Ang Ebolusyon ng Pag - iinspeksiyon sa Glucose

Sa loob ng mga dekada, ang mga taong may diabetes ay umaasa sa mga speepstick meter na nagbibigay ng isang taksonomiya ng blood glucose sa isang ibinigay na sandali. Habang ang mga aparatong ito ay isang malaking hakbang pasulong mula sa pagsusuri sa ihi, nag-iwan sila ng malalaking puwang sa datos. Ang isang pagbasa na kinuha bago mag-iinflease ay hindi makapagsisiwalat ng isang magdamag na pag-iinfluensiya, at ang isang pag-in-time check sa pagkain-time ay hindi nalampas sa post-prandimial stabilit na maaaring mangyari sa bawat oras. Ang pagpapakilala ng mga maikling data monitor ng surved na ito ay maaaring magresultang underged ang mga ad. Ang mga spektiflutang ad na adropto ay maaaring magreducepto ng mga split na may habang ang mga spektang ad na may habang 24 na ad na surpt sa mga oras ay maaaring magrepto ng mga split na may split na may split na surgent.

Ang mga modernong kasangkapang pangmatematika ng glucose ay hindi na mga walang kibong mga kasangkapang panukat; ang mga ito ay matatalinong sistema na natututo mula sa bawat gumagamit na mga platinum (mga aparatong sumusubaybay sa katawan ng tao), ang kombinasyon ng maliliit na subcutaneous sensor, walang kawad na mga transmitter, at ang mga ulap-based analytics ay gumawa sa hamak na metrong glucose na isang personalisadong kasangkapang pampag pang-edukyolohiya.Ang artikulong ito ay tumutuklas kung paanong ang mga algorithm ay binabago ang hilaw na sensor data tungo sa mga aktwal na mga prediksiyon, ang agham sa likod ng mga hulang iyon, at kung ano ang kinabukasan para sa pangangasiwang diabetes.

Kung Paano Gumagana ang mga Kontinuyong Glucose Monitor

Ang pag-unawa sa mga hinulaang algorithm ay nangangailangan ng unang pag-unawa kung paano nagtitipon ng datos ang CGM. Ang isang sistemang CGM ay binubuo ng tatlong pangunahing sangkap: isang sensor, isang transmitter, at isang receiver (kadalasang isang smartphone app o dedikadong mambabasa). Ang sensor ay isang manipis na filamento na ipinapasok lamang sa ilalim ng balat, karaniwang nasa loob ng puson o braso. Gumagamit ito ng enzyme-based electrode upang sukatin ang glucose sa interstitial fluid cal; ang likidong nakapaligid sa mga selula. Interstitugital blood laggggggggggular na mga 10 minuto sa pamamagitan ng mga digring elemental na elemental na mga antas ng dugo sa mga antas na stabiliglytopliential.

Teknolohiya ng Sensor

Karamihan sa mga sensor ng CGM ay gumagamit ng reaksiyong glucose oxidase. Ang enzyme ay nag-eee - convert sa glucose upang maging gluconolactone at hydrogen oxide. Ang hydrogen oxide ay saka oksidized sa electrode, na lumilikha ng elektrikal na daloy na proporsiyonal sa konsentrasyon ng glucose. Ang agos na ito ay sinusukat ng transmitter at ginagawang glucose na pagbasa. Ang mga unang CGM ay nangangailangan ng madalas na pag-seksiplibbe ng finger lictment na mga calibration, ngunit ang mga bagong modelo gaya ng Dexcom G7 at ang volt na Freestystyture Libreaces na gumagamit ng 3 ay nangangailangan ng mga numerg producation election na mga sensor.

Paglipat at Pag - unlad ng Data

Walang kawad na nagpapadala ang transmitter ng datos sa isang display device kada 1 hanggang 5 minuto. Ang mga modernong sistema ay gumagamit ng Bluetooth Low Energy, na nag-iingat ng batirya at nagpapahintulot ng direktang komunikasyon sa pamamagitan ng smartphone. Data ay maaaring iimbak sa lokal sa aparato at kadalasang i-upload sa mga ulap platform para sa pag-aaral ng padron at pagbabahagi sa mga healthcare providers.Ang patuloy na daloy na ito ng mga pagbasa ay lumilikha ng mayamang dataset na kailangan ng mga algorithm para sa prediksiyon.

Mga Algorithm na Nagtatrabaho: Mula sa Raw Data Tungo sa Hula

Hindi sapat ang mga aw glucose value lamang upang hulaan ang mga antas sa hinaharap. Ang mga algorithm ay dapat bigyang kahulugan ang data, salain ang ingay, at magkapit ng mga modelong matematikal na kumukuha ng mga dynamic ng regulasyon ng glucose. ilang uri ng algorithms ay ginagamit, mula sa simpleng linear regresyon hanggang sa mga sopistikadong modelo ng pagkatuto ng makina.

Pagsasaayos ng Linear at Polynomial

Ang pinakasimpleng paraang pang-ekonomiya ay gumagamit ng mga pagbasang pang-ekonomiya upang umangkop sa isang linya o kurba na kumakatawan sa kasalukuyang kalakaran. halimbawa, kung ang glucose ay tumataas sa bilis na 2 mg/dL sa bawat huling 15 minuto sa ibabaw ng isang linya, ang isang linear regression ay maaaring mag-eere na nagresulta kung saan ang glucose ay magiging sa 30 minuto.Ang mas maunlad na mga polynomial regression ay nagpapalagay ng mga defincitation para sa mga pangyayaring epistibo o decelerasyon sa kalakaran, tulad ng mga ito, tulad ng mga inspornsiyal na sa simulang pag-spormulatibo.

Paglalangoy ng Kalman

Ang mga panalang Kalman ay malawakang ginagamit sa mga sistemang CGM upang pagsamahin ang mga multiple na maingay na mga pinagkukunan ng impormasyon upang maging mas tumpak na pagtatantiya. Ang pansala ay nagpapanatili ng isang estadong matematikal (tinatayang tunay na glucose at bilis ng pagbabago) at ini-update ito tuwing dumarating ang isang bagong sensor na pagbasa.Bumat ito ay tumitimbang ng bagong pagbasa laban sa hinulaang estado batay sa mga naunang sukat, na nagbibigay ng mas maraming bigat sa mga pagbasa na hindi gaanong ingay. Ang real-time na pag-pagdulas ay nakababawas ng mga artilerhiya mula sa sensor na galaw o pansamantalang signalout. Maraming komersyal na CGM, kabilang ang Dexman ay gumagamit ng mga panuoqoqadging, na pag-u ⁇ d ⁇ u ⁇ u ⁇ ; ⁇ u ⁇ u ⁇ u ⁇ / ⁇ / ⁇ / ⁇ / ⁇ d ⁇ ; ⁇ / ⁇ / ⁇ l ⁇ d ⁇ / ⁇ ld; ⁇ / ⁇ / ⁇ / ⁇ H ⁇ ; ⁇ ; ⁇ / ⁇ / ⁇ ld/ ⁇ ; ⁇ ld/ ⁇ ld/ ⁇ / ⁇ ; at h ⁇ / ⁇ ; at

Mga Makina na Natututo at mga Neural Network

Ang mga kamakailang pagsulong ay nagpakilala ng mga modelo ng makina na maaaring matuto ng mga komplikado, mga hindi-linear na relasyon sa pagitan ng glucose at iba't ibang input. Mga punong-panuto, mga makatwirang kagubatan, mga makinang pang-edukasyon, at mga malalim na network ng pagkatuto ay lahat na nailalapat sa hula ng glucose. Ang mga modelong ito ay sinasanay sa malalaking datas na naglalaman ng libu-libong tao-araw ng CGM data kasama ang mga trosong pangkain, mga rekord ng ehersisyo, at mga dosis ng insulin. Pagkatapos ng pagsasanay, maaari nilang makilala ang mga dibuhong pang-araw-araw-araw na may mataas na dami ng pagkain, ang glucose ay may taas na 90 minuto bago ang taas bago ang ⁇ 2; 3°Duquq hoq helq hinggil sa ehersisyo.

Inihambing ng isang 2021 pag-aaral na inilathala sa Journal of Diabetes Science and Technology ang ilang mga makinang nag-aaral ng mga algorithm at natuklasan na ang mahabang short-term memory (LSTM) networks ay nakamit ang pinakamababang pagkakamali sa paghula para sa 30-minuto at 60-minutong presyektor (source[FLT:[3]). Ang LSTM network ay isang uri ng mga survix network na maaaring makatanda ng mahabang pag-sclecleclecleclecleclectorys ng mga sistemang pang-sex na may kinalaman sa mga sistemang pang-s at pang-sex upang maging mas-sculator na pang-s.[up kaysa sa mga sistemang ential na pang-scleculatorial na pang-sculat sa mga sistemang pang-s'ture na pang-s.[2] Ang mga sistemang pang-s'ture na pang-s ay nananatiling isang mga sistemang pang

Mga Ipininta Para sa Tumpak na mga Hula

Ang mga algorithm ay kasing - inam lamang ng impormasyong natatanggap nila.

  • Current at kamakailang pagbasa sa glucose: Ang pinakabagong 15 hanggang 30 minuto ng mga impormasyong sensor ay nagbibigay ng kagyat na dalisdis.
  • Mga dibuhong Historikal glucose: Maraming sistema ang nag-iimbak ng mga araw o linggo ng datos upang makuha ang mga ritmong circatedian (hal., Dawn Phenomenon) at paulit-ulit na mga pagtugon sa pagkain.
  • Ang pagkain ng mga carbohydrate: Ang mga gumagamit ay maaaring manu-manong magtala ng mga pagkain, o kaya ang mga sistema ay maaaring mag-fer sa mga carb mula sa patuloy na mga pagtugon ng glucose. Ang mga Algorithm ay nagmomodelo ng pagtaas ng panahon, tuktok, at tagal ng mga eksplorasyon ng post-meal glucose.
  • Insulin on board (IOB):[ Ang mga kasalukuyang dosis ng insulin kamakailan ay kritikal sa paghula kung kailan bababa ang glucose. Ang mga algorithm ay gumagamit ng mga modelong insulin pharmacinometic upang tantiyahin ang natitirang aktibong insulin.
  • Physical activity: Ang ehersisyo ay nagpapataas ng glucose na nadadala ng mga kalamnan; ang mga algorithm na tumatanggap ng mga hakbang na pagbibilang o datos ng tibok ng puso ay maaaring mag-ayos ng mga prediksiyon pababa.
  • Stress and ill: Ang ilang mga sistema ay pumapayag sa mga gumagamit na mag-eebolb ng mga pangyayaring katulad ng lagnat o emosyonal na stress, na maaaring magpataas ng glucose sa pamamagitan ng cortisol at adrenaline.

Sa pagsasama ng mga input na ito, ang isang algorithm ay maaaring lumikha ng isang di-panghuhulang kurba na tumatanaw ng 30 hanggang 60 minuto sa unahan, kadalasang itinatanghal bilang isang dotted line sa CGM graph. Ang gumagamit ay nakakakita hindi lamang ng kanilang kasalukuyang antas kundi pati na rin kung saan sila patungo, na nakapagdurulot ng mga proactive intervention tulad ng pagkain ng meryenda bago ang isang hinulaang mababa o pagkuha ng isang rereclusion bolus bago ang isang hinulaang mataas.

Mga Pakinabang sa Kabila Pa ng Tunay na Pagtarok sa Panahon

Ang pagbabago mula sa pagiging aktibo tungo sa pag - iinspeksiyon ay bumago sa mga resulta ng diyabetis kapuwa sa type 1 at type 2 na diyabetis.

Pagbabawas sa Hypoglycemia at Hyperglycemia

Ang Hypoglycemia, lalo na sa gabi, ay isang pangunahing pagkabahala. Ang mga premiseng propesyunal ay maaaring gumising sa isang user ng 20 hanggang 30 minuto bago ang isang mababang kaganapan, na nagbibigay sa kanila ng panahon upang kumain ng mabilis-aktang glucose.[0] Ipinakikita ng mga pag-aaral na ang paggamit ng CGM ay nakababawas sa panahong ginugol sa hypoglycemia ng 40% hanggang 60% kumpara sa pagsubaybay ng finger, na nagbibigay ng mas maagang pag-iwas sa mga hangganang o pag-aangkop sa mga espasyong nasa itaas.

Pagbababa ng A1C

Kapag ang mga gumagamit ay palaging kumikilos sa mga premisetive inflations, ang kanilang average na mga antas ng glucose ay bumubuti. Meta-analyses ng mga randomized na kinokontrol na pagsubok ay nag-uulat na ang CGM ay gumagamit ng mas mababang A1C sa pamamagitan ng 0.3 hanggang 0.6 porsiyento puntos sa mga adulto na may type 1 diabetes, at hanggang 0.5 puntos sa mga may type 2 diabetes sa intensive insulin therapy. Ang propective elemento ay nagdaragdag ng halaga dahil ito ay nakakatulong sa mga gumagamit ng pinong-tune na kanilang pre-meal bolus na tiyempo at dosis.

Nasara-Loop at Automated Insulin Turvey

Ang sukdulang ekspresyon ng mga hulang algorithms ay ang artipisyal na lapay, o hybrid na close-loop system. mga aspeto tulad ng Medtronic 780G at Tandem Control-IQ na gumagamit ng CGM data upang awtomatikong baguhin ang basikal na paghahatid ng insulin at maging ang paghahatid ng mga recision boluse.Ang algorithm sa mga sistemang ito ay isang modelong premisective control (MPC) na palaging nagreresulta sa paghahatid ng insulin upang mapanatili ang glucose sa loob ng isang lugar na may mga target.Ang mga pagkain at tagapagbalita para sa mga ito ay isang bol na allublohital na spektikulo (mga spektimentasyong) ngunit ang mga sistemang encur) ay nagrehistorytang enc na nagretong enc na nag-1 na nag-20.[1°C.[1] Ang mga spektang encantang mga spes:[1 ay nakapag-20°C.

Mga Hamon: Pagiging Makatuwiran, Kalipunan, at Pribadong Buhay

Sa kabila ng pagsulong, nakakaharap ng mga definective algorithm ang ilang limitasyon na dapat maunawaan ng mga gumagamit.

Tama at Panandalian

Ang 5- hanggang 10-minutong lag sa pagitan ng interstitial at blood glucose ay maaaring maging sanhi ng mga prediksiyon na bahagyang nasa likod ng realidad sa panahon ng mabilis na pagbabago. Halimbawa, pagkatapos ng malaking dosis ng mabilisang-paglipat na insulin, ang glucose ng dugo ay maaaring bumaba mabilis samantalang ang interstityal na likido ay mas matagal na sumasalamin sa pagbabagong iyon. Ang mga Algorithm ay maaaring bahagyang mag-ebolb sa pamamagitan ng pagsusuri ng rate-of-changeng, ngunit sa panahon ng labis na pag-bagu-bago, ang mga hula ay maaaring mahigit-sa-sa-sa-sa-sa-sa-sa-sa-sa-sa-sa-sa-sa-sa-sa-sa-sa-sa-sa-sa-sa-sa-totoong-totoong-totoong-totoong pagbabago. Ang mga sensi-sa-sa-sa-sa-sa-sa-sa-sa-totoo ay nagbabago rin ang mga sensor din ang mga sensor din; ang mga sensor din; ang mga sensor din ang mga eksitibo (ARDme) ay

Algorithm Bias at Data Diversity

Ang mga modelo ng pagkatuto sa mga makinang pang-makina na sinanay na pangunahing nasa datos mula sa mga puti, middle-age na mga adulto na may type 1 diabetes ay maaaring hindi gaanong makabuo ng ibang populasyon.Ang mga taong may iba't ibang etnikong mga tao, edad, mass indice, at diabetesng pang-inaanak ay maaaring magkaroon ng iba't ibang glucose-insulin dynamics. Ang American Diabetesy Association ay nanawagan para sa mas malawak na pagsasanay ng mga datos upang matiyak ang pagiging pantay-pantay sa algorithm performing perform (] criptionsours[FLT:[FLT]).

Data Pribadong Buhay at Katiwasayan

Ang CGM data ay napaka-maselan na impormasyon sa kalusugan. Ito ay madalas na naka-imbak sa mga fowers ng ulap at ibinahagi sa mga gumagawa ng device, mga app developer, at kung minsan ay mga kasosyo sa pananaliksik. Users dapat repasuhin ang mga patakarang pang-pribado at maunawaan kung paano ginagamit ang kanilang datos. Ang FDA at FTC ay naglabas ng patnubay sa cybersure para sa mga konektadong medikal na kagamitan, ngunit nananatiling isang panganib ang mga sira ay nananatiling isang depresyo.

Pagod sa Pag - aayos at Pagpapasiya

Bagaman nakatutulong ang mga nagbababalang babala, maaari rin silang humantong sa pagiging alistong pagod kung sila ay madalas o hindi tumpak.Ang ilang mga gumagamit ay nag-uulat na nagiging manhid sa mga alarma, lalo na sa gabi.Ang mga tagagawa ay nagpakilala ng mga custizable starts at mga tahimik na mode, ngunit ang labis na pag-aaasal sa algorithm ay maaaring maging sanhi upang ang mga gumagamit ay magpabaya sa mga pangunahing self-magement na mga kasanayan tulad ng carbohydrate na pagbibilang o manu-mand na pag-scleclecleantick surficement kapag ang mga sintomas ay na handhavirsqu;t na tumutugma sa pagbasa.

Ang Kinabukasan: AI, Saradong-Loop Systems, at Integration

Makikita ng susunod na henerasyon ng mga kagamitang sumusubaybay sa glucose ang mas mahigpit na pagsasama ng mga sensor, algorithm, at mga sistema ng paghahatid ng insulin.

Praktikal na Katalinuhan at Personalisasyon

Ang mga masusing modelo ng pagkatuto ay magiging mas personal, pag-aaral ng bawat user na avirsquo; mga natatanging mga padron sa loob ng mga linggo at buwan sa halip na paggamit ng isang-size-fits-all approach. Ang mga mananaliksik ay gumagawa ng “ ang mga metabolismo ng adigatal winksize na platform ay maaaring mag-gaya ng epekto ng iba't ibang pagkain, ehersisyo, at insulin feedquo; ang bidhawthdrash; virtual na mga modelo ng isang indibiduwal na periment na streamsquo; ang metabolismo na ito ay maaaring magresultang pang-edge tulad ng mga praksiyon tulad ng mga praksiyon, phaseksiyon, phaseks, phasegthysis.

Hindi-Di-Invasive Sensors

Ang mga kasalukuyang sensor ay nangangailangan pa rin ng maliit na inspeksiyon ng karayom, na hindi nagugustuhan ng ilang mga gumagamit. Raman spectroscopy, photoacoustic imaging, at sweet-based sensors ay nasa ilalim ng development. bagaman wala pang nag-iisa ng CGM na katumpakan sa mga klinikal na pagsubok, ang kombinasyon ng mga hindi-invasive sensing na may mga di-gulat na algorithms ay maaaring gumawa sa mga glucose monitor na mas hindi gumagana.

Pagkahibang na May mga Kasuotan at Mahuhusay na Paa

Ang CGM data ay patuloy na pinagsasama sa mga datos mula sa mga smartwatch, mga tracker ng kalusugan, at mga monitor ng pagtulog. halimbawa, ang isang algorithm na nakakakita ng mababang aktibidad at mataas na mga marker ng stress ay maaaring humula ng isang glucose tumaas at magrekomenda ng maikling paglalakad o isang ehersisyong pang-isip. sa katulad na paraan, ang mga smart insulin pen ay awtomatikong nag-iinktip sa mga oras at dosis, na nag-iinhaya na ang mga datos ay direktang sa mga prespekwensiyal na modelo para sa mas tumpak na insulin-on-board na mga kalkulasyon.

Bukás na mga Protocol at ang Kabatiran

Ang proyektong Tidepool Loop at ang FDA&Virsquo; ang interoperable CGM (iCGM) klasipikasyon ay nagtaguyod ng mga bukas na pamantayan na nagpapahintulot sa mga gumagamit na pagsamahin at magtugma ang mga aparato mula sa iba't ibang mga tagagawa. Ito ay nagtataguyod ng kompetisyon at pagbabago, na humahantong sa algorithms na maaaring baguhin nang mas madalas kaysa sa hardware.Ang mga gumagamit ay maaaring pumili ng pinakamahusay na sensor para sa kanilang mga pangangailangan at pares nito sa pinakamahusay na algorithm mula sa isang ikatlong-party akawture na aparato.

Pagsasaayos

Ang mga algorithm ay nagpataas ng glucose na sumusubaybay mula sa isang simpleng kasangkapang panukat tungo sa isang matalinong sistema na may kakayahang hulaan ang mga kalakaran ng asukal sa dugo na may kahanga hangang katumpakan. sa pamamagitan ng pagsusuri ng patuloy na impormasyong sensor kasama ng mga input na katulad ng pagkain ng carbohydrate, pag-aangkop ng insulin, at pisikal na gawain, ang mga algorithm na ito ay nagbibigay sa mga taong may diabetes ng isang malakas na ekwasyong bintana sa kanilang malapit na hinaharap.Ang resulta ay hindi lamang mas mabuting kabatiran sa mga makina, ngunit ang mga nakikitang pagpapabuti sa panahon sa abot, nabawasang A1C, at mas kaunting mapanganib na mga hamon sa mga tao na mga ekwasyong pagkatuto ay hindi patok sa mga kagamitang sensor.