Diabetes Management의 기계 학습의 약속

당뇨병은 전 세계적으로 530 만 명 이상의 성인에 영향을 미칩니다. 1 형 당뇨병과 매일 인슐린 치료가 필요한 많은 경우. 십년간 동안 인슐린 투싱은 규칙 기반 알고리즘에 의존했습니다. 종종 고정 탄수화물 ‐ ‐ 인슐린 비율 및 보정 인자를 사용하여 - 그것은 역학을 캡처하지 못하고 혈액 포도당 규정의 다단계 성격을 캡처하지 못합니다. 기계 학습은 기적 변화를 제공합니다. 대신 알고리즘 대신, 환자의 데이터가 개인적으로 인식되는 것을 배우는 것은 개인적 인 연구의 권장 사항을 충족하는 것입니다. 이 기사는 개인적 인 연구에 대한 자세한 내용을 자세히 설명합니다.

왜 전통 인슐린 도징 폭포 짧은

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.

Insulin Pharmacokinetics의 역할은 과실을 투약

기존의 투약의 또 다른 단점은 인슐린 흡수 및 정리의 개별 차이를 고려할 때 실패입니다. 약리학적인 매개 변수는 주입 사이트, 신체 구성 및 주위 온도로 널리 변화합니다. 고정 알고리즘은 일반적으로 인슐린 복용량과 후속 갑상선의 겹쳐 쌓이기 위해 표준 인슐린 작용 프로파일을 가정합니다. 기계 학습 모델은 펌프 및 CGM 데이터에서 각 환자의 고유 한 흡수 곡선을 배울 수 있으며, boluses 및 alalalalalal 조정의 더 정확한 타이밍을 가능하게합니다.

Insulin 추천을 개선하는 방법 기계 학습 모델

인슐린 투싱에 대한 기계 학습 접근은 크게 세 가지 범주로 분류 될 수 있습니다 : 예측, 결정 만들기, 하이브리드 모델에 대한 보강 학습을 감독하고, 모두 결합. 각 범주는 인슐린 배달 도전의 특정 측면을 주소.

Glucose Forecasting을위한 감독 학습

Supervised 모델은 과거의 글루코노스 수준을 예측하기 위해 역사적인 데이터 - CGM 추적, 인슐린 용량, 식사 로그 및 활동 기록에 훈련됩니다. 일반적인 아키텍처는 글래드 런치 나무 (XGBoost, LightGBM), 재발성 신경 네트워크 (RNNs) 및 장기 메모리 네트워크 (LSTMs)를 포함합니다. 이 모델은 높은 정확도로 앞서 글루코스 30-120 분을 예측할 수 있으며, 예를 들어, 표준 모델은 20-1/2-1/2-1/2-1/2-1/2-1/2-1/2-1/2-1/2-1/2-1/2-1/2-1/2-1/2-1/2-1/2-1/2-1/2-1/2-1/2-1/2-1/2-1/2-1/2-1/2-1/2-1/2-1/2-1/2-1/2-1/2-1/2-1/2-1/2-1/2-1/2-1/2-1/2-1/2-1/2-1/2-1/2-1/2-1/2-1/2-1/2-1/2-1/2-1/2-1/2-1/2-1/2-1/2-1/2-1/2-1/2-1/2-1/2-1/2-1/2-1/2-1/2-1/2-1/2-1/2-1/2-1/2-1/2-1/2-1/2-1/2-1/2-1/2-1/2

자율 학습의 강화 학습

RL(Reinforcement Learning)는 가장 가장 오래된 환경에서 시험 및 오류를 통해 최적의 투약 정책을 학습함으로써 단계가 더 예측됩니다. 이 모델은 목표 범위 내에서 포도당 숙박 및 골절에 대한 처벌을받을 때 보상을받습니다. 많은 반복을 통해 장기적으로 유해한 기후를 극대화하는 인슐린 복용량을 선택하는 것이 좋습니다. RL 에이전트는 기존의 PID (전문적 ‐integral-derivative 레코드)에 표시되어 있으며, 특히 심각한 질병을 유발할 수 있는 심각한 위험이 있습니다. 그러나, RL은 종종 환자의 위험이 적기 때문에 심각한 위험이 발생하지 않습니다.

하이브리드 모델 및 Ensemble 방법

이 시스템은 규칙 기반 안전 제약과의 감독 된 예측을 결합합니다. 예를 들어, LSTM 및 XGBoost 모델의 ensemble은 포도당을 예측할 수 있지만, 별도의 RL 모듈은 복용량을 제안하지만 최종 출력은 용량이 사전 정의 된 임계값을 초과하는 경우 전달을 방지하는 보수적 안전 층에 의해 필터링됩니다. 이 접근은 환자의 안전과 개인화, 규제 승인에 대한 중요한 요구 사항을 균형. 또 다른 하이브리드 방법은 Bayesian을 사용하여 개별 지식과 개인적 지식에 대한 개별적 지식을 결합하는 알고리즘을 사용합니다.

Key Data Sources 및 Model Training의 역할

어떤 기계 학습 시스템의 성공은 품질, 자질 및 데이터의 다양성에 따라 달라집니다. 인슐린 투싱의 경우, 다음 데이터 스트림은 가장 영향력이 있습니다.

  • ]지속적인 포도당 모니터링 (CGM) 읽기:] 일반적으로 5-15 분마다 샘플링, 포도당 값의 풍부한 시간 시리즈를 제공. 모델은 CGM 데이터의 최소 2~4 주가 필요하여 개별 순환 리듬과 식사 응답을 캡처합니다. 일부 고급 모델은 또한 원시 센서 신호를 사용합니다 (예 : interstitial 포도당 현재) 심지어 더 빠른 예측을 위해.
  • 인슐린 펌프 레코드:인슐린 비율, bolus 금액 및 납품 타이밍의 상세한 로그. 이 모델은 급속한 ‐acting 인슐린 아날로그 (예를들면 인슐린 lispro, aspart)의 약리학을 이해하는 데 사용할 수 있습니다. 인슐린에 대 한 계산을 포함 하 여 기능으로 용량 스태킹을 방지할 수 있습니다.
  • Meal data: Carbohydrate counts (타이밍과 macronutrient 구성으로 구분). 일부 고급 시스템은 식품 사진이나 바코드 스캐닝을 사용하여 glycemic load를 견적합니다. 지방과 단백질 함량은 크게 포도당 흡수를 지연하고, 이러한 macronutrients를 통합하는 모델은 개선 된 포스트 미드 예측을 보였습니다.
  • 의료 활동: 단계 수, 심장 박동, 운동 유형은 착용 할 수 있습니다. 운동 증가 인슐린 감도를 증가시키고 지연된 hypoglycemia를 일으킬 수 있습니다; 모델은 다른 인텐스 및 내구에 걸쳐 이러한 효과를 배울 수 있습니다. 연속 심장 박동은 신체 및 감정적 스트레스를 모두 위해 프록시 역할을 할 수 있습니다.
  • 스트레스와 수면 메트릭 : Cortisol 레벨 (생미용), 수면 시간 및 자기 ‐수신 스트레스 점수. 두 생리 및 심리적 스트레스는 카운터 조절 호르몬을 통해 혈액 포도당을 제기. 수면 분비는 또한 인슐린 감도를 감소, 하룻밤 예측에 대한이 중요한 기능을 만들기.
  • Menstrual Cycle phase: Hormonal fluctuations는 생리적인 개인에 대한 인슐린 감도에 크게 영향을 미칩니다; 이 데이터를 포함하여 모델 정확도를 최대 12%까지 향상시킵니다. 사이클 단계에 대한 예측 모델은 비동시적으로 비동시 비율을 조정할 수 있습니다.

합성 데이터 낙태 - 현실적 환자 추적 생성 - 또한 훈련 세트를 확장하고 심각한 고혈증과 같은 희귀 한 이벤트에 대 한 모델 견고를 향상 시키기 위해 사용 된다. 유전 적 네트워크 (GANs)와 같은 기술은 임시 상관관계를 보존 하는 높은 ‐ fidelity 합성 CGM 데이터를 생산할 수 있습니다, 모델이 광범위한 시나리오에서 배울 수.

기계 학습의 장점-Driven Algorithms

제대로 구현할 때, 기계 학습은 기존의 접근 방식에 대한 얽매이지 않는 개선을 제공합니다.

  • ]폴더에서 활용:알고리즘은 수천 개의 환자 데이터를 배울 수 있으며, 각 개별의 독특한 생리학과 라이프 스타일에 적응할 수 있습니다. 이것은 정적 규칙과 불가능합니다.
  • 저혈증 감소: 예측 모델은 낮은 포도당 이벤트가 발생하기 전에 인슐린 납품을 중단 할 수 있으며, 임상 연구에서 50-70 %의 비혈증률을 감소시킵니다. 예를 들어, 탄뎀 t:slim X2의 예측 낮은 포도당 suspend 기능은 6 개월 평가에서 63%의 심한 비혈성 사건을 감소시킵니다.
  • 초록시간 향상:초록시험은 표준치료와 비교하여 대상 포도당 범위(70-180 mg/dL)에 소요되는 시간의 비율에 10~20% 증가를 보고합니다. ML-powered closed-loop 시스템은 실제 사용에서 80% 시간 범위 이상 달성했습니다.
  • Lower HbA1c: 향상된 일일 컨트롤은 장기적인 글리세라이드 마커를 더 잘 번역합니다. 자동화된 인슐린 전달 시스템의 메타 분석(ML 기반 원)은 미세 혈관 합병 위험을 줄이기 위해 임상적으로 의미있는 0.5-0.8%의 평균 HbA1c 감소를 발견했습니다.
  • 정신 피로: 환자는 지속적으로 복용량을 계산할 필요가 없습니다; 알고리즘은 분대 조정을 처리하고 수명과 고착의 질을 개선하는 bolus 양을 권합니다. ML ‐enabled 펌프의 사용자의 조사는 두드러지게 당뇨병 관련 경감 점수를 보고합니다.

Real-World 구현 및 임상 증거

상업 및 연구 시스템은 기계 학습이 가정 설정에서 안전하게 배치 될 수 있음을 입증했습니다. Medtronic 780G 시스템은 현저한 비율과 자동 연결 boluses를 최적화하는 역사적인 데이터에 근거한 적응 알고리즘을 사용합니다. SmartGuard 기술은 CGM 트렌드에 따라 인슐린 납품을 자동으로 조정하고, 실제 연구는 75 %를 초과하는 미디어 시간 인 ‐ 범위가 표시됩니다. 마찬가지로, [[LT:2]] LT:2 ‐2 ‐2 ‐2 ‐2 ‐2 ‐2 ‐2 ‐2 ‐2 ‐2 ‐2 ‐2 ‐2 ‐2 ‐2 ‐2 ‐2 ‐2 ‐2 ‐2 ‐2 ‐2 ‐2 ‐2 ‐2 ‐2 ‐2 ‐2 ‐2 ‐2 ‐2 ‐2 ‐2 ‐2 ‐2 ‐2 ‐2 ‐2 ‐2 ‐2 ‐2 ‐2 ‐2 ‐2 ‐2 ‐2 ‐2 ‐2

더 진보 된 ML-native 시스템은 늦은 단계 개발 중입니다. 예를 들어, Beta Bionics iLet]는 탄수화물 계산을 필요로하지 않는 보강 학습 에이전트를 사용합니다. 그것은 시간 동안 식사 패턴을 배울 수 있습니다. iLet의 "learn‐and‐adapt" 알고리즘은 이전 날의 포도당 FX 결과에 따라 악대 속도를 조정합니다. 20LTS는 ILet의 "FLT:2"를 사용하여 환자의 영향을 크게 개선하고 있습니다.

또 다른 주목할만한 예는 OpenAPS 커뮤니티이며, 사용자가 자신의 폐쇄형 루프 시스템을 최적화하기 위해 오픈 소스 ML 모델을 구축했습니다. FDA 승인이 되지 않은 동안, 이러한 풀뿌리 노력은 상업적 개발을 알리는 귀중한 실제 데이터가 생성되었습니다. #WeAreNotWaiting 운동은 데이터 공유 및 협업 알고리즘 설계를 촉진하여 혁신을 가속화했습니다.

도전과제

약속에도 불구하고 ML- 구동 도싱이 보편적으로 떨어지는 장애물이 극복되어야합니다.

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.

모형 종합과 구경측정 Drift

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.

규제 Hurdles

ML ‐ 기반 의료 기기는 엄격한 검증을 요구합니다. FDA의 의료 기기로 "소프트웨어"(SaMD)의 프레임워크는 다양한 인구의 안전과 효과에 대한 증거를 요구하고 있습니다. Explainable AI는 또한 규제 초점입니다. clinicians 및 환자는 복용량이 권장되는 이유를 이해해야합니다. Black ‐box 모델은 승인을 얻는 것이 더 적습니다. SHAP (SHapley 첨가제 exPlanations) 또는 LIME (Local Interpretable Model‐agnostic Explansion)과 같은 기술에는 FDA의 능력이 포함됩니다. FDA는 FDA의 의료 기기에 대한 이해를 갖는 것이 아니라 의료 기기의 중요성을 입증할 수 있습니다.

임상 Workflows와 통합

대부분의 endocrinologists는 ML 출력을 해석하기 위해 훈련되지 않습니다. 전자 건강 기록 (EHRs)와 이음새가 없는 통합 및 결정 지원 공구는 근본적입니다. 더욱, 건강 체계는 AI ‐ 가이드한 치료를 위해 reimburse를 해야 합니다 - 먼 참을성 있는 감시를 위한 새로운 CPT 부호를 통해서 천천히 해결되는 도전. 미국에서는, Medicare &를 위한 센터; Medicaid 서비스 (CMS)에는 CGM와 인슐린 펌프를 위한 확장한 적용이 있고, 그러나 AI 침입을 위한 의지가 남아 있습니다.

사용자 신뢰 및 Adoption

알고리즘이 검증된 경우에도 환자와 클리닉은 cede 제어에 대한 의지가 될 수 있습니다. ML 시스템의 장점과 한계에 관한 교육은 필요합니다. 참가자 연구를 통해 알고리즘 설계에서 환자를 팽창시키고 시스템의 실제 요구 사항을 충족 할 수 있습니다.

미래 방향과 다음 세대 알고리즘

혁신의 다음 파는 다음에 초점을 맞출 것입니다:

  • 다중 데이터 융합: CGM을 착용할 수 있는 (스마트워치, 연속 심박수 모니터) 및 환경 센서 (예: 온도, 오염 조사)를 결합하여 외부 스트레스를 캡처합니다. 예를 들어, 오염 물질 데이터를 통합하면 알레르기 환자의 염증을 예측할 수 있습니다.
  • 디지털 트윈: 배포하기 전에 silico에서 ML 알고리즘을 테스트하는 데 사용할 수있는 환자의 물질의 개별적 수준의 계산 모델을 만듭니다. 디지털 트윈은 포도당 insulin 동적의 생리 모델을 통합하고 안전 검증을 위해 수천 개의 시나리오를 시뮬레이션 할 수 있습니다.
  • 적응성 메타 학습: 학습하는 방법을 배우는 알고리즘 - 데이터의 몇 일만에 새로운 환자에 신속하게 적응, 몇 번의 학습으로 알려진 개념. 모델 ‐agnostic meta‐learning (MAML)와 같은 Meta ‐learning 접근 방식은, 모델의 매개 변수를 초기화할 수 있습니다.
  • ]2형 당뇨병을 위한 인공적인 pancreas로 통합:] 대부분의 연구는 유형 1형 당뇨병에 집중했습니다; ML 구동되는 닫히는 반복 체계를 insulin ‐requiring 유형 2 환자는 극적으로 다량 더 큰 인구를 위한 결과를 개량할 수 있었습니다. 복잡성은 잔여 beta 세포 기능, 인슐린 저항 및 polypharmacy, 그러나 간단한 알고리즘 쇼 약속을 가진 초기 예심으로 증가합니다.
  • ] 임상 의사 결정 지원에 대한 설명 가능한 AI: 복용량을 권장하지 않는 모델 개발뿐만 아니라 합리적인 (예를 들어, "다음 30 분 이내에 예상 운동 감소)는 클리닉 신뢰를 강화하고 공유 결정 ‐ 만들기를 가능하게합니다.

의약

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.