Table of Contents

Введение: данные реального мира как катализатор инноваций в области искусственной поджелудочной железы

Искусственная поджелудочная железа, также известная как автоматизированная система доставки инсулина (AID), коренным образом изменила то, как люди с диабетом 1 типа (T1D) управляют своим состоянием. Объединив непрерывный монитор глюкозы (CGM), инсулиновую помпу и алгоритм управления, эти системы автоматизируют доставку инсулина в ответ на уровень глюкозы в реальном времени, значительно снижая бремя постоянного принятия решений. Тем не менее, несмотря на значительный прогресс, путь к более безопасным, более точным и действительно персонализированным системам замкнутого цикла требует больше, чем контролируемые клинические испытания. Это требует доказательств из повседневной жизни. RWD фиксирует, как устройства работают за пределами искусственной среды клинического исследования, выявляя закономерности, крайние случаи и поведение пользователей, которые в противном случае оставались бы скрытыми. Использование RWD ускоряет как инновации, так и нормативную проверку систем искусственной поджелудочной железы следующего поколения, в конечном итоге обеспечивая лучшие результаты для пациентов быстрее.

Понимание реальных данных: определения, источники и уникальная ценность

Реальные данные относятся к информации, связанной со здоровьем, обычно собираемой из различных источников, не входящих в контекст традиционных рандомизированных контролируемых исследований (РКИ). Ее ценность заключается в ее способности отражать неоднородность фактических популяций пациентов, повседневную изменчивость и влияние окружающей среды, которые влияют на производительность устройства. Ключевые источники РЖД, имеющие отношение к развитию искусственной поджелудочной железы, включают:

  • Непрерывные глюкозомониторы (CGM): Такие устройства, как Dexcom G6/G7, Abbott FreeStyle Libre и Medtronic Guardian, генерируют высокочастотные измерения глюкозы (каждые 5-15 минут) в течение недель или месяцев. Этот массив данных фиксирует гликемическую изменчивость, интервал времени (TIR) и влияние еды, физических упражнений и стресса.
  • Данные инсулинового насоса: Умные насосы фиксируют базальные скорости, болюсные дозы, временные базальные корректировки и сигнализацию.В сочетании с данными CGM они дают полную картину поведения системы.
  • Электронные медицинские записи (EHR): EHR содержат результаты лабораторных исследований (например, HbA1c, липидные профили), диагнозы, истории лекарств и данные о осложнениях. Связывание данных EHR с журналами устройств позволяет анализировать продольные результаты.
  • Реестр пациентов: Реестр пациентов: Реестр пациентов: Регистры пациентов: Регистры пациентов: Регистры, такие как Сеть улучшения качества обмена T1D и Реестр немецких/австрийских ДПВ, агрегируют реальные результаты от тысяч пациентов.
  • Мобильные приложения для здоровья и результаты, сообщенные пациентами: Приложения, которые регистрируют питание, активность и эмоциональное благополучие, добавляют контекст к тенденциям глюкозы, помогая исследователям понять поведенческие влияния.

Почему RWD отличается от данных клинических испытаний: RCT обычно регистрируют однородные популяции со строгими критериями включения (например, недавний диабетический кетоацидоз, базовый HbA1c от 7,0 до 10,0%), и они работают в соответствии со стандартизированными графиками наблюдения. Напротив, RWD исходит от различных пользователей, включая детей, пожилых людей, беременных женщин и тех, у кого есть сопутствующие заболевания, и фиксирует незаписанные сценарии, такие как пропущенные пищевые болюсы, временные отключения насоса и пробелы в датчиках реального мира. Это разнообразие имеет решающее значение для алгоритмов стресс-тестирования и выявления сигналов безопасности, которые могут не появляться в контролируемой обстановке.

Как RWD ускоряет инновации в области искусственной поджелудочной железы

Итеративный цикл проектирования искусственной системы поджелудочной железы - от уточнения алгоритма до клинической проверки и пострыночной модернизации - подпитывается данными. RWD ускоряет каждую фазу, предоставляя большие продольные наборы данных, которые отражают, как системы работают в истинных амбулаторных условиях.

Алгоритмическая подготовка и валидация по шкале

Современные алгоритмы замкнутого цикла основаны на машинном обучении (ML) и модели предиктивного управления (MPC). Эти алгоритмы требуют огромных объемов данных для изучения оптимальных моделей доставки инсулина и для обработки нелинейной динамики регуляции глюкозы. RWD предлагает именно это: месяцы CGM с высоким разрешением и данные насоса от сотен или тысяч реальных пользователей. Разработчики могут обучать алгоритмы на этих данных распознавать такие закономерности, как явление рассвета, гипогликемия, вызванная физическими упражнениями, или постпрандиальная гипергликемия после приема пищи с высоким содержанием жиров. Кроме того, RWD позволяет валидацию алгоритмов в различных демографиях и климатах, обеспечивая обобщение системы за пределами начальной подготовки населения.

Например, проект Tidepool Loop — приложение для автоматической доставки инсулина с открытым исходным кодом, очищенное FDA, — использовал агрегированные данные из реального мира от пользователей сообщества, чтобы постоянно совершенствовать свою логику дозирования. Аналогично, академические группы, такие как финансируемая JDRF Международная группа по изучению искусственной поджелудочной железы, часто импортируют RWD из реестров, чтобы имитировать, как новые алгоритмы будут работать до начала клинических испытаний.

Мониторинг эффективности и наблюдение за безопасностью в реальном мире

После утверждения системы искусственной поджелудочной железы, пострыночная эпиднадзор становится необходимым. Регулирующие органы, такие как Управление по контролю за продуктами и лекарствами США (FDA) и Европейское агентство по лекарственным средствам (EMA), поощряют производителей собирать RWD для выявления редких нежелательных явлений, проблем с производительностью датчиков или ошибок алгоритма, которые возникают только после широкого использования. Например, анализ RWD из системы MiniMed 670G выявил постоянную ночную гипергликемию у некоторых пользователей, что побудило обновление программного обеспечения, которое улучшило поведение алгоритма в одночасье.

RWD также обеспечивает непрерывный мониторинг безопасности с помощью приборных панелей в режиме реального времени. Посредством потоковой передачи данных CGM и насоса от согласившихся пользователей производители и регулирующие органы могут выявлять тенденции, такие как увеличение тяжелых случаев гипогликемии в конкретных погодных условиях, и активно выдавать предупреждения или уведомления об отзыве.

Персонализация и персонализация пациентов

Не каждый человек с диабетом одинаково реагирует на автоматизированную систему доставки инсулина. Такие факторы, как модели активности, состав пищи, стресс и даже менструальные циклы, могут резко влиять на динамику глюкозы. RWD из больших когорт позволяет исследователям идентифицировать субпопуляции, которые могут извлечь выгоду из различных параметров настройки или конфигураций алгоритмов. Например, данные из реестра DPV показали, что подростки с высоким уровнем физической активности имели лучшие результаты, когда система включала режим интенсивности упражнений. Это понимание информировало о разработке персонализированных настроек в более поздних системах, таких как Tandem Control-IQ.

Кроме того, RWD позволяет разрабатывать прогностические модели, которые предвосхищают гипогликемию или гипергликемию за несколько часов до этого. Обучая эти модели тысячам реальных профилей, они могут быть адаптированы к уникальной сигнатуре глюкозы человека, что приводит к по-настоящему адаптивному контролю замкнутого цикла.

Регулятивное принятие доказательств реального мира (RWE)

Фраза реальные данные относится к клиническим доказательствам, полученным в результате анализа RWD. За последнее десятилетие регулирующие органы все чаще признавали RWE в качестве дополнительных или даже первичных доказательств для определенных типов медицинских изделий, особенно для устройств, уже одобренных и для пост-рыночных исследований.

В 2018 году FDA опубликовало рамки использования RWD в процессе принятия решений регулирующими органами, а затем руководящие документы по использованию RWD для поддержки предварительного утверждения медицинских устройств на рынке. Для систем искусственной поджелудочной железы FDA приняло RWE к:

  • Поддерживает расширение маркировки (например, для педиатрических или беременных групп населения).
  • Продемонстрировать долгосрочную безопасность и эффективность за пределами типичного окна клинических испытаний 3-6 месяцев.
  • Предоставьте данные компаратора в испытаниях на одной руке , где РКИ непрактичны или неэтичны.
  • Проверка обновлений алгоритма без необходимости новых ключевых испытаний в рамках концепции «документированной истории проектирования».

Заметным примером является клиренс FDA 2022 года обновления прошивки для системы Control-IQ, основанный в основном на реальных данных о производительности, собранных у > 10 000 пользователей. Обновление улучшило интервал времени на 2,5 процентных пункта без увеличения гипогликемии - размер эффекта, соответствующий предыдущему RCT, но наблюдаемый в обычном использовании.

На международном уровне EMA использует адаптивный подход, который также поощряет интеграцию RWE. Европейская сеть оценки технологий здравоохранения (EUnetHTA) и Инициатива данных REAl-world (READI) активно разрабатывают стандарты для гармонизации принятия RWD в странах-членах.

Однако нормативные ожидания требуют систематического сбора данных с четким управлением данными, проверенными исходными системами и надежными аналитическими методами для минимизации предвзятости. FDA подчеркнуло, что данные должны соответствовать целям, то есть качество и полнота данных должны соответствовать стандартам контролируемого исследования для конкретного вопроса.

Проблемы использования реальных данных

Несмотря на свой потенциал, РЖД не является панацеей. Его использование в инновациях в области искусственной поджелудочной железы сталкивается с несколькими препятствиями, которые требуют тщательного смягчения.

Качество данных и стандартизация

RWD из нескольких источников часто страдает от несоответствий: различные бренды CGM имеют различную точность, данные насоса могут включать молчаливые окклюзии, а данные EHR могут содержать недостающие или искаженные записи. Чтобы получить надежные сведения, исследователи должны внедрить тщательную предварительную обработку - фильтрацию ошибочных показаний, выравнивание часовых поясов и нормализацию блоков. Инициатива совместимых устройств и платформа i2b2 являются примерами усилий по стандартизации форматов данных о диабете, но широкое внедрение остается неполным.

Забота о конфиденциальности и безопасности

RWD часто включает в себя высокочувствительную информацию - непрерывные уровни глюкозы, дозы инсулина и схемы активности на основе GPS. Такие правила, как HIPAA (в США) и GDPR (в Европе), налагают строгие требования к сбору данных, деидентификации и согласию. Пациенты должны быть полностью проинформированы о том, как будут использоваться их данные, и они должны иметь возможность отозвать согласие. Кроме того, платформы агрегации должны защищать от атак повторной идентификации, особенно при объединении нескольких наборов данных. Методы анонимизации, такие как дифференциальная конфиденциальность, набирают обороты, но они могут уменьшить полезность данных для небольших подгрупп.

Предвзятость выбора и путаница

RWD является наблюдательным по своей природе - пациенты самостоятельно выбирают в использовании конкретного устройства или приложения. Ранние последователи искусственных систем поджелудочной железы могут быть более технически подкованными, иметь более высокую грамотность в отношении здоровья или иметь лучший базовый гликемический контроль, чем более поздние последователи. Это создает предвзятость выбора, которая может повысить оценочную эффективность. Аналогичным образом, смешивающие факторы, такие как сезонные изменения, диетические вмешательства или сопутствующие лекарства, могут быть недостаточно улавливаются. Расширенные эпидемиологические методы, такие как сопоставление показателей склонности, инструментальный анализ переменных и маргинальные структурные модели - необходимы для изоляции истинного эффекта устройства от этих смешений. Без надлежащей корректировки, анализ реального мира рискует привести к вводящим в заблуждение выводам.

Обобщаемость и справедливость

Большинство РЗД происходит от населения в странах с высоким уровнем дохода с хорошо обеспеченными ресурсами системами здравоохранения. Опыт пациентов в странах с низким и средним уровнем дохода или среди меньшинств, получающих недостаточное обслуживание в богатых странах, часто недопредставлен. Хотя РЗД отражает большее разнообразие, чем РКИ, у него все еще есть пробелы. Разработчики должны активно искать данные из различных демографических групп, чтобы гарантировать, что алгоритмы не усугубляют неравенство в отношении здоровья. Такие инициативы, как Консорциум по обеспечению справедливости в области технологий диабета , направлены на восполнение этих пробелов, но прогресс медленный.

Будущие направления: ИИ, цифровые двойники и экосистемы коллективных данных

Следующее поколение инноваций в области искусственной поджелудочной железы будет все больше ориентироваться на данные, а RWD будет играть еще более центральную роль.

Искусственный интеллект и прогнозная аналитика

Объединив глубокое обучение с крупномасштабным RWD, исследователи могут создавать модели, которые предсказывают траектории глюкозы до 60 минут заранее с высокой точностью. Такие модели могут быть встроены непосредственно в системы AID, чтобы превентивно регулировать доставку инсулина до возникновения гипергликемии или гипогликемии. Кроме того, федеративное обучение - где модели обучаются в нескольких больницах или производителях устройств без перемещения сырых данных - сохраняет конфиденциальность при использовании коллективных RWD. Ранние прототипы показали, что федеративные модели превосходят локально обученные, особенно для редких событий, таких как ночная гипогликемия.

Цифровые близнецы искусственной поджелудочной железы

Цифровой двойник — это виртуальная копия метаболической системы пациента, постоянно обновляемая данными реальных датчиков. Используя RWD, исследователи могут создавать цифровых двойников для тысяч людей и имитировать эффект различных параметров алгоритма, расположения датчиков или типов инсулина без какого-либо риска для пациента. Этот подход ускоряет развитие, позволяя быструю итерацию в силико. Например, FDA сотрудничало с академическими партнерами для создания общего искусственного цифрового двойника поджелудочной железы, который может принимать RWD и генерировать моделируемые сценарии клинических испытаний для регуляторного обзора.

Экосистемы данных и открытые платформы

Ни одна организация не обладает достаточным количеством RWD для того, чтобы фиксировать всю изменчивость T1D. Платформы открытых данных, такие как OpenAPS и Nightscout , продемонстрировали силу данных, генерируемых сообществом, но им не хватает стандартизированного управления. Будущие усилия, такие как DIAMOND Project , финансируемые Институтом исследований результатов, ориентированных на пациентов (PCORI), направлены на создание федеративных сетей данных, которые связывают академические медицинские центры, производителей устройств и группы пациентов. Эти сети позволят проводить крупномасштабный анализ RWD в рамках общих моделей данных с четким согласием и защитой конфиденциальности, что в конечном итоге ускорит принятие инноваций и нормативных требований.

Заключение

Реальные данные трансформируют то, как разрабатываются, проверяются и совершенствуются системы искусственной поджелудочной железы. От обучения надежным алгоритмам до информирования о регулирующих решениях RWD обеспечивает недостающее звено между контролируемыми испытаниями и грязной, красивой реальностью ежедневного управления диабетом. Путь вперед требует сотрудничества между инженерами, клиницистами, регуляторами и, самое главное, пациентами. Он требует инвестиций в гармонизацию данных, аналитику, сохраняющую конфиденциальность, и справедливый сбор данных. И он требует нормативных рамок, которые остаются достаточно гибкими, чтобы принять новые формы доказательств, не жертвуя безопасностью. Для людей, живущих с T1D, выгода от использования RWD ясна: более безопасные, умные и более персонализированные искусственные системы поджелудочной железы, которые быстрее достигают клиники.

Внешние ресурсы для дальнейшего чтения: