グルコースモニタリングツールは、血糖値を予測するためにアルゴリズムを使用してどのようにします

グルコースモニタリングの進化

十年にわたり、糖尿病の人々は、与えられた瞬間に血糖の単一のスナップショットを提供した指紋メートルに頼りました。これらのデバイスは尿検査から大きな一歩を踏み出していたが、それらはデータに大きなギャップを残しました。朝食の前に取られた読書は、一晩の傾向を明らかにすることができず、食事時間後に発生する可能性のあるポストプライドスプケを逃しました。連続したグルコースモニター(CGM)の導入は、2000年代初頭に血小胞が降るまで変化し、これらのデータを短時間に測定することができます。これらは、これらの測定値が、60分後に発生する可能性のある推定値が、各々に変化します。

現代のグルコース監視ツールは、もはや受動測定装置ではありません。それらは、各user&rsquoから学ぶインテリジェントなシステムです。ユニークな生理学。小さなサブカットセンサー、ワイヤレストランスミッタ、およびクラウドベースの分析の組み合わせは、パーソナライズされた諮問ツールに謙虚なグルコースメータを回しました。この記事では、アルゴリズムが生センサーデータを実用的な予測、それらの予測の背後にある科学を変換し、将来の糖尿病管理のために保持しているものについて説明します。

連続グルコースモニターの動作方法

予測アルゴリズムを理解するには、CGMがデータを収集する方法を最初に理解する必要があります。 CGMシステムは、センサー、送信機、受信機(多くの場合、スマートフォンアプリまたは専用リーダー)の3つの主要なコンポーネントで構成されています。センサーは、皮膚の下にだけインサートされた薄いフィラメントで、通常腹部または腕で行われます。それは、酵素ベースの電極を使用して、間接流体&mdashでグルコースを測定します。細胞を囲む流体。一度に、血液の傾向を覆うと、約10分間隔で10分間隔を合わせた。

センサー技術

ほとんどのCGMセンサーはグルコースの酸化酵素の反作用を採用します。酵素はグルコノルコノンおよび過酸化水素にグルコースを変換します。水素の過酸化物は電極で酸化され、グルコースの集中に電気現在の比率を発生させます。この流れは送信機によって測定され、グルコースの読書に変換されます。早いCGMsは正しいように頻繁に指紋を取られた口径測定を要求しましたり、しかしDexcom G7およびAbbott Freestyle Licaは3の校正者を必要としました。

トランスミッションとデータストレージ

送信機は、データを1〜5分ごとに表示装置にワイヤレスで送信します。現代のシステムは、バッテリーを節約し、スマートフォンとの直接通信を可能にします。データは、デバイスにローカルに保存され、パターン分析と医療プロバイダーと共有するためのクラウドプラットフォームにアップロードすることができます。この読書の連続ストリームは、アルゴリズムが予測のために必要とする豊富なデータセットを作成します。

作業におけるアルゴリズム: 生データから予測的な洞察への

未加工グルコース値だけで将来のレベルを予測するのに十分ではありません。アルゴリズムはデータを解釈し、ノイズをフィルタアウトし、グルコース規則の動的をキャプチャする数学モデルを適用しなければなりません。簡単な線形回帰から洗練された機械学習モデルまで、いくつかのタイプのアルゴリズムが使用されています。

リニアと多項の回帰

最も単純な予測アプローチは、現在の傾向を表すラインまたは曲線に合うために歴史のブドウ糖の読書を使用します。例えば、グルコースが最後の15分に1分あたり2mg / DLの割合で上昇している場合、線形回帰は、グルコースが30分でなる推定に進むと予測することができます。カルボハイド吸収初期の回帰が進行するとき、またはそのモデルを繰り返すときに、そのモデルを事前に決定する傾向のより多くの高度な多項回帰経または減速のためのアカウントが、またはそのモデルを繰り返すのパターンを制限する。

カルマンフィルタリング

Kalman フィルターは、複数のノイズデータソースをより正確に推定するために、CGMシステムで広く使用されています。フィルターは、数学的な状態(推定真のグルコースと変化率)を維持し、新しいセンサーの読み込みが到着するたびに更新します。予測された状態に対する新しい読書を量ります。測定値が優先され、ノイズが少ない読み取り値が増えます。このリアルタイムのスムーリングは、センサーの動きや一時的な信号ドロップアウトからアーティファクトを削減します。多くは、Cquo&dは、Cquord&d、フィルタリングやフィルタリング、Cquord&d、Cquord&d、より迅速に表示されます。

機械学習とニューラルネットワーク

最近の進歩は、グルコースとさまざまな入力間で複雑で非線形関係を学ぶことができる機械学習モデルを導入しました。決定の木、ランダムな森、勾配ブーストマシン、および深い学習ネットワークはすべてグルコース予測に適用されます。これらのモデルは、食事ログ、演習レコード、およびインシュリン用量と一緒にCGMデータの何千もの人分の多いデータセットで訓練されています。訓練の後、彼らは&quoafterなどのパターンを認識することができます。グルコーストは、午前と午前3時間まで上昇する傾向があります。

正確な予測のためのキー入力

アルゴリズムは、受信したデータと同じくらい良いです。精度は、いくつかの要因に依存します。

現在の読みと最近のグルコース:[]] 最新15〜30分センサーデータが即時斜面を提供します。
ヒストルカルグルコースパターン:[ 多くのシステムストア日数や数週間のデータが循環リズムをキャプチャする(例えば、Dawn Phenomenon)と再発食応答。
炭水化物の摂取量:[]ユーザーが手動でログ食をしたり、システムが連続したグルコース応答から炭水化物を侵入することができます。アルゴリズムは、ポストミールグルコースの発生時間、ピーク、および期間をモデル化します。
板のインシュリン(IOB):[電流および最近のインシュリンの線量はグルコースが低下するとき予測のために重要である。アルゴリズムは残りの活動的なインシュリンを推定するのにインシュリンの薬剤のモデルを使用します。
物理活性:[] 運動は筋肉によってグルコースアップテークを増加させます。ステップカウントまたは心拍数のデータを受け取るアルゴリズムは、予測を下方に調整できます。
ストレスと病気:[]]] 一部のシステムは、ユーザーが熱や感情的なストレスなどのイベントをタグ付けすることができます。これは、コルチゾールとアドレナリンを介してグルコースを上げることができます。

これらの入力を組み合わせることで、アルゴリズムは30〜60分先に見える予測曲線を生成し、しばしばCGMグラフの点線として表示することができます。ユーザーは、現在のレベルだけでなく、見出している場所だけでなく、予測された高値の前に、予測された低値または補正のボラスを取る前に、スナックを食べたりなどの積極的な介入を有効にします。

リアルタイムモニタリングを超えたメリット

反応から予測監視へのシフトは、タイプ1とタイプ2糖尿病の糖尿病の成果を変換しました。

血糖値低下症および高血糖値減少

特に夜間に血糖値が大きい問題です。予測アラートは、低発症前に20〜30分ユーザーを目覚めさせ、高速作用のグルコースを消費する時間を与えます。CGMの使用は、指棒モニタリングだけで比較して40%から60%の血糖値低下に費やす時間を減らすことが示されている(])。同様に、上回る高血糖値低下の予測は、全体的な補正範囲を削減します。

A1Cを下げる

ユーザーが一貫して予測インサイトに作用すると、平均的なグルコースレベルが向上します。 CGM が 1 型糖尿病で成人の A1C を 0.3 から 0.6 パーセントポイントまで下回るランダム化された制御試験のメタ分析、および最大 0.5 点のインテンシブインシュリン療法の型 2 糖尿病のそれら。予測要素は、ユーザーが前例の bolus タイミングと用量を微調整するのに役立ちますので、値を追加します。

クローズドループと自動インシュリン配達

予測アルゴリズムの究極の表現は、人工膵臓、またはハイブリッドクローズドループシステムです。 Medtronic 780GやタンデムコントロールIQなどのデバイスは、Bassalインシュリンの配信を自動的に調整し、さらに補正ボラスを配信するCGMデータを使用します。これらのシステム内のアルゴリズムは、常にターゲット範囲内のグルコースを維持するために、インシュリンの配信を最適化する複雑なモデル予測制御(MPC)です。ユーザーは、引き続き食事を食べることができ、それらがBOUSLUSLのバグを報告することができますが、FLUTL(F)を50%以上処理する。

課題:精度、校正、プライバシー

進行中でも、予測アルゴリズムは、ユーザーが理解すべきいくつかの制限に直面しています。

精度とラグ時間

間接的および血糖間の5〜10分のラグは、急速な変化の間に現実の背後にあるために予測を引き起こす可能性があります。例えば、高速作用インシュリンの大量服用後、血液グルコースは、その変化を反映するためにより長い間すぐに低下する可能性があります。アルゴリズムは、部分的に分析速度の変化によって補正することができますが、極端なスイング中に、予測は、その変化を遅くするか、または下向きに変化させる可能性があります。マルメットは、ほぼ同じレベルの誤差を10mg / またはほぼ同じ方向に変化に変化する可能性があります。

アルゴリズムバイアスとデータダイバーシティ

マシン学習モデルは、タイプ1糖尿病の白、中高齢の成人からデータを事前に訓練されたモデルは、他の人口にうまくはまりません。さまざまな民族、年齢、体質量指数、および妊娠糖尿病の人々は、異なるグルコースインシュリンの動的を有するかもしれません。アメリカン糖尿病協会は、アルゴリズムのパフォーマンス(source)の株式を確保するために、より広範なトレーニングデータセットを求めています。多様なデータが予測されていないと、正確な結果が予測される可能性があります。

データのプライバシーとセキュリティ

CGM データは、機密性の高い健康情報です。クラウドサーバーに保存され、デバイスメーカー、アプリ開発者、および時々リサーチパートナーと共有されます。ユーザーは、プライバシーポリシーを確認し、そのデータがどのように使用されるかを理解しなければなりません。FDA および FTC は、接続された医療機器のサイバーセキュリティに関するガイダンスを発しましたが、侵害はリスクを保ちます。さらに、保険会社や研究機関とのパートナーシップを通じて、一部の無料の CGM アプリは、同意とデータの所有権に関する懸念を上げています。

ユーザの信頼性と意思決定の疲労

予測アラートは有用である一方で、, 彼らは頻繁にまたは不正確である場合、彼らはまた、警急につながることができます. 一部のユーザーは、アラームにデensitizedになった報告, 特に夜の間に. 製造業者は、カスタマイズ可能なししきい値と静かなモードを導入しています, しかし、アルゴリズム上のオーバーリランは、ユーザーが炭水化物カウントや症状がドン&rsquoのとき手動指棒確認のような基本的な自己管理スキルを無視する可能性があります, 読書に一致しません.

未来:AI、クローズドループシステム、統合

グルコース監視ツールの次世代は、センサー、アルゴリズム、インシュリンデリバリーシステムとの統合がより一層強化されます。いくつかのフロンティアが探しています。

人工知能と個人化

ディープラーニングモデルは、よりパーソナライズされ、各ユーザー&rsquoを学習します。数週間以上、数か月間のユニークなパターンではなく、ワンサイズのフィットオールアプローチを使用する。研究者は、開発しています “デジタルツインズ”—個々の&rsquoの仮想モデル; グルコース代謝は、任意の実際の行動が取られる前に、さまざまな食事の効果をシミュレートすることができます。この種の精密医学は、すべての季節的な要因やレベルを予測することができます。

非侵襲的なセンサー

現在のセンサーは、一部のユーザーは嫌悪な小さな針のインサートを必要とします。レーマン分光、光音響イメージング、および汗ベースのセンサーは開発中にあります。臨床試験では、まだCGM精度にマッチしていないが、予測アルゴリズムによる非侵襲センシングの組み合わせは、よりシームレスにグルコースモニタリングを行うことができます。

ウェアラブルとスマートデバイスとの統合

CGM データは、スマートウォッチ、フィットネストラッカー、睡眠モニターからデータとますます統合されています。例えば、低活性と高ストレスマーカーを見ることができるアルゴリズムは、グルコースの上昇を予測し、短い散歩やマインドフルネスの練習を勧めます。同様に、スマートインシュリンペンは、自動的に注射時間と用量をログに記録し、より正確なインシュリンオンボード計算のための予測モデルに直接データを供給します。

プロトコルと相互運用性を開く

Tidepool LoopプロジェクトとFDA’s相互運用可能なCGM(iCGM)の分類は、ユーザーが異なるメーカーからデバイスを混合し、マッチングできるようにオープン規格を推進しています。これは、競争と革新を促進し、ハードウェアよりも頻繁に更新することができるアルゴリズムを導きます。ユーザーは、彼らのニーズに最適なセンサーを選択して、サードパーティのアプリや専用のデバイスから最高のアルゴリズムとペアリングすることができます。

コンテンツ

Algorithmsは、単純な測定ツールから、血糖トレンドを予測できるインテリジェントなシステムまで、グルコースモニタリングを高まっています。炭水化物の摂取量、インシュリンタイミング、および物理的な活動などの入力とともに、連続的なセンサーデータを分析することにより、これらのアルゴリズムは、糖尿病を即座に進行する強力なウィンドウで人々を与えます。その結果は、単なるより良い意識ではなく、範囲内の有形改善、A1Cを削減し、危険な低周回と高エピソードを削減します。これらは、これらのアルゴリズムは、ユーザーの事前の修正や自動化を継続して、より効果的に維持するのに役立ちます。