Table of Contents

V zadnjih letih so podatkovne platforme, ki temeljijo na oblaku, bistveno preoblikovale področje medicinskih raziskav. S tem, ko so omogočile več institucijam, da sodelujejo v realnem času, si izmenjujejo velike podatkovne zbirke in izvajajo izpopolnjene analize brez bremena upravljanja fizične infrastrukture, so postale nepogrešljive. Ta preobrazba je še posebej pomembna v raziskavah sladkorne bolezni, kjer je za kompleksnost bolezni potrebna vključitev različnih vrst podatkov – ki segajo od elektronskih zdravstvenih zapisov (EHR) in stalnih izhodov za monitorje glukoze (CGM) do genomike, metabolomike in bolnikovih poročil. Prehod s izoliranih, institucijskih podatkovnih silosov na medsebojno povezane ekosisteme oblakov je pospešil hitrost odkrivanja, kar raziskovalcem omogoča, da se zastavljajo vprašanja, ki jih je bilo prej nemogoče odgovoriti zaradi razdrobljenosti podatkov in računalniških omejitev. Nujnost je podkrepljena s svetovnim povečanjem razširjenosti sladkorne bolezni, ki zahteva skupne pristope k preprečevanju, zdravljenju in dolgoročnemu upravljanju.

Vse večja pomembnost infrastrukture v oblaku pri raziskavah sladkorne bolezni

Diabetes mellitus zajema skupino presnovnih motenj, za katere je značilna kronična hiperglikemija. S stopnjo razširjenosti, ki se vzpenja po svetu – več kot 537 milijonov odraslih, ki trenutno živijo s sladkorno boleznijo – je po Mednarodni federaciji za diabetes – potreba po multiinstitucionalnih raziskavah še nikoli ni bila bolj nujna. Tradicionalne raziskovalne metode, ki so odvisne od lokalnih strežnikov, ročne izmenjave podatkov po elektronski pošti ali fizičnih medijih in periodičnih prenosov paketov. Ti pristopi so uvedli latence, neskladja podatkov in nočne more za nadzor različic. Platforme, ki temeljijo na oblaku, te ozke točke rešujejo z zagotavljanjem enotnega, vedno razpoložljivega okolja, kjer je mogoče podatke iz različnih virov shraniti, uskladiti in analizirati v obsegu. Raziskovalna omrežja, kot so Izmenjava T1D so pokazala, kako infrastruktura v oblaku omogoča klinikam po Združenih državah Amerike, da prispevajo podatke o tisočih bolnikih, ki ustvarjajo bogat vir za preučevanje sladkorne bolezni tipa 1.

Infrastruktura v oblaku podpira tudi vse večji trend "velikih podatkov" v raziskavah sladkorne bolezni. Študije, kot je raziskovanje umetne inteligence za napovedovanje sladkorne bolezni tipa 2, kažejo, kako računalništvo v oblaku zagotavlja potrebno moč za kompleksne algoritme – modele strojnega učenja, ki zahtevajo usposabljanje na milijonih podatkovnih točk. Poleg tega sposobnost vrtenja virtualnih strojev s stotinami jeder na zahtevo pomeni, da raziskovalcem ni več treba vlagati v drago strojno opremo na premisisu. Ta elastičnost je ključna za projekte z nihajočimi računalniškimi potrebami, kot so študije o združenjih po genomih (GWAS) ali vzdolžne analize podatkov o stalnem spremljanju glukoze. Z rastjo podatkov platforme v oblaku zagotavljajo, da se lahko shranjevanje in obdelava energije nemoteno povečata, ne da bi se prekinile tekoče raziskave.

Prednosti platform, ki temeljijo na oblaku, v raziskavah sladkorne bolezni

Izmenjava podatkov in sodelovanje

Ena od primarnih prednosti je enostavnost izmenjave podatkov med institucijami. Raziskovalci iz različnih bolnišnic, univerz in raziskovalnih centrov lahko dostopajo do centralizirane baze podatkov in prispevajo k njej. To zmanjšuje podvajanje prizadevanj in spodbuja kulturo sodelovanja, kjer se lahko hitro potrdijo in gradijo na njih.Na primer, center za raziskave zdravja Jaeb je bil ključnega pomena pri poskusih za zdravljenje sladkorne bolezni tipa 1 in umetnega sistema trebušne slinavke.Po kliničnih preskušanjih platforme v oblaku omogočajo združevanje podatkov za opazovalne študije, ki raziskovalcem omogočajo, da prepoznajo redke podskupine in sorodne učinke, ki bi bili nevidni v enojnih zbirkah podatkov.

Analiza in vpogled v realnem času

Platforme v oblaku omogočajo zaužitje in analizo podatkov v realnem času. V kliničnih preskušanjih ali opazovalnih študijah se lahko podatki prenašajo neposredno iz naprav, kot so insulinske črpalke, monitorji glukoze in sledilniki fitnesa, v oblak, kjer se armaturne plošče takoj posodobijo. Ta neposrednost omogoča raziskovalcem, da zgodaj odkrijejo trende, prilagodijo parametre študije in celo izvedejo prilagodljive poskusne modele. Če se na primer varnostni signal pojavi v eni veji študije, lahko sistem na podlagi oblaka nemudoma opozori tablo za spremljanje varnosti podatkov, kar lahko zmanjša tveganje za bolnika. Hitrost ustvarjanja vpogleda lahko skrajša več let tradicionalnega raziskovalnega časovnega obdobja, saj raziskovalci ne potrebujejo več čakati na zamrznitve podatkov ali ročno reševanje poizvedb.

Natezna trdnost za vzdolžne študije

Diabetes raziskave pogosto vključuje vzdolžno zbiranje podatkov, ki traja več let in več tisoč udeležencev. Platforme v oblaku so same po sebi razširljive, z več milijardami podatkovnih točk brez poslabšanja učinkovitosti. Ko so na voljo novi valovi podatkov – iz letnih pregledov, naprav za stalno spremljanje ali vzorcev biobank – se lahko elastična shranjevalna zmogljivost in poveča računalniški viri za kompleksne analize, kot so GWAS ali modeli globokega učenja za napovedovanje zapletov. Ta razširljivost podpira tudi federativne poizvedbe v več nizih podatkov, kar raziskovalcem omogoča testiranje hipotez na velikih, raznolikih populacijah brez podvajanja podatkov.

Stroškovna učinkovitost in optimizacija virov

Platforme v oblaku z delitvijo infrastrukture med več projekti in institucijami znatno zmanjšajo stroške. Namesto da bi vsaka institucija ohranila svoj visoko zmogljiv računalniški center, raziskovalci plačujejo le za sredstva, ki jih porabijo. Ta model v okviru programa vau-you demokratizira dostop do napredne analitike, kar omogoča manjšim laboratorijem in institucijam v nastavitvah, omejenih z viri, da sodelujejo pri vrhunskih raziskavah. Mnogi ponudniki v oblaku ponujajo subvencije in diskontirane cene za akademske raziskave, nadaljnje zmanjševanje ovir. Poleg tega zmožnost zavrtanja in rušenje začasnih skupin za izračune pomeni, da se lahko kratkoročne, računsko intenzivne naloge (kot je usposabljanje modela strojnega učenja) izvajajo brez stalnih kapitalskih izdatkov. Ta učinkovitost ima razmahljiv učinek: raziskovalci lahko dodelijo več proračuna za hipotezo o proizvodnji in potrjevanju namesto IT režijskih stroškov.

Tehnologije v oblaku, ki spodbujajo sodelovanje pri raziskavah sladkorne bolezni

Google Cloud Platform (GCP)

Google Cloud ponuja specializirane rešitve za zdravstveno varstvo in znanosti o življenju, vključno z API za zdravstvo, ki lahko zaužije podatke v formatu FHIR, in orodja, kot je Vertex AI za strojno učenje. Njegove močne zmogljivosti za analizo podatkov, kot je BigQuery, raziskovalcem omogočajo, da v nekaj sekundah poizvedujejo o petabajtih podatkov s standardnimi varnostnimi certifikati SQL. GCP, vključno z HIPA skladnostjo[]], zaradi česar je zanesljiva izbira za ravnanje z zaščitenimi zdravstvenimi informacijami. Za raziskave sladkorne bolezni integracija GCP z API za Cloud Healthcare API omogoča brezhlapno zaužitje HL7v2, DICOM in FHIR podatkov iz elektronskih zdravstvenih zapisov, ki so kritične za študije, ki združujejo klinične podatke z rezultati ali podatki o napravah, ki jih je bolnik prejel.

Skupina Amazon je trdila, da je bila družba LuxSCS v obdobju preiskave v zvezi s pregledom v zvezi s pregledom v zvezi s pregledom in pregledom v zvezi z družbo LuxSCS v obdobju preiskave v zvezi s pregledom v zvezi s pregledom in pregledom v zvezi z družbo LuxSCS v zvezi z družbo LuxSCS v obdobju preiskave v zvezi s pregledom, ki je bil izveden leta 2013, v zvezi s katero je družba LuxSCS predložila pripombe, ki so jih predložili družbe LuxSCS, v zvezi z družbo LuxSCS in LuxSCS, ki so jih predložili organi Združenega kraljestva, ki so bile v obdobju preiskave v zvezi s pregledom, v zvezi s tem predložili informacije o tem, ki so jih predložili [21], in je bila v zvezi z družbo LuxSCS v zvezi s tem predložila informacije o tem, da je družba LuxSCA [...] [...] [...] [...] [...] [...] [...] [...] [...] [...] [...] [...] [...] [...] [...] [...] [...] [...] [...] [...] [...] [...] [...] [...] [...] [...] [...] [...] [...] [...] [...] [...] [...] [...] [...] [...] [...] [...] [...] [...] [...] [...] [...] [...] [...] [...] [...] [...] [...] [...] [...] [...] [...] [...] [...] [...] [...] [...] [...] [...] [...] [...] [...] [...] [...] [...] [...] [...] [...] [...] [...] [...] [...]

AWS zagotavlja celovit nabor storitev za analizo podatkov velikih, vključno z Amazon S3 za shranjevanje, Amazon EMR za obdelavo Spark delovnih mest in SageMaker za gradnjo modelov strojnega učenja. AWS ponuja tudi namensko zgrajene storitve, kot so Amazon HealthLake, ki uporablja strojno učenje za normalizacijo in shranjevanje zdravstvenih podatkov v formatu, ki je skladen z FHIR. Mnogi akademski zdravstveni centri uporabljajo AWS za ustvarjanje skupnih raziskovalnih okolij, ki izpolnjujejo regulativne zahteve, kot so HIPAA, GPR in FedRAMP. Sposobnost za vzpostavitev podatkovnih jezer na S3, skupaj z granularnim nadzorom dostopa, omogoča raziskovalnim omrežjem, da delijo podatke brez žrtvovanja varnosti.

Microsoft Azure

Azure združuje široko uporabljena raziskovalna orodja, kot so Jupyter Notebooks, in zagotavlja Azure Synapse Analytics za velike podatke. Azure API za FHIR racionalizira interoperabilnost zdravstvenih podatkov. Poleg tega Azure s svojim močnim upravljanjem identitete in nadzorom dostopa na podlagi vlog olajša upravljanje dovoljenj po konzorciju institucij. Azure Machine Learning omogoča razvoj prediktivnih modelov, kot so tisti, ki se uporabljajo za napovedovanje napredovanja diabetične retinopatije, z zagotavljanjem upravljanih računalniških grozdov in avtomatiziranih zmogljivosti ML.

Druge nastajajoče platforme

Poleg velikih treh, platforme, kot so Snežko in Databricks[]] pridobivajo na področju raziskav. Snežkova arhitektura v oblaku omogoča varno izmenjavo podatkov brez kopiranja podatkov – uporabniki si lahko delijo podatkovne nize po organizacijah, ki jih uporabljajo "delnice", ki ohranjajo pravila upravljanja. Databricks zagotavlja enotno analitično platformo, ki temelji na Apache Spark in podpira skupne prenosne računalnike in napredno analitiko za različne vrste podatkov. Ta orodja vse bolj sprejemajo konzorciji za raziskave sladkorne bolezni, ki zahtevajo prilagodljiva, razširljiva okolja za obsežne multiomične analize. Na primer NIH Vsi naši raziskovalni programi vzvodi [Google Cloud[] za shranjevanje in analizo zdravstvenih podatkov več kot milijon udeležencev, ki raziskovalcem omogočajo študij diabetesnih podtipov, genetskih dejavnikov in zdravstvenih razlik v različnih populacijah.

Kako platforme v oblaku omogočajo usklajevanje podatkov

Eden izmed najbolj perečih izzivov pri multiinstitucionalnih raziskavah sladkorne bolezni je heterogenost podatkov. Različne bolnišnice in klinike uporabljajo različne sisteme elektronskih zdravstvenih zapisov, kodiranje standardov (npr. ICD-10, SNOMED) in protokole zbiranja podatkov. Platforme v oblaku omogočajo pretvorbo teh različnih virov podatkov v skupne podatkovne modele, kot so Partnerstvo za opazovanje medicinskih izidov Skupni podatkovni model (OMOP CDM) ali FHIR. Cevovodi na osnovi oblaka, ki uporabljajo orodja, kot so Apache Spark, Cloud Dataflow ali AWS Glue, lahko izluščijo, preoblikujejo in naložijo podatke v te standardizirane formate. Ko so enkrat usklajeni, lahko raziskovalci po celotnem konzorciju izvajajo analitične poizvedbe, s čimer so podatki primerljivi. Ta harmonizacija sega sega nanaša na laboratorijske meritve: na primer HbA1c vrednosti, ki se poročajo v različnih enotah (mmol/mol v primerjavi s odstotek).

Izzivi in strategije za ublažitev

Zasebnost podatkov in skladnost z zakonodajo

Varstvo zaupnosti pacientov je bistvenega pomena pri raziskavah sladkorne bolezni, ki pogosto vključujejo občutljive zdravstvene podatke, vključno s stalnimi odčitavanjem glukoznih monitorjev, dnevniki insulinskih črpalk in genetskimi informacijami. Predpisi, kot so HIPAA v Združenih državah in GDPR v Evropi, določajo stroge zahteve glede shranjevanja podatkov, prenosa in dostopa. Ponudniki računalništva v oblaku so se odzvali s ponudbo storitev, ki so upravičene do HIPA, sporazumov poslovnih partnerjev (BAA), ter šifriranjem podatkov v mirovanju in tranzitu. Raziskovalci morajo izvajati tudi tehnike za deidentifikacije podatkov, kot so odstranjevanje neposrednih identifikatorjev, prestavljanje datumov in dodajanje hrupa številčnim vrednotam, ter izvajati strog nadzor nad dostopom z uporabo večfaktorske avtentikacije. Za izvajanje teh zahtev je nujno potrebno dobro zasnovan okvir za upravljanje podatkov, vključno s sporazumi o uporabi podatkov med institucijami. Številne platforme v oblaku zdaj ponujajo vgrajena orodja za potrjevanje skladnosti, ki samodejno preverjajo prakse ravnanja s podatki v skladu z regulativnimi standardi.

Standardizacija in interoperabilnost podatkov

Za učinkovito medinstitucionalno analizo je treba podatke uskladiti s skupnimi standardi, kot sta OMOP CDM ali FHIR. Platforme v oblaku lahko to olajšajo z zagotavljanjem cevovodov za preobrazbo podatkov in orodij za kartiranje lokalnih podatkov tem standardom. Na primer, AWS HealthLake in Google Cloud Healthcare API ponujata vgrajeno pretvorbo FHIR. Vendar pa se ne sme podcenjevati začetnih prizadevanj za standardizacijo in stalno upravljanje je potrebno za ohranjanje doslednosti, saj se dodajajo novi viri podatkov. Raziskovalna omrežja pogosto ustvarjajo skupine za kartiranje podatkov, ki delajo z inženirji v oblaku za opredelitev pravil za kartiranje in ravnanje z obrobnimi primeri.

Nadzor dostopa in varnost

Upravljanje dovoljenj za veliko, večinstitucionalno ekipo je zapleteno. Cloud platforme ponujajo granularno nadzor dostopa (RBAC) in na atributih temelječ nadzor dostopa (ABAC), kar omogoča administratorjem natančno določiti, kdo lahko bere, piše ali analizira vsak nabor podatkov. Večfaktorska avtentikacija in revizijski dnevniki pomagajo preprečiti nepooblaščen dostop in zagotavljajo prepoznavnost v uporabo podatkov. Redne varnostne revizije in upoštevanje okvirov, kot je NIST 800-53, so priporočljive. Za federirane raziskave, kjer podatki ostanejo v izvorni instituciji, lahko platforme v oblaku vodijo poizvedbe brez premikanja neobdelanih podatkov – tehnika, ki se vse bolj uporablja za izpolnjevanje zahtev glede suverenosti podatkov.

Intelektualna lastnina in lastništvo podatkov

Kolaborativne raziskave pogosto postavljajo vprašanja o lastništvu podatkov in pravicah intelektualne lastnine. Platforme v oblaku ne rešujejo teh pravnih vprašanj, lahko pa jih podpirajo s funkcijami, kot sta ločevanje podatkov in sledenje uporabi. Jasni sporazumi na začetku sodelovanja so odločilni za preprečevanje sporov kasneje. Številni raziskovalni konzorciji sprejmejo skupni sporazum o delitvi podatkov, ki določa, kdo ima v lasti pridobljene podatke (kot so zbirni statistični podatki ali usposobljeni modeli) in kako jih je mogoče uporabiti. Sečnja in različica na podlagi oblaka zagotavljata nespremenljiv zapis o dostopu do podatkov in fazah analize, ki je lahko koristen pri reševanju lastniških zahtevkov.

Real-World aplikacije in študije primerov

Raziskovalni program za vse nas

Čeprav se program NIH ni osredotočal izključno na sladkorno bolezen, pa NIH Vsa nas ] uporablja platformo, ki temelji na oblaku, da shrani in analizira zdravstvene podatke več kot milijona udeležencev. Raziskovalci lahko dostopajo do nabora podatkov za preučevanje diabetesa podtipa, genetskih dejavnikov tveganja in razlik v zdravju. Obločna infrastruktura omogoča varno, nadzorovano delitev tega ogromnega vira v raziskovalni skupnosti. Z uporabo sistema podatkovnih listov, vsi mi omogočamo raziskovalcem, da analizirajo podatke prek delovnega prostora, ki temelji na oblaku, ne da bi kdaj prenesli celoten nabor podatkov, in hkrati omogočajo globoko znanstveno raziskovanje.

Klinična preskušanja za sladkorno bolezen tipa 1 z več centri

Pri sladkorni bolezni tipa 1 Jaeb Center za zdravstvene raziskave] usklajuje večcentrična preskušanja z uporabo zajema centraliziranih podatkov v oblaku. Realno časovno spremljanje kakovosti podatkov in rezultatov bolnikov omogoča hitrejše prepoznavanje varnostnih signalov ali trendov učinkovitosti, izboljšanje učinkovitosti preskušanja. Na primer, v nedavnem preskušanju hibridnega sistema za dovajanje insulina v zaprti zanki so podatke stotih udeležencev nočno prenesli v bazo podatkov v oblaku, kjer so jih samodejno očistili in dosegli. To je omogočilo študijski ekipi, da je v nekaj dneh zaznala napake v napravi, namesto da bi čakala na obiske za spremljanje mesta, ki bi se lahko zgodili več tednov kasneje.

Mednarodni konzorciji za genomiko sladkorne bolezni

Projekti, kot so Diabetes Genetics Initiative], se opirajo na računalništvo v oblaku, da združijo podatke o združenjih organizacij po vsem svetu. Raziskovalci lahko s shranjevanjem surovih genotipov in fenotipov v skupnem shranjevanju oblakov z nadzorovanim dostopom izvedejo megaanalize, ki bi bile logistično nemogoče z lokalnimi sistemi. Oblak omogoča tudi ponovljive raziskave: analitični cevovodi in pretoki dela so pakirani kot zabojniki (Docker) in jih lahko ponovno izvaja vsak sodelavec, ki zagotavlja, da so rezultati robustni in pregledni.

Prihodnje usmeritve: AI, Federativno učenje in globalno sodelovanje

Umetna inteligenca in strojno učenje

Platforme v oblaku zagotavljajo računalniško moč, potrebno za usposabljanje kompleksnih modelov AI, kot so globoke nevronske mreže, ki napovedujejo diabetično retinopatijo iz slik mrežnice, modeli, ki napovedujejo hipoglikemične dogodke z uporabo podatkov o CGM in aktivnosti, ali modeli, ki optimizirajo doziranje insulina. Ker se stroški oblakov in orodja AI bolj dostopna, se lahko ti modeli uporabijo v kliničnih nastavitvah za pomoč pri odločanju. Sposobnost za preusposabljanje modelov z novimi podatki iz več institucij dodatno izboljša natančnost in splošnost. Storitve AI na osnovi oblakov, kot so Google Cloud AutoML, Azure Cognitive Services in Amazon SageMaker AutoPilot omogočajo celo ekipam brez globokega strokovnega znanja na področju ML, da gradijo zanesljive napovedne modele za sladkorne bolezni.

Federativno učenje za ohranjanje zasebnosti

Eden od obetavnih pristopov za premagovanje izzivov v zvezi z zasebnostjo podatkov je federativno učenje, kjer se modeli strojnega učenja usposabljajo po decentraliziranih podatkovnih virih brez prenosa neobdelanih podatkov. Platforme v oblaku lahko vodijo federativne učne tokove z usklajevanjem izmenjave parametrov med institucionalnimi vozlišči. Model za napovedovanje napredovanja bolezni diabetičnih ledvic bi lahko na primer usposobili prek petih bolnišničnih sistemov, ne da bi podatki na ravni pacientov zapustili mrežo vsake bolnišnice. To raziskovalcem omogoča, da izkoristijo velike, raznolike nabore podatkov, hkrati pa ohranijo lokalni nadzor nad občutljivimi informacijami. Zgodnji uspehi pri federativnem učenju za sladkorno bolezen so bili prijavljeni pri napovedovanju zapletov, pristop pa naj bi postal standard v večcentričnih študijah, ki se soočajo z omejitvami pri izmenjavi podatkov.

Globalne pobude za sodelovanje

Platforme, ki temeljijo na oblaku, omogočajo resnično globalno sodelovanje, povezovanje raziskovalcev v državah z visokimi dohodki in tistih v okoljih z nizkimi in srednjimi dohodki, kjer razširjenost sladkorne bolezni hitro narašča. Skupna okolja v oblaku lahko gostijo izobraževalne vire, standardizirane analitične plinovode in primerjalne podatkovne nize, ki spodbujajo krepitev zmogljivosti in pravično udeležbo. Pobude, kot so Global Diabetes Research Network[], so gonilna sila tehnologije v oblaku, ki premosti vrzeli in pospeši napredek pri doseganju boljših strategij preprečevanja in upravljanja po vsem svetu. Ponudniki v oblaku z zagotavljanjem nizkocenovnih shranjevalnih in računalniških kreditov za raziskovalce v manj razvitih regijah pomagajo pri izenačevanju konkurenčnih pogojev. Poleg tega platforme v oblaku podpirajo večjezično zapisovanje in kohortno orodje za odkrivanje, kar olajša zaposlovanje različnih študijskih populacij in zagotavlja, da so ugotovitve splošne po narodnostih in geografijah.

Najboljše prakse za izvajanje raziskovalnih podatkovnih jezer, ki temeljijo na oblaku

Da bi čim bolj povečali koristi platform v oblaku, bi morale mreže za raziskave v zvezi s sladkorno boleznijo sprejeti več najboljših praks. Prvič, ustanoviti odbor za upravljanje podatkov, ki bo vključeval predstavnike vseh sodelujočih institucij, da bi opredelili opredelitve podatkov, pragove kakovosti in politike dostopa. Drugič, uporabiti modularno arhitekturo: ločeno shranjevanje, obdelavo in predstavitvene plasti, da bi se lahko vsak sam raztegnil. Tretjič, izvajati avtomatizirane preglede potrjevanja podatkov na točki zaužitja, da bi odkrili napake zgodaj. Četrtič, uporabiti delovne tokove analize v zabojnikih (npr. z uporabo Dockerja ali Singularnosti), da bi zagotovili ponovljivost v različnih okoljih v oblaku. Petič, spremljati stroške in uporabo proaktivno; orodja za upravljanje stroškov v oblaku lahko pomagajo preprečiti nepričakovano porabo. Nazadnje dokumentirati vse pretvorbe podatkov in analitične korake v skladišču, ki je pod nadzorom različic, kar je bistveno za revizijo in za prihodnjo podvajanje študij.

Za zaključek, platforme za podatke na podlagi oblaka so postale nepogrešljive za skupne raziskave sladkorne bolezni. Razčlenijo institucionalne ovire, omogočijo analizo v realnem času in obseg, da bi lahko prilagodili ogromne količine podatkov, ki jih ustvarjajo sodobne študije. Izzivi, kot so zasebnost, standardizacija in nadzor dostopa, zahtevajo skrbno pozornost, koristi pa so daleč večje od ovir. Kot tehnologije, kot so AI in federated učenja, bodo še naprej služile kot hrbtenica resnično medsebojno povezanih globalnih raziskovalnih prizadevanj, namenjenih razumevanju in premagovanju sladkorne bolezni. Pot naprej je jasna: objem infrastrukture v oblaku, naložbe v usklajevanje podatkov in spodbujanje kulture odprte, sodelovalne znanosti.