פיתוח של הסתגלות למידה אלגוריתמים כדי להתאים אישית את תוכן החינוך לסוכרת

עליית הלמידה ההסתגלות אלגוריתמים בחינוך לסוכרת

סוכרת משפיעה על יותר מ 537 מיליון מבוגרים ברחבי העולם, ומספר זה ממשיך לטפס.הניהול העצמי יעיל הוא חיוני כדי למנוע סיבוכים, אך מסורתי בגודל אחד-איכות-כל החינוך לעתים קרובות לא מצליח לעסוק בחולים או לטפל בצרכים הייחודיים שלהם. אלגוריתמי למידה מותאמים אישית: מערכות המונעות נתונים להתאים תוכן חינוכי לכל אדם ו-#8217; רמת ידע, התנהגויות, והקשר קליני על ידי מינוף של המטופל אמיתי ולמידה לתוך אלגוריתמית, ואלגוריתם למידה סטטית, כדי להפוך את הנתונים הסטנמינליים לאלגוריתמים לאלגוריתמים סטטיים לאלגוריתמים סטטיים, כדי להפוך לאלגוריתמים של סוכרתיים, לאלגוריתמים, להפוך לאלגוריתמים של למידה אלגוריתמים, לאלגוריתמים סטטיים, להפוך לאלגוריתמים סטטיים, להפוך לאלגוריתמים של למידה אלגוריתמים של למידה אלגוריתמים אישיים והופכים לאלגוריתמים של למידה אלגוריתמים למידה אלגוריתמים של למידה אלגוריתמים אלגוריתמים של נתונים אלגוריתמים אלגוריתמים סטטיים, לאלגוריתמים אלגוריתמים סטטיים לאלגוריתמים של למידה אלגוריתמים, לאלגוריתמים, לאלגוריתמים של למידה אלגוריתמים של למידה אלגוריתמים של למידה אלגוריתמים אלגוריתמים, לאלגוריתמים, כדי להפוך

בניגוד לפלטפורמות e-learning סטנדרטיות שעוקבות אחר תוכנית לימודים קבועה, מערכות למידה הסתגלות מתאמתות את הקושי, סדקים והתמקדות בחומרים המבוססים על הלומד & #8217; הביצועים והפידבקים של סוכרת, כלומר המטופל נאבק עם תזמון אינסולין מקבל מודולים ממוקדים על ספירת פחמימות ומינונים תיקון, בעוד מישהו עם שליטה גליקולרית מעולה, אבל הרגלי טיפול ברגלים עניים מקבל תזכורות והפגנות על מטלות יומיומיות הוא תוצאה יעילה של מיומנויות טיפול עצמיות.

שילובים של למידה הסתגלותית אלגוריתמים לסוכרת

כדי להבין איך המערכות האלה פועלות, זה עוזר לשבור אותן לארבע שכבות מקושרות:

(FLT:0Data Ingestion LayerFLT) 1 – איסוף נתונים מובנה ולא מובנה ממוניטורים של גלוקוז, משאבות אינסולין, מעקבי פעילות, יומני תרופות, תוצאות מחוסנות למטופל, ורשומות בריאות אלקטרוניות.
(FLT:0) למד מודלFLT:1 ו-#8211; ייצוג סטטיסטי או מכונה של המטופל & #8217; הידע הנוכחי, פערי מיומנות, סגנון למידה ודפוסי התנהגות.מודל זה מעודכנת לאחר כל אינטראקציה.
(FLT:0) RepositoryFLT:1 – ספריית נכסים חינוכיים מודולריים (סרטונים, חידון, סימולציות, טקסט סיכומים) מתויגת עם רמת קושי, נושא, מיומנויות מוקדמות והעדפות פורמט.
(FLT:0)Recommendation EngineFLT:1 – האלגוריתם שבוחר את פעילות הלמידה הטובה ביותר הבאה על ידי איזון שלושה גורמים: מה המטופל צריך ללמוד (פערי ידע), מה הם מוכנים ללמוד (אזור של התפתחות פרוקסימית), ומה שומר אותם מוטיבציה (מנבאים כמו יום, דבקות או פורמט מועדף).

שכבות אלה פועלות יחד בלולאה: המטופל אינטראקציה עם המערכת, את עדכוני מודל הלומד, מנוע ההמלצה חישוב מחדש, ותוכן חדש נחטפט מועבר באמצעות אפליקציית טלפונים חכמים, ממשק אינטרנט, או אפילו דובר חכם.

מקורות נתונים אמיתיים שתחליפי דלק

העושר של מודל הלומד תלוי במגוון הנתונים המזינים אותו.היישומים המובילים מושכים ממנו:

(FLT:0) לפקחי גלוקוז מתקדמים (CGMs)BuildFLT) 1 – לספק זמן לטווח, גליקמי ריקנות, וחץ מגמה המציין אם החולה הוא היפרגליקמי, hypoglycemic או יציב.
(FLT:0) משאבה אינסולין או יומני עט חכמים (FLT:1 ו- #8211; הראו דבקות במינונים בלסאל ובבד, בדפוסי תיקון, ופספסו מנות.
(FLT:0) מעשייות ועוקבים ישנים (FLT:1 – פעילות גופנית ואיכות השינה משפיעים ישירות על הרגישות לאינסולין; האלגוריתם יכול לקשר בין הפניות חינוכיות למדינות אלה.
סקרים של ההרחבה והמיקרו-פידבקים 1 ( – שאלות קצרות, תוך-הממשלה (ו-#8220; כמה בטוח אתה לגבי התאמת המינון לאחר אימון? & #8221;) לתת תובנה מיידית ברמות האמון וחוסר הבנה.
(FLT:0) רשומות בריאות אלקטרוניות (EHRs)BuildFLT:1 ו-#8211; תוצאות מעבדה (HbA1c, eGFR, Lipids), תחלואה ורשימות תרופות מספקות את הרקע הקליני להתאמה של מורכבות תוכן ודחיפות.

תהליך פיתוח: מהנתונים ועד ל Deployment

בניית מערכת למידה אדפטיבית של ייצור לחינוך לסוכרת היא מאמץ רב תחומי הכולל אנדוקריניולוגים, מחנכים סוכרת, מדעני נתונים, מהנדסי תוכנה ומעצבי UX.הפיתוח בדרך כלל מתקדם דרך שלבים אלה:

1.צריך הערכה ותכנים

לפני כתיבת קו קוד בודד, הצוות מגדיר את היקף המלא של חינוך עצמי לסוכרת.זה כולל אזורי נושא כגון:

הבנת מטרות גלוקוז בדם ו ניטור
תכנון ארוחת בוקר ותזונה
Insulin ניהול והתאמה
מניעת וטיפול hypoglycemia
ניהול יום מחלה
טיפול ברגל, טיפול בעין, והפחתה של סיכונים קרדיווסקולריים

כל נושא מחולק למטרות למידה מיקרו-למידה (למשל, ו-#8220; מזהה שלושה גורמים לתופעה של שחר ו- #8221; או #8220; חישוב מנה לתיקון עבור גלוקוז בדם של 250 מ"ג / dL & #8221; יוצרי תוכן לפתח גרסאות מרובות של אותה מטרת למידה ברמות קריאה שונות, באמצעות מדיה אחרת (טקסט, סימולציה אינטראקטיבית) והקשרים שונים.

2. אסטרטגיית איסוף נתונים

נתוני הכשרה ראשונית מגיעים מרשומות היסטוריות של תוכניות חינוך סוכרת, יומני אינטראקציה סבלניים מאפליקציות קיימות, ואישיות מטופלת ממוקדת מומחה, עם זאת, מערכות הסתגלות באמת דורשות אי-פעם נתונים בזמן אמת.הצוות חייב לתכנן צינורות מאובטחים, תואמים שמושך נתונים מזוהים ממכשירים מבוססי מטופלים ו- EHRs הסכמה וממשל נתונים מטופלים מתקנות ההתחלה, לאחר כך HIP בארה"ב או ב-GDPR.

(ב) עיין ב[[המאה ה-1]]: [[1924]]]], [[1924]]]]]], [[1924]]]]]]

3.מודל אימון ואימות

מודלים של למידת מכונות המשמשים במערכות הסתגלות טווח ידע פשוט Bayesian מסלול למידה חיזוק עמוק.הגישה הנפוצה ביותר היא היברידית:

(FLT:0) ידע מסלול של 1 ו-#8211; ההסתברות שהמטופל שולט בכל מיומנות המבוססת על ההיסטוריה של התגובה שלהם. אלגוריתם משותף הוא מודל הידע של בייסיאן (BKT) אשר שימש בהצלחה במערכות חכמות למתמטיקה ומדע.
(FLT:0) מסנן משותף מסנן 1 ו-#8211; תבניות Leverages מאלפי משתמשים דומים כדי להמליץ על תוכן שעזר לאחרים עם פרופילים דומים.לדוגמה, אם חולים עם HbA1c גבוה ונמוך ו- #8220; תכנון בינוני ו-#8221; ציונים משופרים לאחר צפייה בסרטון על תזמון טרום-בולוס, המערכת תעלה כי עבור וידאו חדש עם פרופיל עם אותו מטופל עם אותו פרופיל.
(FLT:0) Reinforcement Learning (RL)FIRLT:1 ו-#8211; האלגוריתם מתייחס לכל החלטה חינוכית כפעולה השואפת פרס (למשל, ציון משופר, הגדלת זמן בטווח הארוך) על פני אלפי אינטראקציות, סוכן ה-RL לומד את רצף אופטימלי של פעילויות למידה עבור כל אדם.

מודלים מאומנים על נתונים היסטוריים וכוונון קנס באמצעות A / B בדיקות וניסויים.מדדי אימות כוללים לא רק את הישגי הידע, אלא גם שינויים התנהגותיים כגון אירועים hypoglycemic מופחת, שיפור דבקות התרופות וציוני שביעות רצון גבוהה יותר של המטופל.

4.תוכן אישיזציה מנוע

ברגע שהמודל צופה מה המטופל צריך ללמוד הבא, מנוע ההתאמה בוחר את מודול התוכן המתאים ביותר.המנוע רואה:

(ב) ⁇ 0) למדים את ה- 1 ו-#8211; רמת המאסטר הנוכחית, טעויות אחרונות, עייפות של מעורבות.
(FLT:0)ContextveFLT:1 ו-#8211; זמן של יום (למשל, בוקר לעומת שעות שינה), מיקום (בית לעומת עבודה), קריאות המכשיר האחרונות (גז גבוה לאחר ארוחת הערב עלול לגרום מודול על ספייקים לאחר הלידה).
(FLT:0) ,Affeival stateFLT:1 ו-#8211; חלק מהמערכות מזהה תסכול או שעמום באמצעות זמן תגובה, מספר רמזים המבוקשים, או מצב רוח אוטונומי גבוה, המערכת עשויה להציע משחק ביקורת או הודעה מוטיבציה ולא לדחוף תוכן חדש, קשה.
(FLT:0) למד העדפות ,#8211; חלק מהחולים לומדים הכי טוב על ידי צפייה, אחרים על ידי קריאה, ואחרים על ידי תרגול עם סימולציות אינטראקטיביות.המסילות המנוע אשר הובילו את שיעורי ההשלמה וההחזקה הגבוהים ביותר עבור אותו אדם.

הפלט הוא נתיב למידה מותאם אישית שמתאימ בזמן אמת.לדוגמה, מטופל שרק למד על ספירת פחמימות עשוי לקבל חידון קצר, אז סימולציה שבו הם מתאימים את המנה ולראות את עקומת הגלוקוז, אז סיכום טקסט כדי לחזק נקודות מפתח.אם הם לענות על כל הפריטים כראוי, המערכת נעה על; אם הם מתגעגעים לשאלה, הוא שוב עם הסבר אחר.

הערכה מתמדת וההסברה

Deployment היא לא הסוף.מדונים לניתוחים ייעודיים עוקבים אחר אינדיקטורים ביצועיים מרכזיים: זמן-to-mastery לכל נושא, שיעורי הפחתה, משך זמן ישיבה ממוצע, והכי חשוב, תוצאות קליניות כגון HbA1c הפחתת, תדירות של hypoglycemia חמורה, ביקורים בחדר מיון.צוות הפיתוח פוגש שבועי כדי לסקור מדדים אלה, לזהות היכן האלגוריתם הוא נאבק, לעדכן את התוכן או בהתאם לפרמטרים.

לדוגמה, אם הנתונים מראים כי חולים עם אוריינות נמוכה הם נשרים לאחר השיעור הראשון על סוגי אינסולין, הצוות עשוי לשכתב את המודול ברמת קריאה נמוכה יותר ולהוסיף יותר עזרים חזותיים.אם האלגוריתם ממשיך להמליץ על אותו וידאו למשתמש למרות ירידה במעורבות, הפונקציה הפרס במודל RL עשוי להיות צורך למקם מחדש כדי לשלב רומן כגורם.

היתרונות של מטופלים וספקי בריאות

השינוי מאבות סטטיים גנריים כדי להתאים, חינוך מותאם אישית מניב יתרונות עצומים עבור שני הצדדים של משוואה הטיפול.

המונחים: Patient-Level Outcomes

(FLT:0) Higher EngagementFLT:1 ו-#8211; מערכות הסתגלותיות יש תשומת לב על ידי הצגת תוכן כי הוא אף פעם לא קל מדי (הבבור) ולא קשה מדי (התחילה) עבור מודולים מתאימים לעתים קרובות מעל 80%, בהשוואה ל-20 עד 40% לקורסים מקוונים שאינם אמפטיים.
(FLT:0) שיפור הידע שמירת ידע 1 ו-#8211; חזרות חלליות ולמידה אדנית, שניהם נבנו לתוך אלגוריתמים מתאימים, מחזקים מושגים לאורך זמן. מחקרים מראים כי חולים באמצעות חינוך לסוכרת הסתגלות יכול לזכור שלבים טיפול עצמי מדויק יותר שלושה חודשים לאחר התערבות מאשר אלה שהשתתפו בכיתה אחת.
(FLT:0)התנהגות משנה בקנה מידה 1 ו-#8211; כאשר החינוך הוא בדיוק ממוקד, הוא מניע פעולה בעולם האמיתי חולים המקבלים אימון הסתגלותי על ניטור הגלוקוז רואים עלייה של 15-25% בתדירות של בדיקות יומיומיות.
(FLT:0) ,החרדה ההיפגליצרמיה מנבאת 1 ו-#8211; מודולים אישיים על הכרה וטיפול בשפל, נמסרו רק לפני השינה או לאחר אימון, עוזרים לחולים להרגיש בטוחים יותר ולצמצם את האירועים ההיפוגליקמיים הלא-קליים.

יתרונות הספק

(FLT:0) חינוך סבלני הניתן להחלפה 1 ו-#8211; אחד מתלמידי סוכרת יכול לפקח על מאות מטופלים באמצעות פלטפורמה הסתגלותית, שמירה על זמן אישי עבור אלה הזקוקים לשינויים מורכבים בניהול או תמיכה פסיכו-חברתית.
(FLT:0) תובנות קליניות ניתנות לסנקציות (FLT:1 – המערכת מייצרת דוחות המדגישים פערי ידע, דפוסים התנהגותיים ודגלים בסיכון.ספק יכול לראות במהירות כי המטופל עדיין לא מבין מינונים של תיקון, ומחזקים את המסר הזה במהלך הביקור הבא.
(FLT:0) מעקב אחר מעקב אחר עדיפה 1 ו-#8211; תזכורות אוטומטיות ובדיקות-אין להפחית את שיעורי התכניות לשיעורי חינוך ולהבטיח המשכיות של למידה בין מינויים.
(FLT:0) ניהול בריאות ניהול הבריאות של LT:1 ו-#8211; נתונים מודבקים מפלטפורמת הסתגלות חושפים אי הבנות נפוצות על פני אוכלוסיית הסוכרת של המרפאה, המאפשרות יוזמות לשיפור איכות ממוקדת.

יישום אתגרים ואסטרטגיות כדי להתגבר על

למרות ההבטחה, למידה הסתגלות לחינוך סוכרת ניצבת בפני כמה מכשולים הדורשים תכנון זהיר.

פרטיות נתונים ואבטחה

נתוני בריאות הם בין המידע האישי הרגיש ביותר. איסוף קריאה של CGM, מינונים אינסולין והתנהגויות למידה יוצר מטרה עשירה להפרות. Compliance with HIPAA, GDPR, וחוקי הגנת נתונים מקומיים אינם ניתנים להשגה.אסטרטגיות כוללות מטרה ללסיים, טכניקות פרטיות שונות שמוסיפותחות את הרעש לאיסוף נתונים, ומעניקות לחולים שליטה גרפית על נתונים שנאספו וכיצד הוא משמש גם את הנתונים שקופה ו- #21 צריך גם להציג את השימוש שלהם;

(FLT:0) מקורות משאבים חיצוניים (External ResourcesFLT:1): איגוד הסוכרת האמריקאי (American Diabetes Association):2 (Standards of Medical Care in DiabetesFLT 3: 3) כולל הנחיות על שילוב כלי בריאות דיגיטליים תוך הגנה על פרטיות המטופל.

Algorithm Transparency and Trust

מטופלים וספקים הם בעלי הבנה של המלצות לקופסא השחורה, במיוחד כאשר ההמלצות הללו יכולות להשפיע על מינון אינסולין או תזמון הארוחה.האלגוריתם חייב להיות מוסבר: מדוע הוא בחר את הסרטון הזה עכשיו?What Data Drive That Access הוא לכלול גישה אחת ו-#8220;reason ” שדה בממשק המשתמש (למשל, ו-#8220; מודול זה מומלץ כי רמת הסוכר שלך הייתה גבוהה עבור ארוחת הבוקר).

שיפור התוכן ורגישות תרבותית

ספריית תוכן בגודל אחד לא מצליחה לשרת אוכלוסיות מגוונות.אלגוריתם הסתגלותי המאומן בעיקר על נתונים דוברי אנגלית, חולים עירוניים עשויים להיאבק כדי להתאים את החינוך עבור כפרי, לא דוברי אנגלית, או משתמשים בעלי אינטליגנציה נמוכה.צוותים לפיתוח צריכים להשקיע בהתאמת תוכן (שפה, תמונה, דוגמאות מזון), הסתגלות תרבותית (למשל, שילוב ארוחות מסורתיות או דתיות), ובדיקת תוכן נמוכה (למשל, כדי לזהות את קבוצות המשתמש, לא צריך להיות אלגוריתם).

שילוב עם זרימת עבודה קלינית

כדי שחינוך הסתגלותי יהיה חלק סטנדרטי של טיפול בסוכרת, זה חייב להתאים בצורה חלקה לתוך זרמי עבודה קליניים קיימים.זה אומר שילוב עם EHRs (כך שהמלצות חינוכיות מופיעות בתרשים של המטופל וניתן לבדוק אותן במהלך הביקורים), בין יכולת פעולה עם מכשירי סוכרת (CGM, משאבות), ותקשורת חלקה עם צוות הטיפול.

מחקר מקרה: הצלחה מוקדמת עם חינוך לסוכרת הסתגלות

תוכנית טייס המנוהלת על ידי מרכז רפואי גדול נרשם 150 מבוגרים עם סוכרת מסוג 2 אשר היו רמות HbA1c מעל 9%. המשתתפים השתמשו אפליקציית טלפונים חכמים המשולבת עם CGM שלהם הציגה מנוע למידה הסתגלות שהוכשר על יותר מ -500 מטרות למידה גרינוריות.

ממוצע טווח הזמן גדל מ-45% ל-63%.
ביטחון עצמי בניהול גלוקוז בדם גבוה עלה ב-35%.
מעורבות App הממוצעת 22 דקות ביום, עם 85% מהמשתמשים מסיימים לפחות שלושה מודולים בשבוע.

משוב Qualitative חשף כי מטופלים העריכו את האופי של התוכן: הודעה לפני ארוחת הערב עם וידאו קצר על הימנעות ספייקטים לאחר הניתוח, או תזכורת לטיפול בנמוכים שמופיעים כאשר החץ של מגמה CGM הצביע.סוג זה של התאמה קונטקסטואלית אפשרי רק באמצעות אלגוריתמים מתאימים אשר מעבדים נתונים בזמן אמת.

כיוונים עתידיים

תחום הלמידה ההסתגלות בחינוך לסוכרת עדיין מצטמצם, אך כמה שדרות מרגשות נמצאים באופק.

שילוב עם Telemedicine ו- Remote Monitoring

כאשר טלמדיקטין הופך לשגרה, חינוך הסתגלות יכול להיות מוטבע ישירות לביקורים וירטואליים.לפני קונסולציה טלפונית, המטופל משלים מודול אדפטי קצר המעדכן את פערי הידע שלו ושולח סיכום לקליניקה.במהלך הביקור, הרופא יכול להתמקד בנושאים הדוחקים ביותר ולא לבזבז זמן על חומר המטופל כבר יודע.פוסט-בי-בי-בי-ה, האלגוריתמים מחזקים את מה שנדון עם תוכן מותאם אישית.

אימון בזמן אמת ו- Feedback Loops

דמיינו מערכת הסתגלות שלא רק מלמדת אלא גם מאמנים בזמן אמת. מטופל עם זרימת נתונים CGM לענן יכול לקבל הודעה: & #8220; הגלוקוז שלך עולה במהירות לאחר חטיף זה.זכור לפני הפלוס לפחות 15 דקות לפני אכילת.כאן רענון של 30 שניות על תזמון האינסולין בזמני הארוחה שלך.

Multimodal ו- Multi-Disease הסתגלות

סוכרת מתרחשת לעתים רחוקות בבידוד.אלגוריתמים עתידיים יתאימו לא רק לצרכי חינוך לסוכרת אלא גם לתנאי הדבקה כגון יתר לחץ דם, דיכאון או השמנת יתר. אותו המטופל עשוי לקבל מודול על ספירת נתרן בבוקר ואימון ניהול מתח בערב, הכל מונחה על ידי מודל לומד מאוחדת המשתרע על ידי מספר מצבים כרוניים. גישה הוליסטית זו תואמת עם השינוי לקראת טיפול משולב ממוקד המטופל.

רמקולים ושפתיים טבעית

רמקולים חכמים ועוזרי קול מציעים דרך ללא ידיים לספק חינוך הסתגלות, במיוחד עבור חולים מבוגרים או עם ראייה נמוכה.האלגוריתם יכול לשאול שאלה, להקשיב לתגובה מילולית של המטופל, ולקבוע את התוכן הטוב הבא עם אמזון אלכסה ו- Google Assistant הראו שביעות רצון גבוהה בקרב משתמשים המעדיפים לדבר על הוראה בכתב.

שיטות טובות לארגונים הדורשים חינוך לסוכרת הסתגלות

עבור מערכות בריאות, משלמים או חברות בריאות דיגיטליות המחפשות לפרוס למידה הסתגלותית, ההנחיות הבאות יכולות להגדיל את הסבירות להצלחה:

(FLT:0)Start עם היקף צר.FLT:1 מתמקד בנושא אחד גבוה (למשל, התאמת מינון אינסולין) והוכחה לאלגוריתם עובד לפני הרחבת התוכנית המלאה.
(FLT:0) מחנכים סוכרתיים מהיום הראשון.BuildFLT:1) המומחיות שלהם חיונית ליצירת תוכן, אימות של מודלים של לומד, ופרשנות של אלגוריתמים.
(FLT:0) עיצוב עבור בלעדיות.FLT:1 מבחן עם אוכלוסיות מטופלים מגוונות כדי להימנע הטיה אלגוריתמית. השתמש בשפה פשוטה, שפות מרובות, והסתגלות תרבותית.
(FLT:0)Measure Both Knowledge and Behavior.FLT:1 , ציוני קוויץ לבדם אינם מספיקים.עקוב אחר תוצאות קליניות (HbA1c, time-in-range, hypoglycemia rate) כדי להפגין השפעה בעולם האמיתי.
(FLT:0)Plan for Iterative שיפור.FIRLT:1 למערכות הסתגלות לעולם לא נגמרות.תקציב לעדכונים תוכן מתמשכים, מודלים מתחום, וחווית המשתמש מזיקוק בהתבסס על ניתוח.

(הופנה מהדף FLT:0) משאבים חיצוניים (External ResourcesFLT:1): האגודה לטכנולוגיה סוכרתית מציעה (FLT:2) לבחינת התערבויות בריאות דיגיטליות, כולל קריטריונים לתכונות הסתגלותיות ואישיות.

מסקנה

אלגוריתמי למידה הסתגלות מייצגים נקודת מפנה בחינוך לסוכרת.על ידי מעבר לנקודות יד סטטיות ושיעורי זמן אחד, מערכות חכמות אלה נפגשות כל מטופל שבו הם - מבחינה קוגניטיבית, רגשית, קלינית - ומדריך אותם לקראת ניהול עצמי טוב יותר.תהליך הפיתוח דורש, הדורש שיתוף פעולה הדוק בין צוותי קליני, תוכן, טכני, אבל השכר הוא משמעותי: חולים העוסקים, בעלי ידע רב יותר, ויכולת גבוהה יותר, יום לאחר אימון בטוח יותר, לאחר אימון סוכרת.

כמו טכנולוגיית חיישן, קישוריות פס רחב, ולמידה מכונה להמשיך להתקדם, חינוך הסתגלותי יהיה מרכיב סטנדרטי של טיפול בסוכרת - לא תוספת נחמדה ל-A- יש להוסיף על, אבל כלי חיוני להעצים חולים ולשפר את התוצאות בקנה מידה. מערכות בריאות ומשלמים להשקיע עכשיו בבניית ושיקום אלגוריתמים אלה יהיו ממוקמים היטב לספק חינוך מותאם אישית, יעיל ויעיל למיליוני אנשים החיים עם סוכרת ברחבי העולם.