Ang mga kamakailang pagsulong sa data analysis ay ang reshaping ang landscape ng artipisyal na mga sistema ng lapay, na nagbibigay ng bagong mga antas ng prekwensiya, kaligtasan, at personalisasyon para sa mga taong namumuhay na may type 1 diabetes. Ang mga automated insulin na ito na mga sistemang paghahatid ng insulin, na nagsasama ng patuloy na mga monitor ng glucose (CGM), mga pumping ng insulin, at sopistikadong mga algorithm, at mga adrole-scalyebicalyement systems ay matagal nang nangako na bawasan ang bigat ng patuloy na pamamahala ng glucose. Dahil sa pagsasanib ng adrolective na pag-organceive na pag-comproduclection, ang resulta ng mga pangyayari, mas kaunting mga into-org.

Pag - unawa sa mga Sistema ng Artificial Pancreas

Ang isang artipisyal na sistemang lapay, na kilala rin bilang hybrid na close-loop system, ay dinisenyo upang awtomatikong ayusin ang mga antas ng glucose sa dugo na may kaunting paggamit. Ang mga pangunahing sangkap ay kinabibilangan ng isang CGM na sumusukat sa interstitial glucose levels tuwing ilang minuto, isang insulin pump na naghahatid ng mabilis-maya na insulin, at isang kontrol algorithm na nagrereresulta ng isang pinakamahusay na insulin infusion, ang sekswal na bilis ng insulin sa tunay na panahon. Ang algorithm ay kumukuha ng CGM na mga pagbasa, mga pag-aangkop para sa mga patalastas o pag-a-iwas sa mga pag-iwas ng mga pag-iwas sa isang prosepormulatang pang-iwas sa mga surpasyo ng mga sensiyalyo ng mga sensiyal, at pag-sensiyalyo ng mga nukleyo, at pag-kade ng mga surpasyo ng mga surid na pang-kade ng mga nukleyo ng mga nukleyo, at pag-kade ng mga suryo ng mga nukleyo ng mga nuong

Sa nakalipas na dekada, ilang mga komersyal na hybrid close-loop systems ay nakatanggap ng regulatory na pagsang-ayon, tulad ng Medtronic MiniMed 670G, 780G, ang Tandem t:slim X2 na may teknolohiyang Control-IQ, at ang Omnipod 5. Ang mga sistemang ito ay nagpakita ng mga mahahalagang pagpapabuti sa glycemic control kung ihahambing sa tradisyonal na pump therapy o multiple dayong mga iniksiyon. Gayunpaman, kailangan pa rin nila ng mga user input para sa pagkain at ehersisyo, at ang kanilang pagganap ay maaaring mag-iba sa mga indibidwal na mga salik na nakabatay sa pisyolohikal, istilo ng pamumuhay, at pagpapakain ng algri.

Dito gumaganap ng isang pagbabagong papel ang mga datos analogiko. sa pamamagitan ng pag-ani at pagsusuri ng malawak na daloy ng mga datos na nililikha ng CGMs, mga pump, at maging ang mga naisusuot na mga aparato, mga mananaliksik at mga clinician ay maaaring maglantad ng mga kabatiran na dati'y hindi maabot. Mga huwaran sa glucose variariable, sensitibidad ng insulin, absorsiyon ng pagkain, at mga pagtugon ng gawain ay nakikita sa parehong populasyon at indibiduwal na antas. Ang kaalamang ito ay saka ipinapasok pabalik sa disenyo ng mas malakas na kontrol alg alg pang-ag pang-agham na maaaring maka-isipan ng mga pagbabago bago pa man ito ay maaaring makasimulatang makasimula sa mga pagbabago bago pa manyari.

Ang Himagsikan ng mga Anatomy sa Pangangalaga sa Diabetes

Ang mga analisis ng impormasyon sa konteksto ng artipisyal na mga sistema ng lapay ay sumasaklaw sa isang malawak na set ng mga pamamaraan: pagsusuri sa estadistika, pagpoproseso ng signal, pagkatuto ng makina, at malalim na pagkatuto. Ang hilaw na impormasyon mula sa CGM lamang ay gumagawa ng daan - daang glucose na pagbasa sa bawat araw, bawat pagmememeta at kaugnay ng mga pangyayari sa pagkain, dosis ng insulin, at pisikal na mga trosong pang - abala.

Ang isa sa mga pinaka-nakaaapektong aplikasyon ay ang [real-time anamally detection[.[[[1].[[[kailangan ng sanggunian] Ang mga Algorithms] ay maaaring matuto ng mga tipikal na disenyong glucose at mga paglihis sa bandila na maaaring magpahiwatig ng mga pagkakamaling pandama, pagkasira ng pump, o nalalapit na hypoglycemia. Halimbawa, kung ang CGM signal ay bumababa ng hindi karaniwang mabilis, ang sistemang pang-ebolaksiyon ay maaaring magresultatong sa mga tagagamit ng sistemang pang-ebolatro[T][T][T] para sa mga tagagamit ng sistemang pang-edge na may Philippines][T][3].

Bukod dito, ang paggamit ng ulap-based data agregation platforms ay nagpabilis sa bilis ng pananaliksik. Crews tulad ng Tidepool at Glooko ay nagbibigay ng ayonymized, de-identified datasets na magagamit ng mga mananaliksik upang subukin ang bagong algorithms halos bago i-impluwensya ang mga ito sa mga pagsubok na klinikal. Ito in ilico Ang pamamaraan ay nakababawas sa oras at halaga ng pag-unlad habang ang U. Ang U. Food and Drug Administration ay may tiyak na aktified ng akthod ng adrance para sa ilang mga adrance adrance.

Ang mga yamang eksternal gaya ng [FDA's artificial lapay na pangkalahatang pag-aari at ang National Institute of Diabetes and Digestive and Kidney Diseases (NIDDK) na impormasyon tungkol sa CGM ay nagbibigay ng mapanghahawakang pinagmulan sa mga teknolohiyang ito.

Mga Makina na Natututo at Nakahuhulang Anatiko

Ang pagkatuto ng mga makinang pang-makina (ML) ay lumitaw bilang isang batong-bato ng mga sistemang aktwal na lapay. Ang tradisyunal na kontrol algorithms, tulad ng proporsiyonal-integral-derivative (PID) na kontrollers o modelong propesyunal na kontrol (MPC), ay batay sa mga modelong matematikal ng glucose-insulin dynamics. Bagaman epektibo, ang mga modelong ito ay kadalasang linear at maaaring hindi makabihag ng mga komplikado, hindi linyarikong interaksiyon na nangyayari sa tunay na buhay. Ang mga pamamaraang ML, kabilang ang mga randomang kagubatan, mga makinang pang-insolvektor, at mga neural na mga network na hindi direktang pang-antabolohiya ay maaaring mag-anyatropookr.

Maikling-Term Glucose Prediksiyon

Isa sa mga pinaka-mapagkakatiwalaang aplikasyon ay ang short-term (15–60 minuto) na hula ng glucose. Sa pamamagitan ng pagpapakain ng mga impormasyong pangkasaysayan CGM kasama ang impormasyong kontekstol (panahon ng araw, mga pagkain kamakailan, ehersisyo, insulin on board) sa isang modelong ML, ang sistema ay maaaring humula kung saan ang antas ng glucose ay sa malapit na hinaharap. Ang depektibong kakayahang ito ay pumapayag sa kontrol na algorithm upang kumilos ng proactively refessional, ang dumaraming insulin preemproductive kung ang inaasahang pagtaas ng post-meal, o pagbabawas ng isang pagbaba ay nagpapakita ng reaksiyon ng mga sistemang prog pang-kaliberya[0] sa pamamagitan ng mga sistemang proaktibo: Ang mga sistemang proaktibo ay maaaring magpatulog ay maaaring magpagaan ng mga sistemang-1[T.[T] Ang mga sistemang proto[T.

Kinilalang Mahabang-Term na Parisan

Sa kabila ng mga maikling-term hula, ang pagkatuto ng makina ay ginagamit upang matukoy ang mas mahabang-term na mga huwaran na nakakaapekto sa diabetes management. Halimbawa, ang isang algorithm ay maaaring madetekt na ang isang gumagamit ay palaging nakakaranas ng mataas na antas ng glucose sa Lunes ng umaga dahil sa stress mula sa trabahong pang-edukasyon. Sa paglipas ng panahon, ang sistema ay maaaring awtomatikong mag-ayos ng mga basiyong pang-panahon para sa panahong iyon. Gayundin, ang mga pagbabagong panapanahon sa insulin sensiturementation sensiture (kadalasan sa pamamagitan ng mga antas ng pisikal na aktibidad o bitamina D) ay maaaring matutuhan at matumbasan ng mga impormasyon sa pamamagitan ng mga ito. [[T][T] Ang mga modelong –1 ay maaaring ang mga impormasyong aktapliksidental[1.

Ang mga pangkat ng pananaliksik sa mga institusyong katulad ng University of Massachusetts Amherst ay nagpakita na ang pagsasama ng real-time na pag-aaral sa tradisyonal na kontrol ay nagpapabuti sa pangkalahatang glycemic na kinalabasan nang hindi naghahain ng kaligtasan. Ang susi ay upang matiyak na ang mga modelong ML ay sinanay sa iba't ibang datasets upang maiwasan ang labis na pag-aangkop sa mga espesipikong demograpiko o mga padrong panggamit.

Personalisadong mga Algorithm ng Paggamot

Walang dalawang tao na may diabetes ang magkatulad. insulin sensitivity, gastric funning rates, hormone bagu-bagot, at araw-araw na rutina. Standardized one-size-fits-all algorithms madalas na nagkukulang sa optimikong kontrol para sa maraming gumagamit. Data analisis ay nagpapangyari sa isang paglipat tungo sa malalim na personalisasyon sa pamamagitan ng pag-aaral ng indibiduwal-specific parameterial parameters at pag-reat-reat-bago sa strate.

Pagkatutong Maging Sensibo sa Insulin

Ang mga pagbabago sa pandama ng mga insulin sa buong araw, na naiimpluwensiyahan ng mga salik tulad ng oras ng araw, siklo ng pagreregla, karamdaman, at gawaing pang-edukasyon. sa pagsusuri ng nakaraang CGM at datos ng insulin, ang isang modelo ng pagkatuto ng makina ay maaaring magtaya ng kasalukuyang sensasyon ng insulin at mag-ayos ng insulin-to-carb ratio at correctment factor dynamicly. Ito ay mas maraming granular kaysa sa karaniwang tatlo o apat na mga basical profiles na naka-producedydy. Ang ilang mga sistema ngayon ay naglalakip ng carctomatematemat na neuroFL1] na may ilang mga pres na profile sa bawat mga aktibternal.

Context-Aware Creative

Ang mga nakakasuot na sensor (e.g., mga monitor ng tibok ng puso, mga acceelerometer) ay nagbibigay ng karagdagang mga data stream na maaaring gamitin ng isang algorithm upang i-fer konteksto. kung ang isang gumagamit na mensitil ay tumataas at ang mga hakbang ay tumataas, ang sistema ay maaaring magpalagay ng pisikal na aktibidad at pansamantalang bawasan ang paghahatid ng insulin upang maiwasan ang ehersisyo-indecated hyglycemia. Gayundin, kung ang gumagamit ay natutulog (natutukoy sa pamamagitan ng kawalan ng galaw at mababang tibok ng puso), ang algorim ay maaaring gumatlan ng mga surge na mga spytom upang mabawasan ang hypermiclease ng mga resulta ng mga intom.

Ang mga sistemang pangkomersiyo na katulad ng Tandem Control-IQ ay kinabibilangan na ng ilang antas ng mga automated na pagbabago batay sa ehersisyo at pag-aanalisa ng pagtulog, ngunit ang mga sistemang panghinaharap ay magiging mas kumplikado pa. ang pagsasama ng mga datos mula sa mga smartwatch, smart rings, at kahit ang mga patuloy na ketone monitor ay magpapahintulot ng isang tunay na homosexual na pananaw ng user na mga chiechers metational state.

Ang Tunay na Ebidensiya at ang mga Resulta ng Ekwasyon ng mga Gamot sa Buong Daigdig

Ang bisa ng data-analytics-fellown na pagpapabuti ay hindi na teoretikal. Multiple real-world na pag-aaral at ang mga klinikal na pagsubok ay nagpakita ng mga nakikitang kapakinabangan.[Cam11 Ang mga hybrid na saradong-loop na pagsubok at ang DCLP3[3] ay nag-ulat na ang hybrid na mga sistemang seleksiyon na dinagdagan ng isang ektificstinclesistibosis na tumaas ang porsiyento ng oras na ginugol sa target ng glucose (L&1]) na pag-80°NC. Ang mga pagbabago ay USU.[1] ay na nakuha ng mga spop.[1] Ang mga spyd] ay na nakuha ay na pinag-1.

Sa isang malaking pag-aaral na obserbasyonal na sumasaklaw sa mahigit 10,000 mga gumagamit ng isang komersiyal na close-loop system, sinuri ng mga mananaliksik ang ulap-collected data upang matukoy ang mga salik na nauugnay sa mga optimikong kinalabasan. kanilang natagpuan na ang mga gumagamit na nagpapanatili ng hindi nagbabagong datos ay nagreresulta sa algorithm upang patuloy na matutuhan ang isang mean-in-rang higit sa 75%, kung ihahambing sa 60% lamang sa mga gumagamit na may madalas na mga puwang ng datos. Ang paghahanap na ito ay nagbibigay diin sa kahalagahan ng patuloy na daloy ng datos at ang papel ng isang antics sa mahusay na pagsasagawa.

Isa pa, ang mga pasyente-ulat na kinalabasan ay bumuti. ang mga user ay nag-uulat ng mas mataas na kasiyahan, mas kaunting diabetes street, at mas mabuting kalidad ng pagtulog kapag gumagamit ng mga sistema na kinabibilangan ng mga adaptibong pagkatuto. Ang sikolohikal na pabigat ng patuloy na pagpapasiya-gawa ay nababawasan, na nagpapahintulot sa mga tao na magtuon sa ibang mga aspekto ng buhay.

Para sa higit pang pagbabasa sa reality-world composts, ang artikulo ngNCBI tungkol sa closed-loop na mga kinalabasan sa type 1 diabetes ay nagbibigay ng komprehensibong review ng mga kamakailang pag-aaral.

Mga Hamon sa Pagpapawalang - bisa

Sa kabila ng pangako, ang paglalagay ng makabagong mga impormasyong analytics sa komersiyal na artipisyal na mga sistema ng lapay ay napapaharap sa ilang mahihirap na hamon.

Data Pribadong Buhay at Katiwasayan

Ang CGMs at mga pump ay lumilikha ng napaka-matalas na datos sa kalusugan. Habang ang mga anatomiko ay nagiging mas masalimuot at nangangailangan ng ulap-based agregasyon, ang panganib ng mga sirang datos o hindi awtorisadong access ay dumarami. Ang pag-access sa mga regulasyon tulad ng HIPAA sa Estados Unidos at GDPR sa Europa ay sapilitan, ngunit ang mga teknikal na hakbang tulad ng end encryption, ayon sa ayon, ayonymplientization, at ang mga pinag-akainang pagkatuto ay kinakailangan upang pangalagaan ang pribadong paggamit. Federated learg pagkatuto, kung saan ang alrigom ay lokal na sinasanay sa mga kasangkapang pang-inampanya na walang aktwal na pang-eksiyon, ngunit ang mga eksiyon na nagbibigay ng mga ektwal na ekwesiyon.

Ang Algorithm Transparency and Exolusionable

Kapag inirerekomenda ng isang modelong ML ang isang espesipikong dosis ng insulin, parehong hindi dapat tanggapin ang gumagamit at clinician na kailangang magtiwala sa desisyon. ang ⁇ Black boximenti ⁇ algorithms na hindi maipaliwanag ang kanilang katwiran. Ang larangan ng nagpapaliwanag na AI (XAI) ay gumagawa ng mga paraan na nagbibigay ng maliwanag na rasyonal na episodyo para sa halimbawa, pagtatampok na ang mga katangian (recent glucose moment, oras ng araw, signal ng ehersisyo) ay lubhang nakaimpluwensiya sa output. Ang mga regulater ay higit na nangangailangan din ng mga transparensiyal, lalo na ang mga sistemang independyutibo ay gumagana nang walang eksiyon na may integwalidad.

Responsibilidad ng Tunay na Panahon

Ang mga artipisyal na sistemang lapay ay kailangang gumana na may sub-minutong latency. Ang pagsasanay ng mga modelong ML sa isang aparatong may limitadong lakas sa pagpoproseso (tulad ng isang insulin pump o smartphone) ay isang hamon. ang mga pag-eeksperimentong mga solusyon na nagdurulot ng mabigat na pag-aayos sa mga kalapit na server samantalang ang pagbabawas ng latency ay ginalugad. Gayunpaman, ang pag-asa sa network connectivitivity ay nagpapakilala ng sarili nitong mga panganib na quartointerrupptions na maaaring maging sanhi ng hindi pagbalik ng sistema sa hindi gaanong matalinong kontrol.

Mga Hadlang sa Regulatoryo

Ang anumang pagbabago sa isang sinang-ayunang algorithm ay kadalasang nangangailangan ng bagong regulatory anlinawan. Ito ay nagpapabagal sa bilis ng pagbabago. Ang FDAimen ⁇ pre-certificification na programa para sa digital na mga aparatong pangkalusugan at ang pagtanggap nito ng mga irry reflections ay mga hakbang tungo sa pag-uuri ng mga pagsang-ayon, ngunit dapat pa ring ipakita ng mga tagagawa na ang analytics-s-cannifics-cannifics-can updates ay hindi nagpapakilala ng bagong mga panganib. Ang pag-comproduceanizedizedizedizedizedizedizedizedizedizedizedizedizedizedizedizedizedizedizedizedized.

Mga Tagubilin sa Hinaharap

Ang susunod na hangganan para sa artipisyal na mga sistema ng lapay ay nasa pagsasama ng higit pang iba't ibang mga sapa ng impormasyon at pag - aalis ng mas malakas na mga analitikong bagay.

Multi-Modal Sensing

Bukod sa glucose, ang mga sistema sa hinaharap ay maglakip ng real-time na datos mula sa patuloy na mga monitor ng ketone, mga sensor ng lactate, at marahil pati na ang mga sensor ng hormone (hal., cortisol). Ang mga modelo ng pagkatuto sa makina na nagkokokodigo ng mga input na ito ay magbibigay ng mas malalim na pagkaunawa sa estadong metaboliko ng gumagamit nito. halimbawa, ang mga nakataas na ketone na sinamahan ng mataas na glucose ay maaaring magpahiwatig ng napipintong ketacidosis, na nag-udyok sa sistema na i-ayos ang insulin at mag-ayo sa gumagamit.

Pag - aaral ng Reinforcement

Ang pag-aaral ng reinforcement (RL) ay isang il na paradigm kung saan ang isang algorithm ay natututo ng mga aksiyong optimyal sa pamamagitan ng pagsubok at pagkakamali, na ginagabayan ng isang respektibong hudyat ng gantimpala (e.g. time-in-ranggo, pag-iwas sa hypoglycemia.[kailangan ng] Ang mga maagang pananaliksik ay nagmumungkahi na ang mga kontrol ng RL ay maaaring mag-ebolb sa mga tradisyonal na MPC sa recepubliclection, kung saan ang mga produktong unclease ay malamang na nasa loob ng mga produktong uncle-nounclease sa loob ng MP.

Pamamamayan sa Digital na mga Ekosistema sa Kalusugan

Ang mga sistema ng artipisyal na lapay ay higit at higit na magdurugtong sa mas malawak na digital na mga platapormang pangkalusugan, kasali na ang elektronikong mga rekord sa kalusugan, mga telemedikulone app, at mga kagamitan sa pag - i - e - lifestyle na ginagamit sa pag - aaral ng mga bata.

Ganap na Pag - unawa sa Pagkain na May Automatika

Isa sa mga huling hadlang sa isang tunay na saradong-loop system ay ang pangangasiwa ng mga pagkain nang walang mga patalastas ng gumagamit. Data analytics ay makakatulong sa pamamagitan ng pag-unawa ng mga pattern ng glucose na reclusioned na reclusions na premier na may elektwal na insulinific na dosis. Bagaman ang mga kasalukuyang sistema ay bihirang mag-agres dahil sa panganib ng pag-usad ng isang sensor na adrovelop, ang advance recognitive na pagkilala ay maaaring sa kalaunan ay makagawa ng hindi-announclease ng mga pagkain.

Pagsasaayos

Ang mga pagsulong sa data analytics ay hindi lamang incremental na pagpapabuti sa artipisyal na mga sistema ng lapay na siyang pangunahing nagbabago sa mga bagay na magagawa ng mga sistemang ito. sa pamamagitan ng paggamit ng kapangyarihan ng pagkatuto ng makina, paghula sa pag-aaasal, at personalisadong algorithms, ang mga mananaliksik at tagagawa ay lumilikha ng mga sistemang mas matalino, mas ligtas, at mas tutugma sa indibiduwal na mga pangangailangan. Ang mga hamon ng data privacy, algorithm transparency, at ang pangangasiwa ay nananatiling jektor: ang mga pamamaraang pang-intritang pang-intang pang-ekono ay patuloy na nagbibigay sa atin ng isang pang-buhay na transportasyong pang-kalikasan na transportasyon na hindi nangangailangan ng isang pang-kalikasang pang-kalikasang pang-kalikasang pang-kalikas na pang-kalikas na pang-kalikas na pang-kalikas na pang-kalikas na pang-kalikas na pang-kalikasanang pang-kalikas na pang-kalikas na pang-kalikasan, hindi nangangailangan ng buhay na nagbibigay ng isang pang-kalikasan na pang-kalikasan