Table of Contents

Діабет мельє впливає на понад 537 мільйонів дорослих по всьому світу, фігура, яка продається, різко зростає в найближчі десятиліття. Управління цим хронічним станом вимагає постійного пильного: відстеження глюкози крові, регулювання інсулінових доз, контроль споживання їжі, і визнання ранніх ознак небезпечних гойдалок. Традиційні журнали паперу і періодичні візити клініки пропонують тільки знімки динамічного захворювання. Збіжність Інтернету речей (IoT) і машинне навчання (ML) змінюється, що парадигма, що дозволяє безперервно, розумний моніторинг, який залишається за реактивною допомогою, щоб прогнозування, персоналізованого управління. Ця стаття досліджує, як комбіновані пристрої IoT і методи, які є ефективними, які є методи навчання

Що таке IoT та машинне навчання в галузі охорони здоров'я?

Інтернет речей відноситься до мережі фізичних об'єктів—devices, сенсорів або приладів—з'єднання програмного забезпечення, підключення та здатності обмінюватися даними по всьому Інтернету. У контексті охорони здоров'я IoT все об'єднує від лікарняних настойних насосів до замшевих замків артеріального тиску. Для діабету найбільш актуальні пристрої IoT є постійними моніторами глюкози (CGMs), смарт-інсулінними ручками, інсуліновими насосами, зносними панелями (наприклад, смарт-годинники, активні смуги). Ці пристрої генерують потоки даних в реальному часі: міжгалузеві глукозачитує візерунки кожні п'ять хвилин, ін'ять, ін'ять ступні частоти, .

Машинне навчання, галузь штучного інтелекту, використовує статистичні методи для вивчення даних, які не мають явного програмування для кожного можливого правила. Замість умов жорсткого покриття, таких як «при глукоза і гт; 180 мг / дЛ після оповіщення», алгоритми МЛ, що зводять тисячі пацієнтів, які виявляються на складних, нелінійних відносинах. Ці алгоритми можуть класифікувати, кластер або прогнозувати результати, такі як прогнозування гіпоглікемічної події 30 хвилин заздалегідь або estimating впливу глюкози конкретного продукту.

Синергія є чіткою: IoT забезпечує безперервний, високорозрядний джерело даних, які алгоритми МЛ повинні навчати надійні моделі, а МЛ повертає дієві уявлення, які закривають петлю, перетворюючи дані датчика в реальному часі рекомендації для пацієнтів та клінік.

Як IoT Devices Transform Diabets збору даних

Перед поширеним прийняттям ЦГМ, управління цукровим діабетом значною мірою лікується на пальцевих вимірах, зазвичай виконується 4–10 разів на добу. Ці знімки пропустили критичні тенденції та нічні візерунки. Пристрої IoT змінили збір даних в декількох фундаментальних методах.

Безперервні монітори глюкози

CGM, такі як Dexcom G6, Abbott FreeStyle Libre, і Medtronic Guardian датчики вимірюють рівень глюкози в міжрядних рідинах підшкірно. Вони передають зчитування бездротово до смартфону додаток або виділеного ресивера кожні 5–15 хвилин. Пацієнт виробляє приблизно 288 точок даних на добу - об'єм, який буде непрактично увійти вручну. Це високочастотні дані дозволяє МЛ моделі виявити тонкі моделі глюкози, які мають відношення до швидкості обміну (наприклад, швидкий падіння до гіпоглікемії), які пропускаються прості пороги.

Смарт Інсулін Пензли та насоси

Смарт інсулінові ручки (наприклад, Novo Nordisk’s NovoPen 6, Companion Medical's InPen) запис ін'єкційний час, доза і тип інсуліну, автоматично синхронізація до мобільного додатку. Інсулінні насоси з інтегрованими даними CGM, такі як Insulin X2 з контрольно-іQ, утворюють автоматизовані системи доставки інсуліну, які використовують алгоритми (часто МЛ-на основі) для регулювання частоти баз даних в режимі реального часу. Ці пристрої генерують профілі введення в експлуатацію, які МЛ моделі можуть кореляти з відгуками глюкози.

Зносні фітнес-трекери та інші датчики

Зносостійкі, як Apple Watch, Fitbit, або Garmin пристрої забезпечують контекстні дані: варіабельність ритму серця, температура шкіри, сходи, стадії сну та рівень стресу. Ці змінні впливають на метаболізм глюкози. Наприклад, фізична активність підвищує чутливість до інсуліну; стрес підвищує кортизол і цукор крові. Користь цих контекстних сигналів в прогнозні моделі покращує точність, оскільки модель вивчається для регулювання прогнозів на основі поточних активності пацієнта та фізіологічного стану.

Техніка машинного навчання для моделей предикційних діабетів

Сирі дані з пристроїв Інтернету речей повинні бути оброблені, очищені, і трансформуються до нього, можуть бути використані для підготовки передбачуваних моделей. Вибір алгоритму ML залежить від клінічного питання: прогнозування значення глюкози нумерного глюкози, класифікуючи затримку події (гіпогліцемія/гіперглікемія), або групування пацієнтів в категорії ризику.

Модельні моделі репресіону для прогнозування глюкози

Найпоширеніше завдання прогнозування рівня майбутнього глюкози крові на заданому горизонті — наприклад, 15, 30 або 60 хвилин попереду. Моделі з регресивних часів є природними кандидатами. Традиційні авторегресійні інтегровані рухомі середні (ARIMA) моделі використовуються історично, але глибокі варіанти навчання тепер домінують. Довгі короткочасні пам'яті (LSTM) мережі, тип рекурентної нейромережі (RNN), особливо при захопленні довготонних залежностей в послідах глюкози. Дослідники в установах, як університет Вірджинії та Станфорд публікуються моделі, які досягають абсолютної помилки (Lsulin) за 15

Класифікація моделей для виявлення подій

Рідше, ніж прогнозувати точний рівень глюкози, деякі моделі призначені для виявлення накладу гіпоглікемії (крово-глюкоза та lt; 70 мг/дЛ) або гіперглікемії (> 180 мг/dL) в рамках вікна прогнозування. Це проблеми класифікації бінарних або багатокласів. Алгоритми, такі як випадковий ліс, XGBoost і підтримка векторних машин (SVMs) навчаються на рисах, отримані з недавнього історії глюкози, інсуліну на дошці, і вводах їжі. Наприклад, дослідження Diabetes на заході та управління діями) показують, що градові інгредієнти можуть виявити 90%

Кластеризація для пацієнта

Діабет – це не єдина хвороба. Пацієнти відрізняються чутливістю до інсуліну, функцією BETA-cell, способу життя та реагування на терапевтичні процедури. Несупервісне кластерування (наприклад, к-медас, ієрархічне кластерування) може групувати пацієнтів у субфенотипи на основі їх моделей даних Інтернету речей. Ці підгрупи можуть мати різні профілі ризику або краще реагувати на конкретні режими лікування, що дозволяє більш точний, персоналізований догляд.

Побудова моделі преддиктивного: Від даних до розгортання

Створення робочої прогнозної моделі передбачає кілька кроків, які не просто вибирають алгоритм. Кожен етап представляє свої виклики та вибір дизайну.

Придбання даних та обробка даних

Потоки даних Інтернету речей часто брудні: відсутні читання (розпилення, проміжки передачі), шум (ураження артефактів), а також інтервали часу нерегулярних часів. Передобробка включає в себе імutation (наприклад, лінійне міжпокриття для коротких проміжків), видалення зовнішнього середовища (фізіологічно неможливі значення, такі як глюкоза і гт; 600 мг/дЛ або &л; 20 мг/дл), а також перенапруги до однорідної частоти (наприклад, кожні 5 хвилин). Дані також повинні бути вирівняні по пристроях—ЧГМ частампи, історія насоса та журнали активності часто використовують незалежні годинники.

Характеристика

Сирі значення датчика поодинці рідко забезпечують кращу продуктивність. Особлива інженерія створює варіативні зміни, які зашифровують часову динаміку: швидкість глюкози зміни (перша похідна), прискорення (друга похідна), площа під крилом над останніми вікнами, час з останнього прийому їжі, вигнуті дії, і індекс глюкози низької крові (LBGI). Домен-специфічні функції, такі як «Індекс ризику глюкози», що використовується Науковим фондом Juvenile Diabetes (JDRF), можуть бути включені як інженерні вводи.

Модельне навчання та перевірку

Дані з пристроїв IoT представляють унікальний виклик: зразки з того ж пацієнта корелюють, зволожуючи самостійність припущення багатьох стандартних методів перевірки. Дослідники повинні використовувати крос-офісію пацієнта або часовий поїзд / тест розщеплення, щоб уникнути витоку даних. Модель, що навчається на першому тижні даних пацієнта може точно прогнозувати другий тиждень (внутрішньо-стаціональна перевірка), але узагальнення непроменевого пацієнта (внутрішньому стані) набагато важче. До таких відносяться кореневі означають квадратні помилки (RMSE) для регресія, область під ресивером, що працює характерна крива (AUROC) для класифікації, клінічної точності Клем+B

Інтеграція та інтеграція в режимі реального часу

Розгортання моделі в клінічному або споживчому додатку вимагає низької інтенсивності. Обчислення краю — перебіг ML на пристрої IoT або на сусідній смартфоні — почервона залежність від хмарної з'єднуваності, яка критична у разі мережевих відходів. Моделі повинні бути кількісні або обрізані, щоб відповідати пам'яті та акумуляторних обмеження зносних речовин. Вихід, як правило, оповіщення або рекомендація: «Ваша глюкоза прогнозування, щоб зменшити нижче 70 мг / дЛ протягом 20 хвилин. Розглянемо споживаючі 15 г швидкодіюючого вуглевода».

Приклади та дослідження

Кілька комерційних і академічних систем вже демонструють потенціал IoT + ML для прогнозування діабету.

Система FDA-прогоровована Medtronic Guardian 3 використовує власний алгоритм (SmartGuard), який прогнозує гіпоглікемію 30 хвилин заздалегідь на основі трендів CGM, що призупиняє доставку інсуліну, коли поріг, ймовірно, буде порушений. Аналогічно алгоритм Tandem Control-IQ використовує модель передбачуваний контроль (MPC) підхід, який тісно пов'язаний з машинним навчанням, для регулювання частоти базального інсуліну і доставки корекційних болусів автоматично.

У дослідницькому домені дані ОйоТ1ДМ (збір з 12 пацієнтів з цукровим діабетом 1 типу протягом 8 тижнів) стали бенчмарком для розробки моделей прогнозування глюкози. Команди по всьому світу використовували його CGM, інсулін, харчування та дані активності для поїзда LSTMs, конвюктивні нейромережі (CNNs), гібридні моделі. Дослідження Міршекарського та ін. (оплічені в IEEE Transactions on Biomedical Engineering) показали, що LSTM, що навчається на багатомодових даних IoT, може прогнозувати гіпоглікемію з прецизією 0.82 та згадати 0,76, що переформування простих оповіщення про прості оповіщення.

Приклад зовнішнього посилання: Дізнатися більше про те, як видалити дані та тести машинного навчання для прогнозування діабету.

Виклики та осади для широкого запізнення

Незважаючи на вражаючі технічні досягнення, раціональне використання IoT-прогнозованих передбачуваних моделей в догляді за діабетом, стикаються з значними перешкодами.

Конфіденційність даних та безпека

Дані про здоров’я пацієнтів є одним з найбільш чутливих особистої інформації. При передачі пристроїв Інтернету речей, які передають глукозні читання в хмару, вони генерують безперервні, інтимні профілі фізіологічного стану людини. Нормативні рамки, такі як HIPAA в США та GDPR в Європі, мандат суворого шифрування, контроль доступу та згоду користувача. Будь-яка модель, яка збирає дані, повинна забезпечити, що передача зашифрована в транзиті (TLS 1.3), збережені зашифровані в стані спокою (AES-256), і це особиста ідентична інформація (PII) є анонімним. Ризик порушення даних або реідентифікація атакифіка є стійким занепокоєння, що може підірватизмінувати довіру пацієнта.

Стандартизація та система взаємозабезпечення

У пацієнтів діабету часто використовують пристрої з декількох виробників: Dexcom CGM, Omnipod інсуліновий насос і трекер для роботи з активами Fitbit. Кожен пристрій говорить про інший протокол (Bluetooth Low Energy, фірмові API, MQTT, HL7 FHIR). Існує не універсальний стандарт для запиту або поєднання цих потоків. Сподіваємось FDA та IEEE щодо взаємопроникних медичних пристроїв (наприклад, стандарти пристроїв IEEE 11073) проходять повільно. Без безшовної інтеграції даних, продуктивність моделі страждають, тому що критичні дані відсутні або незрівняні.

Модель робусти і загальність

Найбільш передбачувані моделі навчаються на даних, які порівняно невеликі (дозатори до декількох сотень пацієнтів) і скручуються до певних демографічних засобів (наприклад, переважно білі, високовмісні, з доступом до останніх інсулінних насосів). ЛСТМ, що досягає 10 мг/дл MAE на ОйіТ1Д, може погано виконуватися на пацієнті з різними інсулін чутливими профілями, різними дієтами, або за допомогою старшого насоса. Перевага до навчальної когорта є загальним підводним водоспадом. Дослідники повинні більші, більш різноманітні, багатоцентрові дані, включаючи цукровий діабет 2 типу

Нормативно-правова форма та клінічна опція

Отримання передбачуваного алгоритму, який очищається FDA (або еквівалентних тіл) вимагає суворої клінічної перевірки: модель повинна продемонструвати безпеку, ефективність та еквівалентність або переваги до стандарту догляду. Програма для попередньої сертифікації цифрового здоров'я FDA спрямована на схвалення потокового протоколу для моделей низького ризику AI, але алгоритми високого ризику (тобто, що безпосередньо контролює доставку інсуліну) повинні бути більш складними клінічними випробуваннями. Багато академічних моделей ніколи не досягають комерційного розгортання, оскільки вони не мають ресурсів для нормативного подання.

Майбутні напрямки: де IoT та машинне навчання є заголовок

На чергову хвилю інновацій обіцяє зафіксувати поточні обмеження та відкрити нові можливості.

Federated Learning для конфіденційності

Замість централізованого дослідження даних пацієнта на хмарному сервері, federated Learning дозволяє проводити навчання з моделі, що відбуваються на пристрої або в стаціонарі, з єдиною сукупною моделлю оновлень (градієнти) поділилися на центральний сервер. Такий підхід зберігає конфіденційність (відведення даних ніколи не залишає контролю пацієнта) і може використовувати дані від тисяч пацієнтів без переміщення його. Тенор Федований і NVIDIA Clara є рамками, які досліджують це в охороні здоров'я. Ранні результати прогнозування глюкози показують, що federated моделі можуть досягти точності, порівняні з централізовано підготовленими моделями, зменшуючи ризик витоку даних.

Інтеграція з багатофункціональними даними

Моделі майбутнього будуть включати ще більше сигналів: безперервні контрольи кетоа (у розвитку діабетичної кетоацидозу), гормонні трекери (корифолі, глюкон), геолокації (до безпліддя до здорової їжі), соціальних детермінантів здоров’я (фінансова стабільність, здорова грамотність). Природна обробка мови (НЛП) може перетравлювати безкоштовні текстові ноти з електронних записів здоров’я (ЕГР) для забезпечення контексту незвичайних схем глюкози, таких як нота про недавню хворобу або хіміотерапевтичну сеанс.

Край AI і знижена сутність

Поспішні досягнення в спеціалізованих чіпах AI (наприклад, Google Edge TPU, Apple Neural Engine) дозволяють працювати в комплексних моделях глибокого навчання безпосередньо на смарт-годинник або спеціальному патчі діабету. Зменшена лагенція означає, що модель може зробити прогноз протягом декількох секунд отримання останнього читання CGM, що дозволяє дійсно здійснювати реальні інтервенції. Для гібридних замкнених систем, кромочний інференція усуває затримку і надійні проблеми хмарно-залежного контролю.

Експлуатована AI для клініки

Основним бар’єром для клінічного прийняття є «чорна коробка» природа моделей глибоких знань. Клініка може соромитися регулювати дозування інсуліну на основі запропонованої моделі моделі, якщо вони не можуть зрозуміти why він зробив це прогнозування. Методики, такі як SHAP (Sapley Additive exPlanations) і LIME (Local Interpretable Model‐agnostic Explanations) застосовуються до прогнозування глюкози, щоб виділити, які сенсори читання (наприклад, недавній зниження глюкози, високий інсулін на борту) поглиблений прогноз. FDA також помітили ступінь, що дає можливість інтерпретувати ступінь, особливо

Зовнішні посилання для подальшого читання: JAMA огляд на AI в управлінні діабетом і Американська асоціація діабету оновлення для цифрового здоров'я.

Висновок

Перехресація IoT та машинного навчання є реформування управління цукровим діабетом від реактивної, епідикальної моделі в проактивну, передбачувану. Безперервні монітори глюкози, смарт-інсулінові системи доставки, і зносні оздоровчі трекери генерують небальні потоки даних високої роздільної здатності. алгоритми машинного навчання - від мереж LSTM до градієнтобетонних дерев - зрозуміти, що дані для прогнозування трендів глюкози, виявлення знезабезпечення небезпечних подій, а також індивідуальних фізіологічних втручань. Можливі переваги є величезними: кілька гіпо- і гіперглікемічні епізоди, зниження часо-ін-ін-інтензивності, зниження рівня HbA1c, підвищення якості життя.

І це шлях до поширеного прийняття, який прокидається з технічними, нормативними та етичними проблемами. Конфіденційність даних та безпека повинні бути кулястійними. Пристрої повинні говорити про загальну мову. Моделі повинні в загальному обсязі використовуватися у різних популяціях та реальних умовах світу. І виведення цих моделей необхідно мати довіру достатню кількість для клінік і пацієнтів, які діють на. Науково-дослідна спільнота, промисловість та регуляторні органи активно зачеплюють кожну з цих питань, і прогрес є прискоренням.

Для мільйонів, які живуть з діабетом сьогодні, обіцянка закритої системи, яка безшовно пророкує і запобігає глукозам екскурсій, без постійних ручних зусиль, не є більшою науковою фантастики. Вона є ближчою реальністю, побудованою на конвергенції IoT та машинного навчання.