Úvod: Údaje o skutočnom svete ako katalyzátor pre inováciu umelej pankreasu

Umelý pankreas tiež známy ako automatická dodávka inzulínu (AID) systém

Pochopenie údajov o skutočnom svete: definície, zdroje a jedinečná hodnota

Údaje o skutočnom svete sa týkajú informácií súvisiacich so zdravím, ktoré sa bežne zhromažďujú z rôznych zdrojov mimo kontextu tradičných randomizovaných kontrolovaných štúdií (RCT). Jeho hodnota spočíva v schopnosti odrážať heterogénnosť aktuálnej populácie pacientov, každodennú variabilitu a vplyvy na životné prostredie, ktoré ovplyvňujú výkonnosť zariadenia. Kľúčové zdroje RFW relevantné pre vývoj umelej pankreasu zahŕňajú:

  • [Kontinuálne glukóza monitory (CGM):] Zariadenia ako Dexcom G6/G7, Abbott FreeStyle Libre a Medtronic Guardian generujú vysokofrekvenčné merania glukózy (každých 5 chyžných 15 minút) počas týždňov alebo mesiacov. Tento masívny súbor údajov zachytáva glykemickú variabilitu, časový rozsah (TIR) a vplyv jedál, cvičenia a stresu.
  • [Insulinové čerpadlo: Inteligentné čerpadlá zaznamenávajú bazálnu frekvenciu, bolusové dávky, dočasné bazálne úpravy a alarmy. V kombinácii s údajmi CGM poskytujú kompletný obraz správania systému.
  • [Elektronické zdravotné záznamy (EHR):[] EHR obsahujú laboratórne výsledky (napr. HbA1c, lipidové profily), diagnózy, anamnézy liekov a údaje o komplikáciách. Prepojenie údajov EHR s protokolmi zariadení umožňuje analýzu dlhodobých výsledkov.
  • [Patričné registre: Veľké registre, ako napríklad sieť na zlepšenie kvality výmeny T1D a nemecký/rakúsky register DPV, súhrnné výsledky z reálneho sveta od tisícov pacientov.
  • [Mobilné zdravotné aplikácie a výsledky hlásené pacientom:[] Apps that loging movement, activity, and emotional alquipment ad context to glukóza trends, helping investigátori understanding behavioral impacts.

[[Prečo sa RFD líši od údajov z klinických skúšok:[[]] RCT zvyčajne zaraďujú homogénne populácie s prísnymi kritériami zaradenia (napr. žiadna nedávna diabetická ketoacidóza, východisková hodnota HbA1c medzi 7,0% a fungujú podľa štandardizovaných programov sledovania. Naproti tomu RIWD pochádza od rôznych užívateľov vrátane detí, starších dospelých, tehotných žien a osôb s komorbiditami a zachytáva nepísané scenáre, ako sú bolusy pri vynechaní jedla, dočasné odpojenie pumpy a medzery v reálnych senzoroch. Táto rozmanitosť je rozhodujúca pre algoritmy testovania stresu a odkrývanie bezpečnostných signálov, ktoré by sa nemuseli objaviť v kontrolovanom prostredí.

Ako RFD urýchľuje inováciu umelého pankreasu

Iteratívny cyklus dizajnu umelého systému pankreasu

Algoritmus školenia a validácia na stupnici

Moderné algoritmy uzavretého priestoru sa spoliehajú na strojové učenie (ML) a model prediktívne ovládanie (MPC). Tieto algoritmy vyžadujú obrovské množstvo dát, aby sa naučili optimálne modely dodania inzulínu a aby zvládli nelineárnu dynamiku regulácie glukózy. RFD ponúka presne to: mesiace údajov CGM a pumpy s vysokým rozlíšením od stoviek alebo tisícov používateľov reálneho sveta. Vývojári môžu na týchto údajoch vyškoliť algoritmy, aby rozpoznali vzory, ako je svitanie javu, cvičenie indukovaná hypoglykémia, alebo postprandiálna hyperglycemia po jedle s vysokým obsahom tuku. Okrem toho RFD umožňuje validáciu algoritmov medzi rôznymi demografiami a podnebiami, čím sa systém zovšeobecní nad rámec pôvodnej populácie.

Napríklad projekt Tidepool Loop

Monitorovanie výkonnosti a bezpečnostný dohľad v reálnom svete

Po schválení umelého pankreasu systém, post-market dohľad sa stáva nevyhnutným. Regulačné agentúry, ako je USA Food and Drug Administration (FDA) a Európska agentúra pre lieky (EMA) povzbudzujú výrobcov zbierať RFD na detekciu zriedkavých nežiaducich udalostí, senzorové problémy výkon, alebo algoritmy chyby, ktoré sa objavujú až po širokom použití. Napríklad, analýza RFW z MiniMed 670G systému odhalil pretrvávajúce nočné hyperglycemia u niektorých užívateľov, čo nabádať na aktualizáciu softvéru, ktorý zlepšil algoritmus prenocovanie správanie.

RFD tiež umožňuje nepretržité monitorovanie bezpečnosti prostredníctvom [[v blízkosti prístrojových dosiek v reálnom čase. Streamovaním údajov CGM a pumpy od používateľov, ktorí súhlasia s týmto rozhodnutím, výrobcovia a regulátori môžu pozorovať trendy, ako je zvýšenie závažných hypoglykémií počas špecifických poveternostných podmienok a upozornenia na vydanie alebo aktívne odvolanie oznámení.

Uspôsobenie a personalizácia zamerané na pacienta

Nie každý človek s cukrovkou reaguje rovnakým spôsobom na automatizovaný systém podávania inzulínu. Faktory ako sú modely aktivity, zloženie jedla, stres a dokonca menštruačné cykly môžu dramaticky ovplyvniť dynamiku glukózy. RFW z veľkých kohort, umožňuje výskumníkom identifikovať subpopulácie, ktoré môžu ťažiť z rôznych ladiacich parametrov alebo konfigurácie algoritmov. Napríklad, údaje z registra DPV ukázali, že dospievajúci s vysokou úrovňou fyzickej aktivity mali lepšie výsledky, keď systém zahŕňal režim intenzity cvičenia. Tento náhľad informoval o návrhu personalizované nastavenia v neskorších systémoch, ako je Tandem Control-IQ.

Navyše, RFD umožňuje vývoj prediktívnych modelov, ktoré predvídajú hypoglykémiu alebo hyperglykémiu v čase vopred. Školením týchto modelov na tisícoch reálnych profilov môžu byť prispôsobené jedinečnému glukózovému podpisu jednotlivca, čo vedie k skutočne adaptívnej kontrole uzavretého cyklu.

Prijatie dôkazov o skutočnom svete v rámci právnych predpisov (RWE)

V texte []reálny dôkaz sa odkazuje na klinické dôkazy získané z analýzy RFD. V priebehu posledného desaťročia regulačné orgány čoraz viac uznali RWE za doplnkové alebo dokonca primárne dôkazy pre určité typy lekárskych pomôcok, najmä pre pomôcky, ktoré už boli schválené, a pre post-trhové štúdie.

V roku 2018 uverejnila FDA rámec na používanie RFD pri rozhodovaní o regulácii, po ktorom nasledovali usmernenia o používaní RFD na podporu schvaľovania zdravotníckych pomôcok pred uvedením na trh.

  • Podporovať rozširovanie označenia (napr. pre pediatrickú alebo tehotnú populáciu).
  • Preukázať dlhodobú bezpečnosť a účinnosť nad typické 3 chromozómy 6 mesiacov klinického skúšania.
  • Uveďte porovnávacie údaje v [ štúdiách s jednou skupinou , kde je RCT nepraktické alebo neetické.
  • Overiť aktualizácie algoritmov bez potreby nových pilotných skúšok, v rámci koncepcie "dokumentovanej histórie návrhu."

Významným príkladom je 2022 FDA klírens firmvéru aktualizácie pre systém Control-IQ, ktorý je založený najmä na reálnych výkonových dát zhromaždených od > 10 000 užívateľov. Aktualizácia zlepšila časový rozsah o 2,5 percentuálneho bodu bez zvýšenia hypoglykémie a veľkosť efektu zodpovedajúceho predchádzajúcemu RCT, ale pozorované v rutinnom používaní.

Európska agentúra pre lieky na humánne použitie (EMA) na medzinárodnej úrovni využíva adaptačný prístup, ktorý podporuje aj integráciu RWE. Európska sieť pre posudzovanie zdravotníckych technológií (EUnetHTA) a iniciatíva pre údaje z REAl-world (READI) aktívne vyvíjajú normy na harmonizáciu akceptácie RFD vo všetkých členských štátoch.

Avšak regulačné očakávania vyžadujú, aby sa RFW systematicky zbierali s jasným riadením údajov, overenými systémami zdrojov a robustnými analytickými metódami na minimalizáciu predsudkov. FDA zdôraznila, že RFW musí byť vhodný na účel, čo znamená, že kvalita údajov a úplnosť spĺňajú normy kontrolovanej štúdie pre konkrétnu otázku, ktorá je v tejto súvislosti k dispozícii.

Výzvy v oblasti údajov o skutočnom svete

Napriek svojmu potenciálu, ARDD nie je všeliek. Jeho použitie v umelej inovácie pankreasu čelí niekoľko prekážok, ktoré vyžadujú starostlivé zmiernenie.

Kvalita údajov a štandardizácia

RWD z viacerých zdrojov často trpí nezrovnalosťami: rôzne značky CGM majú rôznu presnosť, údaje pumpy môžu zahŕňať tiché oklúzie a údaje EHR môžu obsahovať chýbajúce alebo vymazateľné položky. Ak chcete odvodiť spoľahlivé poznatky, výskumníci musia implementovať prísne predspracovanie chromozómov, filtrovanie chybných údajov, zosúladenie časových pásiem a normalizačné jednotky. []Interoperabilné zariadenia Iniciatíva[] a [i2b2 platforma[ sú príklady úsilia o štandardizáciu formátov údajov o cukrovke, ale široké adopcie zostávajú neúplné.

Ochrana súkromia a bezpečnosť

RWD často obsahuje vysoko citlivé informácie cheverne hladiny glukózy, dávky inzulínu, a GPS-založené na štruktúre aktivity. Predpisy, ako sú HIPAA (v USA) a GDPR (v Európe) uložiť prísne požiadavky na zber údajov, de-identifikácia, a súhlas. Pacienti musia byť plne informovaní o tom, ako sa ich údaje budú používať, a mali by mať možnosť stiahnuť súhlas. Navyše, Agregácie platformy musia chrániť pred útokmi re-identifikácia, najmä pri kombinovaní viac súborov údajov. Anonymizácia techniky, ako diferenciálne súkromie získavajú trakcie, ale môžu znížiť dátový nástroj pre malé podskupiny.

Výberové body a základov

RWD je pozorovanie prírodou chôdze sami zvoliť do použitia konkrétneho zariadenia alebo aplikácie. Skoré adoptívori systémov umelého pankreasu môže byť viac tech-uchvy, majú vyššiu zdravotnú gramotnosť, alebo majú lepšie základné glykemické kontroly ako neskôr adoptívnych. To vytvára predpojatosť výberu, ktoré môžu nafúknuť odhadovanú účinnosť. Podobne, Mätúce faktory, ako sú sezónne zmeny, diétne intervencie, alebo súbežné lieky nemusia byť primerane zachytené. Pokročilé epidemiologické metódy, ako je propensity skóre zodpovedajúce, prístrojová variabilná analýza, a marginálne modely sú potrebné na izoláciu skutočný účinok zariadenia od týchto mäsiar. Bez správnej úpravy, reálne analýzy riziko tvorby zavádzajúce závery.

Zvyšnosť a vlastný kapitál

Väčšina ľudí s RFD pochádza z obyvateľstva krajín s vysokými príjmami s dobre zásobovanými systémami zdravotnej starostlivosti. Skúsenosti pacientov v krajinách s nízkym a stredným príjmom alebo medzi menej poslušnými menšinami v bohatých krajinách sú často nedostatočne zastúpené. Zatiaľ čo RFD zachytáva viac rozmanitosti ako RCT, stále má medzery. Vývojári musia aktívne vyhľadávať údaje z rôznych demografických skupín, aby zabezpečili, že algoritmy nezhoršia rozdiely v zdraví. Iniciatívy ako [Diabetes Technology Equity Consortium) majú za cieľ vyplniť tieto medzery, ale pokrok je pomalý.

Budúce smery: AI, Digital Twins a Kooperatívne systémy údajov

Ďalšia generácia inovácií umelého pankreasu bude čoraz viac vychádzať z údajov, pričom RWD bude hrať ešte významnejšiu úlohu.

Umelá inteligencia a prediktívna analýza

Vďaka kombinácii hlbokého učenia s veľkým RFD, výskumníci môžu budovať modely, ktoré predpovedajú glukózy trajektórie až 60 minút vopred s vysokou presnosťou. Takéto modely môžu byť vložené priamo do systémov AID, aby sa preventívne nastaviť dodávku inzulínu pred hyperglykémiou alebo hypoglykémie dochádza. Navyše, kŕmené učenie sa

Digital dvojčatá umelej pankreas

Digitálne dvojča je virtuálna replika pacientovho metabolického systému, neustále aktualizovaná s reálnymi senzorovými údajmi. Pomocou RFD môžu výskumníci vytvoriť digitálne dvojčatá pre tisíce jednotlivcov a simulovať účinok rôznych algoritmických parametrov, umiestnenie senzorov alebo inzulínových typov bez akéhokoľvek rizika pre pacienta. Tento prístup urýchľuje vývoj tým, že umožňuje rýchlu iteráciu v silikom. Napríklad, FDA spolupracovala s akademickými partnermi na vytvorení [ generických umelých pankreatických digitálnych dvojíc , ktoré môžu požierať RFD a vytvoriť simulované scenáre klinických skúšok pre regulačné preskúmanie.

Kooperatívne systémy údajov a otvorené platformy

Žiadny jednotlivý subjekt nemá dostatok RFD na zachytenie celej variability T1D. Otvorené dátové platformy, ako []OpenAPS[ a Nightscout[ preukázali silu komunitných dát, ale chýba im štandardizované riadenie. Budúce úsilie [DIAMOND Project] financované Pacient-Centered Výstupy Výskumný ústav (PCORI) sa zameriava na vytvorenie federovaných dátových sietí, ktoré spájajú akademické zdravotnícke centrá, výrobcov zariadení a skupiny pacientov. Tieto siete umožnia rozsiahle analýzy RFD podľa spoločných dátových modelov, s jasným súhlasom a ochranou súkromia, v konečnom dôsledku urýchľujú inováciu aj regulačné akceptovanie.

Záver

Údaje o skutočnom svete menia spôsob, akým sa vyvíjajú, overujú a zlepšujú systémy umelého pankreasu. Od školení robustných algoritmov k informáciám o regulačných rozhodnutiach, RFW poskytuje chýbajúce prepojenie medzi kontrolovanými skúškami a neporiadku, krásnej reality každodenného manažmentu cukrovky. Cesta vpred si vyžaduje spoluprácu medzi inžinieri, lekármi, regulátormi a predovšetkým pacientmi. Vyžaduje investície do harmonizácie údajov, súkromia, ktoré slúžia na ochranu analytiky a spravodlivé zhromažďovanie údajov. A vyžaduje regulačné rámce, ktoré zostanú dostatočne agilné na to, aby obsiahli nové formy dôkazov bez toho, aby obetovali bezpečnosť. Pre ľudí žijúcich s T1D je výplata využívania RFD jasná: bezpečnejšie, inteligentnejšie a personalizované systémy umelého pankreasu, ktoré sa dostanú na kliniku rýchlejšie.

[Externé zdroje na ďalšie čítanie:]