예측형 당뇨병 모델 개발의 Iot 및 Machine Learning의 교차점

이 웹 사이트는 귀하가 웹 사이트를 탐색하는 동안 귀하의 경험을 향상시키기 위해 쿠키를 사용합니다. 이 쿠키들 중에서 필요에 따라 분류 된 쿠키는 웹 사이트의 기본적인 기능을 수행하는 데 필수적이므로 브라우저에 저장됩니다. 또한이 웹 사이트의 사용 방식을 분석하고 이해하는 데 도움이되는 제 3 자 쿠키를 사용합니다. 이 쿠키는 귀하의 동의하에 만 브라우저에 저장됩니다. 이러한 쿠키를 거부 할 수도 있습니다. 이러한 쿠키 중 일부를 선택 해제하면 검색 환경에 영향을 미칠 수 있습니다. 이러한 쿠키 중 일부를 선택 해제하면 검색 환경에 영향을 미칠 수 있습니다. 이러한 쿠키 중 일부를 선택 해제하면 검색 환경에 영향을 미칠 수 있습니다.

헬스케어에서 IoT 및 기계 학습이란?

IoT는 다양한 종류의 IoT를 통해 다양한 종류의 IoT를 통해 다양한 종류의 IoT를 제공합니다. IoT는 다양한 종류의 IoT를 통해 다양한 IoT를 통해 다양한 IoT를 제공합니다. 이러한 IoT는 다양한 IoT를 통해 다양한 IoT를 통해 다양한 IoT를 통해 다양한 IoT를 통해 다양한 IoT를 지원합니다. 이러한 IoT는 다양한 IoT를 통해 다양한 IoT를 통해 다양한 IoT를 통해 IoT를 지원합니다. 이러한 IoT는 다양한 IoT를 통해 다양한 IoT를 통해 다양한 IoT를 지원합니다. 이러한 IoT는 다양한 IoT를 통해 다양한 IoT를 통해 다양한 IoT를 지원합니다.

이 알고리즘은 정상적인 데이터의 사용과 관련하여, 정상적인 데이터의 사용과 관련하여, 정상적인 데이터의 사용과 관련하여, 정상적인 데이터의 사용과 관련하여, 정상적인 데이터의 사용과 관련하여, 정상적인 데이터의 사용과 관련하여, 정상적인 데이터의 사용과 관련하여, 정상적인 데이터의 사용과 관련하여, 정상적인 데이터의 사용과 관련하여, 정상적인 데이터의 사용과 관련하여, 정상적인 데이터의 사용과 관련하여, 정상적인 데이터의 사용과 관련하여, 정상적인 데이터의 사용과 관련하여, 정상적인 데이터의 사용과 관련하여, 정상적인 데이터의 사용과 관련하여, 의문, 의문, 의문, 의문, 의문, 의문, 의문, 의문, 의문, 의문, 의문, 의문, 의문, 의문, 의문, 의문, 의문, 의문, 의문, 의문, 의문, 의문, 의문, 의문, 의문, 의문, 의문, 의문, 의문, 의문, 의문, 의문, 의문,

IoT는 지속적인 고해상도 데이터 피드를 제공하여 ML 알고리즘이 강력한 모델을 훈련하고 ML은 반복을 닫는 액션 가능한 통찰력을 돌려 환자와 클리닉에 대한 실시간 권장 사항을 실시간으로 추적 할 수 있습니다.

IoT 기기가 Diabetes Data Collection을 변형하는 방법

CGMs의 광범위한 채택 이전에 당뇨병 관리는 손가락 스틱 측정에 크게 의존했으며 일반적으로 하루에 4 ~ 10 회 수행했습니다. 이 스냅 샷은 중요한 추세와 야간 패턴을 놓았습니다. IoT 장치는 여러 가지 기본 방법으로 데이터 수집을 변경했습니다.

연속 포도당 모니터

Dexcom G6, Abbott FreeStyle Libre 및 Medtronic Guardian 센서와 같은 CGM은 상호 작용 유체의 포도당 수준을 측정합니다. 그들은 스마트 폰 앱 또는 전용 수신기에 무선으로 읽을 수 있으며 5-15 분마다. 환자는 수동으로 로그를 할 수 있는 일 당 약 288 데이터 포인트를 생성합니다. 이 고주파 데이터는 ML 모델이 하위 글루코 레이트 - 교환 패턴 (g.g.g.g.g.g.)을 감지 할 수 있습니다.

스마트 인슐린 펜 및 펌프

스마트 인슐린 펜 (예 : Novo Nordisk의 NovoPen 6, Companion Medical's InPen)은 주입 시간, 복용량 및 인슐린 유형의 자동 모바일 앱으로 동기화합니다. 통합 CGM 데이터가있는 인슐린 펌프는 제어-IQ와 함께 탄뎀 tslim X2, 자동 인슐린 배달 (AID) 시스템을 사용하여 알고리즘 (Pten ML 기반)을 사용하여 실시간 프로파일을 조정할 수 있습니다. 이 모듈은 ML-based sluminstrate 장치에서 이러한 응답 시간을 조정할 수 있습니다.

Wearable Fitness Tracker 및 기타 센서

Apple Watch, Fitbit, Garmin 장치와 같은 착용 가능은 상황에 맞는 데이터를 제공합니다. 심장 박동성, 피부 온도, 단계, 수면 단계 및 스트레스 수준. 이러한 변수는 포도당 물질 대사에 영향을 미칩니다. 예를 들어, 물리적 활동 증가 인슐린 감도; 스트레스는 피질과 피 설탕을 높입니다. 예측 모델로 이러한 컨텍스트 신호를 공급하는 것은 환자의 현재 활동 및 생리 상태에 따라 예측을 조정하는 것을 배우는 것과 같이 정확성을 향상시킵니다.

Predictive Diabetes 모델에 대한 기계 학습 기술

IoT 기기의 원료 데이터는 처리, 정리, 그리고 예측 모델에 사용될 수 있기 전에 변환되어야 합니다. ML 알고리즘의 선택은 임상 문제에 따라 달라집니다. 수치 포도당 가치를 예측하고, 임차 사건을 분류 (hypoglycemia/hyperglycemia) 또는 그룹화 환자는 위험 범주로 분류합니다.

Glucose Forecasting에 대한 회귀 모델

가장 일반적인 작업은 주어진 수평선에서 미래 혈액 포도당 수준을 예측하고 있습니다. 예를 들어, 15, 30, 또는 60 분 전에. 시간 시리즈 회귀 모델은 자연 후보입니다. 전통적인 자동 통합 이동 평균 (ARIMA) 모델은 역사적으로 사용되었지만, 깊은 학습 변형은 이제 지배적이다. 긴 짧은 - Term Memory (LSTM) 네트워크, 재전류 신경 네트워크 (RNN)의 유형은 특히 스탠포드 대학 (Scotton University)에서 발행 한 데이터는 30 밀리 그램의 실험실에서 지속되는 데이터의 평균을 나타냅니다.

Event Detection에 대한 분류 모델

혈당은 혈당을 예측하는 것보다, 일부 모델은 예측 창 내에서 hypoglycemia (혈당 포도당 < 70 mg/dL) 또는 hyperglycemia (> 180 mg/dL)의 온 세트를 검출하도록 설계되었습니다. 이 것은 바이너리 또는 다 종류 분류 문제입니다. 무작위 숲, XGBoost 및 지원 벡터 기계 (SVMs)와 같은 알고리즘은 최근의 혈당에 대한 혈당을 나타내는 것입니다. (Dragonic Forest, XGBoost, and support vector machine)는 혈당에 대한 혈당화에 대한 기록에 대한 정보를 얻을 수 있습니다.

환자 Subphenotyping를 위한 클러스터링

당뇨병은 획일한 질병이 아닙니다. 환자는 인슐린 감도, beta 세포 기능, 생활양식 및 치료에 응답과 다릅니다. Unsupervised clustering (예를들면, k-means, hierarchical clustering)는 IoT 데이터 패턴을 기반으로 한 하위 phenotypes로 그룹 환자를 그룹화할 수 있습니다. 이 하위 그룹은 특정 치료 요법에 대한 명백한 위험 프로파일을 가지고 있거나 더 정확하고 개인화 된 치료를 가능하게 할 수 있습니다.

예측 모델 구축: Data to Deployment

작업 예측 모델을 만들려면 단순히 알고리즘을 선택하는 여러 단계가 있습니다. 각 단계는 자신의 도전과 디자인 선택을 제공합니다.

데이터 취득 및 사전 처리

IoT 데이터 스트림은 종종 메시가 있습니다. 누락된 독서 (감지기 분해, 전송 간격), 소음 (압축 artifacts) 및 불규칙한 시간 간격. 사전 처리에는 결함 (예를 들어, 짧은 간격을 위한 선형 간섭), 아웃렛 제거 (기체적으로 glucose >와 같은 불가능한 값; 600 mg/dL 또는 < 20 mg/dL) 및 획일한 주파수 (매체적으로 불가능한 값)에 대한 샘플링이 포함되어 있습니다. 또한, 기록 추적 장치에는 5 분의 기록 장치가 필요합니다.

기술연구소

LBGI(F)는 LBGI(F)의 LBGI(F)의 LBGI(F)의 LBGI(F)의 LBGI(F)의 LBGI(F)의 LBGI(F)의 LBGI(F)의 LBGI(F)의 LD(F) 의 LD(F) 를 갖는 LD(F) 의 LD(F) 의 LD(F) 의 LD(F) 를 갖는 LD(F) LD(F) 의 LD(F) 의 LD(F) 를 의 LD(F(F) 의 의 LD(F) LD(F) 의 LD(F) LD(F) LD(F) LD(F) LD(F) 의 LD(F) 의 를 의 의 의 LD(F(F(F) LD(F) LD(F) LD(F) LD(F) LD) LD(F) LD(F) 를

모델 교육 및 검증

IoT 기기의 데이터는 고유한 과제를 제시합니다. 동일한 환자의 샘플은 관련성이 있으며, 많은 표준 검증 방법의 독립성 가정을 위반합니다. 연구자들은 환자가 일시적으로 교차 유효성 또는 임시 열차 / 테스트 분할을 사용하여 데이터 누설을 방지합니다. 환자의 데이터의 첫 주에 훈련 된 모델은 정확하게 두 번째 주 (대기적 유효성 검사)를 예측할 수 있지만, 비만 환자 (간접성)에 대한 일반화는 임상적 평가 (Earcleic Impact)에 의해 결정됩니다.

실시간 Inference 및 통합

이 웹 사이트는 귀하가 웹 사이트를 탐색하는 동안 귀하의 경험을 향상시키기 위해 쿠키를 사용합니다. 이 쿠키들 중에서 필요에 따라 분류 된 쿠키는 웹 사이트의 기본적인 기능을 수행하는 데 필수적이므로 브라우저에 저장됩니다. 또한이 웹 사이트의 사용 방식을 분석하고 이해하는 데 도움이되는 제 3 자 쿠키를 사용합니다. 이 쿠키는 귀하의 동의하에 만 브라우저에 저장됩니다. 이러한 쿠키 중 일부를 선택 해제하면 검색 환경에 영향을 미칠 수 있습니다. 이러한 쿠키 중 일부를 선택 해제하면 검색 환경에 영향을 미칠 수 있습니다.

실제 사례 및 연구 진행

몇몇 상업 및 학문적인 체계는 이미 당뇨병 예측을 위한 IoT + ML의 잠재력을 보여줍니다.

FDA 승인 Medtronic Guardian 3 시스템은 CGM 트렌드에 따라 30 분 전에 저혈압을 예측하는 독점적 인 알고리즘 (SmartGuard)를 사용하여 임계 값이 위반 될 가능성이있는 경우 간헐적 인 인 인슐린 배달을 중단합니다. 마찬가지로 Tandem Control-IQ 알고리즘은 기계 학습과 밀접한 관계있는 모델 예측 제어 (MPC) 접근 방식을 사용하여 기동성 인슐린 속도를 조정하고 boluses를 자동으로 전달합니다.

연구 영역에서 OhioT1DM 데이터 세트 (8 주 이상 1 형 당뇨병 환자에서 수집) 포도당 예측 모델을 개발하기위한 벤치 마크가되었습니다. 전 세계 CGM, 인슐린, 식사 및 활동 데이터를 사용하여 LSTMs, 복잡한 신경 네트워크 (CNNs) 및 하이브리드 모델에 대한 벤치 마크가되었습니다. Mirshekarian et al. (Biomedical Engineering의 IEEE Transactions에서 출판 됨)의 2021 연구는 0.72의 다중 경보를 통해 신속하게 수행 할 수 있으며, 이는 SAP-D2의 정밀성 검사를 통해 즉각적인 데이터 분석 결과를 얻을 수 있습니다.

외부 링크 예: OioT1DM 데이터 세트 및 당뇨병 예측에 대한 기계 학습 벤치 마크에 대해 자세히 알아보기].

챌린지 및 장애물을 Widespread Adoption에

인상적인 기술 발전에도 불구하고, 당뇨병 치료의 IoT 가능하게 예측 모델의 일상적인 사용은 상당한 장애물을 직면.

데이터 프라이버시 및 보안

이 웹 사이트는 귀하가 웹 사이트를 탐색하는 동안 귀하의 경험을 향상시키기 위해 쿠키를 사용합니다. 이 쿠키들 중에서 필요에 따라 분류 된 쿠키는 웹 사이트의 기본적인 기능을 수행하는 데 필수적이므로 브라우저에 저장됩니다. 또한이 웹 사이트의 사용 방식을 분석하고 이해하는 데 도움이되는 제 3 자 쿠키를 사용합니다. 이 쿠키는 귀하의 동의하에 만 브라우저에 저장됩니다. 이러한 쿠키 중 일부를 선택 해제하면 검색 환경에 영향을 미칠 수 있습니다. 이러한 쿠키 중 일부를 선택 해제하면 검색 환경에 영향을 미칠 수 있습니다.

상호 운용성 및 장치 표준화

당뇨병 환자는 종종 여러 제조업체에서 장치를 사용합니다. Dexcom CGM, Omnipod insulin 펌프 및 Fitbit 활동 추적기. 각 장치는 다른 프로토콜 (Bluetooth Low Energy, 독점적 인 API, MQTT, HL7 FHIR)를 사용합니다. 이러한 스트림을 쿼리하거나 결합하기위한 범용 표준이 없습니다. FDA의 및 IEEE의 상호 운용성 의료 기기 (예 : IEEE 11073 개인 건강 장치 표준)에 대한 노력은 거의 통합되지 않습니다. 데이터가 손상되지 않고도 데이터가 잘못되거나 손상되지 않은 성능이 거의 없습니다.

모형 Robustness와 Generalizability

대부분의 예측 모델은 상대적으로 작은 데이터 세트 (몇 백 환자에 대한 문서)에 훈련되며 특정 인구 통계 (예 : 지배적으로 흰색, 최신 인슐린 펌프에 액세스 할 수있는 높은 인컴 (High-income)에 대해 꼬집습니다. OhioT1DM 코호트에 10 mg / dL MAE를 달성하는 LS TM는 다른 인슐린 감도 프로파일, 다른 식단, 또는 다른 식단, 또는 일반 모델에 비해 2 배가 더 크지 않습니다. 이러한 유형의 모델은 일반 모델보다 더 큰 모델이 필요합니다.

규제 검증 및 임상 승인

FDA (또는 동등한 기관)에 의해 명확하게 예측 알고리즘을 얻기 위해서는 엄격한 임상 검증이 필요합니다. 모델은 안전, 효능 및 평등 또는 우수한 관리 표준에 대한 우수성을 입증해야합니다. FDA의 디지털 건강 소프트웨어 사전 인증 프로그램은 낮은risk AI 모델에 대한 간소화 승인을 목표로하지만 높은-risk 알고리즘 (직접 인슐린 배달을 제어하는 데 사용됩니다)은 여전히 광범위한 임상 시험에 대해 겪어야합니다. 많은 학문 모델은 규제 리소스에 대한 규제가 부족하기 때문에 상업적 배포가 부족하지 않습니다.

미래 지향: IoT 및 기계 학습이 Heading되는 곳

혁신의 다음 물결은 현재 제한을 해결하고 새로운 가능성을 열어 줄 것을 약속합니다.

개인정보 보호 정책 교육

클라우드 서버의 환자 데이터를 중앙 집중화하는 대신, 페더레이션 학습은 장치 또는 병원 가장자리에서 발생하기 위해 모델 교육을 허용, 뿐만 아니라 집계 모델 업데이트 (gradients) 중앙 서버로 다시 공유. 이 접근은 개인 정보 보호 (raw data never leaves the 참을성’s control)을 보존하고 수천 명의 환자에서 데이터를 이동하지 않고도 활용할 수 있습니다. Google의 TensorFlow Federated 및 NVIDIA Clara는 의료 분야에서이 탐구하는 프레임 워크입니다. 글루코시온 예측에 대한 초기 결과, 이는 중앙 모델을 비교할 수 있는 모델을 보여줍니다.

Edge AI 및 감소된 대기

AI 칩 (예 : Google Edge TPU, Apple Neural Engine)을 전문으로하는 고급은 스마트워치 또는 전용 당뇨병 패치에서 복잡한 딥러닝 모델을 직접 실행할 수 있습니다. 감소 된 대기 시간은 모델이 최신 CGM 판독을 수신하는 몇 초 이내에 예측을 만들 수 있으므로 실시간 개입을 가능하게합니다. 하이브리드 폐쇄 루프 시스템을 위해 가장자리 인스테이션은 클라우드 의존 제어의 지연과 신뢰성 문제를 제거합니다.

Clinician Trust에 대한 설명

추가 읽기에 대한 외부 링크 : [[FLT :0]]JAMA 당뇨병 관리에 AI에 대한 리뷰[FLT :1]] 및 [FLT :2]]]미국 당뇨병 협회 디지털 건강에 대한 연구 업데이트 [FLT : 3]].

의약

오늘날 당뇨병에 살고있는 수백만의 경우, 폐쇄형 루프 시스템의 약속은 원활하게 예측하고 일정한 수동 노력 없이 포도당 excursions를 방지합니다. 그것은 IoT 및 기계 학습의 융합에 내장 된 주변의 맹렬한 현실입니다.