Table of Contents

Еволюція моніторингу глюкози

Протягом десятиліть люди з діабетом спираються на пальничі метри, які забезпечили однознімання глюкози крові в даній моменти. Хоча ці пристрої були основним кроком вперед від тестування сечі, вони залишили великі зазори в даних. Прочитане, взяте перед сніданком, не може виявити неочі тенденції, а час їжі перевірили пропущено післяпосадковий шик, який може статися через годину пізніше. Впровадження безперервних глюкози моніторів (CGMs) на початку 2000-х років змінилося, що парадигма. CGM вимірюють міжчасні хвилеподібні глюкози кожні кілька хвилин, що генерує потік даних, які показують, як короткострокові патоки, так і короткі пальці, що протягом 60-тривалі, що протягом 60-тривалі, і довгострокові, можуть бути зафіксовані.

Сучасні інструменти моніторингу глюкози не є більш пасивними вимірювальними приладами; вони інтелектуальні системи, які навчаються від кожного користувача та rsquo; унікальна фізіологія. Поєднання крихітних підшкірних датчиків, бездротових передавачів, хмарних аналітиків перетворило лічильник глюкози в персоналізований консультативний інструмент. Ця стаття досліджує, як алгоритми трансформують дані сирого датчика в дії, наука за цими прогнозами, і що майбутнє тримається для управління діабетом.

Як працюють безперервні монітори глюкози

Розуміння прогнозних алгоритмів вимагає першого розуміння, як CGMs збирати дані. Система CGM складається з трьох основних компонентів: датчика, передавача і ресивера (часто смартфон додаток або виділений зчитувач). Датчик - це тонка нитки, вставляна тільки під шкірою, зазвичай в животі або руці. Він використовує фермент на основі електродів, щоб виміряти глюкозу в міжстиціальної рідини & мдаш; рідина навколишні клітини. Міжстиційне глюкозу за лагле за кров'ю глюкози приблизно 5 до 10 хвилин, але тенденції в міжступних рівнях тісно дзеркальні капілярні крові глюкози одноразовороз.

Технології датчика

Більшість датчиків CGM використовують реакцію глюкози оксидази. фермент перетворює глюкозу в глюкозолактон і перекис водню. Перекис водню потім окислюється при електроді, що генерує електричну точну пропорційну концентрації глюкози. Цей струм вимірюється передавачем і перетворюється в клейкоз читання. Ранні CGM вимагають частого калібрування пальника для виправлення дрифт, але нові моделі, такі як Dexcom G7 і Abbott Freestyle Libre 3 використовують завод-калібровані датчики, які потребують мінімального або ні калібрування користувача.

Зберігання даних та передачі даних

Перетворювач бездротово надсилає дані на пристрій відображення кожні 1 до 5 хвилин. Сучасні системи використовують Bluetooth Low Energy, яка зберігає акумулятор і дозволяє прямий зв'язок з смартфонами. Дані можуть зберігатися локально на пристрої і часто завантажуються на хмарні платформи для аналізу шаблонів і спільного з постачальниками охорони здоров'я. Цей безперервний потік читання створює багаті дані, які алгоритми вимагають прогнозування.

Алгоритми роботи: від сировини до вироку

Сирі значення глюкози, що поодинці, не достатньо для прогнозування рівня майбутнього. Алгоритми повинні інтерпретувати дані, відфільтрувати шум і застосувати математичні моделі, які захоплюють динаміку регулювання глюкози. Використовуються декілька типів алгоритмів, починаючи від простого лінійного з'їзду до складних моделей машинного навчання.

Лінійний та поліномний регістр

Найпростіший передбачуваний підхід використовує історичні читання глюкози, щоб відповідати лінії або кривої, яка представляє поточну тренд. Наприклад, якщо глюкоза була виростена з розрахунку 2 мг/дл за хвилину за останні 15 хвилин, лінійний регресія може проект, який курсувати вперед, щоб оцінити, де глюкоза буде в 30 хвилинах. Більш розширені поліномічні регресивні рахунки для прискорення або декларації в тренді, такі як при вуглеводах поглинання спочатку поширюють, потім тапери. Хоча легко реалізувати, регресивні моделі припускають, що минулі візерунки продовжуються, що обмежує їх точність при раптових подіях, таких як вправи або інсулін дозування.

Калман фільтрування

Калман фільтри широко використовуються в системах CGM, щоб об'єднати кілька джерел даних в більш точний розрахунок. Фільтр зберігає математичний стан (оцінюється істинний глюкоза і швидкість зміни) і оновлює його кожен раз нове читання датчика прибуває. Він зважує нове читання проти передбачуваного стану на основі попередніх вимірювань, що дає більше ваги для читання з меншим шумом. Цей в режимі реального часу розгладжування знижує артефакти від сенсорного руху або тимчасового падіння сигналу. Багато комерційних CGM, включаючи Dexcom, використовують фільтрування Калмана, щоб виробляти модні стріли, які з'являються на дисплеї: & quo; зростання, & quo;

Машинне навчання та неординарні мережі

Останні досягнення введені моделі машинного навчання, які можуть вчитися комплексно, нелінійні зв'язки між глюкози та різними входами. Рішення дерев, випадкових лісів, градієнтних прискорювальних машин, глибоких навчальних мереж все було застосовано до прогнозування глюкози. Ці моделі навчаються на великих даних, що містять тисячі осіб-days даних CGM разом з журналами харчування, записами вправ і дозами інсуліну. Після закінчення навчання вони можуть розпізнати візерунки, такі як “ після високожирного їжі, глюкоза прагне плато 90 хвилин до зростання & rdquo; або “

У 2021 році дослідження опубліковано в Журнал біології та технології в порівнянні декількох алгоритмів машинного навчання і виявили, що довгострокова пам'ять (LSTM) мережі досягається найнижчою помилкою прогнозу за 30 хвилин і 60 хвилин прогнози (] ]). LSTM мережі є типом рекурентної нейромережі, який може пам'ятати довгострокові залежності в послідовних даних, що робить їх добре підібраними для даних часових глюкози. Однак обчислювальна вартість нейромереж залишається більш простими моделями Калману, тому що рівний фільтр-система все ще

Ключові засади для прискорення прогнозів

Алегорітеми є тільки такими, як дані, які вони отримують. Точність залежить від декількох факторів:

  • Current і останні читання глюкози:] Найновіші 15 до 30 хвилин даних датчиків забезпечують безпосередній схил.
  • Historical glucose візерунки: Багато систем зберігання днів або тижнів даних для захоплення циркадідних ритмів (наприклад, Dawn Phenomenon) і рецидивних відходів.
  • Водильник споживання: Користувачі можуть вручну записувати страви, або системи можуть запліднити карбюри від безперервних реагування глюкози. Алгоритми модель час підйому, пік і тривалість післяпродажного сплаву глюкози.
  • Insulin на дошці (IOB):] Поточні та останні дози інсуліну є критичними для прогнозування при зниженні глюкози. Алгоритми використовують інсулінокаркасні моделі для оцінки решти активного інсуліну.
  • Фізіальна активність: Вправа збільшує надходження глюкози м'язами; алгоритми, які отримують основні підрахунки або дані частоти серцевих скорочень може регулювати прогнози вниз.
  • Страц і хвороба: Деякі системи дозволяють користувачам мітувати події, такі як fever або емоційний стрес, який може підняти глюкозу через кортизол і адреналін.

Поєднуючи ці вводи, алгоритм може генерувати прогноровану криву, яка виглядає 30 до 60 хвилин попереду, часто відображається як пунктирна лінія на графіку CGM. Користувач бачить не тільки їх поточний рівень, але і де вони заголовки, що дозволяє проактивні втручання, такі як їсть закуску перед передбачуваним низьким або прийомом корекційного болуса до передбачуваного високого.

Переваги за межами моніторингу реального часу

Переміщення від реактивного до прогнозування, що перетворило результати діабету як для діабету 1 типу, так і для цукрового діабету 2 типу.

Зменшення гіпоглікозії та гіперглікоємії

Гіпоглікемія, особливо вночі, є великим занепокоєнням. Попередньо проповідні сповіщення можуть прокидати користувача 20 до 30 хвилин до низького місця, дати їм час, щоб споживати швидкодію глюкози. Дослідження показали, що використання CGM зменшує час, проведений в гіпоглікемії на 40% до 60% порівняно з пальчиком моніторингу поодинці (source]). Аналогічно, прогнози затримки гіперглікемії дозволяють раніше корекцію, зменшуючи загальний час над діапазоном.

Низькі A1C

Коли користувачі послідовно діють на прогнозні дослідження, їх середній рівень глюкози покращують. Метааналізи випадкових контрольованих випробувань повідомляють, що CGM використовують знижує A1C на 0,3 до 0,6 процентних пунктів у дорослих з діабетом 1 типу, а до 0,5 балів у тих, з діабетом 2 типу на інтенсивній інсулінотерапії. Прогнозний елемент додає значення, оскільки він допомагає користувачам дрібно-ненав'язувати їх до-меальової болю, час і дози.

Закрита люпа і автоматична доставка інсуліну

Кінцевий вираз прогнозних алгоритмів є штучним підшлунковим або гібридним замкненим системою. Пристрої, як Medtronic 780G і Tandem Control-IQ використовують дані CGM для автоматичного регулювання доставки базального інсуліну і навіть доставки корекційних болусів. Алгоритм цих систем є складною моделлю прогнозування контролю (MPC), яка постійно оптимізує надбавку інсуліну для збереження глюкози в межах цільового діапазону. Користувачі можуть все ще їсти харчування і оголосити їх для болуса, але алгоритм ручить фонові налаштування інсуліну. Клінічні випробування показали, що гібридні замкнені системи підвищують час в діапазоні (70 &ndash [180 / 180 / 180 / 180 / 180 / 180 / 180 / 180 / 180 / 180 / 180 / 180 / 180 / 180 / 180 / 180 / 180 / 180 / 180 / 180 / 50 / 50 / 50 / 180 / 180 / 50 / 50 / 50 / 50 / 50 / 50 / 50 / 50 / 50 / 50 / 50 / 50 / 50 / 180 / 180 / 50 / 50 / 50 / 50 / 50 / 50 / 50 / 50 /

Виклики: Точність, Калібрація та конфіденційність

Незважаючи на те, що алгоритми, які мають розумітися, незважаючи на прогрес, прогнозні алгоритми, які стикаються з кількома обмеженнями, які користувачі повинні розуміти.

Точність і час Лаг

5-ти хвилин від лаг міжчасовим і кров'ю глюкози може викликати прогнози, щоб бути трохи за рахунок реальності при швидкому зміні. Наприклад, після великої дози швидко-активного інсуліну, глюкоза крові може швидко знизитися, поки міжстатева рідина перестає відображати цю зміну. Алгоритми можуть частково компенсувати аналіз швидкості-обміну, але при екстремальних гойдалках прогнози можуть перевищити або застаратися істинного рівня. Точність датчика також змінюється; MARD (повний абсолютний відносний різницю) сучасних CGM є близько 8% до 10%, що перекладається на помилку близько 10 до 15 мг / л

Алгоритм Біас і Data Diversity

Моделі машинного навчання пройшли переважно на даних з білого, середнього віку з цукровим діабетом 1 типу, можуть не добре в цілому оцінювати інші популяції. Люди різних етнічних, вікових, масових показників, гестаційного діабету можуть мати різну динаміку глюкози-інсуліну. Американська асоціація діабету покликана забезпечити більш широкий рівень підготовки даних, щоб забезпечити ефективність алгоритму (source]). Без різних даних алгоритми можуть запропонувати менш точні прогнози для заглиблених груп, потенційно погіршуючи недоліки в результатах діабету.

Конфіденційність даних та безпека

Дані CGM є високочутливою інформацією про здоров'я. Часто він зберігається на хмарних серверах і поділився з виробниками пристроїв, розробниками додатків і іноді дослідницькими партнерами. Користувачі повинні переглядати політики конфіденційності та зрозуміти, як використовуються дані. FDA та FTC видали настанови щодо кібербезпеки для підключених медичних пристроїв, але порушення залишаються ризиком. Крім того, деякі безкоштовні програми CGM зможливлюють дані через партнерські відносини з страховими компаніями або дослідницькими установами, підвищуючи занепокоєння щодо згоди та власності на дані.

Відповідність та рішення

Хоча прогнозні сповіщення корисні, вони також можуть призвести до попередження втоми, якщо вони часті або неточні. Деякі користувачі повідомляють, що стають десенсибілізованими до тривог, особливо в нічний час. Виробники ввели настроювані пороги і тихі режими, але надмірна надійність алгоритму може викликати користувачів, щоб нехтувати базовими навичками самоменеджменту, такими як вуглеводи, що підрахунок або ручне підтвердження пальця при симптомах don’t відповідати читання.

Майбутнє: AI, Закриті системи, інтеграція

У наступному генеруванні інструментів моніторингу глюкози буде показано ще більш тісну інтеграцію між датчиками, алгоритмами та системами доставки інсуліну. Досліджуються декілька фронтальних пристроїв:

Штучна розвідувальна та персоналізація

Більш персоналізовані, навчаючи кожного користувача та rsquo; унікальні візерунки протягом тижнів і місяців, а не використовуючи один-розмір-фути-всім підхід. Дослідники розвиваються “цифрові близнюки & rdquo; & mdash;віртуальні моделі індивідуального ’s метаболізм глюкози, який може імітувати ефект різних страв, вправ, і інсулінових доз, перш ніж будь-який реальний світ дію. Цей вид прецизійної медицини може похизувати прогнозування факторів, таких як менструальна фаза циклу, сезонні алергії або навіть якість сну.

Неінвазивні датчики

Поточні датчики все ще вимагають невеликої вставки голки, які деякі користувачі не схожі. Рахман спектроскопія, фотоакустична візуалізація, і торцеві датчики піддаються розробці. Хоча ніхто ще не відповідає точності CGM в клінічних випробуваннях, поєднання неінвазивного зондування з прогнозними алгоритмами може зробити моніторинг глюкози ще більш безшовним.

Інтеграція з пристроями, що містяться в систему, що дозволяється використовуватися для використання файлів, що містяться в інших країнах.

Дані CGM все частіше об'єднуються з даними від смарт-годинників, фітнес-трекерів і моніторів сну. Наприклад, алгоритм, який бачить низьку активність і високі стресові маркери можуть прогнозувати зростання глюкози і рекомендувати коротку прогулянку або розумову вправу. Аналогічно, розумні інсулінові ручки автоматично записують час і дози, підживлення, що дані безпосередньо в передбачувані моделі для більш точного розрахунку інсуліно-на борту.

Протоколи та взаємозастосунки

Проект Tidepool Loop та FE’s міжоперативна класифікація CGM (iCGM) сприяли відкриті стандарти, які дозволяють користувачам змішувати та відповідати пристрою від різних виробників. Цей фольк-конкурс та інновації, що призводить до алгоритмів, які можуть бути оновлені частіше, ніж обладнання. Користувачі зможуть вибрати найкращий датчик для своїх потреб і парі з кращим алгоритмом від сторонніх додатків або виділеного пристрою.

Висновок

Алегорітеми мають підвищений моніторинг глюкози з простого інструменту вимірювання до інтелектуальної системи, здатної прогнозування тенденцій цукру в крові з вражаючою точністю. Аналізуючи дані безперервного датчика поряд з входами, такими як вуглеводи, часові терміни, і фізична активність, ці алгоритми дають людям з діабетом потужний вікно в безпосередній перспективі. Результатом є не просто краще усвідомлення, але відчутні поліпшення в часі в діапазоні, знижені A1C, і менш небезпечні низькі і високі епізоди. Хоча проблеми з точності, рівноваги і конфіденційності залишаються, постійними досягнення в машинному навчанні, замкненому автоматі, і сенсорна мінітуризація обіцяє зробити ці інструменти більш надійними, що доступнішим.