糖尿病管理における機械学習の約束

糖尿病の粘液は、タイプ1糖尿病と毎日のインスリン療法を必要とするタイプ2糖尿病の多くの症例で、世界中で530万人以上の成人に影響を及ぼします。 10年間、インスリン投与は、固定炭水化物 - ‐インスリン比と補正因子を使用して、規則に基づくアルゴリズムに依存しています。 これにより、血液グルコース規制の動的、多因子性的性質をキャプチャできません。 機械学習は、パラダイムシフトを提供しています。 静的アルゴリズムではなく、個々のタンパク質を適応させ、個々のアルゴリズムや分析を最適化し、特定のモデルを最適化することができます。

なぜ伝統インシュリンが秋の短い秋をやっているのか

従来のインシュリン管理、現代インシュリンポンプと連続グルコースモニター(CGM)でも、手動入力と事前プログラムされたルールに依ります。患者は、炭水化物の摂取量、期待の練習、およびストレスや病気のアカウントを推定する必要があります。これらすべてが、劇的にインシュリン感度を変えることができます。固定アルゴリズムは、過去のドッキング結果から学ぶことができないか、微妙な一時的なパターンを検出しなければなりません。その結果、多くの患者は、grenerary-garis-garis-garis-garis-garis-garis-garis-gari-gari-gari-gari-gari-gari-gari-gari-gari-gari-gari-gari-gari-gami-gami-gami-gami-gami-gari-gami-gari-gami-gami-gami-gami-gami-gami-gami-gami-gami-gami-gami-gami-gami-gami-gami-gami-gami-gami-gami-gami-gami-

エラーを投薬するインスリンファーマコキネティックスのロール

従来の投薬のもう1つの欠点は、インシュリン吸収とクリアランスにおける個々の違いの考慮する失敗です。 薬局のパラメータは、注射部位、体組成、および周囲温度により広く変化します。 固定アルゴリズムは通常、インシュリン用量の積み重ねとその後の低血症につながる標準的なインシュリン作用プロファイルを想定しています。 機械学習モデルは、ポンプとCGMデータから各患者のユニークな吸収曲線を学習することができ、ボルスおよびバルスバル調整のより正確なタイミングを有効にします。

機械学習モデルがインシュリンの推薦を改善する方法

マシン学習は、インスリンの投薬にアプローチすることができます。 予測のための超検討学習, 意思決定のための強化学習, 両方の組み合わせるハイブリッドモデル. 各カテゴリは、インスリンの配信課題の特定の側面を宛先.

グルコース予測のための超検討学習

監督モデルは、将来のグルコースレベルを予測するために、CGM トレース、インシュリンド、食事ログ、およびアクティビティレコード - 歴史的データで訓練されています。 一般的なアーキテクチャには、勾配のブーケドツリー(XGBoost、LightGBM)、再発ニューラルネットワーク(RNN)、および長期の短期メモリネットワーク(LSTM)が含まれます。 これらのモデルは、高精度で30〜120分前にグルコースをすることができます。 事前のインプラントを制限する場合には、 LS-FORDS-FORDS-FORDS-FORDS-FORDS-FORDS-FORDS-FORDS-FORDS-F-F-ALFORDS-ALF-ALF-ALF-ALF-ALF-ALFORDS-ALF-ALF-ALF-ALF-ALF-AL-ALF-ALF-ALF-ALF-ALF-ALF-AL-ALF-ALF-AL-ALF-ALF-AL-AL-AL-AL-ALF-ALF-AL-AL-AL-AL-AL-AL-AL-AL-AL

自動投薬の補強学習

強化学習(RL)は、シミュレートされた環境で試行錯誤を繰り返して最適な投与方針を学習することで、さらに一歩一歩を踏み出します。 グルコースがターゲット範囲内で滞在し、エクスカーションのペナルティを招くとき、モデルは、効果を発揮します。 多くの場合、それは、長期のグリセム安定性を最大限に高めるインシュリン用量を選ぶことを学ぶ。 RLエージェントは、従来のPID(proportional-integral-deriv)に特に使用されるように、より詳細な試験を試みる場合には、QCD(QCD)が、より効果的にテストされるようにします。

ハイブリッドモデルとアンサンブルメソッド

多くの生産システムは、ルールベースの安全制約で超予測予測された予測を組み合わせています。例えば、LSTMとXGBoostモデルのアンサンブルは、グルコースを予測する可能性があります。別のRLモジュールは線量を示唆するが、最終的な出力は、事前定義されたしき値を超えた場合に、配達を防ぐ保守的な安全層によってフィルタリングされます。このアプローチは、患者の安全とパーソナライズされた規制当局の承認をバランス良くします。別のハイブリッド方法は、バイジャンを使用して個々の知識を組み合わせるパラメータを最適化するために、個々の知識を組み合わせるために、個々の知識を最適化します。

主要データソースとモデルトレーニングにおける役割

どの機械学習システムでも、データの品質、粒度、多様性に依存します。インシュリンドッキングのために、次のデータストリームは最も影響力があります。

  • [連続したグルコース監視(CGM)読書:[ 通常5〜15分ごとにサンプルされ、グルコース値の豊富な時間シリーズを提供します。 モデルは、少なくとも2〜4週間のCGMデータを必要とし、個々のサーカディアンリズムと食事応答をキャプチャします。 いくつかの高度なモデルは、生センサー信号(例えば、交差グルコース電流)を使用して、より高速な予測を実現します。
  • インシュリンポンプレコード:] 基底率、膠量、納期の詳細なログ。 これらは、モデルが急速な作用のインシュリンアナログ(例えば、インシュリン lispro、アスパート)の薬理学を理解することを可能にします。 機能としてインシュリンオンボード計算を含むと、用量の積み重ねを防ぐことができます。
  • 測定データ:]] 炭水化物カウント(タイミングとマクロ栄養成分で主に)。 高度なシステムの中には、食品写真やバーコードスキャンを使用して、血糖負荷を推定する。 脂肪とタンパク質の含有量は、グルコースの吸収を大幅に遅らせることができ、これらのマクロ栄養素を組み込むモデルは、ポスト - 測定予測を改善しました。
  • 物理的な活動:[] 段階は、心拍数と運動タイプを身につける。運動はインシュリン感度を高め、低血糖を遅らせることができます。モデルは、異なる強度と持続時間にわたってこれらの効果を学習しなければなりません。 継続的な心拍数監視は、物理的および感情的なストレスの両方のプロキシとして機能することができます。
  • ストレスと睡眠メトリック:[コルチゾールレベル(バイオマーカー経由)、睡眠時間、自己報告ストレススコア。生理学的および心理的ストレスの両方が、対抗調整ホルモンを介して血糖を上昇させる。睡眠の剥奪はまた、インシュリン感度を低下させ、夜間予測のための重要な特徴をします。
  • 月経周期相:[ ホルモン変動は、月経中の個人にインシュリン感度に著しく影響する; このデータを含むいくつかの研究では、モデルの精度を向上させることができます 12% まで。 サイクルフェーズのアカウントは、バサルレートを積極的に調整することができます予測モデル。

合成データ増強 — リアルな患者の痕跡を生成 — トレーニングセットを拡大し、モデルの堅牢性を向上させるためにも使用されます。特に、重度の低血糖などのまれなイベント。 遺伝子の有利ネットワーク(GAN)などの技術は、高忠実度相関を維持するCGMデータを生成し、モデルがより広い範囲から学習することができます。

機械学習のメリット-運転アルゴリズム

適切に実装されたとき、機械学習は従来のアプローチよりも有形改善を提供します。

  • スケールでのパーソナライズ:[]]アルゴリズムは、数千人の患者の日のデータから学習することができますが、個々の個々のユニークな生理学とライフスタイルに適応します。 これは、静的なルールでは不可能です。
  • 低グルコースイベントが発生した前に、低血糖値低血糖値減少症を治療する:[予測モデルがインスリンの配信を停止することができ、臨床研究では50〜70%の鼻血性低血症を減少させる。例えば、タンデムt:slim X2は6〜6ヶ月の試験で63%の厳しい低血糖値イベントを減少させる。
  • [] 改善された時間範囲:[ 複数の試験では、標準療法と比較して、ターゲットグルコース範囲(70〜180 mg / DL)で費やした時間の割合で10〜20%増加する。 一部のML - 電源クローズドループシステム - 実際の使用では80%以上のタイムインレンジを達成しました。
  • []より低いHbA1c:改良された毎日の制御はよりよく長期血糖マーカーに翻訳します。自動インシュリン配達システムのメタアナリシス(ML-ベースを含む)は、マイクロ血管合併症リスクを減らすために臨床的に有意である0.5〜0.8%の平均HbA1c削減を発見しました。
  • 決定疲労:] 患者は、常に線量を計算する必要はありません。アルゴリズムは、基礎調整を処理し、量を量を削減し、生活の質を改善し、遵守を勧めます。 ML対応ポンプのユーザーの調査は、著しく低糖尿病関連の苦痛スコアを報告します。

リアル・ワールド・プラクティスと臨床証拠

商用および研究システムは、機械学習が安全にホーム設定に展開できることを実証しました。 []メドトロニック780G]システムは、従来のデータに基づいて適応アルゴリズムを使用して、基礎速度と自動補正ボラスを最適化します。 そのSmartGuard技術は、CGMトレンドに基づいてインシュリン配達を自動的に調整し、現実的な研究は75%を超える範囲を仲介します。 同様に、[FLT]は、FDA [FLT]との間で、および複数のレベルの試験を検査対象としています。 [FLTF]: IQ: および複数の検査は、および検査対象の検査対象の検査の検査の検査を同時に行います。 [FLTF] IQF] は、および検査の検査の検査の検査の検査の検査の検査の検査の検査の検査の検査の検査の検査の検査の検査の検査の検査の検査に使用されます。 [FLTFLTFLTF] 検査の検査の検査の検査の検査の検査の検査の検査の検査の検査の検査の検査を同時に、および検査を検査を検査の検査を検査に使用されます。 [FLTFLTFLTFLT

ML-native システムは、レイトステージの開発に進んでいます。例えば、 []β Bionics iLet]は、炭水化物カウントを必要としない強化学習エージェントを使用して、それは時間をかけて食事パターンを学びます。 iLet's “learn-and-adapt” アルゴリズムは、前日のグルコース結果に基づいて、基礎的なレートを調整します。 患者のモデルに示すように、Folt-Folt-in は、通常のモデルと非推奨モデルを予測します。 [FLT-F]

もう一つの注目すべき例は、ユーザーが独自のクローズドループシステムを最適化するために、オープンソースのMLモデルを構築している[]]OpenAPS[[]コミュニティです。 FDAが承認されていない間、これらの草の根の努力は、商業開発を知らせる貴重な実世界データを生み出しています。 #WeAreNotWaitingの動きは、データ共有とコラボレーションアルゴリズム設計を促進することによって、イノベーションを加速しました。

課題と限界

約束にもかかわらず、ML駆動の投薬が普遍的なものになる前に、いくつかの障害が克服しなければなりません。

データのプライバシーとセキュリティ

健康データは、患者データに訓練されたモデルは、HIPAA(US)やGDPR(Europe)などの規制に準拠しなければなりません。フェデレーションされた学習 - デバイス上でモデルを訓練し、集約された更新のみが共有される - 人口レベルの洞察を学習しながら、プライバシーを保護するための有望なアプローチです。しかし、フェデレーションされた学習は、コミュニケーションのオーバーヘッドとモデル中毒の攻撃の可能性について紹介しています。異なるプライバシー技術は、個々のデータを保護するためにノイズを追加することができますが、モデルの検証は、モデルの検証に注意してください。

モデル 総合化および口径測定の漂流

ダイエット、遺伝学、または局所インシュリン処方の違いにより、1つの人口で訓練されたモデルは、別の方法で不十分に実行することができます。 継続的な再較正が必要です。 さらに、センサーの精度は時間とともに劣化します。 モデルは騒々しい入力に強くなければなりません。 患者生理学が徐々に変化する可能性があるため、「分配シフト」の現象は特に問題のある糖尿病です(例えば、老化、妊娠、または病気の進行による)。 オンライン学習アルゴリズムは、モデルの更新が新しいパフォーマンスを向上するのに役立ちます。

規制のハルール

ML ベースの医療機器は、厳格な検証を必要とします。 FDA のフレームワーク「医療デバイスとしてソフトウェア」 (SaMD) は、多様な人口の安全性と有効性の証拠を必要とします。 説明可能な AI は、規制の焦点です。臨床医や患者は、用量が推奨される理由を理解する必要があります。 Black-box モデルは承認を得る可能性が低いです。 SHAP (SHAPley Additive explanations) や LIME (Local Interpretable Model-agnostic Expランス) などの技術は、FDA の分析機能も提供できます。

臨床ワークフローとの統合

ほとんどの内分泌学者はML出力を解釈するために訓練されていません。電子健康記録(EHRs)と意思決定支援ツールとのシームレスな統合が不可欠です。さらに、健康システムはAI-ガイド療法のために再燃しなければなりません。リモート患者モニタリングのための新しいCPTコードを通してゆっくりと対処される課題。米国では、メディケア&のためのセンター;メディカエイドサービス(CMS)は、CGMおよびインシュリンポンプの補償を拡大していますが、AI自体が不透明であることを確認するためには、AIを残さない。

ユーザー信託と採用

アルゴリズムが検証される場合でも、患者や臨床医は、管理を断ち切るのが躊躇するかもしれません。 MLシステムのメリットと制限に関する教育が必要です。 参加型研究によるアルゴリズム設計の患者は、信頼性を構築し、システムが現実的なニーズを満たしていることを確認してください。

今後の方向と次世代アルゴリズム

イノベーションの次の波は、次の焦点を合わせます。

  • [ 多項データ融合:[ ウェアラブル(スマートウォッチ、連続心拍数モニター)と、外部のストレスをキャプチャする環境センサー(例えば、温度、花粉カウント)とCGMを組み合わせる。例えば、花粉データを統合することで、アレルギー患者における炎症性高血症を予測することができます。
  • デジタルツイン:]] デプロイ前に、サイリコのMLアルゴリズムをテストするために使用できる患者の代謝の個々のレベルの計算モデルを作成します。 デジタルツインは、グルコースインシュリンダイナミクスの生理学的モデルを組み込んでおり、何千ものシナリオをシミュレーションして安全性を検証することができます。
  • [適応性メタ学習:[アルゴリズムは、学習方法を学ぶアルゴリズムです。数日のデータで新しい患者に素早く適応し、数日で学習する概念です。モデルアグノスティックメタ学習(MAML)など、メタ学習アプローチは、新しい患者に対して最小限の微調整を必要とするモデルのパラメータを初期化できます。
  • 型2糖尿病の人工膵臓との統合: ほとんどの研究は、タイプ1糖尿病に焦点を当てています。 ML-駆動閉鎖ループシステムを拡大して、インスリンを必要とする2患者は、はるかに大きな人口の成果を劇的に改善することができます。 残りのベータ細胞機能、インスリン抵抗、およびポリファーマシーによる複雑性が増加しますが、単純化されたアルゴリズムで早期の試験は約束を示す。
  • 臨床的意思決定支援のための説明可能なAI:線量を推薦するだけでなく、ア理性(例えば、次の30分以内に予測される運動のために減少した)を、開発モデルは臨床医の信頼を高め、共有された意思決定を有効にします。

コンテンツ

マシン学習は、患者のリアルタイムニーズに対応する、ダイナミックでパーソナライズされた治療への1つのサイズの--fits-allアプローチからインシュリン療法を変革しています。個々のデータのフル豊かさを引き出し、トレンド、食事パターン、アクティビティ、睡眠、ストレスを克服することで、これらのアルゴリズムは、糖尿病管理の負担を軽減し、腹部的な結果を改善することができます。広範囲にわたる導入への道は、データ科学者、臨床医、規制者、および治療薬の有効性と適応症のさらなる連携が必要です。