח שגיאות מורכבות (C) לאבחון מוקדם יותר) של סרטן (C) הוא ניתוח מדויק יותר).

זמן אמת ושילוב

הגבלת מודל ביישום קליני או צרכנים מחייבת אי דיוק נמוך חסכונית בהקצאת מחשוב צוק - הפעלת ML בהקצאה במכשיר ה-IoT עצמו או בסמארטפון סמוך - מחנכים תלות בשרשרת הענן, שהוא קריטי במקרה של רשתות החוצה.מודלים חייבים להיות מכוונים או מכווננים כדי להתאים בתוך הזיכרון ומגבלות הסוללה של לביבשים הוא בדרך כלל התראה או "להתדר" מתחת ל- 20 מ"מ"מ"מ"מ" מ- 15 דקות.

דוגמאות של עולם אמיתי והתקדמות המחקר

כמה מערכות מסחריות ואקדמיה כבר הוכיחו את הפוטנציאל של IoT + ML עבור חיזוי סוכרת.

מערכת ה- FDA שאושרה על ידי מדטרוניק 3 משתמשת באלגוריתם קנייני (SmartGuard) המנבא את hypoglycemia 30 דקות מראש על בסיס מגמות CGM, הפחתת משלוח אינסולין כאשר סף צפוי להיות מופרץ באופן דומה, אלגוריתם Tandem Control-IQ משתמש בגישה של בקרת מודל חיזוי מודל (MPC) אשר קשורה קשר הדוק ללמידה, כדי להתאים את שיעורי האינסולין ביסטואל ולספק תיקון באופן אוטומטי.

בתחום המחקר, UNIT1DM Dataset (המצוין מ-12 חולים עם סוכרת מסוג 1 מעל 8 שבועות) הפך למדד לפיתוח מודלים לחיזוי גלוקוז.צוותים ברחבי העולם השתמשו ב- CGM, אינסולין, ארוחות, ונתוני פעילות כדי להכשיר LSTMs, רשתות עצביות מהפכתיות (CNN), ומודלים היברידיים. A מחקר שנערך על ידי מירשקריאן et al. (פורסם ב- IEEE ב-CDC) הראה דיוק של 0.

דוגמה חיצונית:0.10.למד יותר על הנתונים של אוהיוT1DM ומודולים למידת מכונה עבור סוכרת חיזוי FLT:1.

אתגרים ומכשולים לאימוץ נרחב

למרות ההתקדמות הטכנית מרשימה, השימוש שגרתי של מודלים חיזויים של IoT בחולי סוכרת עומד בפני מכשולים משמעותיים.

פרטיות נתונים ואבטחה

נתוני בריאות המטופל הם בין המידע האישי הרגיש ביותר.כאשר מכשירים IoT משדרים קריאה לגלוקוז לענן, הם מייצרים פרופילים מתמשכים ואינטימיים של המדינה הפיזיולוגית של האדם.מסגרות רגולטוריות כמו HIPAA בארצות הברית ו-GDPR באירופה מחייבים הצפנה קפדנית, בקרת גישה והסכמה למשתמש.כל מודל שאוסף נתונים חייב להבטיח כי שידור מוצפן בכפוף לסיכון (TLS 1.3S), השמור במנוחה (A-2, כלומר, חסוגן מידע המאפשר זיהוי אישי או מוצף) הוא סיכון אישי (PI) או מוצף (PI) הוא מוצף (PI) או מוצף (PI) הוא סיכון (PI.

תאימות ותקני התקן

חולי סוכרת משתמשים לעתים קרובות במכשירים מיצרנים מרובים: Dexcom CGM, משאבת אינסולין מאופטופולת, ועוקב אחר פעילות Fitbit.כל מכשיר מדבר פרוטוקול אחר (כחולה נמוך אנרגיה, ממשקי API קנייניים, MQTT, HL7 FHIR) אין תקן אוניברסלי לשאילתה או שילוב של זרמים אלה.

מודל רובוסטנס וגישור כללי

רוב המודלים החיזוייים מאומן על נתונים קטנים יחסית (עשרות עד כמה מאות חולים) ונקדים לעבר דמוגרפים מסוימים (למשל, בעיקר לבן, הכנסה גבוהה, עם גישה למשאבת האינסולין האחרונה) LSTM שמגיעה 10 מ"ג / LL MAE על קבוצת אוהיוT1D עשוי לבצע רע עם רגישות שונה, כולל תרופות מרובות, כולל טיפול תרופתי, כולל סוכרת מסוג 2, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, לעומת זאת, או בינוני, או יותר, עם טיפול תרופתי, או יותר, עם סוכרת מנוהל על ידי שימוש במודולנטים, או בינוני יותר, עם סוכרת, כולל טיפול, 000.

אישור התפטרות ואימוץ קליני

קבלת אלגוריתם צפוי שהוגדר על ידי ה- FDA (או גופים מקבילים) דורש אימות קליני קפדני: המודל חייב להפגין בטיחות, יעילות ושוויון או עליונות לסטנדרט של טיפול.תוכנית אבטחת התוכנה הדיגיטלית של ה- FDA שואפת לייעל אישור למודלים של בינה מלאכותית בסיכון נמוך, אך אלגוריתמים בסיכון גבוה (אלה ששולטים ישירות במשלוח אינסולין) עדיין חייבים לעבור ניסויים קליניים רבים, כי הם לעולם לא מגיעים למחסור במשאבים מסחריים עבור משאבים רגולטוריים.

כיוונים עתידיים: איפה IoT ולמידה של מכונות הם ראשיים

גל החדשנות הבא מבטיח לטפל במגבלות הנוכחיות ולפתוח אפשרויות חדשות.

למידה מבוססת פרטיות עבור פרטיות Preworth Training

במקום לרכז את נתוני המטופל בשרת ענן, למידה מאוזן מאפשרת לאימון מודל להתרחש במכשיר או בקצה בית החולים, עם רק עדכוני מודל מצטברים ( ⁇ s) משותפים בחזרה לשרת מרכזי.גישה זו משמרת פרטיות (הנתונים לא מותירים את השליטה של המטופל) ויכולה למנף נתונים מאלפי חולים ללא העברתו.

אינטגרציה של Multi-Modal Data

מודלים עתידיים יכילו אפילו יותר אותות: צגים קטונים רצופים (בפיתוח לסיכון קטנואידוזיס סוכרתי), עוקבים הורמונליים (קורטיזול, glucagon), מיקום גיאוגרפי (לעבור גישה למזון בריא), וגורמים חברתיים של בריאות (יציבות פיננסית, אוריינות טבעית) יכולים לעכל רשימות טקסט חופשיות מרשומות בריאות אלקטרוניות (EHRs) כדי לספק הקשר יוצא דופן לדפוסקים כגון טיפול כימותרפיה או כימותרפיה.

צוק איתן וצמצום הטיות

מתקדם שבבי AI מיוחדים (למשל, Google Edge TPU, Apple Neural Engine) מאפשרים להפעיל מודלים למידה מורכבים ישירות על שעון חכם או תיקון סוכרת ייעודי.הקטנת העצלות פירושה שהמודל יכול להפוך תחזיות בתוך שניות של קבלת הקריאה האחרונה CGM, המאפשרת התערבות בזמן אמת באמת.

AI for Clinician Trust

מחסום מרכזי לאימוץ קליני הוא האופי "הקופסא השחורה" של מודלים למידה עמוקים.א.אי.קליאן עשוי להסס להתאים את אינסולין מינון מבוסס על הצעת מודל אם הם לא יכולים להבין FLT:0 למהרמב 1:1 הוא עשה את החיזוי הזה.טכניקות כגון SHAP (SHapley Addit Addit Addive exPlanations) ו LIME (הסברים הבין-מודלים הבין-אגנוסטיים) במיוחד לחיזוי גלוקוז גבוה.

קישורים חיצוניים לקריאה נוספת: JAMA סקירה על AI in Diabetes ManagementFLT:1 ו-FLT:2 American Diabetes Association] העדכונים של מחקר ב- HIV על בריאות דיגיטלית.

מסקנה

הצומת של IoT ולמידה מכונה מעצב מחדש את ניהול הסוכרת ממודל תגובתי, אפיזודי לדגם פרואקטיבי, חיזויי אחד. צגים של גלוקוז רצופים, מערכות אספקה חכמות של אינסולין, ועוקבים בריאים בעליל יכולים לייצר זרמים חסרי תקדים של נתונים ברזולוציה גבוהה.מכונה למידה - מ LSTM רשתות לעצים מוצצים - ⁇ -boosted - נניח כי נתונים למגמות גלוקוז, לזהות אירועים מסוכנים, להתאים את האלגוריתמים להפרעות זמן נמוכות יותר, ולשיפור טמפרטורות נמוכות יותר, ואפקטיביותרפיותרפיותרפיותרפיות, פחות.

עם זאת, הדרך לאימוץ נרחב היא מסובכת עם אתגרים טכניים, רגולטוריים ואתיים. פרטיות נתונים וביטחון חייב להיות עמיד בפני קליעים.מכשירים חייבים לדבר שפה משותפת.מודלים חייבים להכלל באוכלוסיות מגוונות ותנאים בעולם האמיתי.ופלט של מודלים אלה חייב להיות אמין מספיק עבור רופאים וחולים לפעול על ידי קהילת המחקר, התעשייה, גופי רגולציה הם למעשה מחלחלים כל הבעיות האלה, והתקדמות היא מאיצה.

עבור מיליוני אנשים החיים עם סוכרת היום, ההבטחה של מערכת סגורה שצוינה באופן חלק ומונעת טיולי גלוקוז - ללא מאמץ ידני קבוע - היא כבר לא מדע בדיוני.זוהי מציאות כמעט-עתידית שנבנתה על ההתכנסות של IoT ולמידה מכונה.