Роль данных, генерируемых пациентами, в улучшении алгоритмов системы искусственной поджелудочной железы

Эволюция автоматизированной доставки инсулина, обычно называемой искусственной поджелудочной железой (AP), трансформировала уход за диабетом. Эти системы сочетают в себе непрерывный монитор глюкозы (CGM), инсулиновую помпу и алгоритм управления для корректировки доставки инсулина в режиме реального времени, снижая как когнитивную нагрузку на пациентов, так и риск опасных экскурсий глюкозы. Однако производительность любого алгоритма AP фундаментально ограничена качеством и широтой данных, которые он может использовать. В то время как показания CGM и история насоса образуют основу входов алгоритма, богатый слой данных, генерируемых пациентами (PGD) , включая самооценку питания, физическую активность, стресс, болезнь и сон, предлагает потенциал для персонализации и уточнения поведения алгоритма далеко за пределами того, что могут достичь только данные датчиков. В этой статье исследуется, как PGD используется для повышения точности алгоритма AP, проблемы, которые приходят с ним, и будущее направление управления диабетом, основанного на данных.

Понимание данных, полученных пациентами, в управлении диабетом

Данные, полученные пациентами, охватывают любую информацию, связанную со здоровьем, которая исходит за пределами традиционной клинической обстановки. Для людей, живущих с диабетом 1 типа (T1D), наиболее распространенные элементы ПГД включают:

  • Показатели глюкозы крови (палец или CGM, хотя CGM часто считается сгенерированным устройством)
  • Инсулиновые дозы (базальные показатели, болюсные количества, коррекционные дозы)
  • Углеводное потребление (граммы, время, состав пищи, включая содержание жира и белка)
  • Физическая активность (тип, интенсивность, продолжительность и период восстановления после тренировки)
  • Качество сна и продолжительность (время сна, время бодрствования, перерывы, оценки стадии сна)
  • Журналы стресса и болезней (самооценка психического стресса, инфекции, лихорадки, тошноты)
  • Изменения в медикаментах (корректировка на антигипертензивные препараты, гормоны щитовидной железы или глюкокортикоиды)
  • Фаза менструального цикла и использование гормональной контрацепции
  • Потребление алкоголя и кофеина

Исторически сложилось так, что пациенты записывали эту информацию вручную в журналах или, совсем недавно, в мобильных приложениях для здоровья. С появлением совместимых устройств (комбинации CGM-насос, фитнес-трекеры, интеллектуальные инсулиновые ручки), PGD все чаще собирается автоматически и передается на облачные платформы, такие как Tidepool , Dexcom Clarity или система Medtronic CareLink. Ключевое значение PGD заключается в его гранулярности и контексте: одно только чтение CGM говорит нам о высоком уровне глюкозы, но оно не объясняет, почему. PGD обеспечивает «почему», позволяя алгоритмам изучать чувствительность и динамику пациента. Например, постоянный пост-пищевой гипергликемия шаблон может быть прослежен до заниженного содержания углеводов или скрытой жирной пищи, которая замедляет опорожнение желудка. Без PGD алгоритм будет продолжать доставлять инсулин на основе недооцененных параметров.

Как генерируемые пациентом данные улучшают точность алгоритма

Современные алгоритмы AP делятся на две широкие категории: модельно-прогностический контроль (MPC) и пропорционально-интегрально-производный (PID) контроль , иногда дополненный нечеткой логикой или машинным обучением. Оба полагаются на модель того, как глюкоза изменяется в ответ на инсулин, еду и другие входы. Точная модель требует точных оценок параметров — чувствительности к инсулину, соотношения углеводов к инсулину, скорости поглощения пищи и воздействия физических упражнений. Эти параметры, как известно, изменчивы как в пределах индивидуума (время суток, гормональные циклы, уровень активности) и между людьми. PGD предоставляет продольные данные, необходимые для оценки этих параметров с более высокой точностью.

Индивидуальные корректировки лечения через интеграцию данных

Наиболее ощутимым преимуществом PGD является возможность вносить контекстно-осознанные корректировки. Рассмотрим следующие сценарии:

  • Упражнения: Аэробные упражнения увеличивают использование глюкозы, часто вызывая гипогликемию через несколько часов. При приеме данных с фитнес-трекера или самоотчетного журнала активности алгоритм может уменьшить базальный инсулин и настроить целевую глюкозу вверх до, во время и после сеанса. Некоторые системы даже изучают типичные сроки и интенсивность упражнений пользователя для упреждающей корректировки параметров. Например, если пользователь регистрирует 30-минутный бег в 5 часов вечера каждый понедельник, алгоритм может автоматически снизить базальные показатели, начиная с 4 часов вечера, и поддерживать более высокую цель в течение четырех часов после тренировки.
  • Менструальный цикл: Многие женщины с T1D испытывают значительную вариабельность глюкозы во время лютеиновой фазы из-за гормональных изменений. Продольное отслеживание PGD фаз цикла в сочетании с данными о глюкозе и инсулине позволяет адаптировать параметры алгоритма, что уменьшает гипергликемию и гипогликемию в течение менструального цикла. Некоторые продвинутые системы позволяют пользователям устанавливать отдельные профили чувствительности к инсулину для фолликулярной и лютеиновой фаз, при этом алгоритм автоматически переключается на основе самооценки дат цикла или изменений температуры носимого происхождения.
  • Болезнь и стресс:] Инфекции, стресс и воспаление повышают резистентность к инсулину через кортизол и воспалительные цитокины. ПГД в виде журналов симптомов или вариабельности сердечного ритма, получаемой из ношения, может предупредить алгоритм о переходе в режим «больного дня» с более высокими базальными показателями и более агрессивными коррекционными факторами. Пациент, сообщающий о симптомах простуды, может увидеть, что алгоритм увеличивает базальный инсулин на 20% и поднимает максимальный предел болюса для противодействия надвигающейся гипергликемии.
  • Потребление алкоголя: Алкоголь первоначально вызывает гипергликемию от высвобождения печеночной глюкозы, но позже приводит к задержке гипогликемии, поскольку печень отдает приоритет алкогольному клиренсу над глюконеогенезом. PGD, указывающий на потребление алкоголя, может подтолкнуть алгоритм к снижению базального инсулина и установить более высокую минимальную цель глюкозы на последующие 8-12 часов.

Эти персонализации не являются статическими — они развиваются по мере сбора новых ПГД, что позволяет алгоритму адаптироваться к изменениям образа жизни, старению и прогрессированию заболевания. Обучение происходит либо путем периодической переподготовки центральной модели (например, ночной перекалибровки) или онлайн-адаптации с использованием байесовских или усиливающих методов обучения. Например, система искусственной поджелудочной железы Университета Вирджинии обновляет параметры пациента каждые 24 часа с помощью движущегося окна ПГД, позволяя ему отслеживать постепенные изменения чувствительности к инсулину из-за изменения веса или прогрессирования заболевания.

Усиление прогнозных моделей с помощью машинного обучения

Помимо адаптации параметров, PGD кормит прогнозные модели , которые прогнозируют глюкозу на 60 минут вперед. Подходы машинного обучения, такие как случайные леса, повышение градиента и глубокие рекуррентные нейронные сети, как было показано, превосходят классические физиологические модели при обучении на больших наборах данных PGD. Например, исследование 2021 года в журнале диабетических наук и технологий , проведенное на основе данных о CGM, еде и активности, использовало сверточную нейронную сеть (CNN), обученную на основе данных о CGM, еде и активности, для прогнозирования постпрандиальных траекторий глюкозы со средней абсолютной ошибкой 12 мг / дл. На CNN научились соотносить содержание углеводов в пище с моделями повышения глюкозы и функциями упражнений с последующими падениями глюкозы. Аналогично, исследование 2022 года из Чикагского университета построило модель повышения градиента, которая включала продолжительность сна и вариабельность сердечного ритма для прогнозирования ночной гипогликемии с 85% чувствительностью по сравнению с 60% без

Доступность PGD также позволяет использовать более сложные алгоритмы обучения усилению (RL). RL-агенты изучают оптимальную политику дозирования инсулина, взаимодействуя с окружающей средой (пациентом) и получая вознаграждения на основе результатов глюкозы. Поскольку RL требует обширного исследования, он получает огромную прибыль от реалистичных симуляций, которые включают модели PGD. Например, симулятор SimGlucose использует реальное распределение питания и активности пациента для создания надежных учебных сред. Без PGD симулятор не будет иметь вариабельности, необходимой для обобщения в реальном поведении, и RL-агент будет не работать при развертывании. Недавние системы на основе RL, такие как разработанные в Кембриджском университете, продемонстрировали, что политики, обученные с помощью симуляций, обогащенных PGD, могут сократить время при гипогликемии на 60% по сравнению с классическими контроллерами MPC.

Проблемы и соображения при использовании данных, полученных от пациентов

Несмотря на очевидные преимущества, интеграция PGD в алгоритмы AP представляет собой существенные препятствия, которые необходимо устранить для обеспечения безопасности, справедливости и принятия пользователями.

Точность и полнота данных

Самоотчетные данные, как известно, подвержены ошибкам. Подсчет углеводов, даже с приложениями и базами данных, часто отклоняется на 20-30% от фактических граммов. Интенсивность упражнений субъективна, и многие пациенты забывают или предпочитают не регистрировать события. Пропущенная или неточная ПГД может ввести в заблуждение алгоритм, потенциально вызывая неблагоприятные события, такие как гипогликемия от необъявленной еды или гипергликемия от незарегистрированной тренировки. Решения включают использование датчиков-производных прокси (например, непрерывная глюкозометрия для обнаружения пищи) и применение вероятностных моделей, которые рассматривают неотслеживаемые события как скрытые переменные. Некоторые исследователи разработали алгоритмы автоматического обнаружения пищи [[FLT: 1]] из данных только CGM, но они остаются ненадежными для сложных блюд - особенно тех, которые вызывают длительное, низкоамплитудное повышение глюкозы, которые трудно отличить от других причин. Руководство по взаимодействующим искусственным системам поджелудочной железы (FDA) подчеркивает, что алгоритмы должны обрабатывать отсутствующие или шумные ПГ

Конфиденциальность и регуляторные проблемы

PGD, особенно когда он связан с идентифицируемыми медицинскими записями, защищен HIPAA (США) и GDPR (Европа). Облачная агрегация PGD для обучения алгоритмам вызывает опасения по поводу нарушений данных, повторной идентификации и вторичного использования. Кроме того, регулируемые алгоритмы AP должны быть проверены с конкретными типами ввода и качеством, с которыми они столкнутся на практике. Если алгоритм, обученный на высокоточных PGD, развертывается у пациентов, которые не предоставляют такие данные, его производительность может ухудшиться. FDA FDA требует, чтобы системы AP демонстрировали надежную производительность в ряде реальных условий, что означает, что производители должны либо разрабатывать алгоритмы, нечувствительные к отсутствующему PGD, либо предписывать его сбор в рамках маркировки. Некоторые компании пошли по среднему пути: система Tandem Control-IQ позволяет опциональное объявление о еде, но использует прогнозы только CGM для своего уровня безопасности, гарантируя, что даже если PGD отсутствует, система остается безопасной.

Обязательство пользователей и справедливость

Чтобы PGD был эффективным, пациенты должны последовательно предоставлять его — или носить устройства, которые автоматически записывают его. Это вводит нагрузку на данные , которая может непропорционально влиять на определенные группы: пожилых людей, людей с более низкой грамотностью в отношении здоровья или людей без надежного доступа в Интернет. Автоматизированный сбор PGD через умные часы и подключенные устройства может снизить нагрузку, но эти устройства дороги и не всегда покрываются страховкой. Если улучшение алгоритма приносит пользу только тем, кто поставляет надежные PGD, мы рискуем расширить существующие различия в результатах диабета. Разработчики алгоритмов должны встраивать справедливость в свои модели, например, используя обучение передаче для применения идей от хорошо контролируемых пациентов к тем, у кого есть более редкие данные. Другой подход заключается в разработке гибридных моделей, которые хорошо работают с частичным PGD, используя статистику на уровне популяции в качестве предварительного. Например, DreaMed Diabetes Advisor использует данные на уровне популяции для инициализации параметров, а затем уточняет их с доступными PGD, гарантируя, что даже пациенты, которые предоставляют минимальные данные, получают выгоду от персонализации алгоритма.

Будущие направления: к полностью автономным и персонализированным системам

Следующее поколение искусственных систем поджелудочной железы, вероятно, будет развиваться от гибридного замкнутого цикла (где пациенты все еще объявляют о приеме пищи и физических упражнениях) до полностью автоматизированных бигормональных или многогормональных систем (инсулин плюс глюкагон или прамлинтид). Эти системы будут еще больше полагаться на ПГД, потому что добавление глюкагона требует понимания того, когда и как его доставить - информация, которая лучше всего получена из исторических моделей упражнений, стресса и приема пищи. Например, бигормональная система, которая узнает типичные потребности пользователя после еды глюкагон из предыдущих журналов приема пищи, может превентивно доставлять глюкагон с низкой дозой для предотвращения гипогликемии, не дожидаясь триггера CGM.

Another promising direction is the use of federated learning, where AP algorithms are trained across many patients' devices without raw PGD ever leaving the local hardware. This preserves privacy while enabling the algorithm to learn population-level patterns. Early studies from institutions like the Imperial College London have shown that federated learning can match the performance of centralized training for glucose prediction tasks. The algorithm updates only model parameters to a central server, so sensitive PGD—such as menstrual cycle data or mental stress logs—never leaves the patient’s smartphone.

Интеграция с электронными медицинскими записями (ЭМР) и платформами телездравоохранения также обогатит ПГД. Например, данные HbA1c пациента, липидная панель и данные функции почек могут быть использованы для корректировки долгосрочных параметров алгоритма. Данные глюкозы в реальном времени в сочетании с показателями качества жизни пациента могут направлять настройку алгоритма на снижение страха гипогликемии даже ценой легкой гипергликемии. Система может узнать, что пациент настолько ценит избегание низкого уровня сахара в крови, что он поддерживает несколько более высокий целевой диапазон глюкозы в течение ночи.

Наконец, достижения в объяснимом ИИ помогут пациентам и клиницистам доверять алгоритмическим решениям, основанным на ПГД. Если алгоритм корректирует фактор чувствительности к инсулину, поскольку он обнаружил недавнее увеличение физических упражнений, пользователь должен быть в состоянии увидеть, что рассуждения. Эта прозрачность имеет решающее значение для соблюдения и безопасности. Некоторые производители уже внедряют интерфейсы панели инструментов, которые отображают «коды разума» для регулировки алгоритма: «Базал уменьшается из-за зарегистрированной сессии упражнений в 3 часа дня». Такие объяснения позволяют пользователям проверять алгоритмические решения и исправлять любые неправильные интерпретации своих входных данных.

Клиническое воздействие и результаты пациентов

Окончательный показатель успеха алгоритмов AP с улучшенным ПГД — это улучшение клинических результатов и качества жизни. Рандомизированные контролируемые испытания неоднократно показывали, что системы, использующие объявления о приеме пищи, достигают значительно лучших гликемических результатов, чем те, которые этого не делают. Расширенное использование ПГД для физических упражнений, стресса и менструального цикла было связано с сокращением до 2% HbA1c и сокращением времени до 50% ниже 70 мг / дл. Кроме того, пациенты сообщают о более высокой удовлетворенности и более низком диагностическом расстройстве диабета, когда их система AP, по-видимому, «понимает» их повседневную жизнь. Исследование 2023 года, опубликованное в Diabetes Technology & Therapeutics , показало, что пользователи системы AP, богатой ПГД, сообщили о 40%-м сокращении эмоциональной нагрузки, связанной с диабетом, по сравнению с теми, кто использует стандартную систему замкнутого цикла.

По мере того, как диабетическое сообщество продвигается к излечению, искусственная поджелудочная железа остается наиболее эффективным технологическим мостом. Интеграция данных, генерируемых пациентами, не является роскошью - это необходимость для достижения точности и адаптивности, которые обещают эти системы. Преодолев проблемы качества данных, конфиденциальности и справедливости, исследователи и клиницисты могут создавать алгоритмы AP, которые действительно учатся и реагируют на человека. Путь вперед включает в себя не только алгоритмические инновации, но и продуманный дизайн, ориентированный на пользователя, который минимизирует нагрузку и максимизирует доверие.

Таким образом, данные, полученные от пациентов, превращают искусственную поджелудочную железу из реактивного устройства с одним размером, пригодным для всех, в проактивного, персонализированного партнера в области здравоохранения. Дорога вперед требует тщательной инженерии, нормативного прогнозирования и приверженности инклюзивному дизайну, но цель — будущее, где управление диабетом почти без усилий — стоит того, чтобы отправиться в путешествие.