Perkembangan Perkembangan Algoritme Belajar yang Mudah Ada dalam Pendidikan Diabetes

Diabetes memiliki pengaruh lebih dari 537 juta orang dewasa di seluruh dunia, dan jumlah itu terus meningkat. Pembimbingan diri yang efektif sangat penting untuk mencegah komplikasi, namun tradisional satu-ukuran-fit-semua pendidikan sering gagal melibatkan pasien atau mengatasi kebutuhan unik mereka. Enter appactive learning algorithms: sistem penggerak data yang penjahit konten pendidikan ke setiap individu’s tingkat pengetahuan, perilaku, dan konteks klinis. Dengan mengungkit data pasien dan pembelajaran mesin secara real-time, algoritma ini berjanji untuk mengubah pendidikan diabetes dari sebuah kuliah statis menjadi perjalanan pribadi yang dinamis.

Keunggulan tidak seperti platform e-learning standar yang mengikuti kurikulum tetap, sistem pembelajaran adaptif secara terus menerus menyesuaikan kesulitan, pacing, dan fokus bahan berdasarkan pembelajaran’s kinerja dan umpan balik. Dalam perawatan diabetes, itu berarti pasien yang berjuang dengan waktu insulin menerima modul yang ditargetkan pada penghitungan karbohidrat dan dosis koreksi, sementara seseorang dengan pengendalian glikemik yang sangat baik tetapi kebiasaan perawatan kaki yang buruk mendapat pengingat dan demonstrasi pada pemeriksaan kaki harian. Hasilnya adalah pengalaman yang sangat efisien, melibatkan pengalaman yang mempercepat penguasaan keterampilan perawatan diri.

Komponen Teras dari Algoritma Belajar yang Mudah Ada untuk Diabetes

Untuk memahami bagaimana sistem ini bekerja, membantu memecahnya menjadi empat lapisan yang saling berhubungan:

  1. [[ZLT:0]]Data Ingestion Layer] – Mengumpul data terstruktur dan tidak terstruktur dari monitor glukosa, pompa insulin, pelacak aktivitas, log obat, hasil yang dilaporkan pasien, dan catatan kesehatan elektronik.
  2. [5] efleksi pembelajaran statistik atau mesin pasien’s pengetahuan saat ini, celah keterampilan, gaya belajar, dan pola perilaku. Model ini diperbarui setelah setiap interaksi.
  3. [[ZOZT:0]]Content Repository – Sebuah perpustakaan aset pendidikan modular (video, kuiz, simulasi, summary teks) ditandai dengan tingkat kesulitan, topik, keterampilan prasyarat, dan preferensi format.
  4. Perbandingan []]]] Mesin Rekommendasi – Algoritme yang memilih kegiatan pembelajaran terbaik berikutnya dengan menyeimbangkan tiga faktor: apa yang perlu dipelajari oleh pasien (pengetahuan celah), apa yang siap dipelajari (zone pengembangan proksimal), dan apa yang membuat mereka termotivasi (pengamalan engagement seperti waktu hari, kepatuhan baru-baru ini, atau format yang disukai).

Lapisan-lapisan ini bekerja sama dalam sebuah loop: pasien berinteraksi dengan sistem, model update pebelajar, mesin rekomendasi menghitung ulang, dan snippet konten baru disampaikan melalui aplikasi smartphone, antarmuka web, atau bahkan speaker pintar.

Sumber Data Real-Dunia Sumber yang Mudah Penyesuaian Bahan Bakar

Kekayaan model pebelajar tergantung pada beragam data yang disebar ke dalamnya.

  • [FAILT:0]]Courtinuous monitor glukosa (CGMs) – Menyediakan time-in-range, variabilitas glikemik, dan tren panah yang menunjukkan apakah pasien hiperglikemik, hipoglikemik, atau stabil.
  • [[Eflat gnomena:0]]Insulin pompa atau log pena pintar] – Tampilkan kepatuhan pada dosis basal dan bolus, pola koreksi, dan dosis yang terlewat.
  • [[EzexpanyFLT:0]]Aktivitas dan pelacak tidur[ – Aktivitas fisik dan kualitas tidur secara langsung mempengaruhi sensitivitas insulin; algoritme tersebut dapat menghubungkan prompt pendidikan ke negara-negara bagian ini.
  • [AflesT:0]]Patient survei dan micro-feedback – Short, in-the-moment pertanyaan (“ How contained you to being you to becusting you dos after exaint?”) memberikan wawasan langsung ke tingkat keyakinan dan kesalahpahaman.
  • efectfLT:0]]Electronic health records (EHRs) – Hasil laboratorium (HbA1c, eGFR, lipid), komorbiditi, dan daftar obat menyediakan latar klinis untuk penjahitan kompleksitas konten dan urgensi.

Proses Pembangunan Pembangunan Pembangunan Pembangunan: Dari Data ke Pembuangan

Membina sistem pembelajaran penyesuaian yang siap produksi untuk pendidikan diabetes adalah upaya multidisipliner yang melibatkan endokrinolog, diabetes pendidik, ilmuwan data, insinyur perangkat lunak, dan desainer UX. Pengembangan tersebut biasanya dilanjutkan melalui tahap ini:

2. Perlu Perlu Assesmen dan Pemetaan Kandungan

Sebelum menulis satu baris kode, tim mendefinisikan lingkup penuh pendidikan manajemen diri diabetes. ini mencakup area topik seperti:

  • Infeksi darah glukosa target dan pemantauan
  • Penghitungan karbohidrat dan perencanaan makan
  • Administrasi dan dosis dosis nutfah
  • Melarang dan mengobati hipoglikemia
  • Manajemen hari sakit
  • Perawatan kaki, perawatan mata, dan pengurangan risiko kardiovaskular

Setiap topik yang dipecah menjadi objektif belajar mikro (misalnya, “identifikasi tiga penyebab fenomena fajar” atau “hitung dosis koreksi untuk glukosa darah 250 mg/dL”). Pencipta konten kemudian mengembangkan berbagai versi dari tujuan pembelajaran yang sama pada tingkat pembacaan yang berbeda, menggunakan media yang berbeda (teks, video, simulasi interaktif) dan konteks budaya yang berbeda.

Strategi Koleksi Data 2.

Data pelatihan awal ari-ari berasal dari catatan sejarah program pendidikan diabetes, catatan interaksi pasien dari aplikasi yang ada, dan personas pasien yang terkurasi secara ahli.Namun, sistem yang benar-benar adaptif membutuhkan ingestion data real-time. Tim harus merancang saluran pipa yang aman, sesuai dengan yang menarik data yang dide-identifikasi dari perangkat pasien dan EHRs. Konsen dan pengaturan data ditujukan dari awal, mengikuti peraturan seperti HIPAA di AS atau GDPR di Eropa.

[[UGALT:0]]Ubah luar: Baca lebih lanjut mengenai standar data untuk interoperabilitas perangkat diabetes dari Diabetes Data Standards Consortium.

Pelatihan dan Validasi Model 3.

Model pembelajaran mesin zombi yang digunakan dalam sistem adaptif berkisar dari pengetahuan sederhana Bayesian yang menelusuri ke pembelajaran penguatan yang mendalam. pendekatan yang paling umum adalah hibrida:

  • BAHASA Tnowledge tracing – Perkiraan kemungkinan bahwa pasien telah menguasai setiap keterampilan berdasarkan riwayat respon mereka. Algoritma umum adalah model Bayesian Knowledge Tracing (BKT), yang telah digunakan dengan sukses dalam sistem les cerdas untuk matematika dan ilmu pengetahuan.
  • [1] [1] [1] Pembiayaan [1] Pembiayaan] – Pola leverages dari ribuan pengguna yang mirip untuk merekomendasikan konten yang membantu orang lain dengan profil yang sebanding. Sebagai contoh, jika pasien dengan HbA1c tinggi dan rendah “meal planning” skor ditingkatkan setelah menonton video pada pre-bolus timing, sistem akan permukaan video tersebut untuk pasien baru dengan profil yang sama.
  • Zodiz Reinforcement learning (RL) – Algoritma memperlakukan setiap keputusan pendidikan sebagai tindakan yang menghasilkan imbalan (mis., peningkatan nilai kuis, peningkatan jarak waktu (time-in-range)). Lebih dari ribuan interaksi, agen RL mempelajari urutan optimal kegiatan pembelajaran untuk setiap individu.

Model-model kinologi dilatih pada data sejarah dan bertuntun baik melalui pengujian A/B dan studi pilot. metrik validasi mencakup bukan hanya pengetahuan saja keuntungan tetapi juga perubahan perilaku seperti pengurangan peristiwa hipoglikemik, peningkatan kepatuhan obat, dan nilai kepuasan pasien yang lebih tinggi.

Mesin Personalisasi Kandungan 4.

Setelah model memprediksi apa yang harus dipelajari pasien selanjutnya, mesin personalisasi memilih modul konten yang paling sesuai.

  • OCLC [[fLRT:0]]Learner state – Tahap penguasaan saat ini, kesalahan terbaru, kelelahan pertunangan.
  • [O]]AfLAN:0]]Context – Waktu hari (misalnya, pagi vs tidur), lokasi (home vs. kerja), bacaan perangkat terbaru (high glukosa setelah makan malam mungkin memicu modul pada spike postprandial).
  • ¡Efleksif:0]]Affective state – Beberapa sistem mendeteksi frustrasi atau kebosanan melalui waktu respon, jumlah petunjuk yang diminta, atau mood yang direportasi sendiri. Ketika frustrasi tinggi, sistem mungkin menawarkan permainan review atau pesan motivasi daripada mendorong konten baru yang sulit.
  • [[UCUBANFLT:0]]Learning preferensi – Beberapa pasien belajar terbaik dengan menonton, yang lain dengan membaca, dan yang lain dengan berlatih dengan simulasi interaktif.Trek mesin yang formatnya mengarah ke penyelesaian dan tingkat retensi tertinggi untuk individu tersebut.

Keluaran AWAS adalah jalur pembelajaran yang dipersonalisasi yang menyesuaikan secara real time. Sebagai contoh, seorang pasien yang baru belajar tentang penghitungan karbohidrat mungkin menerima kuis singkat, kemudian simulasi di mana mereka menyesuaikan bolus makan dan melihat kurva glukosa yang dihasilkan, kemudian ringkasan teks untuk memperkuat titik kunci. Jika mereka menjawab semua item dengan benar, sistem bergerak pada; jika mereka melewatkan pertanyaan, itu loop kembali dengan penjelasan yang berbeda.

5. Evaluasi Berkelanjutan dan Iterasi

Ketersediaan ugage bukanlah akhir. Sebuah analisis yang berdedikasi dashboard track track indikator performa kunci: waktu-ke-mastery per topik, tingkat drop-off, durasi sesi rata-rata, dan yang paling penting, hasil klinis seperti pengurangan HbA1c, frekuensi hipoglikemia parah, dan kunjungan ruang gawat darurat. Tim pengembangan bertemu mingguan untuk meninjau metrik ini, mengidentifikasi di mana algoritma sedang berjuang, dan memperbarui konten atau parameter model sesuai.

Sebagai contoh, jika data menunjukkan bahwa pasien dengan kemampuan melek huruf kesehatan yang rendah sedang putus setelah pelajaran pertama pada jenis insulin, tim mungkin menulis ulang modul tersebut pada tingkat pembacaan yang lebih rendah dan menambahkan lebih banyak bantuan visual. Jika algoritme terus merekomendasikan video yang sama kepada pengguna meskipun menurunnya keterlibatan, fungsi imbalan dalam model RL mungkin perlu bali untuk menggabungkan novelty sebagai faktor.

Manfaat bagi Pasien dan Penyedia Layanan Kesehatan

Pergeseran dari pamflet statis generik ke pendidikan yang adaptif, terpersonalisasi menghasilkan keuntungan yang terukur untuk kedua belah pihak dalam persamaan perawatan.

Hasil Outscomes Pasien-Aras

  • Pertunangan tinggi [[[FLT:]]Pertandingan tinggi] – Sistem penyesuaian memegang perhatian dengan menyajikan konten yang tidak pernah terlalu mudah (boring) atau terlalu keras (frustrating). Tarif pelengkapan untuk modul adaptif sering melebihi 80%, dibandingkan dengan 20 ⁇ 40% untuk kursus online non-adaptif.
  • Pengetahuan yang diimplikasikan retensi – Pengulangan ruang dan pembelajaran penguasaan, keduanya dibangun menjadi algoritma adaptif, memperkuat konsep seiring waktu. Studi menunjukkan bahwa pasien menggunakan pendidikan diabetes adaptif dapat mengingat langkah-langkah perawatan diri lebih akurat tiga bulan pascaintervensi daripada mereka yang menghadiri sesi kelas tunggal.
  • Pergantian skala Perubahan perilaku] – Ketika pendidikan tepat sasaran, ia memotivasi aksi dunia nyata. Pasien yang menerima pelatih adaptif pada pemantauan glukosa melihat peningkatan 15 ⁇ % dalam frekuensi pemeriksaan harian.
  • AWAS hipoglikemia tereduksi – Modul terpersonalisasi pada mengenali dan mengobati rendah, disampaikan tepat sebelum tidur atau setelah latihan, membantu pasien merasa lebih percaya diri dan mengurangi peristiwa hipoglikemik nokturnal.

Keuntungan Pembekal-Asal

  • [Operasi]CharfeFLT:0]]Scalable pendidikan pasien – Satu pendidik diabetes dapat mengawasi ratusan pasien menggunakan platform adaptif, reserving in-person time bagi mereka yang membutuhkan perubahan manajemen kompleks atau dukungan psikososial.
  • [ZO]Aflat:0]]Aksibilitas wawasan klinis – Sistem menghasilkan laporan yang menyoroti kesenjangan pengetahuan, pola perilaku, dan bendera risiko. Seorang penyedia dapat dengan cepat melihat bahwa seorang pasien masih belum memahami dosis koreksi, dan memperkuat pesan tersebut selama kunjungan berikutnya.
  • [[UGANOFLT:0]]Efficial susulan-up – Pengingat otomatisasi dan pemeriksaan mengurangi tarif no-show untuk kelas pendidikan dan memastikan kesinambungan pembelajaran antar pelantikan.
  • [ZOZAFT:0]] Manajemen kesehatan populasi – Data teragregat dari platform adaptif mengungkapkan kesalahpahaman umum di seluruh populasi diabetes klinik, mengaktifkan inisiatif peningkatan kualitas yang ditargetkan.

Tantangan dan Strategi untuk Mengatasi Mereka

Meskipun telah berjanji, pembelajaran yang mudah beradaptasi untuk pendidikan diabetes menghadapi beberapa rintangan yang membutuhkan perencanaan yang cermat.

Kerahsiaan dan Keamanan Data Keprisiaan Data Keprisiaan

Data kesehatan . Mengumpulkan pembacaan CGM, dosis insulin, dan perilaku pembelajaran menciptakan target yang kaya untuk pelanggaran. Berpatuhan dengan HIPAA, GDPR, dan hukum perlindungan data lokal tidak dapat dinegosiasi. Strategi termasuk enkripsi akhir-ke-akhir, teknik privasi diferensial yang menambahkan kebisingan untuk mengumpulkan data, dan memberikan pasien kontrol granular atas apa yang data dikumpulkan dan bagaimana digunakan. Sistem juga harus menawarkan sebuah lutsinar “ data penggunaan dashboard#8221; yang menunjukkan apa yang tepat algoritma tahu dan memungkinkan menghapus riwayat pasien mereka.

[[Efleksif:0]] Sumberdaya eksternal: Asosiasi Diabetes Amerika Stards of Medical Care in Diabetes mencakup pedoman dalam menindak alat kesehatan digital sambil melindungi privasi pasien.

Ketabahan dan Kepercayaan Algoritma Keegoisan Keegoisan Keegoisan Keegoisan Ketabahan dan Kepercayaan

Pasien dan penyedia kinetik dapat dimengerti dengan sangat waspada terhadap rekomendasi kotak hitam, terutama ketika rekomendasi tersebut dapat mempengaruhi insulin dosing atau waktu makan. Algoritma harus dapat dijelaskan: mengapa video ini memilih video ini sekarang? Data apa yang mendorong keputusan tersebut? Salah satu pendekatan adalah memasukkan sebuah “reason” bidang dalam antarmuka pengguna (mis., “ Modul ini disarankan karena glukosa darah Anda telah tinggi setelah sarapan untuk tiga hari terakhir”). Bagi penyedia, sistem harus permukaan model tingkat keyakinan dan bukti pendukung masing-masing rekomendasi.

Mendorong Relevansi Kandungan dan Sensitivitas Budaya

Sebuah perpustakaan konten dengan ukuran-seukuran gagal untuk melayani populasi yang beragam. Sebuah algoritma adaptif yang dilatih secara predominasi pada data dari bahasa Inggris, pasien perkotaan mungkin berjuang untuk menyesuaikan pendidikan untuk pedesaan, non-bahasa Inggris, atau pengguna tingkat sarjana rendah. Tim pengembangan harus berinvestasi dalam lokalisasi konten (bahasa, citra, contoh makanan), adaptasi budaya (misalnya, menggabungkan makanan tradisional atau praktik puasa agama), dan pengujian kemampuan dengan kelompok pengguna perwakilan. Algoritma itu sendiri harus dirancang untuk mendeteksi ketika konten tidak beresonasi (misalnya, penurunan nilai kuis tinggi, nilai kuis rendah dan bendera untuk tim revisi.

Penyepaduan dengan Aliran Kerja Klinis

Untuk pendidikan adaptasi untuk menjadi bagian standar perawatan diabetes, harus cocok secara mulus ke dalam alur kerja klinis yang ada. Artinya integrasi dengan EHRs (sehingga rekomendasi pendidikan muncul dalam bagan pasien dan dapat ditinjau selama kunjungan), interoperabilitas dengan perangkat diabetes (CGM, pompa), dan komunikasi lancar dengan tim perawatan. Idealnya, sistem harus mengirimkan laporan ringkasan mingguan ke klinik perawatan utama pasien atau endokrinolog, mengurangi beban data manual review.

Studi Kasus Sosis: Awal Sukses dengan Pendidikan Diabetes Mudah Suai

Program pilot yang dijalankan oleh sebuah pusat medis akademik yang besar mendaftarkan 150 orang dewasa dengan diabetes tipe 2 yang memiliki tingkat HbA1c di atas 9%. Peserta menggunakan aplikasi smartphone yang terintegrasi dengan CGM mereka dan menampilkan mesin pembelajaran adaptif yang dilatih pada lebih dari 500 tujuan belajar granular.

  • Rata-rata waktu rata-rata rata-rata-dalam-jangkauan meningkat dari 45% menjadi 63%.
  • Kepercayaan diri yang dilaporkan sendiri dalam mengelola glukosa darah tinggi meningkat sebesar 35%.
  • Pertunangan App berjangka rata-rata 22 menit per hari, dengan 85% pengguna menyelesaikan setidaknya tiga modul per minggu.

Umpan balik kualitatif mengungkapkan bahwa pasien menghargai sifat konten yang tepat waktu: sebuah pemberitahuan sebelum makan malam dengan video pendek tentang menghindari spike pascaprandial, atau pengingat tentang memperlakukan rendah yang muncul ketika panah tren CGM menunjuk ke bawah. Perpribadian kontekstual ini hanya mungkin melalui algoritma adaptif yang memproses data real-time.

Arah Masa Depan untuk Masa Depan

Bidang pendidikan yang mudah beradaptasi dalam pendidikan diabetes masih tetap berkembang, tetapi beberapa jalan menarik berada di cakrawala.

Penyepaduan dengan Telemedicine dan Pemantauan Jauh

Sebagai techmedicine menjadi rutin, pendidikan adaptif dapat tertanam langsung ke dalam kunjungan virtual. Sebelum telekonsultasi, pasien melengkapi modul adaptif pendek yang memperbaharui kesenjangan pengetahuan mereka dan mengirimkan ringkasan ke klinik. Selama kunjungan, dokter dapat fokus pada masalah yang paling menekan daripada menghabiskan waktu pada materi yang sudah diketahui pasien. Pasca-visi, algoritma memperkuat apa yang dibahas dengan konten susulan yang dipersonalisasi.

Pelatih dan Gelung Feedback Real-Time

Bayangkan sebuah sistem adaptif yang tidak hanya mengajar tetapi juga pelatih secara real time. Seorang pasien dengan data CGM yang mengalir ke awan dapat menerima pemberitahuan: “ glukosa Anda meningkat pesat setelah camilan tersebut. Ingatlah untuk pra-bola setidaknya 15 menit sebelum makan. Berikut adalah penyegaran 30 detik pada waktu makan Anda insulin.” Pendidikan tertutup-loop seperti itu melampaui belajar ke dalam perubahan perilaku pada titik perawatan.

Penyesuaian Multimodal dan Multi-Disease

Diabetes jarang terjadi dalam isolasi.Algoritma masa depan akan beradaptasi tidak hanya untuk kebutuhan pendidikan diabetes tetapi juga untuk kondisi komorbid seperti hipertensi, depresi, atau obesitas.Lagian pasien yang sama mungkin menerima modul mengenai perhitungan natrium di pagi hari dan latihan manajemen stres di malam hari, semua dipandu oleh model pembelajaran terpadu yang merentang kondisi kronis multiple. Pendekatan holistik ini sejajar dengan pergeseran ke arah perawatan terintegrasi yang terpusat pasien.

Perangkat Suara dan Bahasa Alam

Penutur pintar dan asisten suara yang berpengendali menawarkan cara bebas tangan untuk menyampaikan pendidikan adaptif, terutama bagi pasien lanjut usia atau yang memiliki visi rendah.Algoritma tersebut dapat mengajukan pertanyaan, mendengarkan tanggapan verbal pasien, dan menentukan konten terbaik berikutnya. Pilot awal dengan Amazon Alexa dan Google Assistant telah menunjukkan kepuasan tinggi di antara pengguna yang lebih suka berbicara daripada instruksi tertulis.

Praktek Terbaik untuk Organisasi yang Mengimplementasikan Pendidikan Diabetes yang Mudah Ada

Untuk sistem kesehatan, pembayaran, atau perusahaan kesehatan digital yang mencari untuk menyebarkan pembelajaran yang adaptif, pedoman berikut dapat meningkatkan kemungkinan keberhasilan:

  1. [[NOLT:0]]Mulai dengan lingkup sempit. Fokus pada satu topik berimpact tinggi (contoh, penyesuaian dosis insulin) dan membuktikan algoritme tersebut bekerja sebelum meluas ke kurikulum penuh.
  2. [[CharleFLT:0]]Melibatkan pemudik diabetes dari hari pertama. Keahlian mereka sangat penting untuk penciptaan konten, validasi model pebelajar, dan interpretasi dari output algoritme.
  3. [[Efleksif:0]]Design for inclusivitas. Test with variable cadas countation to earth algorithmic bias. Gunakan bahasa biasa, bahasa ganda, dan adaptasi budaya.
  4. [ZUZNFLT:0]]Bersama baik pengetahuan dan perilaku. Nilai Quiz saja tidak mencukupi.Trek hasil klinis (HbA1c, time-in-range, hypoglycemia rate) untuk menunjukkan dampak dunia nyata.
  5. [[ZOUFLT:0]]Plan untuk perbaikan iteratif. Sistem penyesuaian tidak pernah selesai.Buahan untuk pembaruan konten yang sedang berlangsung, retraining model, dan penghalusan pengalaman pengguna berdasarkan analitik.

AWALFLT:0]] Sumber daya luar negeri: Lembaga Teknologi Diabetes menawarkan sebuah framework untuk mengevaluasi intervensi kesehatan digital[ yang mencakup kriteria untuk fitur adaptif dan dipersonalisasi.

Kekecualian Kesimpulan

Algoritma pembelajaran yang mudah beradaptasi mewakili titik balik dalam pendidikan diabetes. Dengan bergerak melampaui handout statis dan kelas satu kali, sistem cerdas ini bertemu setiap pasien di mana mereka ⁇ secara kognisitif, emosional, dan klinis ⁇ dan membimbing mereka menuju manajemen diri yang lebih baik. Proses pengembangan menuntut, membutuhkan kolaborasi dekat melintasi klinis, konten, dan tim teknis, tetapi hasil gaji substansial: pasien yang lebih terlibat, lebih berpengetahuan, dan lebih percaya diri dalam kemampuan mereka mengelola diabetes hari demi hari.

Sebagai teknologi sensor, sambungan jalur lebar, dan pembelajaran mesin terus maju, pendidikan adaptif akan menjadi komponen standar perawatan diabetes ⁇ bukan add-on yang baik-untuk-memiliki, tetapi alat penting untuk memberdayakan pasien dan meningkatkan hasil pada skala. sistem kesehatan dan payer yang berinvestasi sekarang dalam membangun dan memurnikan algoritme ini akan diposisikan dengan baik untuk memberikan pendidikan yang dipersonalisasi, efektif, dan efisien kepada jutaan orang yang tinggal dengan diabetes di seluruh dunia.