Adaptive Learning Algorithms의 개발 개인 당뇨병 교육 내용

당뇨병 교육의 적응 학습 알고리즘의 상승

당뇨병은 전 세계적으로 537 만 명 이상의 성인에 영향을 미칩니다. 효과적인 자기 관리는 합병증, 아직 전통적인 한 크기의 피트 - 모든 교육은 종종 환자를 참여하거나 자신의 고유한 요구를 해결하기 위해 실패합니다. 적응 학습 알고리즘을 입력하십시오. 각 개별 & #8217;s 지식 수준, 행동 및 임상 상황에 대한 교육 콘텐츠를 맞춤화하는 데이터 중심 시스템. 실시간 환자 데이터 및 기계 알고리즘을 활용하여 이러한 교육에 대한 교육을 약속하는 교육에 대한 교육을 결정합니다.

이 플랫폼은 숙련된 교육 과정을 통해 숙련된 교육 시스템을 지속적으로 조정하고, 학습자 & #8217;s 성능 및 피드백을 기반으로 재료의 어려움, 패싱 및 초점을 지속적으로 조정합니다. 당뇨병 관리에서 인슐린 타이밍과 환자가 발열 및 보정 용량에 대상 모듈을받습니다. 우수한 글리세라이드 제어를 가진 사람이지만, 정상적인 검사에 대한 환자가 생각을 얻고, 일상적인 검사에 대한 데모를 제공합니다. 숙련된 숙련 된 능력은 매우 효율적인 숙련 된 능력으로 숙련된 숙련 된 능력의 결과로 매우 효율적인 학습 능력입니다.

Diabetes를 위한 적응 학습 알고리즘의 핵심 구성 요소

이러한 시스템의 작동을 이해하기 위해, 그것은 4 개의 상호 연결 레이어로 깰 수 있습니다:

데이터 인제스트레이션 레이어 – glucose 모니터, 인슐린 펌프, 활동 추적기, 약물 로그, 환자에 의하여 강제적인 결과, 전자 건강 기록에서 구조화되고 구조화되지 않은 데이터를 수집합니다.
Learner Model – 환자의 통계 또는 기계 학습 표현’s 현재 지식, 기술 격차, 학습 스타일, 행동 패턴. 이 모델은 각 상호 작용 후 업데이트됩니다.
Content Repository – 모듈 식 교육 자산의 라이브러리 (비디오, 퀴즈, 시뮬레이션, 텍스트 요약) 태그 난이도 수준, 주제, 우선 순위 기술, 및 형식 선호.
Recommendation Engine – 세 가지 요소를 균형을 맞추기 위해 다음 최고의 학습 활동을 선택 하는 알고리즘: 환자가 배우는 데 필요한 것 (knowledge gaps), 그들이 배울 준비가 된 것 (진수 개발의 영역), 그리고 그들은 동기를 부여하는 것을 유지하는 것 (일, 최근의 고착, 또는 선호 형식의 시간과 같은).

이 레이어는 루프에서 함께 작동 : 환자는 시스템, 학습자 모델 업데이트, 추천 엔진 재컬렉션 및 새로운 콘텐츠 스니펫이 스마트 폰 앱, 웹 인터페이스 또는 스마트 스피커를 통해 전달됩니다.

Real-World 데이터 소스 그 연료 적응

학습자 모델의 부유성은 다양한 데이터에 따라 달라집니다. 지도 구현은 다음과 같습니다.

지속적인 포도당 감시자 (CGMs) – 환자가 hyperglycemic, hypoglycemic, 또는 안정되어 있는인지 나타내는 시간 범위, glycemic 가변성 및 동향 화살표를 제공하십시오.
인슐린 펌프 또는 스마트 펜 로그 –베이스와 볼러스 복용량에 부착, 보정 패턴, 그리고 놓인 복용량.
액티비티와 수면 트래커] – 물리적 활동과 수면 품질은 직접 인슐린 감도에 영향을줍니다; 알고리즘은 이러한 상태로 교육 프롬프트를 연결할 수 있습니다.
인력 설문조사 및 마이크로피팅백 – Short, in-the-moment 질문 (“How confident are you about Adjusting your dose after exercise?”) 은 즉각적인 인사이트를 신뢰 수준과 무해한.
전자 건강 기록 (EHRs) – 실험실 결과 (HbA1c, eGFR, 지질), comorbidities, 약물 목록은 내용 복잡성 및 긴급성을 위해 임상 백드롭을 제공합니다.

개발 과정: Data에서 Deployment에

당뇨병 교육을위한 생산 능력 적응 학습 시스템을 구축하는 것은 endocrinologists, 당뇨병 교육자, 데이터 과학자, 소프트웨어 엔지니어 및 UX 디자이너와 관련된 다국적 노력입니다. 개발은 일반적으로이 단계를 통해 진행됩니다.

1. 평가 및 콘텐츠 매핑 필요

단일 코드를 작성하기 전에 팀은 당뇨병 자체 관리 교육의 전체 범위를 정의합니다. 이 항목은 다음과 같은 항목 영역이 포함되어 있습니다.

혈액 포도당 표적과 감시 이해
탄수화물 계산 및 식사 계획
Insulin 관리와 복용량 조정
hypoglycemia 예방 및 치료
Sick 일 관리
발 관리, 눈 관리, 심장 혈관 위험 감소

각 주제는 마이크로 학습 목표 (예를들면, “identify 세 가지 원인의 dawn 현상” 또는“calculate a Correction dose for blood glucose of 250 mg/dL”). 콘텐츠 제작자는 다른 미디어 (텍스트, 비디오, 대화식 시뮬레이션) 및 다른 문화적 맥락을 사용하여 다른 읽기 수준에서 동일한 학습 목표의 여러 버전을 개발합니다.

2. 데이터 수집 전략

초기 교육 데이터는 기존 앱과 전문가가 환자를 대상으로 당뇨병 교육 프로그램, 환자 상호 작용 로그의 역사 기록에서 제공됩니다. 그러나 진정으로 적응 시스템은 실시간 데이터 섭취를 요구합니다. 팀은 환자의 장치 및 EHR에서 탈 식별 데이터를 끌어 당기는 안전하고 준수 파이프라인을 설계해야합니다. 일관성 및 데이터 관리는 유럽의 HIPAA와 같은 시작 규정에 따라 시작됩니다.

외부 자원: ]]Diabetes Data Standards Consortium]에서 당뇨병 장치 상호 운용성에 대한 데이터 표준에 대해 더 읽어 보세요.

3. 모형 훈련 및 검증

적응형 시스템에서 사용되는 기계 학습 모델은 간단한 베이시어 지식이 깊은 보강 학습을 추적하는 것입니다. 가장 일반적인 방법은 하이브리드입니다.

Knowledge tracing – 환자가 응답 역사를 기반으로 각 기술을 마스터 한 확률을 추정. 일반적인 알고리즘은 수학 및 과학을위한 지능형 튜터링 시스템에서 성공적으로 사용 된 Bayesian Knowledge Tracing (BKT) 모델입니다.
]Collaborative filtering – comparable profiles를 가진 다른 사람을 도왔습니다 내용의 수천을 추천하는 유사한 사용자의 레버리지 본. 예를 들어, 높은 HbA1c 및 낮은 “meal Planning” 득점은 사전 볼러스 타이밍에 비디오 보기 후에 개량된 점수, 체계는 동일한 단면도를 가진 새로운 환자를 위한 영상을 지상에 놓을 것입니다.
Reinforcement Learning (RL) – 알고리즘은 보상(예를 들어, 향상된 퀴즈 점수, 증가된 시간 범위)을 산출하는 행동으로 각 교육 결정을 다룹니다. 수천 개의 상호 작용을 통해 RL 에이전트는 각 개인에 대한 학습 활동의 최적의 시퀀스를 배웁니다.

모델은 A/B 테스트 및 파일럿 연구를 통해 역사 데이터와 미세 조정에 훈련됩니다. 검증 미터는 지식이 아니라 저하 고혈성 사건, 향상된 약물 준수 및 더 높은 환자 만족 점수와 같은 행동 변화가 포함되지 않습니다.

4. 콘텐츠 개인화 엔진

모델이 환자가 다음을 배우는 것을 예측하면 개인화 엔진은 가장 적합한 콘텐츠 모듈을 선택합니다. 엔진은 다음과 같습니다.

Learner state – 현재 마스터리 레벨, 최근 실수, 참여 피로.
Context – 하루의 시간 (예, 아침 대. bedtime), 위치 (홈 대. 일), 최근의 장치 읽기 (저 포도당 후 저녁 식사는 포스터 스파이크에 모듈을 트리거 할 수 있습니다).
Affective state – 일부 시스템은 응답 시간, 요청된 힌트 수, 또는 자기 허가 된 분위기를 통해 좌절 또는 지루함을 감지합니다. 좌절이 높을 때 시스템은 새로운 어려운 콘텐츠를 밀어보다 오히려 검토 게임 또는 동기 메시지를 제공 할 수 있습니다.
Learning preferences – 일부 환자는 읽기에 의해 최고의, 다른 사람, 그리고 다른 사람에 의해 대화형 시뮬레이션 연습. 이 엔진 트랙은 높은 완료에 리드 형식과 그 개인에 대한 유지율.

이 시스템은 실제 시간에 적응하는 개인화 된 학습 경로입니다. 예를 들어, carb 계산에 대해 배운 환자는 짧은 퀴즈를받을 수 있습니다. 그 다음 식사 볼러스를 조정하고 결과 글루코스 곡선을 볼 수있는 시뮬레이션을 볼 수 있습니다. 그런 다음 키 포인트를 강화하는 텍스트 요약. 그들은 모든 항목을 올바르게 대답하면 시스템은 이동합니다. 그들은 질문을 놓으면 다른 설명과 함께 반복합니다.

5. 지속적인 평가 및 반복

이 메트릭은 모든 종류의 덱스트로킹을 위한 덱스트로킹을 위한 덱스트로킹을 위한 덱스트로킹을 위한 덱스트로킹을 위한 덱스트로킹을 위한 덱스트로킹을 위한 덱스트로킹을 위한 덱스트로킹을 위한 덱스트로킹을 위한 덱스트로킹을 위한 덱스트로킹을 위한 덱스트로킹을 위한 덱스트로킹을 제공합니다. 덱스트로킹은 덱스트로킹을 위한 덱스트로킹을 위한 덱스트로킹을 제공합니다.

예를 들어, 데이터가 낮은 건강 유산 환자가 인슐린 유형의 첫 번째 교훈 이후 떨어지는 것을 보여 주면, 팀은 낮은 독서 수준에서 모듈을 다시 작성하고 더 많은 시각적 보조를 추가 할 수 있습니다. 알고리즘이 참여를 결정하지 않고도 동일한 비디오를 권장하는 경우 RL 모델의 보상 기능은 요인으로 소설을 통합 할 필요가 있습니다.

환자 및 의료 제공자의 혜택

일반적인 정적 팜플렛의 이동은 적응, 개인화 된 교육은 관리 방정식의 양쪽에 대한 measurable 이점을 수 있습니다.

환자 수준 결과

Highervolve – Adaptive system hold 주의 by presenting content that is never easy (boring) or too hard (frustrating). 적응 모듈에 대한 보상률은 종종 80 %를 초과, 비 적응 온라인 코스에 대한 20-40%.
Improved 지식 보유 – 우주 반복 및 마스터 학습, 모두 적응 알고리즘으로 구축, 시간을 통해 개념을 강화. 연구는 자기 관리 단계 더 정확하게 3 개월 후 단일 교실 세션에 참석하는 사람들보다.
Behavior는 scale] –교육이 정확하게 타겟팅될 때, 실제 행동을 동기 부여합니다. 포도당 모니터링에 적합한 코칭을 수신하는 환자는 일일 체크의 빈도에서 15-25% 증가를 볼 수 있습니다.
저혈성 불안 –저혈을 인식하고 치료하는 개인 모듈, 운동 전만 전달, 환자가 더 자신감과 비경구 hypoglycemic 이벤트를 감소 돕는다.

공급자 수준 이점

Scalable 참을성 있는 education – 한 당뇨병 교육자는 적응 플랫폼, 복잡한 관리 변경 또는 정신적 지원을 필요로하는 사람들을 위해 인-사람 시간을 보존하는 환자의 수백을 감독 할 수 있습니다.
Actionable 임상 통찰력] – 시스템은 지식 격차, 행동 패턴 및 위험 플래그를 강조하는 보고서를 생성합니다. 공급자는 신속하게 환자가 여전히 교정 복용량을 이해하지 않으며, 다음 방문 중에 메시지가 강화 될 수 있습니다.
Efficient follow-up – 자동화된 알림 및 체크 인은 교육 수업에 대한 노쇼 요금을 줄이고 약속 사이의 학습의 연속성을 보장합니다.
Population Health Management – 적응 플랫폼의 총계 데이터는 클리닉의 당뇨병 인구를 통해 일반적인 오해를 나타냅니다, 대상 품질 개선 이니셔티브를 가능하게.

구현 도전과 전략은 Overcome Them에

약속에도 불구하고 당뇨병 교육을위한 적응 학습은주의적인 계획을 필요로하는 여러 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 쿠키를 거부 할 수도 있습니다. 이러한 쿠키 중 일부를 선택 해제하면 검색 환경에 영향을 미칠 수 있습니다.

외부 자원: 미국 당뇨병 협회의 Diabetes의 표준 의료 관리는 환자의 개인 정보를 보호하면서 디지털 건강 도구에 대한 지침을 포함.

Algorithm 투명성 및 신뢰

환자 및 공급자는 검은 상자 권고의 경고를 이해하게됩니다. 특히 권장 사항이 인슐린 투싱 또는 식사 타이밍에 영향을 미칠 수 있습니다. 알고리즘은 설명해야합니다. 왜이 비디오를 선택 했습니까? 의사 결정이 어떻게 되었습니까? 한 가지 접근법은 “reason” 사용자 인터페이스의 필드 (예 : “이 모듈은 당신의 혈액 포도당이 지난 3 일 동안 높은 아침 식사이기 때문에 권장됩니다. 각 시스템의 능력은 ”의 ; 자신감을 갖는 것입니다.

콘텐츠 관련 및 문화적 감도 확보

임상 Workflows와 통합

이 시스템은 환자의 의료 전문가가 의료 전문가가 의료 전문가가 의료 전문가가 의료 전문가가 의료 전문가가 의료 전문가가 의료 전문가가 의료 전문가를 대상으로 한 의료 전문가가 제공하는 것을 목표로합니다. 이 프로그램은 의료 전문가가 의료 전문가가 의료 전문가가 의료 전문가가 의료 전문가를 대상으로 한 의료 전문가가 제공하는 의료 전문가가 제공하는 것을 목표로합니다. 이 프로그램은 의료 전문가가 의료 전문가가 의료 전문가를 대상으로 한 의료 전문가가 제공하는 의료 전문가가 제공하는 의료 전문가가 제공하는 의료 전문가가 제공하는 것을 목표로합니다.

사례 연구: 적응 당뇨병 교육과 초기 성공

큰 학술 의료 센터에 의해 실행되는 파일럿 프로그램은 9% 이상 HbA1c 수준을 가진 유형 2 당뇨병으로 150 성인을 등록했습니다. 참가자들은 CGM과 통합 된 스마트 폰 앱을 사용했으며 500 granular 학습 목표에 훈련 된 적응 학습 엔진을 특색짓습니다. 6 개월 이상 :

평균 시간 범위는 45%에서 63%로 증가했습니다.
높은 혈액 포도당을 관리하는 자기 허가 된 신뢰는 35 %로 상승합니다.
앱 참여는 하루에 22 분, 일주일에 최소 3 개 모듈을 완료하는 사용자의 85 %와 함께 평균.

Qualitative 의견은 환자가 콘텐츠의 단속 자연에 대한 평가를 받았다는 것을 밝혀냈습니다: 포스트 판사적인 스파이크를 피하기에 짧은 영상을 가진 저녁 식사의 앞에 통보, 또는 CGM 동향이 아래로 지적될 때 나타난 낮은 대우에 관하여 상기시키는 기꺼이. 이 종류의 상황적인 개인화는 순간 자료를 가공하는 적응성 알고리즘을 통해서만 가능합니다.

미래 지향

당뇨병 교육의 적응 학습 분야는 여전히 성숙하지만, 몇 가지 흥미로운 평균은 수평선에 있습니다.

Telemedicine 및 원격 모니터링과 통합

텔레매틱은 일상적일이 되고, 적응 교육은 가상 방문으로 직접 임베디드 할 수 있습니다. 텔레콘텐츠 이전에는 지식 격차를 업데이트하고 클리닉에 요약을 보냅니다. 방문 중 의사는 이미 환자가 알고있는 것보다 지출 시간이 가장 많은 보도 문제에 집중할 수 있습니다. 포스트비스는 개인화된 후속 콘텐츠와 논의 된 알고리즘을 강화합니다.

실시간 코칭 및 피드백 루프

이 시스템은 실제 시간에 코치뿐만 아니라 가르침을 가르치는 적응 시스템을 상상해보십시오. 클라우드에 CGM 데이터 스트리밍 환자는 알림을받을 수 있습니다 : “당신의 포도당은 그 간식 후에 빠르게 상승하고있다. 먹는 전에 적어도 15 분 전에 미리 볼러스를 기억하십시오. 여기에서 식사 시간 인슐린 타이밍에 30 초 리프레셔입니다.” 이러한 폐쇄 루프 교육은 치료의 시점에서 행동 변화로 학습을 넘어갑니다.

다중 상태 및 다중 상태 적응

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.

음성 및 자연 언어 인터페이스

스마트 스피커와 음성 조수는 특히 노인 환자 또는 저감과 함께 적응 교육, 특히 전달하는 손없는 방법을 제공합니다. 알고리즘은 질문을 할 수 있으며 환자의 동사적 반응을 듣고 다음 최고의 콘텐츠를 결정합니다. Amazon Alexa와 Google Assistant의 초기 파일럿은 서면 명령을 통해 말한 사용자 중 높은 만족을 보였습니다.

Adaptive Diabetes Education을 구현하는 조직을위한 모범 사례

건강 시스템, 급여, 또는 적응 학습을 배포하려는 디지털 건강 회사, 다음 지침은 성공의 likelihood를 증가시킬 수 있습니다 :

좁은 범위로 시작한다. 한 가지 고착성 항목에 초점 (예를 들어, 인슐린 복용량 조정) 전체 커리큘럼에 확장하기 전에 알고리즘 작업을 증명한다.
일로부터 당뇨병 교육자 포함. 그들의 전문 지식은 내용 작성, 학습 모델의 검증, 알고리즘 출력의 해석에 필수적입니다.
내외경을 위한 설계. 알고리즘을 방지하기 위해 다양한 환자 인구를 테스트합니다. 일반 언어, 여러 언어 및 문화 적응을 사용합니다.
2가지 지식과 행동을 모두 해석한다. Quiz 점수는 혼자 충분하다. 실제 충격을 입증하기 위해 임상 결과를 추적한다 (HbA1c, time-in-range, hypoglycemia rate).
]이해 개선을 위한 플랜. Adaptive 시스템은 결코 완료되지 않습니다. 지속적인 콘텐츠 업데이트, 모델 재훈련 및 사용자 경험에 대한 예산 분석에 근거한.

외부 자원: Diabetes Technology Society는 디지털 건강 개입]를 평가하는 프레임 워크를 제공합니다.

의약

Adaptive Learning 알고리즘은 당뇨병 교육의 도킹 포인트를 나타냅니다. 정적 핸아웃과 한 번의 클래스를 넘어 이동함으로써, 이러한 지능형 시스템은 인식, 감정적으로, 임상적으로 - 그리고 더 나은 자기 관리에 대한 안내를하는 각 환자를 충족합니다. 개발 과정은 임상, 콘텐츠, 기술 팀 전반에 걸쳐 긴밀한 협업을 요구하지만, payoff는 실질적으로: 더 많은 참여하고, 더 많은 지식이 있고, 더 많은 일상적인 당뇨병을 관리 할 수있는 능력에 대한 확신을 가지고 있습니다.