Ang pagkakaroon ng diyabetis ay nakaaapekto sa mahigit 537 milyong adulto sa buong daigdig, isang bilang na inaasahang tataas nang husto sa darating na mga dekada. Ang pagkontrol sa nagtatagal na sakit na ito ay nangangailangan ng patuloy na pagbabantay: pagsubaybay sa blood glucose, pag - aayos sa dosis ng insulin, pagsubaybay sa pagkain, at pagkilala sa mga unang palatandaan ng mapanganib na pag - iimbita. Ang tradisyonal na mga troso at pana - panahong mga pagpapatingin sa klinika ay nagbibigay lamang ng mga larawan ng isang dinamikong sakit.

Ano ba ang IOT at Makina na Natututo sa Pangangalagang Pangkalusugan?

Ang Internet of This ay tumutukoy sa isang network ng mga pisikal na bagay na feature, sensor, o kasangkapan na may mga software, connectivity, at kakayahang magpalitan ng impormasyon sa internet. Sa isang kontekstong pangkalusugan, ang IoT ay sumasakop sa lahat ng bagay mula sa mga infusion pump hanggang sa mga home-use blood pressure cuff. Para sa diabetes, ang pinaka-kaugnayang mga aparatong IoT ay patuloy na mga monitor ng glucose (CGM), ang mga smart insulin pen, insulin pump, at mga stainable tracker. th. thouts, earthwatch, mga staptovinge, mga aparatong pang-ed. Ang mga akt na ito ay lumilikha ng mga feature na pang-time na pang-time na pang-time na pang-aksyon, mga aksyon, mga ins, mga ins, mga insclusion na pang-aksyon, mga insclusion, mga ins.

Ang pag-aaral ng mga makina, isang sangay ng artipisyal na katalinuhan, ay gumagamit ng mga pamamaraang estadistikal upang matuto ang mga sistema mula sa datos nang hindi malinaw na naiprograma para sa bawat posibleng tuntunin. Sa halip ng mga mahirap na mga kondisyong tulad ng ⁇ if glucose > 180 mg/dL pagkatapos ay alisto, ang mga motibasyong ML ay nakakalason ng libu-libong mga araw ng mga datos upang matuklasan ang komplikado, hindi-linear na mga relasyon. Ang mga alg ito ay maaaring mag-uri, kumpol, o humula ng mga kinalabasan, tulad ng paghula ng isang hyg-araw na pangyayaring pampogham sa isang partikular na episika sa isang partikular na episodyong episodytiko o mga relasyon.

Malinaw ang sinerhiya: Ang IoT ay nagbibigay ng tuloy-tuloy, mataas-resolusyon na data feed na kinakailangan ng mga ML algorithm upang sanayin ang mga matipunong modelo, at ang ML ay nagbabalik ng mga aktwal na mga kabatiran na nagsasara sa loop, na ginagawa ang mga hilaw na sensor data na real-time na rekomendasyon para sa mga pasyente at clinician.

Kung Paano Binabago ng IoT ang Diabetes Data Collection

Bago ang malawakang pag-aampon ng CGMs, ang management ng diabetes ay labis na umasa sa mga sukat ng finger-stick, karaniwang isinasagawa 4–10 beses sa isang araw.Ang mga speciation na ito ay hindi nagkamit ng mga kritikal na kalakaran at mga moment ng magdamag. ang mga aparatong IoT ay nagbago ng data collection sa ilang mga pangunahing paraan.

Patuloy na Nag - uumang na mga Monator

Ang mga sensor ng CGM gaya ng Dexcom G6, Abbott FreeStyle Libre, at Medtronic Guardian ay sumusukat ng mga antas ng glucose sa interstitial fluid subclueously. Ang mga ito ay naghahatid ng mga pagbasa nang walang kawad sa isang smartphone app o dediversity receiver tuwing 5–15 minuto. Ang isang pasyente ay lumilikha ng humigit-kumulang 288 data points kada araw na cripture na hindi praktikal na log manufacturing. Ang mataas na data na ito ay nagpapangyari sa mga modelo ng ML na makita ang mga smarktip-ftform na pagbabago ng bilis ng glucose-fture (e.g., bago ang mabilis na droleclecleclecleclecle.) ay hindi maka-scle.

Mahuhusay na Lagsa at mga Pampasabog ng Insulin

Ang Smart insulin pens (e.g., Novo Nordiscins NovPen 6, Companion Medicaliven) ay nag-iintermit ng oras, dosis, at uri ng insulin, awtomatikong nag-iisa sa isang mobile app. Insulin pumps na may integrated CGM data, tulad ng Tandim tslim X2 na may Control-IQ, ay bumubuo ng mga automated insulin transmission (AID) na gumagamit ng mga algorithm (kadalasang ML-based) upang maibagay ang mga rate sa tunay na oras sa mga aparatong ito. Ang mga spes ay maaaring lumikha ng mga tugon ng mga cormpreleksiyon ng insulin na productions.

Magsuot ng Mahuhusay na Tagasubaybay at Iba Pang Sensor

Ang mga kagamitang pang-akademiya na katulad ng Apple Watch, Fitbit, o Garmin ay nagbibigay ng kontekstong datos: ang tibok ng puso, temperatura ng balat, mga hakbang, yugto ng pagtulog, at antas ng stress ay nakakaimpluwensiya sa metabolismo ng glucose. halimbawa, ang pisikal na gawain ay nagpapataas ng sensasyon ng insulin; ang kaigtingan ay nagpapataas ng cortisol at asukal sa dugo.Ang pagpapakain sa mga kontekstong ito ng mga hudyat sa mga prespektitive model ay nagpapabuti ng katumpakan, habang ang modelo ay nag-aaral na baguhin ang mga hula batay sa isang eksistenistensiyalidad na kasalukuyang gawain at pisyolohikal na estado.

Mga Pamamaraan sa Pagkatuto sa Makina Para sa mga Modelo ng Hula

Ang hilaw na datos mula sa mga aparatong IoT ay dapat na iproseso, linisin, at baguhin bago ito magamit upang sanayin ang mga modelong panghula. Ang pagpili ng ML algorithm ay nakasalalay sa klinikal na tanong: paghula ng isang halaga ng numerikong glucose, pag-uuri ng isang nalalapit na pangyayari (hypoglycemia/hyperglycemia), o pagpangkat ng mga pasyente sa mga kategoryang nanganganib.

Regression Models Para sa Paghula sa Glucose

Ang pinakakaraniwang atas ay ang paghula ng antas ng blood glucose sa isang ibinigay na abot-tanawixi.g., 15, 30, o 60 minutong patiuna. Ang mga modelong time-series regression ay mga natural na kandidato. Ang mga tradisyonal na autoregressive integrated average (ARIMA) na mga modelo ay ginamit na sa kasaysayan, ngunit ang malalim na pagkatuto ng mga variants ay nangingibabaw na ngayon. Long Short-Term Memory (LSTM) network, isang uri ng receivanized network (RNN), ay partikular na dalubhasa sa pagkuha ng mga long-ficlection ins sa mga institusyong pagkakasunud-sunod tulad ng mga institusyong tulad ng University of Virginia at mga modelong nuong may kahulugang-M-M-M-M-ang-ang-ang-ang pang-ang-ang-ang pang-angkastom na may mga properensiya na may mga propeksiyon na may kahulugan na ang mga modelo (mga modelong encto) na may petsa na ang mga modelong encreensiya) na may mga modelong enhin na may petsang enhinal

Mga Modelo ng Pag - uuri Para sa Pangyayaring Pag - unawa

Sa halip na hulaan ang eksaktong antas ng glucose, ang ilang mga modelo ay dinisenyo upang ma-trenyempo ang pagsisimula ng hypoglycemia (blood glucose < 70 mg/dL) o hyperglycemia (> 180 mg/dL) sa loob ng isang di-gnosisyong window. Ang mga ito ay binary o multi-class classification na mga problema mula sa kamakailang mga insulin, Algorithm gaya ng Random Forest, XGBoost, at suportang mga vektor na mga ve na mga ve na mga katangiangress) na sinasanay mula sa mga sangguniang pang-kalikas na nasa mga insytomiyang pang-MT na pang-ebolebola na pang-ebola na pang-ebola na pang-ebola para sa mga intotoplik na pang-ebolus, na pang-ebola (mga into), na pang-ebold na pang-ebold na pang-ebolatrong pang-ebola, na pang-ebolatro

Pag - aalaga sa mga Pasyenteng Nag - aalinlangan

Ang diabetes ay hindi pare-parehong sakit. ang mga pasyente ay nagkakaiba sa sensitivity ng insulin, beta-cell function, lifestyle, at tugon sa mga therapy. unsupervised cluting (e.g., k-chance, clusioning) ay maaaring magpangkat ng mga pasyente sa mga subphenotype batay sa kanilang mga IoT data pattern. Ang mga subgrupong ito ay maaaring magkaroon ng mga natatanging profile ng panganib o mas mabuting tumutugon sa espesipikong mga regrehektor, na nagdudulot ng mas tiyak, personal na personal na pangangalaga.

Paggawa ng Isang Hulang Modelo: Mula sa Data Tungo sa Pagiging Deployment

Ang paglikha ng isang gumaganang modelong panghula ay kinasasangkutan ng ilang mga hakbang na lampas pa sa basta pagpili ng isang algorithm.Ang bawat yugto ay naghaharap ng sarili nitong mga hamon at mga pagpipiliang pangdisenyo.

Pag - iwas sa mga Data at Pag - iingat

Ang agos ng datos ng IoT ay kadalasang magulo: nawawalang mga pagbasa (sensor dislodgement, mga puwang ng transmisyon), ingay (conclusion artifacts), at iregular na oras na pagitan. Kabilang sa preprocessing ang improduksiyon (e.g., linear interpotion para sa mga maiikling puwang), outlier deflication (phyloologicallyible values tulad ng glucose > 600 mg/dL o < 20 mg/dL), at muling pag-eng sa isang pagkakapareho (e.g., bawat minuto) Datampt na mga aparatong/dL officleclexM. Ang mga oras ay dapat na gumagamit ng mga independiyenteng-oras, at mga sangguniangrampsc.

Inhinyeriya ng Katangian

Ang mga pagpapahalagang pang-agham lamang ng mga raw sensor ay bihirang nagbibigay ng pinakamahusay na pagganap. ang inhinyeriyang pang-edukasyon ay lumilikha ng mga hinangong variable na nagreresulta sa temporal dynamics: glucose rate of chapter (unang hinango), rate (seedly composative), area sa ilalim ng kurba sa mga kamakailang bintana, panahon mula noong huling pagkain, mga kurba ng insulin aksyon, at mababang calcium index (LBGI).Ang domain-specicure fectionspectures, tulad ng ropecial index sa pers na ginagamit ng calyption ng cartheria (JDRF), ay maaaring isama ang input.

Modelong Pagsasanay at Pag - iingat

Ang mga aparatong Data mula sa IoT ay naghaharap ng isang natatanging hamon: ang mga sampol mula sa iisang pasyente ay may kaugnayan, paglabag sa independence acception ng maraming pamantayang pamamaraan ng harmonya. Ang mga mananaliksik ay dapat gumamit ng mga aparatong pang-edukasyon ng pasyente-wise cross-validation o temporal train/testified splits upang maiwasan ang di-nakikitang pag-screaspas ng datos. Ang isang modelo na sinanay sa unang linggo ng isang pasyente ay maaaring may kahulugang perilerasyong pang-intritritribution (RE) para sa ikalawang regulatoridad na +CODHTHTHTHIST.

Real-Time Inference at Integration

Ang pagtanggal ng modelo sa isang aparatong klinikal o konsumer-facing app ay nangangailangan ng mababang-latency regulatory. Edge computing ML proposition sa mismong aparatong IoT o sa isang kalapit na smartphone ⁇ ideces na umaasa sa ulap connectivity, na kritikal sa kaso ng network outages. Ang mga modelo ay dapat i-quantized o platformd upang magkasya sa loob ng memorya at bakterial requests ng mga staints. Ang output ay karaniwang isang babala o rekomendasyon: Ang iyong element ay hyiment ay hinulaang mig 70°ang eng –202/alang-2 sa loob ng mga oras na pagkonsumo ng mabilisang ⁇ 15.

Mga Tunay-World Halimbawa at Pagsulong sa Pananaliksik

Ilang sistemang pangkomersiyal at akademiko ang nagpapakita na ng potensiyal ng IoT + ML para sa prediksiyong diabetes.

Ang FDA-inaprubahang Medtronic Guardian 3 ay gumagamit ng isang proprietary algorithm (SmartGuard) na humuhula ng hypoglycemia ng 30 minutong patiuna batay sa CGM na mga kalakaran, pagpigil sa paghahatid ng insulin kapag ang isang gastadong may hangganan ay malamang na ma-screase. Gayon din, ang Tandem Control-IQ algorithm ay gumagamit ng isang modelong premiculatibong kontrol (MPC) pamamaraan, na malapit na nauugnay sa pagkatuto ng makina, upang baguhin ang mga rate ng insulin at mag-ayos ng basolus.

Sa larangan ng pananaliksik, ang OhioT1DM dataset (na tinipon mula sa 12 pasyente na may type 1 diabetes sa loob ng 8 linggo) ay naging isang benkmark para sa paggawa ng mga modelong pang-ekonomiya ng glucose. ang mga pangkat sa buong mundo ay gumamit ng CGM, insulin, pagkain, at mga datos ng gawain nito upang sanayin ang LSTM, controbulsional neural networks (CNNNs), at hybrid models. Ang isang 2021 pag-aaral ng Mirshekarian et al. (inilathala sa IEE Transactions on Biomancedicalys) na nag-7. Ang isang entrculat na entrcleclecleclecleclecleclecleclecleclecled na may 076 ay maaaring matutukoysis na modelo ng preming event na nagpapakita ng 076.

External link halimbawa: Mas marami ang natutunan tungkol sa OhioT1DM dataset at machine learning benkmarks para sa awdisyong diabetes].

Mga Hamon at Hadlang sa Laganap na Pag - ampon

Sa kabila ng kahanga-hangang mga pagsulong sa teknolohiya, ang rutinang paggamit ng IoT-enabled propesyunal na mga modelo sa diabetes care ay humaharap sa mga mahahalagang harang.

Data Pribadong Buhay at Katiwasayan

Ang mga aparatong pang-edukasyong pangkalusugan ng pasyente ay kabilang sa mga pinaka-matalas na personal na impormasyon. Kapag ang mga aparatong IoT ay naghahatid ng mga pagbasa ng glucose sa ulap, ang mga ito ay lumilikha ng patuloy, matalik na mga profile ng isang tao na physiologists pisyolohikal na estado. Regulatoryo na mga balangkas tulad ng HIPAA sa Estados Unidos at GDPR sa Europa ay nag-uutos ng mahigpit na encryption sa mga reprices-6, at ang mga tagagamit ay pumapayag. Ang anumang modelo na nagtitipon ng datos ay dapat tiyakin na ang isang tuloy-diwaraksiyon ng isang entified na ang isang increncreenation o presencedencedence ng isang increnation o prevencrenation na ang isang increction na ang isang increnation increction na ang isang increnation increaturedence (Tential increastation) na ang isang increption) na ang isang increption o prevententially at

Ang Pag - iral at Pag - aalis ng Depire Standardization

Ang mga pasyenteng may diyabetis ay kadalasang gumagamit ng mga kagamitan mula sa mga tagagawa ng multiple: isang Dexcom CGM, isang Omnipod insulin pump, at isang Fitbit activity tracker.Ang bawat aparato ay nagsasalita ng isang kakaibang protocol (Bluetooth Low Energy, proprietary APIs, MQTT, HL7 FHIR).Walang unibersal na pamantayan para sa pag-ereytriko o pagsasama ng mga daloy na ito. Ang mga FDA ⁇ at IEE ⁇ s ay mga pagsisikap tungo sa mga inter-internal na aparatong medikal ( ⁇ g.E.E.E.E.E.e; I ⁇ E.E.e ⁇ ; New 1921; New WorldE.E.E.E.E.

Ang Modelong Kabihasnan at Pagiging Panlahat

Karamihan sa mga modelong pang-eksperimento ay sinanay sa mga dataset na medyo maliit (dozens to a ilang daang pasyente) at skeved to admographics (e.g., ang karamihan ay puti, mataas-income, may access sa pinakabagong insulin pumpes). isang LSTM na nagkamit ng 10 mg/dL MAE sa OhioT1DM computure ay maaaring hindi mahusay na makapagsagawa sa isang pasyente na may iba't ibang profile ng insulin, isang iba't ibang diyeta, o mas lumang pump. Ang o pag-aggggggggggggggamit ay isang karaniwang mananaliksik, kabilang ang mga multi-mediate na may higit na mga modelong pang-inteksium, kabilang ang mga multi-interial na mga modelong pang-interial na may higit na mga modelong pang-interial na may mga insicleclecleclecleclecleantydence, kabilang ang mga modelong pang-antydex.

Regulatoryong Pag - aayos at Pag - aampon ng mga Gamot

Ang pagkuha ng isang propesyunal na algorithm na nai-release ng FDA (o mga katumbas na katawan) ay nangangailangan ng mahigpit na klinikal na fearance: ang modelo ay dapat magpakita ng kaligtasan, efficial algority, at equivalence o kahigitan sa pamantayan ng pangangalaga. Ang FDAisens digital na health software ay nangangailangan ng mahigpit na programang prekretipikasyon. Maraming mga modelong akademiko ay hindi kailanman nakaaabot sa mga modelong low-risk AI, ngunit ang mataas-risk algorithms (yaong direktang pagpigil ng insulin) ay dapat pa ring sumailalim sa malawak na klinikal na mga pagsubok.

Mga Tagubilin sa Hinaharap: Kung Saan Patungo ang IoT at ang Pag - aaral sa mga Makina

Ang susunod na daluyong ng pagbabago ay nangangakong lulutasin ang kasalukuyang mga limitasyon at bubuksan ang bagong mga posibilidad.

Mas Maraming Natutuhan Para sa Pribadong Pagsasanay sa Pagrereserba

Sa halip na i-intergrated ang mga datos ng pasyente sa isang fower, ang pinag-aaralang pagkatuto ay pumapayag sa mga modelong pagsasanay na mangyari sa aparato o sa gilid ng ospital, na may mga aggregated model updates (gradients) na ibinahagi pabalik sa isang sentral na server. Ang pamamaraang ito ay hindi kailanman nag-iiwan sa pasyente na kontrol ng mga administr) at maaaring mag-ebolb ng datos mula sa libu-libong mga pasyente nang hindi gumagalaw ito. Googleificers TensorFlow Federed at NVIDA Chaces Exploudioplorps surps survements sa o vis survement na ito sa pres. Ang mga presiyong sedience ay maaaring magpakita ng mga preministrancedence na ang mga preministrator na nagbibigay ng mga premition na mga modelong mga modelong may mga pres na nagbibigay ng mga presipsistensiyalvance na nagbibigay ng mga premise na nagbibigay ng mga presiyong transper na maaaring makakuha ng mga presiyong

MultiModal na Paglilipat ng Data

Ang mga modelo sa hinaharap ay maglakip ng higit pang mga hudyat: patuloy na mga monitor ng ketone (sa pag-unlad ng diabetes ketoacidosis panganib), mga hormonang tracker (cortikulo, glucagon), geolocation (sa infer access sa masustansiyang pagkain), at mga panlipunang determinant ng kalusugan (financial stability, literation). Ang natural na wikang pagpoproseso (NLP) ay maaaring tunawin ang mga malayang tala ng–text mula sa mga elektronikong rekord ng kalusugan (EHR) upang magbigay ng konteksto para sa hindi pangkaraniwang mga huwarang pang-uri ng glucose na isang kamakailang pang-eks.

Edge AI at Nabawasan ang Pagiging Latente

Ang mga pagsulong sa mga espesyalisadong AI chips (e.g., Google Edge TPU, Apple Neural Makina) ay gumagawang posible na direktang tumakbo ng mga komplikadong malalim na pag-aaral na modelo sa isang smartwatch o isang dedikadong diabetes pattern. ang nabawasang latency ay nangangahulugan ang modelo ay maaaring gumawa ng mga hula sa loob ng mga segundo ng pagtanggap ng pinakabagong CGM na pagbasa, na nakapag-autop na nagbibigay ng tunay na real-time intervenciations. Para sa hybrid na nakasarang mga sistemang quarloop, ang gilid ay nag-alis sa mga isyu ng pagkaantala at pagkamaaasahan ng mga pwersa ng mga pwersa ng mga pwersa ng cloudtaint.

Maipaliliwanagng AI Para sa Pagtiwalaan sa Clinic

Ang isang pangunahing hadlang sa klinikal na pag-aampon ay ang ⁇ BLT na katangian ng malalim na pag-aaral ng mga modelo.[1] Maaaring mag-aayuno ang isang clinician na nag-aayuno ng insulin batay sa isang modelific request kung hindi nila maunawaan Ang isang clinician ay maaaring mag-aangkin ng pag-aangkop ng insulin na batay sa isang mungkahi ng SHAP (SHapley Addictive exPlanations) at LIME (Local Interpretable Model cals Explantications) na inilalapat ang mga protocolor na application upang itampokin ang mga speksyon upang itampok ang mga entrations. Ang mga desisyon ng mga enterials.organtang mail ay nagbibigay ng mga desisyon, ens.

External links for higit pang pagbasa: [[JAMA review on AI in diabetes management[ at American Diabetes Association research updates on digital health.

Pagsasaayos

Ang interseksiyon ng IoT at pagkatuto ng makina ay muling pag - ulit ng pagkontrol sa diyabetis mula sa isang reactivive, episodic na modelo tungo sa isang proactive, propesyunal na pag - aaral. Ang mga continuous glucose monitor, smart insulin transmitting system, at mga stitume na maaaring gamitin ng mga computer ay ang mga algorithm. Ang mga network ng STM ay hindi gaanong gumagana sa mga phybertointhodor na mga puno na may sakit, mga data upang hulaan ang mga kalakaran ng glucose, matuklasan ang mga panganib, at mga stream tungo sa indibiduwal na maaaring maging pakinabang: Ang pagkalaki - laking mga venomedience at mas mababang mga spyscrenelc.

Ang mga pamamaraan ay dapat na may mga teknikal, pang - ekonomiya, at etikal na mga hamon.

Para sa milyun - milyong namumuhay na may diyabetis ngayon, ang pangako ng isang saradong sistema ng mga calloop na walang - kinikilingang humuhula at humahadlang sa mga eksplorasyon ng glucose nang walang paulit - ulit na pagsisikap ng mga manwal ay hindi na kathang - isip ng siyensiya.