近年、データ分析の進歩は、人工膵臓システムの景観を再構築し、新しいレベルの精度、安全性、およびタイプ1糖尿病と暮らす人々のためのパーソナライズを提供します。これらの自動インシュリンデリバリーシステムは、連続グルコースモニター(CGM)、インシュリンポンプ、および洗練された制御アルゴリズムを組み合わせ、長期的に一定のガチョウ管理の負担を軽減することを約束しました。機械学習、予測改善モデル、および大規模パターンの改良を含む高度なデータ分析の統合により、より詳細な時間と効率性のあるシステムが向上され、より一層の効率性が向上、より高まっています。

人工膵システムを理解する

人工膵臓システム、ハイブリッドクローズドループシステムとも呼ばれ、最小限のユーザー介入で血糖値を自動的に調整するように設計されています。コアコンポーネントには、数分間隔のグルコースレベルを測定するCGM、迅速な作用のインシュリン、およびリアルタイムで最適なインシュリン注入率を計算する制御アルゴリズムが含まれます。このアルゴリズムは、CGMの読書を要し、発表やエクササイズの調整、およびターゲットの回転数を低減し、目標を低減する、または高い速度を低下させる、または、または目標を低減する、または目標を低減する、70-L-L-L-L-L-L-L-L-L-L-L-L-L-L-L-L-L-L-L-L-L-L-L-L-L-L-L-L-L-L-L-L-L-L-L-L-L-L-L-L-L-L-L-L-L-L-L-L-L-L-L-L-L-L-L-L-L-L-L-L-L-L-L-L-L-L-L

過去10年間に、いくつかの商用ハイブリッドクローズドループシステムは、Medtronic MiniMed 670G、780G、Tandem t:slim X2とControl-IQ技術とOmnipod 5. これらのシステムは、従来のポンプ療法や複数の毎日の注射と比較して、血糖制御で重要な改善を実証しています。 しかし、彼らはまだ食事や運動のためのユーザー入力を必要とし、その性能は、個々の生理学的違いに基づいて変化することができます、アルゴリズムの品質やアルゴリズムの品質要因、およびアルゴリズムの品質を供給する要因。

データの分析は、変革的な役割を果たすことがここにあります。 CGM、ポンプ、さらにはウェアラブルデバイスによって生成された膨大なデータの流れを収穫し分析することで、研究者や臨床医は、アクセスできないインサイトを明らかにすることができます。 グルコースの変動性、インシュリン感度、食事の吸収率、およびアクティビティ応答の応答は、人口と個々のレベルの両方で表示されます。 この知識は、その後、よりスマートで、より強固なアルゴリズムが変化する前に、それらが起こる前に、よりスマートに戻って対処します。

糖尿病ケアにおけるデータ分析革命

人工膵システムにおけるデータ分析は、統計分析、信号処理、機械学習、深層学習の幅広い種類の技術を含んでいます。 CGMsの生データは、一日あたりのグルコース読書の数百、各回が刻まれ、食事イベント、インスリン線量、および物理的な活動ログにリンクされています。 数千人のユーザーを数週間に集約すると、数か月、または数年にわたってデータセットは、パターンや建築モデルの予測モデルを発見するための豊富なリソースになります。

最もインパクトのあるアプリケーションの一つは、リアルタイム異常検出です。アルゴリズムは、センサーのエラー、ポンプの異常、または低血糖値の損入を示す可能性のあるユーザーの典型的なグルコースパターンとフラグの偏差を学習することができます。例えば、CGM信号が異常に高速に低下した場合、システムがユーザーを警告したり、低血症が深刻な分析を可能にする前にインシュリンの配信を中断したりすることができます[FLT]。

さらに、クラウドベースのデータ集計プラットフォームの使用は、研究のペースを加速しました。TidepoolやGlookoなどの企業は、研究者が新しいアルゴリズムをテストするために使用することができる匿名化された、非特定データセットを提供し、臨床試験にそれらをデプロイする前に、事実上新しいアルゴリズムをテストすることができます。この]]は、サイリコ]のアプローチは、安全を改善しながら、開発の時間とコストを削減します。米国。食品医薬品局(FDA)は、特定の検証アルゴリズムの承認を承認した結果、特定のアルゴリズムが承認された、特定の検証結果、検証の承認されたアルゴリズムの承認を承認しました。

〔〕FDAの人工膵臓の概要や[]>国立糖尿病・消化器疾患・腎臓病研究所(NIDDK)は、CGM[に関する認証的な背景を提供します。

マシン学習と予測分析

マシンラーニング(ML)は、次世代の人工膵臓システムの礎として登場しました。 従来の制御アルゴリズムは、比例した統合型(PID)コントローラやモデル予測制御(MPC)などの、グルコースインシュリンダイナミクスの数学モデルに基づいています。 有効に、これらのモデルはしばしば線形であり、実際の生活で起こる複雑な非線形相互作用をキャプチャすることはできません。 ランダムな森を含むML技術、ベクトルサポート、および再資源化(Rical)は、直接、データを理解することができます。

短期グルコース予測

最も有望なアプリケーションの一つは、短期(15〜60分)グルコース予測です。 過去のCGMデータをコンテキスト情報(日、最近の食事、演習、ボード上のインシュリン)とMLモデルに供給することにより、システムは、グルコースレベルが近い将来に行われる予測することができます。 この予測機能は、コントロールアルゴリズムが積極的に作用することを可能にします。例えば、ポストミール上昇が予想されると、インシュリン配達が増加するかどうかは、通常、または解体可能なモデルを予測することができます。 [F] 予測は、予測対象モデルが予測される場合、または解体モデルを予測することはできません。 [F]

長期パターン認識

短期予測を超えて、機械学習は糖尿病管理に影響を与える長期パターンを特定するために使用されています。例えば、アルゴリズムは、作業週の開始からストレスのために、月曜日の朝に高いグルコースレベルを一貫して経験するユーザーを検出するかもしれません。時間をかけて、システムは、その期間のバサルレートを自動的に調整することができます。同様に、インシュリン感度(物理的な活動レベルやビタミンDの影響を受けることが多い)の季節的な変化は、学習し、補償することができます。これらのシステムが、その時間ごとに自動的に調整することができます[Fudalized]モデルのみ[Falt]: [Falized]: [Falt] 可能なデータモデルを[Falt]: [Fal]

] マサチューセッツ大学アムハーストのような機関の研究グループは、従来の制御とリアルタイム学習を組み合わせた実証済みのため、犠牲な安全なしで全体的な血糖結果が向上します。 重要なのは、MLモデルは、特定の人口統計や使用パターンに過度に影響しないために、多様なデータセットで訓練されていることを確実にすることです。

パーソナライズされた治療アルゴリズム

糖尿病の2人では同じではありません。インシュリン感度、胃の空室率、ホルモン変動、毎日のルーチンは大きく変化します。標準化されたワンサイズのフィットオールアルゴリズムは、多くの場合、多くのユーザーにとって最適な制御の不足を減少させます。データ分析では、個々の特定のパラメータを学習し、それに応じて制御戦略を調整することにより、ディープパーソナライゼーションへのシフトを有効にします。

学習インシュリンの感受性

日中インシュリン感度の変化, 日の時刻などの要因の影響, 月経周期, 病気, 物理的な活動. 過去のCGMとインシュリンデータを分析することにより、, マシン学習モデルは、ユーザーの現在のインシュリン感度を推定し、インシュリン対カルブ比と動的要因を調整することができます. これは、典型的な3つまたは4つのルクレート速度プロファイルプログラムよりもはるかに顆粒度が手動でプログラムされます. いくつかのgranularを[Fort]の更新を構成: [Fort] - 数日[F] : [F]

コンテキスト・ウェアの調整

ウェアラブルセンサー(例えば、心拍数モニター、加速器)は、アルゴリズムが不当な状況に使用できる追加のデータストリームを提供します。 ユーザーの心拍数が上昇し、段が増加すると、システムは、身体活動が起こっていると仮定し、一時的に運動誘発性低血症を防ぐためのインシュリン配達を減らすことができます。 同様に、ユーザーが眠っている場合(運動不足や心拍数の低下による検出)、アルゴリズムは、グルコースターゲットを強固にし、低血症度を増加させることは、多発性疾患領域を増加させることを増加させる可能性があります。

タンデムコントロールIQのような商用システムは、すでに演習と睡眠の検出に基づいて自動化された調整のいくつかのレベルを組み込むが、将来のシステムはさらに高度になります。 スマートウォッチ、スマートリング、さらには継続的なケトンモニターのデータを統合することで、ユーザーの代謝状態を真に包括的なビューが可能になります。

リアルワールドの証拠と臨床のアウトカム

データの分析主導の改善の有効性はもはや理論的ではありません。複数の現実的研究と臨床試験は、有形な利点を実証しました。例えば、(]APCam11])試験と[]DCLP3の予測分析でハイブリッドクローズドループシステムが大幅に増加したことが報告されたことを、この測定結果は、ターゲットに使用したglucの割合が増加しました(Galump-g)。これらの測定値が増加しました。

商用クローズドループシステムで10,000人を超えるユーザーを網羅する大規模な観測研究では、研究者はクラウド収集データを分析し、最適な結果に関連した要因を特定しました。一貫性のあるデータアップロードを維持したユーザーは、アルゴリズムが継続的に学習できるようにしました。平均的な時間範囲は75%以上で、頻繁なデータギャップを持つユーザーにとっては60%に相当します。この調査結果は、継続的なデータフローの重要性と、詳細なパフォーマンスの分析の役割を果たしています。

さらに、患者報告された結果が改善されました。ユーザーは、適応学習を組み込んだシステムを使用したときに、より高い満足度、糖尿病の苦難、睡眠の質の改善を報告しています。一定の意思決定の心理的負担が軽減され、人々が生活の他の側面に集中することができます。

実際の結果のさらなる読み方のために、タイプ1糖尿病のクローズドループ結果に関するNCBIの記事では、最近の研究の包括的な見直しを提供します。

実施課題

約束にもかかわらず、商業人工膵システムにおける高度なデータ分析を展開することは、いくつかの難題に直面しています。これらは、広範な採用と最適なパフォーマンスを達成するために対処する必要があります。

データのプライバシーとセキュリティ

CGMやポンプは、非常に機密性の高い健康データを生成する。 分析がより高度になり、クラウドベースの集計を必要とするため、データの侵害や不正なアクセスのリスクが増加します。 米国および欧州のGDPRなどの規制の遵守は必須ですが、エンドツーエンド暗号化、匿名化、フェデレーションされた学習などの技術的な対策は、ユーザーのプライバシーを保護する必要があります。 フェデレーションされた学習、アルゴリズムは、原材料データを共有することなく、ユーザーデバイスにローカルに訓練される場合、有望な学習は、必須ではありませんが、必須パスを提供しますが、複雑な複雑さを促進します。

アルゴリズムの透明性と説明責任

MLモデルが特定のインスリン線量を推薦するとき、ユーザーと臨床医の両方が決定を信頼する必要があります。 理由を説明することができない「ブラックボックス」アルゴリズムは、受け入れられる可能性が低いです。 説明可能なAI(XAI)の分野は、明確な合理性を提供する方法を開発するために働いています。例えば、どの機能(最近のグルコース傾向、日の時間、運動信号)が出力に最も影響する強調表示します。 規制当局は、特に自動確認なしで、ユーザーシステムが動作する透明性を必要としています。

リアルタイム応答性

人工的な膵臓システムは、潜在能力で動作しなければなりません。限られた処理能力(インシュリンポンプやスマートフォンなど)を備えたデバイス上で複雑なMLモデルを訓練することは困難です。レイテンシを最小限に抑えながら、近隣のサーバーに重なる計算をオフロードするエッジコンピューティングソリューションは、探求されています。しかし、ネットワーク接続に関する信頼性は、独自のリスクを導入するので、中断はシステムがより少ないインテリジェントコントローラーに戻りなくなる可能性があります。強力なフォールバックメカニズムは不可欠です。

規制のハルール

承認されたアルゴリズムへの変更は、新しい規制のクリアランスを必要とします。これはイノベーションのペースを遅くします。 FDAの「事前認証」プログラムのデジタルヘルスデバイスとその仮想患者シミュレーションの受け入れは、承認の合理化に向けたステップですが、メーカーは、分析主導の更新が新しいリスクを導入しないことを実証しなければなりません。 安全性の革新のバランスは、継続的な緊張です。

今後の方向性

人工膵システムのための次のフロンティアは、より多様なデータストリームを統合し、より強力な分析を活用しています。

多動感知

グルコースを超えて、将来のシステムは、連続ケトンモニター、乳酸センサー、および多分ホルモンセンサー(例えば、コルチゾール)からリアルタイムデータを組み込むでしょう。これらの入力をヒューズする機械学習モデルは、ユーザーの代謝状態のより深い理解を提供します。例えば、高グルコースと組み合わせられたケトンは、インシュリンとユーザーアラート配信を調整するためのシステムを促す糖尿病性ケトアシドーシスを阻害する可能性がある。

強化学習

強化学習(RL)は、アルゴリズムが試行錯誤による最適なアクションを学び、報酬信号(例えば、時間範囲、低血糖症の回避)によって導かれるMLパラダイムです。初期の研究では、RLコントローラは、特に非異常な食事と運動を扱う際に、従来のMPCをシミュレーションして実行できることを示唆しています。しかし、RLは、学習フェーズ中に危険な行動を避けるために、広範なトレーニングと慎重な安全制約を必要とします。ハイブリッドは、MRCが、安全なフレームワークに使用されます。

デジタルヘルスエコシステムとの統合

人工膵システムは、ますますますますますますますますますますますます、電子健康記録、テレメディシンアプリ、およびライフスタイルコーチングツールを含む、より広いデジタルヘルスプラットフォームに接続します。 臨床医は、睡眠とダイエットの変化による週末の患者のグルコース制御低下が、標的介入を促す可能性がある。 予測モデルは、患者のメトリックがインペンデントされた悪化を示唆しているときに、医療プロバイダに警告することができ、予防措置を有効にします。

完全自動食検知

最後の障壁の1つが、真に閉ループシステムに、ユーザの発表なしに食事を処理しています。データ分析は、食関連のグルコースパターンを検出することで役立ちます。検出されたインシュリンの不足によって急上昇が急上昇し、小さな是正線量をトリガーします。現在のシステムは、センサーのアーティファクトの投薬の危険性のために、この安全管理をめったに行うことはめったに、高度なパターン認識は最終的に管理不能な食事を作るかもしれません。

コンテンツ

データの分析の進歩は、人工膵システムへの単なる増分的な改善ではありません。これらのシステムは、これらのシステムが達成できるものの根本的に変化しています。機械学習、予測モデリング、およびパーソナライズされたアルゴリズムの力を活用することで、研究者やメーカーは、スマートで安全であり、個々のニーズにもっと調整されるシステムを作成しています。データプライバシー、アルゴリズムの透明性、規制上の過視の課題は、残りますが、軌跡は明らかです。データドリブンは、今後も変化し続けるためには、糖尿病の進歩は、もはや変化を伴わないという課題は、今後1億回も増え続けるでしょう。