糖尿病は、世界中の537万人以上の成人に影響を及ぼし、今後10年間で急激に上昇するという図形です。この慢性的な状態を管理することは、一定の警戒を必要とします。血糖を追跡し、インシュリン用量を調整し、食物摂取量を監視し、危険なスイングの早期徴候を認識する。伝統的な紙のログと定期的なクリニック訪問は、動的病気のスナップショットだけを提供します。物事(IoT)と機械学習(ML)の両論は、それがどのように変化するのか、および将来の分析可能な分析のために、どのように変化する、IoTを予測する、およびIoTを予測することを可能にする、ということです。

ヘルスケアでIoTや機械学習とは?

モノのインターネットは、インターネット上でデータを交換するソフトウェア、接続、および機能に組み込まれた、物理的なオブジェクトのネットワークを指します。 ヘルスケアのコンテキストでは、IoTは、病院の注入ポンプから家庭用血圧カフまで、あらゆるものを網羅しています。 糖尿病のために、最も関連性の高いIoTデバイスは、連続したグルコースモニター(CGM)、スマートインシュリンペン、インシュリンポンプ、およびウェアラブルフィットネストラッカー(ewatch)、およびこれらのサイクルタイムの頻度を計測します。 これらは、各デバイスをリアルタイムで測定し、リアルタイムで測定します。

マシンラーニングは、人工知能のブランチで、あらゆるルールのために明示的にプログラムされていないデータから学ぶシステムを有効にする統計技術を使用しています。 「グルコース>の場合; 180 mg/dL その後、アラート」などのハードコーディング条件の代わりに、MLアルゴリズムは、複雑で非線形関係を発見するために、何千もの患者のデータを摂取する。 これらのアルゴリズムは、クラスター、または予測結果を分類することができます。例えば、低刺激的なイベントを予報に変換するか、または特定の食事の30分前に特定の食事を事前に推測するなどの。

相乗効果は明らかです: MLアルゴリズムが堅牢なモデルを訓練するために必要な、連続で高解像度のデータフィードを提供し、MLはループを閉じる実用的な洞察を返します。 生センサーデータを患者や臨床医にとってリアルタイムの推奨事項に変えます。

IoTデバイスが糖尿病データ収集をどのように変化させるか

CGMの普及が進んでいる前に、糖尿病管理は指棒測定に大きく依存しました。通常、1日4〜10回行われます。これらのスナップショットは重要な傾向と一晩のパターンを見逃しました。IoTデバイスは、いくつかの基本的な方法でデータ収集を変更しました。

連続グルコースモニター

Dexcom G6、Abbott FreeStyle Libre、Medtronic GuardianセンサーなどのCGMは、間接的な流体のグルコースレベルを測定します。 彼らは、5〜15分ごとにスマートフォンアプリや専用の受信機にワイヤレスで読書を送信します。 患者は毎日約288のデータポイントを生成します。これは手動でログに反する量です。 この高周波データは、MLモデルを微小なグルコース率の変化を検知し、低血糖値が低下する(低血症)を逃します。

スマートなインシュリンのペンおよびポンプ

スマートインシュリンペン(例、ノボノルディスクのNovoPen 6, Companion Medical’s InPen)レコード注射時間、用量、インシュリンの種類、自動的にモバイルアプリに同期します。 タンデムtslim X2などの統合CGMデータを備えたインシュリンポンプは、Control-IQを使用して、アルゴリズム(ルーテンMLベース)を使用して、リアルタイムで処理速度をリアルタイムに生成します。

ウェアラブルフィットネストラッカーとその他のセンサー

Apple Watch、Fitbit、Garminデバイスなどのウェアラブルは、コンテキストデータを提供します。心拍数の変動、皮膚温度、ステップ、睡眠ステージ、およびストレスレベル。これらの変数は、グルコース代謝に影響を及ぼします。例えば、身体活動はインシュリン感度を高めます。ストレスはコルチゾールと血糖値を高めます。これらのコンテキストシグナルを予測モデルに供給することで、患者の現在の活動と生理学的状態に基づいて予測を調整することがモデルが学習するので、精度が向上します。

予測糖尿病モデルのための機械学習技術

IoTデバイスからの生データは、予測モデルを訓練するために使用できる前に処理、清掃、および変換する必要があります。 MLアルゴリズムの選択は、臨床試験の質問に依存します。数値グルコース値の予測、インペンデントイベント(hypoglycemia/hyperglycemia)の分類、またはリスクカテゴリへの患者のグループ化。

グルコース予測のための回帰モデル

最も一般的なタスクは、特定の地平線で将来の血糖値レベルを予測しています。例えば、15、30、60分先です。 タイムシリーズ回帰モデルは自然な候補です。 従来の自動回帰統合移動平均(ARIMA)モデルは歴史的に使用されてきましたが、深層学習のバリエーションは現在、支配しています。 長期短期記憶(LSTM)ネットワーク、再発神経ネットワーク(RNN)は、長期的には、長期的には、S / MG(S)の正規表現は、特定のモデルが、特定のモデルを生成し、特定のモデルを生成するような特定のモデルが、特に、S / MG(S)または、バージニア大学の試験結果は、S / またはS / またはS / またはS / またはS / または、またはS / またはS / またはS / またはS / またはS / またはS / またはS / またはS / またはS / またはS / またはS / またはS / またはS / またはS / またはS / またはS / またはS / またはS / またはS / またはS / またはS / またはS /

イベント検出のための分類モデル

正確にグルコースレベルを予測するよりも、いくつかのモデルは、低血糖値(ブロッドグルコース< 70 mg / DL)または高血糖値(> 180mg / DL)の予測ウィンドウ内のオンセットを検出するように設計されている。これらは、バイナリまたは複数のクラス分類の問題です。 ランダムフォレスト、XGBoost、およびサポートベクターマシン(SVM)などのアルゴリズムは、最近のgruoseから得られた機能に訓練され、DMOは、DMOG(D)は、DMOGW)、DMOG(D)は、DMOG(D)、DMOG(D)、およびDMOG(DMOG)などの分析)は、DMOG(D)は、DMOG(D)、DMOG(DMOG)、DMOG(DMOG)、およびDMOG(DMOG(D)、D)、DMOG(DMOG(D)、D)、D)、D)、D)、DMOG(D)、DMOG(D)、DMOG(D)、DMOG(DMOG

患者のサブフェノタイピングのためのクラスタリング

糖尿病は均一な病気ではありません。患者はインシュリン感度、ベータ細胞機能、ライフスタイル、および治療に対する反応で異なります。 監視されていないクラスタリング(例えば、k-means、階層的なクラスタリング)は、IoTデータパターンに基づいてサブフェノタイプに患者をグループ化することができます。 これらのサブグループは、特定の治療レジメンに異なるリスクプロファイルを持っているか、より良い応答をすることができ、より正確でパーソナライズされたケアを有効にします。

予測モデルの構築:データから展開まで

作業予測モデルを作成するには、アルゴリズムを選択するのではなく、いくつかのステップが含まれます。各ステージは、独自の課題と設計の選択肢を示しています。

データの収集と加工

IoT のデータストリームは、多くの場合、混乱: 読書(センサーの変留、伝送ギャップ)、ノイズ(圧縮アーティファクト)、および不規則な時間間隔を欠落します。 処理には、インピート(例えば、短いギャップのための線形補間)、アウター除去(グルコース ・ ギャップ; 600 mg/dL または < 20 mg/dL)、および頻度を均一に再サンプリング (例えば、短距離の間隔の間隔)、アウトレイリア除去(Glucose > などの生理学的に不可能な値; 600 mg/dL または < 20 mg/dL)、および周波数を、および再設定します。 タイム タイム タイム タイム タイム タイム タイム タイム タイム タイム タイム タイム タイム タイム タイム タイム 。

機能工学

生センサーは、単独で最高のパフォーマンスを提供していません。特徴エンジニアリングは、一時的な動的をエンコードする派生変数を作成します。変化(最初の派生物)、加速(秒誘導体)、最近のウィンドウ上の曲線の下域、最後の食事、インシュリンアクション曲線、および低血糖値インデックス(LBGI)。ドメイン固有の機能は、Juvenile Diabetes Research Foundation(JDRF)が使用する「グルコースリスクインデックス」など、エンジニアとして入力できます。

モデルの訓練および検証

IoTデバイスからのデータは、同一の患者からのサンプルが相関的であり、多くの標準検証方法の独立性を侵害しています。研究者は、患者様による断続的または一時的な列車/検査の分割を使用してデータ漏洩を回避する必要があります。患者様のデータの1週間に訓練されたモデルは、正確に2週目の週(固有の検証)を予測するかもしれませんが、不規則な患者(インターパテンティエント)への一般化は、はるかに困難です。メトリック分析は、(Rig + のルート分析)、およびクラーク(Rig の動作領域)を分析します。

リアルタイムの推論と統合

臨床または消費者向けアプリでモデルを展開する際、低レイテンシビリティの不当性が必要です。エッジコンピューティングは、MLをIoTデバイス自体や近隣のスマートフォンに侵入し、クラウド接続に依存し、ネットワークの停電の場合に重要な原因を低減します。モデルは、ウェアラブルのメモリとバッテリーの制約内で適合するために定量化または剪定する必要があります。出力は通常、アラートまたは推奨事項です。 「あなたのグルコースは、15分で消費されるかを検討してください。」

実世界事例と研究の進捗

複数の商用および学術システムでは、既に、糖尿病予測のIoT + MLの可能性を実証しています。

FDA 承認の Medtronic Guardian 3 システムは、CGM トレンドに基づいて、30 分前に低血糖値を予測する独自のアルゴリズム (SmartGuard) を使用して、しきい値が侵害される可能性が高いときにインシュリン デリバリーを中断します。同様に、タンデム コントロール IQ アルゴリズムは、機械学習に密接に関連しているモデル予測制御 (MPC) アプローチを使用して、基礎補正インシュリン レートを調整し、自動的にボルス を提供します。

調査領域では、OhioT1DM のデータセット(タイプ 1 糖尿病 8 週間以上 12 人の患者から収集)は、グルコース予測モデルの開発のベンチマークとなっています。世界中のチームは、LSTM の訓練、複雑なニューラルネットワーク(CNN)、ハイブリッドモデルの CGM、インシュリン、食事、アクティビティデータを使用しており、Mirshekarian et による 2021 の学習をしています。(IEEE トランザクションで公開されたのは、STM の数値化および、マルチプレミジアルファミカルドは、マルチプレッダレクタリングされたデータを、マルチプレッダリングして、マルチプレッダリングしたデータを、検出し、およびマルチプレッダリングする 0.7 を で検出する 0.7 の数値化します。

外部リンク例: [糖尿病予測のためのOyoT1DMデータセットと機械学習ベンチマークについてもっと詳しく説明].

広スプレッドの採用への挑戦と障害

印象的な技術進歩にもかかわらず、糖尿病ケアにおけるIoT対応予測モデルのルーチン使用は、著しいハードルに直面しています。

データのプライバシーとセキュリティ

患者の健康データは最も機密性の高い個人情報です。 IoTデバイスがクラウドにグルコース読み取りを送信する際に、それらは人の生理学的状態の継続的な親密なプロファイルを生成します。 米国でHIPAAのような規制フレームワークと欧州におけるGDPRは、厳格な暗号化、アクセス制御、およびユーザーの同意を義務付けています。 データを収集するモデルは、送信元(TLS 1.3)で暗号化され、残り(AES-256)で保存され、個人を特定できる情報(P)が侵害される危険性のある情報であることを確認しなければなりません。

相互運用性・デバイス標準化

糖尿病患者は、多くの場合、複数のメーカーからデバイスを使用しています。 Dexcom CGM、Omnipodインシュリンポンプ、およびFitbitアクティビティトラッカー。 各デバイスは、異なるプロトコル(Bluetooth Low Energy、独自のAPI、MQTT、HL7 FHIR)を話します。 これらのストリームをクエリしたり組み合わせたりするための普遍的な標準はありません。 FDAのおよびIEEEの相互運用可能な医療機器(例えば、IEEE 11073 Personal Device Health Device Device)に対する取り組みは、データ統合が中断されるため、データが失われています。

強靭性と汎用性

ほとんどの予測モデルは、比較的小さい(数十〜数百人の患者)のデータセットで訓練され、特定の人口統計(例えば、主に白、高所得、最新のインシュリンポンプへのアクセス)に向かってスキュードされます。 OyoT1DMコホートに10mg / DL MAEを達成するLSTMは、異なるインシュリン感度を有する患者に異常なパフォーマンスを発揮し、それらを多岐に渡るだけでなく、複数の糖尿病や多岐にわたる患者に及ぶさまざまな種類の糖尿病を容易にする可能性があります。

規制の検証と臨床の採用

FDA(または同等の体)によってクリアされた予測アルゴリズムを取得するには、厳格な臨床検証が必要です。モデルは、安全、有効性、および治療の基準に対する優越性を実証しなければなりません。 FDAのデジタル健康ソフトウェアの予防プログラムでは、低リスクAIモデルの承認を合理化することを目的としていますが、高リスクアルゴリズム(インシュリンの直接制御)は、依然として広範な臨床試験を受ける必要があります。 多くの学術モデルは、規制当局への提出のためのリソースが不足しているため、商用に到達しません。

未来の方向性:IoTと機械学習が見出しているところ

イノベーションの次の波は、現在の制限事項に対処し、新しい可能性を開くことを約束します。

プライバシー保護トレーニングのためのフェデレーション学習

クラウドサーバー上で患者データを一元化する代わりに、フェデレーションされた学習により、モデルのトレーニングがデバイスや病院のエッジで行われるようになり、集中的なサーバーに共有されるモデルの更新(勾配)のみが共有されます。このアプローチは、プライバシー(データを抽出し、患者の制御を離れることはありません)を保存し、移動せずに数千人の患者からデータを活用することができます。 GoogleのTensorFlowフェデレーションとNVIDIA Claraは、このヘルスケアで探すフレームワークです。 早期に、データが漏れるモデルを予測し、モデルを集中的にテストできる危険モデルを低減することができます。

多動データ統合

将来のモデルは、さらにより多くの信号を組み込む:連続ケトンモニター(糖尿病性ケトアシドーシスリスクの開発)、ホルモントラッカー(コルチゾール、グルカゴン)、地理位置(健康な食物へのアクセスを誘導する)、および健康(金融安定性、健康リテラシー)の社会的決定者。自然言語処理(NLP)は、電子健康記録(EHR)から自由テキストノートを消化し、異常なグルコースパターンのコンテキストを提供することができます。 最近の病気セッションについて

エッジAIとレイテンシを削減

専門化されたAIチップ(例、Google Edge TPU、Apple Neural Engine)の進歩により、スマートウォッチや専用の糖尿病パッチで複雑なディープラーニングモデルを直接実行することが可能になりました。 遅延を削減すると、最新のCGM読書を受信する秒以内に予測を生成し、リアルタイムの介入をリアルタイムに実現できます。 ハイブリッドクローズドループシステムでは、エッジインフェレンスはクラウド依存制御の遅延と信頼性の問題を排除します。

臨床医の信頼のための説明可能なAI

臨床導入への大きな障壁は、深い学習モデルの「黒箱」の性質です。臨床医は、モデルの提案に基づいてインスリン投与を調整することを躊躇することができますwhy[])、それが予測しました。 SHAP(SHapley Additude explanations)やLIME(Local Interpretable Model-agnostic Explucations)などの技術は、特に、FDA-Sides(SF)の予測に適応する、および、高精細度測定値を示すために、その予測を強調表示するために適用されています。

さらなる読書のための外部リンク: ]糖尿病管理AIに関するJAMAレビュー[]と[]]]]デジタルヘルスに関するアメリカ糖尿病協会の研究更新。

コンテンツ

IoTと機械学習の交差点は、反応的、表層モデルから、糖尿病管理を積極的に予測するものです。連続したグルコースモニター、スマートインシュリンデリバリーシステム、およびウェアラブルヘルストラッカーは、高解像データの未曾有なストリームを生成します。 機械学習アルゴリズム - LSTMネットワークから勾配‐ブームツリー - グルコースの傾向を予測するデータ、危険なイベントのインセンシング、および個々の問題に対する効果が低下する可能性があります。 潜在的な問題は、低刺激性および低刺激性を低下させる可能性があります。

しかし、広範囲にわたる採用への道は、技術的、規制、および倫理的な課題で抑制されています。データのプライバシーとセキュリティは防弾でなければなりません。デバイスは、一般的な言語を話す必要があります。モデルは、多様な人口と現実世界の条件を網羅しなければなりません。そして、これらのモデルの出力は、臨床医や患者が行動するのに十分な信頼される必要があります。研究コミュニティ、業界、規制機関は、これらの問題のそれぞれに積極的に取り組むものであり、進行は加速しています。

糖尿病を今日に生きる100万人にとって、クローズドループシステムが、常に手動の努力なしに、グルコースの遠足をシームレスに予測し、防止するという約束はもはや科学のフィクションではありません。 IoTと機械学習の融合に基づいて構築された、近未来の現実です。