Diyabet mellitus dünya çapında 537 milyondan fazla yetişkini etkiler, bir rakam önümüzdeki on yıllarda keskin bir şekilde yükselmeye yönelik bir proje.Bu kronik koşul sürekli vigilance: kan şekeri takip etmek, insülin dozlarını ayarlamak, gıda alımını izlemek ve tehlikeli bakımların erken belirtilerini anlamak. Geleneksel kağıt logları ve periyodik klinik ziyaretleri IoT cihazları ve öğrenme algoritmalarının bir araya gelmelerini sağlamak için bir araya gelmek.

Sağlıkta IoT ve Machine Öğrenme Nedir?

Nesnelerin interneti fiziksel nesneler ağı anlamına gelir - kan basıncı cuffs veya cihazlar - yazılım, bağlantı ve internet üzerinden verileri değiştirme yeteneği. Bir sağlık ortamında, IoT her şeyi evde kullanım kan basıncı cuffs. For diabetes, the most relevant IoT devices sürekli olarak kalp monitörleri (CGMs), akıllı insülin kalemleri, insülin pompaları ve giyilebilir fitness pistleri (örneğin, akıllı gözlemler ve vücut testleri.

Makine öğrenmesi, yapay zekanın bir kolu, karmaşık, doğrusal olmayan ilişkiler öğrenmek için sistemleri kullanabilmek için istatistiksel teknikler kullanır, küme veya “if glukoz > gibi zor koşullara göre; 180 mg/dL daha sonra uyarı”, belirli bir yemek için binlerce hasta günü içinde veriyi izler.

sinerji açık: IoT, ML algoritmalarının sağlam modeller yetiştirmesi gerektiğini sürekli, yüksek çözünürlüklü veriler sunar ve ML, hastaları ve klinikleri için gerçek zamanlı önerilere dönüştürebilir.

IoT Cihazları Diyabet Data Collection Nasıl Dönüştürüyor

CGMs'in yaygın benimsenmesinden önce, diyabet yönetimi parmak tutma ölçümlerine yoğun olarak dayanıyordu, genellikle günde 4-10 kez yapıldı. Bu anlık görüntüler kritik trendleri ve bir gecede desenleri kaçırdı. IoT cihazları birkaç temel şekilde veri toplamayı değiştirdi.

Sürekli Glucose Monitors

Dexcom G6 gibi CGMs, bir hasta günde yaklaşık 288 veri puanı üretiyor - ML ile ölçümleyici sıvı alt kesimdeki glikoz seviyelerini ölçüyor.Sürücüksel olarak, her 5-15 dakika boyunca hızlı bir şekilde okumalar gönderiyorlar.Bir hasta günde yaklaşık 288 veri puanı üretiyor - bu yüksek frekanslı veriler ML modellerini ince bir şekilde şekeri oranını tespit etmek için pratik bir şekilde sağlar.

Smart Insulin Pens ve Pumps

Akıllı insülin kalemleri (örneğin, Novo Nordisk'in NovoPen 6, Companion Medical's InPen) kayıt enjeksiyon zamanı, doz ve insülin tipi, otomatik olarak mobil bir uygulama için senkronize edilir. Bu cihazlar Tandem tslim X2 ile kontrol-IQ ile ilişkili zaman reaksiyon profilleri üretir.

Giyim edilebilir Fitness Araçları ve Diğer Sensörler

Apple Watch, Fitbit veya Garmin cihazları gibi giyilebilirler bağlamsal veriler sağlar: Kalp oranı değişkenliği, cilt sıcaklığı, adımları, uyku aşamaları ve stres seviyeleri. Bu değişkenler glukoz metabolizmasını etkiler. Örneğin, fiziksel aktivite insülin duyarlılığı artırır; stres bu bağlamsal sinyalleri tahmin edici modeller doğruyu besler, bir hastanın mevcut aktivite ve fizyolojik durumuna göre tahmin etmeyi öğrenir.

Predictive Diyabet Modelleri için Makine Öğrenme Teknikleri

IoT cihazlarının hammaddesi işlenmeli, temizlenmelidir ve tahmin edici modeller için kullanılamadan dönüştürülmelidir. ML algoritması seçimi klinik soruya bağlıdır: Bir sayısal glikoz değeri tahmin etmek, bir kesinti olayı sınıflandırmak (hypolyc) veya gruplama hastaları risk kategorilerine bağlıdır.

Glucose Tahminleri için Regresyon Modelleri

En yaygın görev, gelecekteki kan şekeri seviyesini belirli bir ufukta tahmin ediyor -örneğin, 15, 30 veya 60 dakika önceden. Zaman serisi regresyon modelleri doğal adaylardır. Geleneksel otoregresyon modelleri tarihsel olarak kullanılmıştır, ancak derin öğrenme biçimleri şimdi hakimdir. Uzun Kısa süreli bellek (LSTM) ağları, bir tür recurrent sinir ağı (RNN), özellikle de uzun süreli hareketlerle uzun süreli hareket eden kurumlarda bulunan bir regresyon modelidir.

Event Tespit için Sınıflandırma Modelleri

Tam glikoz seviyelerini tahmin etmek yerine, bazı modeller rastgele Orman, XGBoost ve destek vektör makineleri (SVM) gibi iki veya çok sınıf sınıflandırma problemlerini tespit etmek için tasarlanmıştır. Örneğin, DREAM (Diabetes Research on Event and Actionient) son derece hassas kaynaklardan elde edilen ölçümler için eğitim verilmektedir.

Hasta Subphenotyping için Kombinasyon

Diyabet tek bir hastalık değildir. Hastalar insülin duyarlılığı, beta hücre fonksiyonu, yaşam tarzı ve tedaviye yanıt verir. denetimsiz kümeleme (örneğin, k-means, hierarşik kümeleme) hastaları IoT veri kalıplarına göre alt kategorilere ayırabilir.Bu alt gruplar farklı risk profillerine sahip olabilir veya spesifik tedavi rejimlere daha hassas, kişiselleştirilmiş bakım sağlar.

Predictive Model: Data'dan İşsizlike

Bir çalışma tahmin edici modeli oluşturmak, sadece bir algoritma seçmek dışında birkaç adım içerir. Her aşama kendi zorlukları ve tasarım seçimlerini sunar.

Data Acquisition and Preprocessing

IoT veri akışı genellikle dağınık: okumalar eksik (sensor dislodgement, iletim boşlukları), gürültü (kompresyon eserleri), ve düzensiz zaman aralıkları. Preprocessing içerir (örneğin, lineer apolasyon, kısa boşluklar için), outlier geri yükleme (fiziksel olarak imkansız değerler, şekerleme veya ton; 600 mg/dL veya < 20 mg/dL) ve resampling for a uniform frekansı (e.g., every 5 dakika).

Özel Mühendislik

Raw sensör değerleri nadiren en iyi performans sağlar. Özel mühendislik, zaman zaman zaman dinamikleri kodlayan değişkenler yaratır: Juvenile Dia Research Foundation (İkinci Tür), son pencerelerin eğrisi altında, son yemek, insülin aksiyon eğrileri ve düşük kan şekeri indeksi (LBGI) gibi, Juvenile Dia Research Foundation (JDRF) tarafından kullanılan “glukose risk endeksi” gibi, mühendis girişleri olarak dahil edilebilir.

Model Eğitimi ve Geçerlilik

IoT cihazlarının verileri eşsiz bir meydan okuma sunar: Aynı hastanın verileriyle ilgili örnekler doğru bir şekilde tahmin edilebilir, ancak bir görünmeyen hasta (inter-hasta) ile genelleştirilmiş bir şekilde değerlendirilmelidir.

Gerçek Zamanlı İnferans ve Entegrasyon

Bir klinik veya tüketiciye dönük bir uygulamada bir model çalışmak, düşük çözünürlükte kesinti gerektirir. Edge Computing, IoT cihazının kendisi veya yakın bir akıllı telefonda çalıştırılır - ağ dışılıkları nedeniyle kritik olan bulut bağlantıya bağlıdır.Platency inference. Edge Computing – ML running inference on the IoT device itself or on a near smart -reduces depend on cloud connection, which is critical in the network outages. Think in 20 minutes.

Gerçek Dünya Örnekleri ve Araştırma İlerlemeleri

Birkaç ticari ve akademik sistemler zaten IoT + ML'nin diyabet tahminine potansiyelini gösteriyor.

FDA onaylı Medtronic Guardian 3 sistemi, makine öğrenimine dayanan bir modelsel kontrol (SmartGuard) kullanır ve ölçümleme hızlarını otomatik olarak sunmak için.

Araştırma alanında, OhioT1DM veri setleri (CNN'ler ile 12 hastadan ayrıldı) ve hibrid modeller (Dünyadaki Biyomedikal Mühendisliğine yönelik olarak yayınlanan) CGM, insülin, yemek ve aktivite verileri LSTM'yi trenle eğitilmiş bir LSTM, tamamen-vomiyasyonel ağların hassaslığıyla ilgili olarak, 0.82'yi hatırlatan ve 0,6'dan fazla bilgi eşiktörlü bir uyarıda bulundu.

Dış bağlantı örneği: [[0)Learn, OhioT1DM veri setleri ve makine öğrenme kriterleri hakkında daha fazla bilgi sahibi (FLT:1).

Meydanlar ve Genişleme Kabulüne Karşı Zorluklar

etkileyici teknik gelişmelere rağmen, Diyabet bakımındaki IoT özellikli tahmin edici modeller rutin kullanım önemli engellerle karşı karşıyadır.

Data Privacy and Security

Hasta sağlığı verileri, ABD ve Avrupa'daki GDPR gibi yasal düzenlemeler, veri toplamasını sağlayan bir model arasındadır, transit geçişte sürekli, samimi bir kişinin fizyolojik durumu.Bir kişinin fizyolojik durumu.Sistemimsiz bilgi (PII) anonimdir.

Interoperability and Device Standardization

Diyabet hastaları genellikle birden çok üreticiden cihazlar kullanıyor: bir Dexcom CGM, Omnipod insülin pompası ve Fitbit aktivite pisti. Her cihaz farklı bir protokol konuşuyor (Mavi Çok Düşük Enerji, özel API, MQTT, HL7 FHIR).Bu akışları sorgulamak veya birleştirmek için evrensel bir standart yoktur. FDA'nın ve IEEE'nin çabaları birbirine bağlı tıbbi cihazlara karşı (örneğin, IEEE 11073 Kişisel Sağlık Cihazı standartları) yavaş ilerliyor.

Model Robustness ve Generalizability

En tahmin edici modeller, en son insülin pompasına erişim ile eğitilmiştir (birkaç yüz hastaya kadar) ve farklı bir insülin duyarlılığı profiline (örneğin, yüksek gelirli, en son insülin pompasına erişim ile) bir LSTM, daha büyük, daha çeşitli, çok merkezli verilere ihtiyaç duyan - bu tür bir diyabet profiline sahip bir hasta üzerinde kötü performans gösteren - daha fazla diyet, veya daha eski bir pompa kullanarak.

Düzenleme ve Klinik Kabul

FDA tarafından (veya eşdeğer vücutlar) temizlenmiş bir tahmin algoritması almak, titiz klinik geçerliliği gerektirir: model güvenlik, etkinlik ve equivalence veya bakım standardına asla ulaşmamalıdır. FDA'nın dijital sağlık yazılımı precertification programı düşük riskli AI modellerine onay vermeyi amaçlar, ancak yüksek riskli algoritmaları (bu doğrudan kontrol insülin teslimatı) hala geniş klinik denemelere ulaşmalıdır. Birçok akademik model düzenleyiciye asla ulaşmamalıdır.

Future: IoT ve Machine Learning Nerede Başlıyor

Bir sonraki yenilik dalgası, mevcut sınırlamaları ve açık yeni olasılıkları ele almak için vaat ediyor.

Yasal Uyarı Eğitim için Federated Learning for Privacy-Preserving Education

Bir bulut sunucusu üzerinde hasta verileri merkezileştirmek yerine, beslenmek, model eğitiminin cihazda veya hastane kenarlarında gerçekleşmesine izin verir, ancak toplam model güncellemeleriyle (gradients) merkezi bir sunucuya geri paylaşılandır.Bu yaklaşım gizliliği korumak (bu verileri asla hastanın kontrolünü terk edemez) ve verileri hareket etmeden binlerce hastadan yararlanabilir. Google'ın TensorFlow Federated ve PNG Clara, bunu sağlık alanında araştırıyor.

Çok-Modal Data Entegrasyon

Gelecek modelleri daha fazla sinyal içerecektir: sürekli ketçap monitörleri (NLP) diyabetik ketoacidoz riski için geliştirilebilir), hormon izers (kortisol, glikcagon), geolok (sağlıklı bir gıdaya erişim için), ve sosyal belirleyiciler (financial stabilite, sağlık okuryazarlığı) Doğal dil işleme (NLP) elektronik sağlık kayıtlarının ücretsiz metin notlarını (EHR) alışılmadık bir şekerleme seansı için bir not sağlamak için.

Edge AI ve Latency'i Azalt

Uzman AI çiplerinde ilerlemeler (örneğin, Google Edge Seiko, Apple Neural Engine) doğrudan akıllı bir gözlem veya özel bir diyabet yama üzerinde karmaşık derin öğrenme modellerini yürütmek mümkün hale geliyor.Son CGM okumasını aldıktan sonra, gerçekten gerçek zamanlı müdahalelere izin vermek için modelin tahminlerini azaltabileceği anlamına gelir.

Klinik Güven için Açıklanabilir AI

Klinik kabul için büyük bir engel, SHAP (SHapley exmix) ve LIME (Local Interpretable Modelagnostic Explanations) gibi “kara kutu” doğasını anlamadığı için, sensör okumalarının (örneğin, yüksek insülinin son derece yüksek orandaki düşüşünü) ve FDA'nın özellikle yüksek çözünürlükte bir tercih sunabileceği konusunda tercih ettiği tahminine göre uyarlanabilir.

Daha fazla okuma için dış bağlantılar: [[Üyetim:0)JAMA, diyabet yönetiminde AI üzerinde inceleme[Dönem: 1) ve [[Döneticiler:2) Amerikan Diyabet Derneği dijital sağlık hakkında güncel bilgiler).

Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç

IoT ve makine öğreniminin kesişimi diyabet yönetimini reshaping diyabet yönetimi reaktif, epizodik bir modelden proaktif, tahmin edici bir tane. Sürekli glukoz monitörleri, akıllı insülin teslimat sistemleri ve kullanılabilir sağlık takipörleri, daha az önce görülmemiş yüksek çözünürlüklü veri akışları üretir - LSTM ağlarından elde edilebilirliğe kadar, HbA'nın eğilimlerini tahmin etmek, tehlikeli olayları tespit etmek ve bireysel fizyolojiye özel müdahaleler. Potansiyel faydalar çok daha az hipo-analiz bölümler, zaman azaltılabilirlik, zaman azaltılabilirlik düzeyine kadar azaltılır.1

Ancak yaygın olarak kabul edilen yol teknik, düzenleyici ve etik zorluklarla doludur. Veri gizliliği ve güvenlik, bu sorunların her birini aktif olarak ele almalıdır ve ilerleme çeşitli popülasyonlar ve gerçek dünya koşullarıyla genelleştirilmelidir. Ve bu modellerin çıktıları klinikler ve hastalar için yeterince güvenilir olmalıdır.

Bugün diyabetle yaşayan milyonlarca insan için, kapalı bir-loop sisteminin söz konusu, kesintisiz olarak tahmin edilen ve şekeri gezileri engellemeyen – sürekli el çabası olmadan – artık bilim kurgu yoktur.