人工膵臓システムにおけるデバイス障害を予測および防止するための機械学習の可能性

人工膵システム障害モードを理解する

人工膵臓システム、また、閉鎖ループインシュリンデリバリーシステムと呼ばれ、三つのコアコンポーネントを統合します。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。 CGMは、相互のグルコースレベルを1〜5分ごとに測定し、アルゴリズムが適切なインシュリン耐性線量を計算し、ポンプを指示するポンプを指示します。この自動化されたフィードバックループは、これらのターゲットをターゲットにするために、より大きな効果をもたらすことができるだけでなく、その効果を期待することができます。

ハードウェアの故障

ハードウェアの故障は、最も臨床的に結果的に、最も頻繁に遭遇します。インシュリンの流れが物理的にブロックされると、注入セットの閉塞が起こり、それは、溶着管、インサート部位の圧縮、またはカンヌラ内のインシュリン結晶によって使用されます。 CGMセンサーは、キャリブレーションド、圧力誘発センサーの減衰(センサーの睡眠から)、または運動または睡眠中に完全な避難所に発生する可能性があります。特に、ポンプの不足が、これらの問題が発生したときに、これらのサイクルは、通常、多くの問題を引き起こします。

ソフトウェアおよびファームウェアの問題

制御アルゴリズムのソフトウェアバグは、不適切なインシュリンのボラス、低血糖中のインシュリンの配信を中断する失敗、または、基底率への誤った調整を引き起こす可能性があります。ポンプのオペレーティングシステム内のメモリリークは、数日または数週間にわたるパフォーマンスを劣化させる可能性がある、最終的にシステムクラッシュまたは応答不能につながる。ファームウェアのアップデート、セキュリティパッチと機能の改善のために不可欠である一方で、回帰テストが不十分な場合は、新しいバグを導入することができます。例えば、ユーザーがシステムの更新を中止する問題は、Cloopが、そのような欠陥を無視する可能性がある。

通信障害

[CGMとポンプ間の無線通信は、通常、Bluetooth Low Energyまたは独自の無線周波数に依存しています。他の医療機器(連続的な心モニターなど)、Wi-Fiルーター、またはマイクロ波オーブンのような家電製品から干渉すると、一時的に信号を破壊することができます。物理的な障害 - 厚い冬のコートまたは単に睡眠中にポンプに転送することができます - 接続を弱め、データパケットが失われたり、遅延したりすることができます。拡張されたドロップアウトは、システムが、実際の結果に適応する可能性のある欠陥のあるモードに強制的に影響します。 [Fablt] 測定値が、Av2は、実際の結果に制限されます。 [F]

従来の監視は、境界ベースのアラームだけに依存します。例えば、CGM信号が20分間失われているか、ポンプが大腸の間に異常に高圧を検出した場合、アラートは聞こえます。これらのアラートは反応します。ユーザーが問題を認識する時間によって、有害なグルコースレベルは既に開発されている可能性があります。この重要なギャップは、早期指標とレイト警報の間には、以前に発生した、それが起こる前に予防できる予測警告を提供する手段として機械学習に強い関心を主導しています。

反応アラートから予測診断までの機械学習シフトの手順

マシンラーニング(ML)は、人工膵システムによって生成される高周波、多次元データストリームを活用して、デバイス障害を予測する微妙で非有害なパターンを識別します。多くの場合、数分、時間、またはさらには進歩しています。この予測機能は、ユーザーと臨床医が早期に介入し、パッシブ監視のエクササイズから、積極的な管理戦略に安全を変革することを可能にします。予測への反応からのシフトは、実質的に、継続的な糖尿病の予防に最も重要な進歩です。

燃料MLモデルが生成するデータストリーム

人工膵システムによって生成されたデータの豊かさとボリュームは、監督された学習アプローチと監督されていない学習アプローチの両方のための理想的な環境を作成します。訓練のための主要な入力は次のとおりです。

連続したグルコース読み取り[ - 1日あたり288測定まで、変化率、グルコース変動指数、さまざまな範囲で過ごした時間、および24時間サイクルを超えるパターンなどの誘導メトリック。
[インシュリン配送記録 - ボーラス履歴(手動および自動補正)、バサルレートプロファイル、自動マイクロボラス、およびリアルタイムインシュリンオンボード推定過負荷または枯渇を阻害するためのコンテキストを提供します。
[デバイステレメトリー] - ポンプモーター電流描画(Occlusion抵抗ビルドとして増加)、バッテリー電圧と温度、センサーインピーダンスと抵抗値、注入サイト圧力波形、およびポンプ独自のファームウェアからOcclusion検出フラグ。
環境データ - 周囲温度、湿度、高度、インシュリン安定性(温度)およびポンプバッテリー寿命(冷間は容量を削減)に影響を及ぼすすべての。一部の高度なシステムでは、インシュリンフローを妨げる可能性がある大気圧変化を追跡します。
[]ユーザ入力] - 手動のボーラスの用量、炭水化物のエントリ、運動のロギング、睡眠スケジュールマーカー、および早期の故障信号から正常な変動を分離する行動的なコンテキストを提供するアラーム認識パターン。

機能エンジニアリングは、重要な前処理ステップです。生のテレメトリーは、洗浄、正規化され、有用な予測者に変換する必要があります。例えば、過去10分にわたるモーター電流の勾配、CGMノイズの発散、または一日あたりの通信ドロップアウトの頻度は、モデル性能を大幅に向上させるすべての設計機能です。慎重な機能選択がなければ、最も強力なアルゴリズムは騒音によって圧倒されます。

コアマシン学習技術は、失敗予測に適用

故障分類のための超判明学習

ランダムな森、勾配のブーストされた木(XGBoost、LightGBM)、および深いニューラルネットワークを含む超視力モデルは、システムの現在の状態を「正常」または「不完全な失敗」と分類するために、ラベル付きの履歴データを訓練されています。例えば、注入セットのオククルージョンが過去に発生したとき、モデルは、イベントを予期させるモーターのインシュリンフロー抵抗と微分変化の発現を認識することを学びます。このモデルは、この現象は、60分間の低下を予測する可能性が高まっています。

未知の故障モードの異常検知

障害モードが予想されるか、または事前にラベルを付けることができるわけではありません。オートエンコーダ、隔離の森、一流サポートベクターマシンなどの監視されていない技術は、システムの正常な動作範囲を学習し、異常なインスリン分散パターンと組み合わせたCGMセンサーノイズの突然の増加は、ラベル付きデータセットがキャプチャされていないインフェンディングセンサー障害を示す可能性があります。これらの方法は、クラウドファンクションの脅威を検知するために価値があります。クラウドファンクションモデルや、クラウドファンクションモデルの検出を増加させることにより、クラウドファンクションモデルの問題を検知したり、クラウドファンクションモデルを検知したり、クラウドファンクションを検知したりすることができます。

人生を生きるための予測的な回帰

回帰モデルは、ポンプ電池、注入セット、またはCGMセンサーなどの交換可能なコンポーネントの残りの有用な寿命(RUL)を推定することができます。バッテリー放電曲線、充電サイクル、温度履歴で訓練された再発ニューラルネットワーク(RNN)は、バッテリの故障を高精度で1時間まで予測できます。これにより、ユーザーは予期しない操業停止を1晩経験するのではなく、スケジュールされた真昼間のバッテリーを交換することができます。注入セットの類似モデルは、Occlusionが危険になる前に変更を設定し、廃棄物を制限し、72時間を大幅に削減することができます。

適応防止のための強化学習

最先端のフロンティアは、人工膵剤がグルコース制御とデバイス長寿を共同最適化するために独自の行動を調整することを学ぶ、補強学習(RL)を使用しています。たとえば、RLアルゴリズムは、ポンプモータのストレスを軽減するために学ぶことができます。わずかに速度を調節するか、インシュリン配達を再分配する - これにより、排卵の早期兆候が検出され、これにより、許容されたグルコースを維持することができます。初期レベルのシミュレーションは、そのような長期にわたる信頼性を低下させることなく、そのような問題が生じる。そのような問題は、そのような問題が解決する可能性が大きいレベルの低下を予測します。

リアルワールドの証拠と臨床実装

MLの約束は単なる理論的ではありません。いくつかのパイロットプログラムと商用製品は、すでに臨床設定で有形な利点を実証しており、予測的なメンテナンスが現実的な成果を改善する可能性があるという早期の証拠を提供します。

[]メドトロニックのSgar.IQ[アシスタントは、CGMの傾向とインスリン履歴を分析することにより、最大3時間前に低血糖値を予測するために、IBM Watsonによって供給パターン認識を使用しています。主な焦点はグルコース予測ですが、同じ基礎となるインフラ - 連続したデータ摂取と異常検知 - デバイス障害警告に拡張することができます。砂糖のレトロスペクティブ分析。IQユーザーは、警報センサーの減少に重要な効果が示されているが、警報回数を減らすことができます。
2023年初頭にスタンフォード大学の研究者が、ポンプのアラームが鳴る前に91%の精度でカテーテル閉塞を予測したAmerican Diabetes Associationの年次会合で勾配ブーストモデルを発表しました。シミュレーション環境では、この早期警告は40%の高血糖イベントを削減し、早期のシミュレーション研究に適し、アプローチの堅牢性を確認します。
ケンブリッジ大学の研究者は、各ユーザーのグルコース代謝とポンプ動作のパーソナライズされたコンピュータモデルを作成する「デジタルツイン」技術を開発しました。デジタルツインは、センサーの再較正のための最適なタイミングを特定し、キャリブレーション関連の障害を最小30人の参加者で60%削減するために、シミュレーションされたシナリオの数千を実行します。チームは、注入セットの失敗を予測するための概念をさらに拡大しています。
フランスの会社Diabeloopは、MLベースの臨床意思決定支援ツールの規制承認を受けており、CGMセンサーのドリフトを予測し、再較正を推薦しています。現在、一部のヨーロッパ諸国で入手可能な、糖尿病ケアにおける積極的なデバイスメンテナンスの最初の商用例の1つです。

これらの初期の成功は奨励していますが、厳格な検証の必要性も強調しています。各実装は、さまざまな患者の人口と実際の条件下でテストされ、定期的な使用のために安全と見なすことができます。

ホルドルをワイドスプレッド採用に克服

ML主導の予測診断の明確な可能性にもかかわらず、これらのツールがすべての人工膵システムで標準の機能になる前に、いくつかの重要な障壁を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

健康データは、人が所有する最も機密性の高い情報の中にあります。MLモデルは、通常、クラウドに保存される大規模なデータセットを必要とし、不正なアクセス、データ侵害、および非匿名化に関する懸念を上げています。 [Federated Learning]は、説得力のあるソリューションを提供しています。モデルは、ユーザーのデバイスにローカルに訓練され、匿名化された体重減少は中央サーバーに送信されるだけです。このアプローチは、患者が誤ったデータを誤ったモデルに陥らせることなく、誤ったデータを誤ったモデルに陥りないようにします。 [FLTFLT:1] 誤ったデータを誤ったモデルに誤ったモデルに誤ったモデルを誤った方法で、誤ったモデルに誤ったモデルに誤ったデータを誤ったモデルに誤った場合、誤ったデータを誤った場合、誤ったデータを誤ったモデルに誤ったモデルに誤ったデータを誤った場合、誤ったデータを誤ったモデルに誤った場合、誤った場合、誤ったモデルに誤ったデータを誤ったモデルに誤ったデータを誤った誤ったデータを誤ったモデルに誤ったデータを誤った誤った誤ったモデルに誤った誤った誤った誤ったモデルに誤

ハードウェア制約下でのリアルタイムの推論

人工膵システムは、限られたメモリ、バッテリー容量、計算スループットを備えた埋め込まれたマイクロコントローラで実行されます。このような環境で完全な深いニューラルネットワークをデプロイすることは実現できません。しかし、モデル圧縮の最近の進歩は、リアルタイムの推論を実践しています。 ]のような技術は、マイクロモデルの負荷の精度を低減することができますsecond]]:(32ビットから8ビットインテガー)、ディスクの容量を低減する[FLT]:4:マイクロモデルの負荷が少ないモデルの負荷を低減する、およびマイクロモデルの負荷の負荷を低減する[FLT]:[FLT]:[F]:[FLT]:[F]:[FLT:]:50%は、および、マイクロモデルの負荷の負荷の負荷の負荷の負荷の負荷の負荷の負荷を軽減する]:[FLT:[FLT:[FLT:[FLT:]:[FLT:[F]:]:[F]:[F]:[FLT:[F]:[F]:[F]:[FLT:]:[F]:]:[FLT

汎用性およびアルゴリズムバイアス

モデルは、熱的、湿気のある環境で暮らす人々、子供、妊娠中の女性、異なる民族の個人、または熱的、湿度の高い環境での生活の人々のために、貧しい実行するヨーロッパの降下性の大人など、狭い人口統計からデータを訓練しました。特定のグループがより多くのセンサー障害に直面しているか、または予測に失敗するオクルージョンリスクを悪化させる可能性があると、およびその地域のモデルが、従来のモデルに変化するような状況を[FLT]にする必要があります。 [FLT:+]は、従来のモデルを変化させるようにするために、または、従来のモデルを変化させるようにするために、または、または、または、または、または、新しいレベルのモデルを変化させるようにします。 [FLTF]。 [F] または、または、または、または、または、または、または、または、または、または、または、または、または、または、または、または、または、または、または、または、または、または、または、または、または、または、または、または、または、または、または、または、または、または、または、または、または、または、または、または、または、または、または、または、または、または、または、

臨床信託の解釈性

臨床医や患者は、説明なしで「すぐに注入セットを交換する」というコマンドを発行する「ブラックボックス」アルゴリズムを信頼するために、理解して理解できます。 []説明可能なAI(XAI)[」などの方法 SHAP(サッフル添加説明)やLIME(ローカル解釈モデル-アガノスティック説明)は、各予測の背後にあるトップの要因を強調します。モデルは、次のように示すかもしれません:「現在の原因は、AIや、AIの検出、または検出の検出の検出を促進します。

規制と検証パスウェイ

規制医療機器に、直接ポンプの動作を調節するか、または直接、ユーザーに推奨するMLモデルを統合することは、明確な検証経路を必要とします。規制当局は、モデルの予測が正確であること、その偽陽性率が許容される低であることを満足させなければなりません。その性能は時間をかけて劣化しません。 FDAは、AI/MLベースのSMD(医療機器として)の「事前変更制御計画」に関する決定を開始しました。この決定的な決定は、規制当局が事前のモデルを事前に決定し、その改善を承認することを可能にします。この決定的なモデルは、長期的確固たる製造会社が決定されるように決定されます。

未来の方向:自己治癒システムに向けて

究極の野心は、失敗を予測するだけでなく、]という人工膵臓を作成するために、ユーザの介入を要求せずにそれらをアクティブに防止 - 本当に自己治癒システム。研究は、すでにいくつかの有望なフロントに進んでいます。

[自動再較正] - CGMセンサーが漂流しているときを検出し、最近のグルコース傾向および参照の指棒データから得られる補正因子を自動的に適用するアルゴリズム。これは、手動再較正の必要性を排除し、ユーザーの負担を軽減し、校正が遅れると起こる危険なグルコースの不正確さを防ぐ。

[適応性オクルージョン管理[ – 配送圧力、一時的に部分的な遮断をクリアする逆流、またはマルチ-内腔カテーテルを使用してバックアップ注入サイトに切り替えることができるポンプ。適応オクルージョンプロトコルの初期のプロトタイプは、イン-clinicテスト中にオクルージョン関連のアラートの50%削減を示している、低血糖値の増加はありません。

[]エッジクラウドハイブリッドアーキテクチャ[ - 軽量MLモデルは、ポンプマイクロコントローラに直接実行され、より強力なクラウドベースのモデルが定期的なディープ分析を行い、エッジモデルのパラメータを更新しながら、リアルタイムの予測を実現します。差分プライバシーレイヤーは、生の患者データはローカルデバイスを離れない、プライバシーでパフォーマンスをバランスをとることを保証します。

より広い健康データとの統合 – ウェアラブルな活動の追跡者、心拍数モニター、および花粉のカウントなどの環境データ(インシュリン吸収に影響を与えることができる)は、より豊かなモデルを予測することができます。 Jaeb Center for Health Researchの2024パイロット研究では、ステップカウントと心拍数の変動性データが12%向上し、多品種入力値の低下を実証するという報告しました。

2024年のワークショップレポートは、規制枠組みにML-ベースの予測メンテナンスを組み込むことを強調した「Diabetes Technology Society」の「次の世代クローズドループシステムのための重要な焦点」です。 FDAは、既に、継続的な学習と市場パフォーマンス監視のための考慮事項を含む、医療機器でAIの使用に関する非結合ガイダンスを発行しました。 ML-enhanced pancreacreascreasシステム承認の承認方法舗装。

コンテンツ

マシンラーニングは、有望な研究コンセプトから、人工膵系のための重要な安全層へと急速に進化しています。センサーの劣化、ポンプの閉塞、バッテリーの排気、通信エラーの早期指標を検知することで、人間の監視が知覚できない信号を微小にし、患者や臨床医が、被害が発生した前にインターベニーに必要な重要なリードタイムを生成します。ハードウェアの制約はモデルの圧縮を克服し、フェデレーションされた学習や成熟した学習、そして次の世代のツールをクリアするだけでなく、これらの機能を予測するだけでなく、よりスマートにすることができます。

: 追加の読書: より深い技術面へのダイブのために、 ]を参照してください。 CGMベースの予測[と[[]]]のための機械学習に関するこの包括的なレビューは、糖尿病技術におけるAIに関するISPORレポート]を参照してください。医療機器でフェデレーションされた学習の詳細については、 Nature Medicine]を参照してください。 [[FLT:] [[FLT:]]] [[FLT: [[FLT:]]]]]]を参照してください。