人工膵システムを理解する

人工膵システムは、自動インシュリンデリバリーシステムとも呼ばれ、タイプ1糖尿病管理における変形的進歩を表しています。これらの統合システムは、連続グルコースモニター(CGM)を組み合わせ、相互のグルコースレベルを1〜5分ごとに測定し、インシュリンポンプを迅速に実行し、センサーデータを処理し、リアルタイムでポンプ操作を制御する3つのコアコンポーネントを組み合わせます。オーバークアリングゴールは、ターゲットを閉鎖させるためのものです。

従来の測定器は、Medtronic MiniMed 780G や Tandem Control-IQ などの商用システムにおいて、すでに、グリセム的結果の大きな改善を実証しています。臨床試験では、70%を超える範囲(70～180mg/dL)を報告し、低血糖値と高血糖値の両方を有意に低減し、従来の測定器と比較して、従来の測定器は、従来の測定器や測定器を正確に測定するだけでなく、従来の測定器や測定器などの検査装置は、従来の測定器や測定器や測定器などの検査装置を容易に測定することができます。

データ解釈の挑戦

CGMの生データは、口径測定の漂流の対象であり、そして5〜15分による血糖の遅れを阻害するため、本質的に遅れる騒々しいです。インシュリンポンプデータは、残りの部分、配送速度、および閉塞警報がすべて再調整されなければならないので、別の層を追加します。さらに、人体は静的システムではありません。インシュリンは、循環器系と刺激性を増大させ、これらのストレスを予防する危険性を増大させません。これらの免疫学的疾患は、これらの免疫学的疾患を予防する危険性を低下させません。

コアチャレンジは、不完全で高次元のデータストリームを安全で効果的なインスリンドージングの決定に変えることです。これにより、センサーノイズのフィルタリング、電流と将来のグルコースレベル推定、不確実性を定量化し、他のすべての上での安全を優先することが含まれます。従来の制御モデルは、多くの場合、線形と静止度を推定し、体内の複雑なグルコースインスリンの動的を推定します。機械学習と深い学習アプローチは、対照的に、特定の方法から直接、異なる種類のデータが異なる特性を把握することができます。このような方法は、従来のデータパターンを把握するだけでなく、特定の方法や方法の異なる方法が、特定の方法が異なる可能性があります。

AIがデータ解釈を変換する方法

人工知能は、予測精度、適応性、騒音への堅牢性、そして不確実性に基づく意思決定を、複数の次元でデータ解釈を強化します。以下では、この変革を推進している主要なAI技術を検討しています。

予測モデリングのための機械学習

監督された機械学習モデルは、将来のグルコースレベルを予測するために、歴史CGMとインシュリンポンプデータを訓練されています。 一般的なアルゴリズムには、ランダムな森、勾配の植えられた木、支持ベクトルマシン、および予測エラーを減らすために複数の弱い学習者を組み合わせたアンサンブル方法が含まれます。 これらのモデルは、postprandialグルコースの遠足、グルコースのオーバーナイト、およびインシュリン作用の低下などの再発パターンを認識することを学びます。 先日30mlの日付と時刻を組み込むと、正確なモデルが、事前に時刻を生成し、時刻を予測するなどの正確な時刻を予測することができます。

[]糖尿病技術&治療]は、タイプ1糖尿病の112人からデータで訓練されたランダムな森林モデルを評価しました。 このモデルは、30分の予測のための18.5 mg / DLの根本的な平均的な四角形エラー(RMSE)を達成し、自動進行型移動平均(ARIMA)ベースラインを35%オフにします。 開発されたバージニア大学の研究者は、単に個人的に予測するだけでなく、複数の研究結果が、単に2週間後に、単に、個々の予測を予測するだけでなく、より効果的に理解することができます。

外部リンク: ]]人工膵臓の腐敗予測 - パブメド

騒音低減・パターン認識の深い学習

ディープラーニングアーキテクチャ、特に複雑なニューラルネットワーク(CNN)と長期のメモリ(LSTM)ネットワークは、時間系列データを処理するための非常に適しています。 CNNは、自動で、手作業による機能工学を必要としない運動アーティファクトとセンサーノイズをフィルタリングし、生のグルコーストからサリート機能を抽出することができます。 LSTMsは、ゲートされたメモリセルで、事前の停止または低刺激性の低下を防止するなどの長距離のテンポラル依存をキャプチャします。

ハイブリッドCNN-LSTMモデルは、150人の患者のデータセットでテストされたモデルで、不必要なアラームの一般的な原因であるセンサーの圧縮や圧力のアーティファクトのために過渡された低下を無視することを学びました。さらに、ディープラーニングはセンサーの融合を可能にします。CGMデータを心臓速度モニターや加速器などのウェアラブルデバイスから組み合わせる。例えば、CGMが不適切なドライブに影響する場合には、CGMが不適切なドライブに影響する可能性があります。

自動インシュリンドッキングの補強学習

強化学習(RL)は、インシュリン投与方針を直接最適化するために予測を超えて移動します。 RLフレームワークでは、エージェントは、行動(インシュリン配送率またはボラス)を選択し、その結果のグルコース結果に基づいて報酬を受け取ることによって、環境(患者の体)と相互作用します。 目標は、ターゲットグルコース範囲で費やされた時間を最大化する、累積報酬を最大限に活用する政策を学ぶことです。 特にリスクを最小限に抑えながら、特に低血糖値低下症。

ディープQ-networksと予期しないポリシーの最適化は、シミュレートおよび臨床設定の約束を示す2つのRLアルゴリズムです。 ケンブリッジ大学の研究者は、深いQ-networkが臨床シミュレーション環境で標準のPIDコントローラーを外すことができることを実証しました。低血糖の発生率を増加させることなく、範囲で15%以上達成する。 RLの強みは、攻撃的なインシュリン配達と正しい高血糖および重粒子が関与するような動作を抑制する能力にあります。 危険性を低減するために、最大限の試みが困難に活用できるという試みが欠かせません。

外部リンク: ]クローズドループインスリン配信の補強学習 – 自然医学

AI駆動データ プリプロセッシングと機能工学

予測または制御モデルを適用する前に、生センサーデータは、アーティファクトを削除し、欠損値の特定、および信号の正規化に前処理されなければなりません。従来のアプローチは、メディアンフィルタリングと補間に依存していますが、これらの方法は、偏差や長期センサードロップアウトの下で失敗する可能性があります。 AI による有望な自動エンコーダは、CGM データの大規模なcorpora で訓練された、高の有利なセグメントを再構築することができます。これらの方法は、下肢のgracealves を事前に確認することができます。 GA GA は、これらのテストを最適化するだけでなく、これらのテストを行うためのテストを最適化します。

機能エンジニアリングは、AIが付加価値を付加する別の領域です。 変更、加速、またはボード上のインシュリンのグルコースレートなどの機能を定義する代わりに、ディープラーニングモデルは、関連する機能を自動学習することができます。 しかし、手作りの入力から恩恵を受けるツリーベースのモデルのために、再帰的な機能排除やSHAPベースの重要スコアリングなどの技術を使用して自動機能選択は、特定の個人にとって最も予測可能な変数を特定することができます。 このハイブリッドアプローチは、ドメインの解釈能力を向上させる機能を備えています。 予測機能が、特定の知識を維持しながら、特定の知識を把握することができます。

リアルワールドのメリットと臨床証拠

AIの統合は、研究プロトタイプから市販の製品まで、測定可能な臨床的影響を伴って人工的な膵臓システムを移動させました。Medtronic 780Gシステムは、バサル率を自動的に調整し、グルコースがプリセット閾値を超えると補正ボラスを配信する機械学習アルゴリズムを採用しています。大規模なマルチセンター研究では、ユーザーは、70mg / dL未満の読書の1%未満で、超音波タイムインレンジを71%達成しました。 タンジェム療法は、次いで300%の低下を予測する予定です。

商用システムを超えて、高度なAI駆動のプロトタイプは、さらに印象的な結果を示しています。 1型糖尿病と測定された時間範囲で120人の成人を1型にし、主要なエンドポイントとして測定したディープラーニングベースのアルゴリズムの12週間のマルチセンター試験。 AIシステムは、糖尿病の粘度不良や重度の低糖症の発生なし、82%のメディアンタイムイン範囲を達成しました。 参加者は、以前の治療結果に比べ、糖尿病の苦痛やより高い治療スコアを大幅に削減しました。 これらのAIは、これらのデータを直接解釈し、どのように変化するのか、実際の結果に変化するのか、実際の結果にどのように変化するのかを分析します。

パーソナライズは、AI統合の大きな利点です。 従来のシステムは、インシュリン対炭水化物比、補正係数、およびバサルレートなどのパラメータの手動調整を必要とします。 整流率を変更に基づいて定期的に調整する必要があります。 AIアルゴリズムは、ユーザー介入なしでリアルタイムでこれらのパラメータを適応させることで、患者固有のデータから継続的に学習することができます。 例えば、患者がインシュリン感受性を増加させる新しい運動ルーチンを開始した場合、AIは、常に変化を防止し、患者に負荷を軽減し、患者に応答を削減することができます。

外部リンク:] メドトロニックミニメド780Gシステムの概要

バリアフリー:プライバシー、安全、規制

これらの成功にもかかわらず、規制された医療機器にAIを導入すると、ユニークな課題があります。データのプライバシーは、人工的な膵臓システムは、米国HIPAAや欧州のGDPRなどの規制の下で保護しなければならない非常に敏感な健康データを継続的にストリーミングします。AIモデルは、多くの場合、クラウドインフラストラクチャで訓練されていますが、デバイスから生データを送信することで、レイテンシ、セキュリティ、およびコンプライアンスの問題が上昇します。フェデレーションされた学習は、有望なソリューションを提供し、モデルがローカルで更新されると、各々のデータを収集し、各々の状況を把握できる限りの状況を把握することができます。

安全はパラマウントを維持します。 誤った投薬決定を行うAIモデルは、生命を脅かす低血糖または高血糖を引き起こす可能性があります。 その結果、すべての商用AI駆動システムが安全層を組み込む - 危険な行動につながるときにAIの推奨事項を上書きするハード制約のセット。 例えば、AIが大規模な補正ボラスを提案するが、グルコースの傾向は安定または、安全層が低下する可能性がある場合は、これらの安全層は、FDAの検査や検証を含む検証が必要です。

別の障壁は、多様なトレーニングデータの必要性です。 1つの人口統計量または地理的人口からのデータに訓練されたAIモデルは、さまざまな栄養習慣、アクティビティパターン、または遺伝的背景を持つ他の人に一般化することはできません。 代表的なデータセットでモデルを再訓練することは、公平なパフォーマンスのために不可欠です。 研究者は、事前学習されたモデルが最小限のデータで新しいユーザーに適応できるようにする、事前訓練されたモデルを開発しています。多くの場合、CGMとポンプデータの1〜2週間だけ。 このアプローチは、個人的結果が妥協することなく、個人的結果が確認できる結果を示しています。

規制フレームワークと承認パスウェイ

米国食品医薬品局(FDA)は、AIコンポーネントを組み込むことを含む人工膵システム専用の規制経路を確立しました。 2023年に、エージェンシーはAI対応医療機器に固有のガイダンスを発行し、透明性のあるアルゴリズム性能、バイアス評価、および市場監視の要件を強調しました。 製造業者は、AIモデルの予測が多様な患者サブグループおよび現実的な条件に信頼性を維持していることを実証しなければなりません。 欧州医学庁(以下、Riger Management)は、医療機器の規制基準を満たしているか、および医療機器の最高水準の基準を満たしているかを検証しなければなりません。

承認を合理化するために、多くのメーカーはモジュラー検証アプローチを採用しています。AIコンポーネントはソフトウェアモジュールとして独立して検証され、システム全体に統合され、エンドツーエンドをテストします。これにより、例えば、更新されたAIアルゴリズムは、ベンチテストと臨床シミュレーションによる同等の性能や優れた性能を実証した後、オーバーザエア更新を介して展開することができます。また、ポストマーケットを自動適応させる継続学習システムは、厳しい再検証プロトコルを通過して、安全な作業を効率的に行うことが、安全な作業を効率的に行うことが保証されるようにします。

未来の方向性:AIと次世代システム

次のフロンティアは、食事、運動、またはストレスのためにユーザーの入力を必要としない完全に閉鎖ループシステムです。 AIは、明示的な発表なしに、単独でセンサーの署名から食事やエクササイズを検出するために不可欠です。 CGMデータ上の複雑な神経ネットワークを使用して早期の研究は、食事の検出精度を85%以上達成し、5%未満の誤った正速度で達成しました。 リストバンドウェアラブルからAI主導のアクティビティ認識と組み合わせることで、システムは、運動不足を予測し、卵巣を促進し、人工的には、卵巣を促進し、これらのシステムを人工的かつ効果的に移動することができます。

多項データ統合

将来の人工膵システムは、心拍数モニター、加速器、皮膚温度センサー、さらには連続ケトンモニターを含む、複数のウェアラブルセンサーからデータを統合します。これらの異種間時系列信号をヒューズするディープラーニングモデルは、予測の堅牢性を改善し、任意の単一のセンサーに依存を減らすことができます。例えば、CGMを心拍数の変動と皮膚温度を組み合わせるシステムは、ストレス誘発性高血症と虚偽の状態を増加させることにより、免疫疾患の低下を増加させ、免疫疾患の増殖を防止する可能性があると、免疫疾患の増殖を増加させるための免疫疾患の低減が報告されています。

学習とプライバシー保護のAI

変化する学習は、プライバシーを侵害することなく、大きめの患者集団を横断するAIをスケーリングするための重要な有効化装置です。このパラダイムでは、グローバルモデルがローカルデバイスに配布され、各モデルは、独自のデータを使用して更新を計算します。更新(勾配)のみが、グローバルモデルを改良するために集約される中央サーバーに送られます。生の患者データはデバイスを離れません。アカデミックコンソーシアは、すでに、実際のパンとフェデレーションされたパイロットを実行しており、その結果、集中的なデータを分析し、測定できる限りで、測定結果を分析し、測定できる限りの精度を向上することができます。

説明責任と信頼

患者や臨床医がAI主導の決定を信頼するために、システムは理解できる方法でその推論を伝えなければなりません。 説明可能なAI(XAI)技術は、SHAP(SHAPleyの添加剤の計画)、LIME、またはディープラーニングモデルの注意メカニズムなどの、特定のインスリン線量または警報に影響を与えるどの入力機能を特定することができます。 研究では、ユーザーは、単純で実用的な説明を提示したときに、圧倒的な自動決定を受け入れる可能性が高いことがわかります。 例えば、そのようなメッセージは、Drugeriderencesを低下させる可能性があるため、および、ユーザーによる影響を受ける可能性があります。

コンテンツ

人工知能は、人工膵臓システムがデータを解釈する方法を根本的に再構築し、10年前に想像できないリアルタイムの適応制御を可能にします。機械学習モデルは、高精度でグルコースの傾向を予測します。ディープラーニングシステムフィルタノイズとヒューズのマルチモーダルセンサーデータ、および強化学習エージェントは、不確実性を考慮しながら、ドージングポリシーを最適化します。これらの技術は、より高い時間範囲、低刺激性、患者の出来事、および負担を軽減するなどの実証済みの臨床利点を持つ製品に学術シミュレーションから移動しました。

チャレンジはプライバシー、安全、および一般化性にとどまります。しかし、フェデレーションされた学習、マルチモーダルセンシング、トランスファーラーニング、および説明可能なAIの約束で、これらのハードルを克服し、完全に自律的なシステムのための方法を残すことで、ユーザーの過視力が最小限に抑えられます。規制枠組みが進化し続け、反復的なAIの改善と適応アルゴリズムを収容し、より広い採用とスマート、より安全なシステムが期待できます。潜在的なAIと予測は、既存のAIが、既存のAIと予測される可能性を増大しています。