Vzrast adaptívneho algoritmusu učenia pri cukrovke

Diabetes postihuje viac ako 537 miliónov dospelých na celom svete a toto číslo pokračuje v stúpaní. Efektívne samoriadenie je nevyhnutné na zabránenie komplikáciám, ale tradičné jednorozmerné vzdelávanie často nedokáže zachytiť pacientov alebo riešiť ich jedinečné potreby. Zadajte adaptívne učebné algoritmy: systémy založené na údajoch, ktoré prispôsobujú vzdelávací obsah každému jednotlivcovi&# 8217; úroveň znalostí, správanie a klinický kontext. Pátraním dát a strojového učenia pacientov v reálnom čase tieto algoritmy sľubujú transformáciu vzdelávania o cukrovke zo statickej prednášky na dynamickú, personalizovanú cestu.

Na rozdiel od štandardných platforiem elektronického vzdelávania, ktoré sledujú pevný učebný plán, adaptívne systémy učenia sa neustále prispôsobujú obtiažnosti, pakovanie a zameranie materiálov založených na učení &# 8217;s výkon a spätnú väzbu. V liečbe cukrovky to znamená, že pacient zápasiaci s inzulínom dostáva cielené moduly na počítanie sacharidov a korekčné dávky, zatiaľ čo niekto s vynikajúcou glykemickou kontrolou, ale zlé návyky starostlivosti o nohy dostáva pripomienky a ukážky na každodenných prehliadkach nôh. Výsledkom je vysoko efektívna, pútavá skúsenosť, ktorá urýchľuje zvládnutie sebaovládania zručností.

Základné komponenty adaptívneho učenia algoritmus pre cukrovku

Aby sme pochopili, ako tieto systémy fungujú, pomáha im to preniknúť do štyroch navzájom prepojených vrstiev:

  1. Data Ingestion Layer &# 8211; Zhromažďuje štruktúrované a neštruktúrované údaje z monitorov glukózy, inzulínových pump, sledovačov aktivity, liekových protokolov, pacientovo hlásených výsledkov a elektronických zdravotných záznamov.
  2. [Learner Model] &# 8211; Štatistická alebo strojová reprezentácia učenia pacienta &# 8217; aktuálne znalosti, medzery v zručnostiach, štýl učenia a vzorce správania. Tento model je aktualizovaný po každej interakcii.
  3. [Obsahový archív &# 8211; Knižnica modulových vzdelávacích prostriedkov (videá, kvízy, simulácie, textové zhrnutia) označená úrovňou obtiažnosti, témou, základnými zručnosťami a preferenciami formátu.
  4. [Regandačný nástroj] &# 8211; Algoritmus, ktorý vyberá ďalšiu najlepšiu vzdelávaciu aktivitu vyvážením troch faktorov: čo sa pacient potrebuje naučiť (rozdiely v poznatkoch), čo sú pripravení naučiť (zóna proximálneho vývoja) a čo ich udržiava motivované (predpovede zahájenia, ako je čas dňa, nedávne dodržiavanie alebo preferovaný formát).

Tieto vrstvy pracujú spoločne v slučke: pacient interaguje so systémom, aktualizácie modelu učiacich sa, prepočítajú sa odporúčané motory a nový obsah sa dodáva prostredníctvom aplikácie smartfónu, webového rozhrania alebo dokonca inteligentného reproduktora.

Skutočný svet dátových zdrojov, ktoré palivo adaptácie

Bohatosť modelu učiacich sa závisí od rôznych dát, ktoré sa do neho vkladajú. Popredné implementácie pochádzajú z:

  • [Kontinuálne glukóza monitory (CGM) &# 8211; Poskytnúť časovú, glykemickú variabilitu a šípky trendu, ktoré naznačujú, či je pacient hyperglycemický, hypoglycemický alebo stabilný.
  • [Insulin pumpa alebo inteligentné záznamy o pere &# 8211; Zobraziť dodržiavanie bazálnych a bolusových dávok, korekčné schémy a vynechané dávky.
  • Aktivita a spánkové sledovače &# 8211; Fyzická aktivita a kvalita spánku priamo ovplyvňujú citlivosť na inzulín; algoritmus môže spájať vzdelávacie podnety s týmito stavmi.
  • [Patričné prieskumy a mikro-spätná väzba – Krátke otázky v režime (“Aká sebaistá je vaša úprava dávky po cvičení?”) poskytujú okamžitý prehľad o úrovni dôvery a nedorozumenia.
  • [Elektronické zdravotné záznamy (EHR) [ – výsledky laboratórnych vyšetrení (HbA1c, eGFR, lipidy), komorbidity a zoznamy liekov poskytujú klinické prostredie na prispôsobenie obsahu zložitosti a naliehavosti.

Vývojový proces: od dát po nasadenie

Budovanie adaptívneho systému vzdelávania pre cukrovku, ktorý je pripravený na výrobu, je multidisciplinárne úsilie zahŕňajúce endokrinológov, pedagógov pre cukrovku, vedcov dát, softvérových inžinierov a dizajnérov UX. Vývoj zvyčajne prebieha cez tieto etapy:

1. Hodnotenie potrieb a mapovanie obsahu

Pred písaním jedného riadku kódu, tím definuje celý rozsah diabetu seba-manažment vzdelávania. To zahŕňa témy, ako sú:

  • Pochopenie cieľov a monitorovania hladiny glukózy v krvi
  • Počítanie a plánovanie príjmu sacharidov a jedla
  • Podávanie inzulínu a úprava dávky
  • Prevencia a liečba hypoglykémie
  • Riadenie chorých dní
  • Starostlivosť o nohy, starostlivosť o oči a zníženie kardiovaskulárneho rizika

Každá téma je prelomená do cieľov mikrovzdelávania (napr. &# 8220;identifikovať tri príčiny javu úsvitu&# 8221; alebo &# 8220; vypočítať dávku korekcie pre hladinu glukózy v krvi 250 mg/dl&# 8221;). Tvorcovia obsahu potom vyvíjajú viaceré verzie rovnakého cieľa učenia na rôznych úrovniach čítania, pričom používajú rôzne médiá (text, video, interaktívnu simuláciu) a rôzne kultúrne súvislosti.

2. Stratégia zberu údajov

Počiatočné údaje o odbornej príprave pochádzajú z historických záznamov o programoch vzdelávania o cukrovke, záznamy o interakcii pacientov z existujúcich aplikácií a expert-vyliečených pacientov personas. Avšak, skutočne adaptívne systémy vyžadujú požitie dát v reálnom čase. Tím musí navrhnúť bezpečné, vyhovujúce potrubia, ktoré ťahajú de-identifikované dáta z zariadení nastavujúcich pacientov a EHR. Súhlas a správa dát sú riešené od začiatku, podľa predpisov, ako je HIPAAA v USA alebo GDPR v Európe.

[Externé zdroje: Prečítajte si viac o normách údajov pre interoperabilitu diabetu zariadení z Konzorcia pre dátové normy pre cukrovku.

3. Model školenia a validácia

Modely strojového učenia používané v adaptívnych systémoch siahajú od jednoduchých bayeských poznatkov až po hlboké učenie sa. Najčastejším prístupom je hybrid:

  • [Poznanie sledovania ] &# 8211; Odhaduje pravdepodobnosť, že pacient zvládol každú zručnosť na základe ich histórie odozvy. Spoločným algoritmom je Bayesian Knowledge Tracing (BKT) model, ktorý bol úspešne použitý v inteligentných doučovacích systémoch pre matematiku a vedu.
  • [Follaboratívne filtrovanie] &# 8211; Nápoje od tisícov podobných užívateľov odporúčajú obsah, ktorý pomáha iným s porovnateľnými profilmi. Napríklad, ak pacienti s vysokým HbA1c a nízkym &# 8220; plánovanie jedál&# 8221; skóre zlepšené po sledovaní videa na predbolus načasovanie, systém vynorí toto video pre nového pacienta s rovnakým profilom.
  • [Učenie sa o posilnení (RL) – Algoritmus zaobchádza s každým rozhodnutím o vzdelávaní ako s akciou, ktorá prináša odmenu (napr. lepšie skóre kvízu, zvýšený čas v dosahu).

Modely sú vyškolené na historické údaje a jemná-vylepšené prostredníctvom A / B testovanie a pilotné štúdie. Validačné metriky zahŕňajú nielen zisky z vedomostí, ale aj zmeny správania, ako sú znížené hypoglykemické udalosti, zlepšenie dodržiavania liekov, a vyššie skóre spokojnosti pacientov.

4. Kontent Prispôsobenie motora

Akonáhle model predpovedá, čo by sa pacient mal naučiť ďalej, motor personalizácie vyberie najvhodnejší obsahový modul. Motor sa domnieva:

  • [Učebný stav &# 8211; Súčasná úroveň majstrovstva, nedávne chyby, únava pri zásnubnom styku.
  • [Kontext &# 8211; Čas dňa (napr. ráno vs. čas pred spaním), umiestnenie (domovská práca), nedávne hodnoty zariadení (vysoká hladina glukózy po večeri by mohla spustiť modul na postprandiálnych hrotoch).
  • [Účinný stav] &# 8211; Niektoré systémy detekujú frustráciu alebo nudu prostredníctvom času odozvy, počtu požadovaných rád alebo samohlásenej nálady. Keď je frustrácia vysoká, systém môže ponúknuť recenziu alebo motivačnú správu, a nie tlačenie nového, zložitého obsahu.
  • [Učenie sa preferencie] &# 8211; Niektorí pacienti sa učia najlepšie sledovaním, iní čítaním a iní cvičením s interaktívnymi simuláciami. Motorové stopy, ktoré formáty vedú k najvyššiemu počtu dokončených a retenčných údajov pre túto osobu.

Výstup je personalizovaná cesta učenia, ktorá sa prispôsobuje v reálnom čase. Napríklad, pacient, ktorý sa práve dozvedel o počítaní sacharidov, môže dostať krátky kvíz, potom simulácia, kde nastaviť jedlo bolus a vidieť výslednú krivku glukózy, potom textový súhrn na posilnenie kľúčových bodov. Ak sa odpoveď na všetky položky správne, systém sa pohybuje ďalej; ak sa im ujde otázka, to slučky späť s iným vysvetlením.

5. Nepretržité hodnotenie a iterácia

Zavádzanie nie je koniec. Špecializované analytické stopy na palubnej doske kľúčové ukazovatele výkonnosti: čas-to-master na tému, pokles-off sadzby, priemerná dĺžka sedenia, a čo je najdôležitejšie, klinické výsledky, ako je HbA1c zníženie, frekvencia závažných hypoglykémií, a návštev na pohotovosti miestnosť. Vývojový tím sa stretáva týždenne preskúmať tieto metriky, identifikovať, kde algoritmus zápasí, a aktualizovať obsah alebo parametre modelu zodpovedajúcim spôsobom.

Napríklad, ak údaje ukazujú, že pacienti s nízkou zdravotnou gramotnosťou odchádzajú po prvej hodine o typoch inzulínu, tím môže prepísať tento modul na nižšej úrovni čítania a pridať viac vizuálnych pomôcok. Ak algoritmus stále odporúča rovnaké video užívateľovi napriek klesajúcej angažovanosti, funkcia odmeny v modeli RL môže potrebovať opätovné vyváženie, aby sa ako faktor zahrnula novátorská hodnota.

Prínosy pre pacientov a poskytovateľov zdravotnej starostlivosti

Prechod od všeobecných statických letákov k adaptívnemu, personalizovanému vzdelávaniu prináša merateľné výhody pre obe strany rovnice starostlivosti.

Výsledky na úrovni pacienta

  • [Vyššia angažovanosť] &# 8211; Adaptívne systémy upútavajú pozornosť tým, že predkladajú obsah, ktorý nie je nikdy príliš jednoduchý (vynútený) ani príliš tvrdý (frustrujúci). Miera dokončenia adaptívnych modulov často presahuje 80%, v porovnaní s 20 − 40% pre online kurzy, ktoré nie sú prispôsobivé.
  • [Zlepšené zachovanie vedomostí] &# 8211; Rozmiestnené opakovanie a majstrovské učenie, obe zabudované do adaptívnych algoritmov, posilňujú koncepty v priebehu času. Štúdie ukazujú, že pacienti, ktorí používajú adaptívne vzdelávanie o cukrovke, si môžu presnejšie pripomenúť kroky sebastarosty po troch mesiacoch od intervencie ako tí, ktorí sa zúčastnili na jednom štúdiu v triede.
  • [Zmena správania v stupnici] &# 8211; Keď je vzdelanie presne zamerané, motivuje k činnosti v reálnom svete. Pacienti, ktorí dostávajú adaptívne koučovanie na monitorovanie glukózy, si všimnú 15 chyťte zvýšenie frekvencie denných kontrol o 25%.
  • Znížená hypoglykémia úzkosť – Personalizované moduly na rozpoznávanie a liečbu nízkych hodnôt, ktoré sa dodávajú tesne pred spaním alebo po cvičení, pomáhajú pacientom cítiť sa istejšie a znižujú nočné hypoglykemické príhody.

Výhody na úrovni poskytovateľa

  • [Výchova pacientov o stupnici] &# 8211; Jeden pedagóg cukrovky môže dohliadať na stovky pacientov používajúcich adaptačnú platformu, pričom si vyhradzuje čas na osobné použitie pre tých, ktorí potrebujú komplexné zmeny v manažmente alebo psychosociálnu podporu.
  • [Aktívne klinické poznatky] &# 8211; Systém generuje správy, ktoré zdôrazňujú medzery v poznatkoch, behaviorálne vzory a rizikové vlajky. Poskytovateľ môže rýchlo vidieť, že pacient stále nechápe korekčné dávky, a posilniť túto správu počas ďalšej návštevy.
  • [Účinné následné opatrenia &# 8211; Automatizované upozornenia a registrácie znižujú mieru neukazovania pre vzdelávacie triedy a zabezpečujú kontinuitu učenia sa medzi menovaním.
  • [Populačné zdravotné riadenie &# 8211; Súhrnné údaje z adaptačnej platformy odhaľujú bežné nedorozumenia v celej populácii pacientov trpiacich cukrovkou, ktoré umožňujú cielené iniciatívy na zlepšenie kvality.

Výzvy a stratégie implementácie, ako ich prekonať

Napriek svojmu sľubu, adaptívne učenie sa pre vzdelávanie o cukrovke čelí niekoľkým prekážkam, ktoré si vyžadujú starostlivé plánovanie.

Ochrana osobných údajov a bezpečnosť

Zdravie dáta patrí medzi najcitlivejšie osobné informácie. Zbieranie CGM čítanie, dávky inzulínu, a učenia správanie vytvára bohatý cieľ pre porušenia. Dodržiavanie HIPAA, GDPR, a miestne zákony o ochrane údajov je nesporne. Stratégie zahŕňajú end-to-end šifrovanie, diferenciálne techniky ochrany súkromia, ktoré pridávajú hluk k agregovaným dátam, a dáva pacientom granulovanú kontrolu nad tým, čo sa zhromažďujú a ako sa používajú. Systém by mal tiež ponúknuť transparentné &# 8220; používanie dát prístrojová doska &# 8221; to ukazuje presne, čo algoritmus vie a umožňuje pacientom vymazať ich históriu.

[Externé zdroje: Americká asociácia pre cukrovku Štandardy lekárskej starostlivosti pri cukrovke) obsahujú usmernenia týkajúce sa začlenenia digitálnych zdravotníckych nástrojov a zároveň ochrany súkromia pacientov.

Algoritmus Transparentnosť a dôvera

Pacienti a poskytovatelia sú pochopiteľne opatrní z odporúčaní čiernej schránky, najmä keď tieto odporúčania môžu ovplyvniť dávkovanie inzulínu alebo časovanie jedla. Algoritmus musí byť vysvetliteľný: prečo si vybral toto video teraz? Aké údaje viedli toto rozhodnutie? Jeden prístup je zahrnúť &# 8220; dôvod&# 8221; pole v užívateľskom rozhraní (napr. &# 8220; Tento modul je odporúčaný, pretože vaša hladina glukózy v krvi bola vysoká po raňajkách za posledné tri dni &# 8221;). Pre poskytovateľov by mal systém vystaviť model pravdepodobnosti a dôkazy podporujúce každé odporúčanie.

Zabezpečenie relevantnosti obsahu a kultúrnej citlivosti

Univerzálna knižnica obsahu, ktorá sa hodí pre všetky typy, neslúži rôznym skupinám obyvateľstva. Adaptívny algoritmus vyškolený predovšetkým na dáta z anglických jazykov, urbanistickí pacienti môžu mať problém prispôsobiť vzdelávanie vidieckym, neanglickým alebo nízkoliterárnym používateľom. Rozvojové tímy musia investovať do lokalizácie obsahu (jazyk, obrazy, príklady potravín), kultúrnej adaptácie (napr. začlenenie tradičných jedál alebo náboženských pôstových praktík) a testovania použiteľnosti s reprezentatívnymi skupinami užívateľov. Algoritmus by mal byť určený na zistenie, kedy obsah nie je rezonovaný (napr. vysoký pokles, nízke kvízové skóre) a označiť, že do obsahu tímu na revíziu.

Integrácia s klinickými pracovnými postupmi

Aby sa adaptívne vzdelávanie stať štandardnou súčasťou diabetu starostlivosti, musí zapadnúť bezproblémovo do existujúcich klinických pracovných postupov. To znamená integráciu s EHRs (tak, že vzdelávacie odporúčania sa objavujú v grafe pacientov a môžu byť preskúmané počas návštev), interoperabilita s diabetikmi (CGM, čerpadlá), a hladkú komunikáciu s ošetrovateľskou tímom. V ideálnom prípade, systém by mal poslať týždenný súhrn správy pacientovi , primárna starostlivosť lekára alebo endokrinológa, zníženie záťaže manuálne preskúmanie údajov.

Prípadová štúdia: Včasný úspech s adaptívnym vzdelávaním diabetikov

Pilotný program, ktorý vedie veľké akademické lekárske centrum zapísal 150 dospelých s diabetom 2. typu, ktorí mali HbA1c úrovne nad 9%. Účastníci použili smartphone aplikáciu, ktorá je integrovaná s ich CGM a predstavoval adaptívny vzdelávací motor vyškolený na viac ako 500 granulovaných vzdelávacích cieľov.

  • Priemerný časový rozsah sa zvýšil zo 45% na 63%.
  • Samohlásená dôvera v riadenie vysokej hladiny glukózy v krvi vzrástla o 35%.
  • Zapojenie aplikácií bolo priemerne 22 minút denne, pričom 85% používateľov dokončilo aspoň tri moduly týždenne.

Kvalitatívna spätná väzba ukázala, že pacienti ocenili charakter obsahu v čase just-in: oznámenie pred večerou s krátkym videom o vyhýbaní sa postprandiálnym špičkám, alebo upozornenie o liečbe nízkych hodnôt, ktoré sa objavili, keď šípka trendu CGM zvýraznila. Tento druh kontextovej personalizácie je možný len prostredníctvom adaptívnych algoritmov, ktoré spracúvajú dáta v reálnom čase.

Budúce pokyny

Oblasť adaptívneho učenia sa v oblasti vzdelávania o cukrovke stále dospieva, ale na obzore je niekoľko zaujímavých ciest.

Integrácia s telemedicínom a diaľkovým monitorovaním

Ako telemedicína sa stáva rutinou, adaptívne vzdelávanie môže byť zakomponované priamo do virtuálnych návštev. Pred telekonzultáciou, pacient dokončí krátky adaptívny modul, ktorý aktualizuje ich znalosti medzery a posiela súhrn na kliniku. Počas návštevy, lekár môže zamerať na najnaliehavejšie otázky, než tráviť čas na materiál, ktorý pacient už vie. Post-visit, algoritm posilňuje to, čo bolo prediskutované s personalizovanými nadväzujúcimi obsah.

Koučovanie a spätná väzba v reálnom čase

Predstavte si adaptívny systém, ktorý nielen učí, ale aj trénerov v reálnom čase. Pacient s CGM dáta prúdenie do cloudu by mohol dostať oznámenie: &# 8220; Vaša glukóza rýchlo rastie po tom občerstvenie. Nezabudnite pred-bolus najmenej 15 minút pred jedením. Tu líčenie 30-sekundový obnovovač na načasovanie vášho jedla inzulín.&# 8221; Takéto uzavreté-slučky vzdelávanie ide nad rámec učenia sa do zmeny správania v mieste starostlivosti.

Multimodálne a multi-rozmerné prispôsobenie

Cukrovka sa vyskytuje zriedka v izolácii. Budúce algoritmy sa prispôsobí nielen potrebám vzdelávania diabetu, ale aj komorbidným podmienkam, ako je hypertenzia, depresia, alebo obezita. Rovnaký pacient môže dostať modul o počítanie sodíka ráno a cvičenie na liečbu stresu večer, všetko sa riadi jednotným študentom model, ktorý pokrýva viac chronických podmienok. Tento holistický prístup sa zhoduje so zmenou smerom k pacientovi-centrované integrovanej starostlivosti.

Hlasové a prirodzené jazykové rozhrania

Inteligentné reproduktory a hlasové asistenti ponúkajú hands-free spôsob, ako dodať adaptívne vzdelanie, najmä pre starších pacientov alebo tých s nízkym zrakom. Algoritmus môže klásť otázku, počúvať pacientov verbálne odpovede, a určiť ďalší najlepší obsah. Skorí piloti s Amazon Alexa a Google asistenti ukázali vysokú spokojnosť medzi užívateľmi, ktorí uprednostňujú hovorené nad písaným návodom.

Najlepšie postupy pre organizácie Implementácia Adaptívne diabetes vzdelávanie

V prípade zdravotníckych systémov, platcov alebo digitálnych zdravotníckych spoločností, ktoré chcú zaviesť adaptívne vzdelávanie, môžu tieto usmernenia zvýšiť pravdepodobnosť úspechu:

  1. [Začať s úzkym rozsahom. Zamerajte sa na jednu tému s vysokým dosahom (napr. úprava dávky inzulínu) a dokážte, že algoritmus funguje pred rozšírením do celého obsahu vzdelávania.
  2. [Zapojiť pedagógovia pre cukrovku od prvého dňa.[ Ich odborné znalosti sú nevyhnutné pre tvorbu obsahu, validáciu modelov pre študentov a interpretáciu výstupov algoritmov.
  3. Design for inclusivity. Test s rôznymi populáciami pacientov, aby sa zabránilo algoritmické predsudky. Použite jednoduchý jazyk, viac jazykov, a kultúrne úpravy.
  4. [Meranie vedomostí a správania.[[FLT: 1]] Kvízové skóre samotné nestačí. Sledovacie klinické výsledky (HbA1c, časový rozsah, miera hypoglykémie) na preukázanie vplyvu na reálnu planétu.
  5. [Plán pre iteratívne zlepšenie.] Adaptívne systémy sa nikdy nedokončia. Rozpočet na prebiehajúce aktualizácie obsahu, preškoľovanie modelu a vylepšenie užívateľských skúseností na základe analýzy.

Externé zdroje: Spoločnosť pre diabetes mellitus ponúka rámec pre hodnotenie digitálnych zdravotných intervencií[, ktorý zahŕňa kritériá pre adaptívne a personalizované funkcie.

Záver

Adaptívne učebné algoritmy predstavujú zlomový bod v vzdelávaní o cukrovke. Tým, že prechádza za statické dávky a jednorazové triedy, tieto inteligentné systémy sa stretávajú každý pacient, kde sú chápaví, emocionálne, a klinicky a viesť ich k lepšiemu sebariadenie. Vývojový proces je náročný, vyžadujú úzku spoluprácu medzi klinickými, obsah, a technické tímy, ale výplata je významná: pacienti, ktorí sú viac zapojení, viac vedomostný, a viac sebavedomý v ich schopnosti zvládnuť cukrovku deň čo deň.

Ako senzorová technológia, širokopásmové pripojenie a strojové učenie naďalej pokročiť, adaptívne vzdelávanie sa stane štandardnou súčasťou starostlivosti o cukrovku a nie je pekný-to-mať prídavok, ale základným nástrojom na posilnenie pacientov a zlepšenie výsledkov na stupnici. Zdravotnícke systémy a platcovia, ktorí teraz investujú do budovania a rafinácie týchto algoritmov bude dobre umiestnený na poskytovanie personalizované, efektívne a efektívne vzdelávanie miliónov ľudí žijúcich s cukrovkou po celom svete.