糖尿病教育コンテンツのパーソナライズに適応学習アルゴリズムの開発

糖尿病教育における適応学習アルゴリズムの上昇

糖尿病は世界中で537万人以上の成人に影響を及ぼし、その数は上昇し続けています。効果的な自己管理は、合併症を防ぐのに不可欠であり、従来の1つのサイズのフィットネスオール教育は、患者を関与したり、独自のニーズに取り組むのに失敗することが多いです。適応型学習アルゴリズムを入力します。各個人に教育コンテンツをテーラートするデータ主導型システム’sナレッジレベル、行動、臨床的コンテキスト。リアルタイムの患者データと機械学習を活用することで、これらのアルゴリズムは、個々の学習をパーソナライズされた学習から、対話的な学習を促すことを約束します。

固定カリキュラムに従う標準的なeラーニングプラットフォームとは異なり、適応学習システムは、学習者’に基づいて材料の難しさ、パッシング、および焦点を継続的に調整します。糖尿病ケアでは、それは患者がインシュリンタイミングで苦労していることを意味します。これは、優れたglycemic制御を持つ人、足の悪い習慣が毎日足の検査結果にリマインダーやデモンストレーションを取得しますが、炭水化物カウントと線量のターゲットモジュールを受け取ることを意味します。非常に重要なスキルを習得する経験は、非常に重要です。

糖尿病のための適応学習アルゴリズムのコアコンポーネント

これらのシステムがどのように機能するかを理解するために、相互接続されたレイヤーにそれらを分割するのに役立ちます。

データ集約層]–グルコースモニター、インシュリンポンプ、アクティビティトラッカー、薬ログ、患者報告された結果、および電子健康記録から構造化および非構造化データを収集します。
[]Learner Model] – 患者の統計的または機械学習表現’s 現在の知識、スキルギャップ、学習スタイル、および行動パターン。このモデルは、各相互作用の後に更新されます。
[コンテンツリポジトリ] – 難易度、トピック、前提条件スキル、およびフォーマットの優先順位でタグ付けされたモジュール式教育アセット(ビデオ、クイズ、シミュレーション、テキスト要約)のライブラリ。
[推薦エンジン]–患者が学ぶ必要があるもの(知識ギャップ)、学習する準備が整っているもの(予期的発達のゾーン)、そしてそれらがやる気を保つもの(日、最近の遵守、または推奨フォーマットなどのエンゲージメント予測者)。

これらのレイヤーは、システム、学習者モデルの更新、推奨エンジンの再計算、および新しいコンテンツスニペットを介して、患者が相互に作用するループで動作します。スマートフォンアプリ、Webインターフェイス、さらにはスマートスピーカーを介して配信されます。

燃料適応の現実世界データソース

学習者のモデルの豊かさは、その中に供給されたさまざまなデータに依存します。リード実装は、次のものから引きます。

[連続グルコースモニター(CGMs)[– 患者が過度性、低糖度、または安定したかどうかを示すタイムイン範囲、グリセム変動性、および傾向矢印を提供します。
インシュリンポンプまたはスマートペンログ – 基礎および膠灰の線量、補正パターンおよび欠落した線量に付着力を示す。
] 活性と睡眠トラッカー – 物理的な活動と睡眠の質は、インシュリン感度に直接影響します。アルゴリズムは、これらの状態に教育プロンプトをリンクすることができます。
[]忍耐強い調査とマイクロフィードバック– ショート、インザメンションの質問(“演習後に線量を調整する自信は?”)は、自信のレベルと誤解に即時の洞察を与えます。
[電子健康記録(EHRs)[ – ラボ結果(HbA1c、eGFR、脂質)、合併症、および薬物リストは、コンテンツの複雑さと緊急性を調整するための臨床背景を提供します。

開発プロセス:データから展開まで

糖尿病教育のための生産準備の適応学習システムの構築は、内分泌学者、糖尿病教育者、データ科学者、ソフトウェアエンジニア、およびUXデザイナーを含む多分野にわたる努力です。開発は通常、これらの段階を経て進行します。

1. 査定および内容マッピングの必要性

単一のコードの行を書く前に、チームは糖尿病の自己管理教育のフルスコープを定義します。これには、次のようなトピック領域が含まれます。

血糖値のターゲットとモニタリングの理解
炭水化物カウントと食事計画
インシュリン管理と線量調整
血糖症の予防と治療
シックな日管理
フットケア、アイケア、心血管リスク低減

各トピックは、マイクロ学習の目的に壊れています (例えば、“ dawn 現象の 3 つの原因を特定します。” または “ の血糖値の補正線量を計算します。 250 mg/dL”)。コンテンツ作成者は、異なる読書レベルで同じ学習目的の複数のバージョンを開発し、異なるメディア(テキスト、ビデオ、インタラクティブなシミュレーション)と異なる文化的なコンテキストを使用して。

2. データ収集戦略

初期のトレーニングデータは、糖尿病の教育プログラムの履歴書、既存のアプリからの患者のインタラクションログ、および専門家による治療を受けた患者ペルソナソスから来ています。しかし、本当に適応システムにはリアルタイムのデータ摂取が必要です。チームは、患者向けデバイスやEHRから識別されたデータをプルする、安全かつコンプライアンスのパイプラインを設計しなければなりません。一貫性とデータガバナンスは、米国内のHIPAAや欧州GDPRなどの規制から始まり、次の規則から保護されています。

外部リソース]: ]から糖尿病デバイス相互運用性のためのデータ基準についてもっと読む.

3. モデルの訓練および検証

適応システムで使用される機械学習モデルは、単純なベイジアン知識のトレースからディープ・補強学習までの範囲です。最も一般的なアプローチは、ハイブリッドです。

[ナレッジトレース –患者が応答履歴に基づいて各スキルを習得した確率を推定する。一般的なアルゴリズムは、数学と科学のためのインテリジェントなチュートシステムで成功的に使用されているベイジアン知識トレーシング(BKT)モデルです。
[ コラボレーションフィルタ – 類似したユーザーの数千人からパターンをレバレッジし、他のユーザーと同等のプロファイルを持つ助けたコンテンツを推奨します。例えば、ハイHbA1cと低“の患者の場合; メダル計画” スコアは、事前のボルスタイミングでビデオを見た後改善しました。システムは、同じプロファイルで新しい患者のためのビデオが、同じプロファイルで表示されます。
補強学習(RL)[ –アルゴリズムは、報酬(例えば、改善されたクイズスコア、時間範囲の増加)を収めるアクションとして、各教育決定を処理します。数千を超える相互作用では、RLエージェントは、各個人のための学習活動の最適な順序を学びます。

モデルは、A/Bテストと試験試験を通した歴史データと微調整された上で訓練されます。検証メトリックには、知識だけでなく、低酸素症例の減少、薬物の付着力の向上、および患者満足度の高いスコアなどの行動変化が含まれます。

4. コンテンツパーソナライゼーションエンジン

モデルは、患者が次のことを学ぶべきものを予測したら、パーソライゼーションエンジンは、最も適切なコンテンツモジュールを選択します。エンジンは、次のことを検討します。

リーダーの状態[] – 現在のマスターレベル、最近の間違い、エンゲージメント疲労。
[Context]– 日の時刻(例えば、朝と就寝時間)、場所(家対仕事)、最近のデバイス読書(夕食後の高グルコースは、後産のスピークのモジュールをトリガーする可能性があります)。
[ 影響状態] – 一部のシステムは、応答時間、要求されたヒントの数、または自己報告された気分を介して不満や退屈を検出します。不満が高であるとき、システムは、新しい、困難なコンテンツを押し出すのではなく、レビューゲームやモチベーションメッセージを提供することがあります。
[] 学習環境] – 一部の患者は、見ることによって最善を学習します。他の人読書、および対話シミュレーションで練習することによって、他の. エンジンは、フォーマットがその個々の最高完了と保持率につながることを追跡します。

出力は、リアルタイムで適応するパーソナライズされた学習パスです。例えば、炭水化物カウントについて学んだ患者は、短いクイズを受け取るかもしれません。そして、食事の支柱を調整し、その結果をしたグルコース曲線を見るシミュレーション、そして重要なポイントを強化するためのテキスト要約。すべての項目を正しく答えると、システムがオンになります。質問を逃せば、異なる説明で戻ってループします。

5. 連続評価および反復

導入は終わりではありません。専用の分析ダッシュボードは、トピックごとの時間からマスターまで、トピックごとの時間からマスターまで、ドロップダウンレート、平均セッションの期間、そして最も重要なのは、HbA1c削減、重度の低血糖値の頻度、および緊急室訪問などの臨床結果。開発チームは、これらのメトリックをレビューするために毎週会います。アルゴリズムが苦労している場所を特定し、それに応じてコンテンツやモデルのパラメータを更新します。

例えば、データが低い健康リテラシーを持つ患者がインシュリンタイプの最初のレッスン後にドロップアウトされていることを示す場合、チームはモジュールを下回るレベルに書き換え、より多くの視覚的援助を加える可能性があります。アルゴリズムがエンゲージメントを低下させながら同じビデオをユーザーに推薦し続ける場合、RLモデルの報酬機能は、要因として新規性を組み込む必要があるかもしれません。

患者およびヘルスケアプロバイダーのメリット

汎用の静的パンフレットから適応、パーソナライズされた教育へのシフトは、ケアの両側面の測定可能な利点をもたらします。

患者レベルの外傷

[]より高いエンゲージメント]– 適応システムは、あまりにも簡単(退屈)やあまりにも硬い(挫折)のコンテンツを示すことによって、注意を保持します。適応モジュールの完成率は、多くの場合、80%を超える、非適応オンラインコースの20〜40%と比較して。
知識保持の改善 – スペース化された繰り返しとマスター学習、両方の適応アルゴリズムに組み込まれ、概念を時間をかけて強化します。適応型糖尿病教育を使用して患者は、単一の教室セッションに参加するよりも、セルフケアのステップを3ヶ月以上正確に呼び出すことができることを研究は示します。
スケールで行動変化 –教育が正確にターゲティングされると、それは現実世界行動を動機づけます。グルコース監視で適応コーチングを受けた患者は、毎日チェックの頻度で15〜25%増加するを参照してください。
低血糖値の不安を誘発–低酸素の認識と治療に関するパーソナライズされたモジュール、就寝前または運動後に配信、患者はより自信を持って、子宮内視線の低下イベントを減らすのを助ける。

プロバイダーレベルの利点

[] 拡張可能な患者教育 – 1つの糖尿病教育者は、複雑な管理変更や心理社会的サポートを必要とする人のために、適応プラットフォームを使用して何百人もの患者を監督することができます。
実行可能な臨床インサイト – システムは、知識ギャップ、行動パターン、リスクフラグを強調するレポートを生成します。プロバイダーは、患者がまだ補正用量を理解していないことをすぐに確認し、次の訪問中にそのメッセージを強化することができます。
[]効率的なフォローアップ[–自動リマインダーとチェックインは、教育クラスのためのノーショーレートを削減し、予約間の学習の継続を保証します。
予防健康管理 – 適応型プラットフォームから集計されたデータは、クリニックの糖尿病の人口を横断する共通の理解を明らかにし、標的品質改善の取り組みを可能にします。

導入課題と戦略を克服する

約束にもかかわらず、糖尿病教育のための適応的な学習は慎重な計画を必要とするいくつかの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

健康データは最も機密性の高い個人情報です。 CGM の読書、インシュリンの線量および学習行動を集めることは、侵害のための豊富なターゲットを作成します。 HIPAA、GDPR およびローカルデータ保護法への準拠は、非交渉です。戦略には、エンドツーエンドの暗号化、集計されたデータにノイズを追加する差分プライバシー技術、および、どのようなデータが収集され、どのように使用されるかについて患者の顆粒制御を与えます。このシステムは、透明性のある 8.22 db および d d d d d d d d d d d d d d d d d d d d d d d d d d d d d d d d d d d d d d d d d d d d d d d d d d d d d d d d d d d d d d d d d d d d d d d d d d d d

外部リソース]:アメリカ糖尿病協会の[]]糖尿病における医療の基準は、患者のプライバシーを保護しながら、デジタルヘルスツールを組み込むためのガイドラインを含みます。

アルゴリズムの透明性と信頼

患者とプロバイダは、特にこれらの勧告がインスリン投与や食事のタイミングに影響を与える可能性があるとき、特に、ブラックボックスの推奨事項の明らかに警戒しています。アルゴリズムは説明できる必要があります。なぜこのビデオを選択するのですか?どのようなデータが決定を下したのですか? 1つのアプローチは、“reasonR フィールドユーザーインターフェイス(例:“このモジュールは、最後の3日間に朝食をした後、あなたの血糖が高かったので、推奨されます。システムの信頼性とモデル。

コンテンツの関連性および文化的感受性の確保

ワンサイズのフィットのコンテンツライブラリは、多様な人口のサービスを提供することができません。適応アルゴリズムは、英語圏のデータを事前に訓練し、都市の患者は、農村、非英語圏、または低リテラシーのユーザーのための教育を調整するのに苦労することがあります。開発チームは、コンテンツのローカリゼーション(言語、イメージ、食品例)、文化的適応(例えば、伝統的な食事や宗教的な高速プラクティスを組み込む)に投資し、ユーザーを低リビジョンするためには、グループを低下させるべきではありません。

臨床ワークフローとの統合

適応性のある教育のために、糖尿病ケアの標準的な部分になるためには、既存の臨床ワークフローにシームレスに収まる必要があります。つまり、EHR(教育の推奨事項が患者のチャートに現れ、訪問中に見直しることができる)、糖尿病デバイス(CGM、ポンプ)との相互運用性、およびケアチームとのスムーズなコミュニケーションに統合することを意味しています。理想的には、システムは患者の第一次診療所や内分泌学者に毎週のサマリーレポートを送るべきであり、データマニュアルレビューの負担を軽減します。

ケーススタディ:適応糖尿病教育の早期成功

大規模な学術医療センターが運営するパイロットプログラムでは、HbA1c レベルが9% 以上であった 2 糖尿病の 150 人の成人に入学しました。参加者は、CGM と統合したスマートフォンアプリを使用して、500 を超える顆粒学習目標で訓練された適応型学習エンジンを特集しました。6 ヶ月以上:

平均時間範囲が45%から63%に増加しました。
35%の高血糖バラを管理するの自己報告された自信。
週に最低3つのモジュールを補完するユーザーの85%が1日あたり22分の平均アプリのエンゲージメント。

Qualitativeフィードバックは、患者がコンテンツの正式な時間的性質を認めたことを明らかにしました。postprandialスパイクを回避する短いビデオでディナーの前に通知するか、CGMトレンド矢印が指摘したときに現れた低値の治療に関するリマインダー。この種のコンテキストパーソライゼーションは、リアルタイムデータを処理する適応アルゴリズムを介してのみ可能です。

今後の方向性

糖尿病教育における適応学習の分野は依然として成熟していますが、いくつかのエキサイティングな道は地平線にあります。

遠隔医療と遠隔監視との統合

テレメディシンはルーチンになるように、適応教育は直接仮想訪問に埋め込むことができます。テレコンサルテーションの前に、患者は知識ギャップを更新し、臨床医に要約を送る短い適応モジュールを完了します。訪問中、医師はすでに知っている材料に時間を費やすよりも、最もプレスの問題に焦点を当てることができます。ポストビザは、アルゴリズムは、パーソナライズされたフォローアップコンテンツと議論されたものを強化します。

リアルタイムコーチングとフィードバックループ

適応型システムを想像してみてくださいが、リアルタイムでコーチングも行います。 CGMデータストリーミングをクラウドに搭載した患者は、通知を受け取ることができます。“あなたのグルコースは、そのスナックの後に急速に上昇しています。食べる前に少なくとも15分前に、ボルスを事前に忘れないでください。ここに30秒のリベンダーが、あなたの食事時間インシュリン.” このようなクローズドループ教育は、ケアのポイントで行動変化に学ぶことを超えて行きます。

多項式および多次元適応

糖尿病は、ほとんど分離で起こりません。将来のアルゴリズムは、糖尿病の教育ニーズだけでなく、高血圧、うつ病、または肥満などの条件を禁じるために適応します。同じ患者は、午前中にカウントナトリウムと夕方のストレス管理運動に関するモジュールを受け取るかもしれません。すべての人は、複数の慢性疾患を及ぼす統一された学習者モデルによって導かれます。この包括的なアプローチは、患者中心の統合ケアへのシフトと整列します。

音声と自然言語インターフェイス

スマートスピーカーと音声アシスタントは、特に高齢者の患者や低ビジョンを持つ人々のために、適応教育を提供するためのハンズフリーな方法を提供します。アルゴリズムは、質問をしたり、患者の動的な反応を聞き、次の最高のコンテンツを決定します。 Amazon AlexaとGoogle Assistantの早期パイロットは、書かれた指示に話したユーザーの間で高い満足度を示しています。

適応糖尿病教育を実施する組織のためのベストプラクティス

適応学習をデプロイする健康システム、ペイヤ、またはデジタルヘルス会社の場合、次のガイドラインは、成功の可能性を高めることができます。

狭いスコープで始まります。] は、高影響のトピック(例えば、インシュリン線量調整)に焦点を当て、完全なカリキュラムに拡張する前にアルゴリズムの動作を証明します。
[] 糖尿病教育者を一日から導入。[]] 彼らの専門知識は、コンテンツ作成、学習者のモデルの検証、およびアルゴリズムの出力の解釈に不可欠です。
包括性の設計。[]] アルゴリズム的な偏差を避けるために、多様な患者集団でテストします。プレーン言語、複数の言語、および文化的適応を使用してください。
[ 知識と行動の両方を測定します。[] クイズスコアだけで不十分です。実際の影響を実証するために、臨床結果(HbA1c、時間範囲、低血糖値)を追跡します。
[ 反復的改善のための計画。[ 適応システムが終了しないようにする。継続的なコンテンツの更新、モデル再訓練、および分析に基づくユーザーエクスペリエンスの改良のための予算。

[外部リソース]]:糖尿病技術協会は、適応的およびパーソナライズされた機能の基準を含むデジタル健康介入を評価するための[[]フレームワークを提供しています。

コンテンツ

適応学習アルゴリズムは、糖尿病教育の転換点を表しています。静的な手話やワンタイムクラスを超えて移動することにより、これらのインテリジェントシステムは、認知的に、感情的に、臨床的に、そしてより良い自己管理に向けてそれらを導く各患者を満たします。開発プロセスは、臨床、コンテンツ、および技術的なチームを横断する緊密なコラボレーションを必要とするが、ペイオフは実質的です。より多くの従事者であり、より知識が豊富で、そして一日の後に糖尿病を管理する能力で自信があります。

センサー技術として、広帯域接続、機械学習は今後も進んでいきます。適応教育は、糖尿病ケアの標準的なコンポーネントになります。しかし、患者の能力を高め、その結果をスケールで向上させるための重要なツールです。このアルゴリズムを建設し、精製する健康システムとペイアは、世界中の糖尿病に住む人々の数百万に、パーソナライズされた効果的な効率的な教育を提供することにうまく取り組んでいます。