Table of Contents

Хронічні захворювання є надзвичайним тягаром на системи охорони здоров'я по всьому світу, з цукровим діабетом, що стоять один з найбільш завагітних і дорогих умов. Глобальна поширеність діабету досягла рівня сигналізації, з міжнародною Федерацією діабету, що становить 537 мільйонів дорослих, які були живі з хворобою в 2021 році, низка проекційованих для підвищення до 783 мільйонів на 2045. Серед найбільш фізичних і емоційно-податкових аспектів життя з діабетом 1 типу є повністю не потрібно контролювати рівень глюкози і вручну регулювати інсулінові дози. Протягом десятиліть сон був створений для створення штучної підшлункової системи, яка автоматично обмежує цей прототип.

Розуміння системи штучного підшлункової залози

Штучний підшлунок, також відомий як замкнено-опова система доставки інсуліну, інтегрує три основні компоненти: безперервний контроль глюкози (CGM), інсуліновий насос і алгоритм управління. Заходи CGM міжстиціональні рівні глюкози кожні кілька хвилин і бездротово передає дані алгоритму, що розраховує оптимальну дозу інсуліну і заповнює насос, щоб доставити його. Мета полягає в тому, щоб підтримувати рівень глюкози в межах цільового діапазону — як правило, 70-180 мг/dL — при мінімізації як гіперглікемія (високий цукор крові) і гіпоглікемія (низький цукор крові).

Сучасні комерційні системи, такі як Medtronic MiniMed 780G, Tandem Control-IQ, і Insulet Omnipod 5, вже показали значущі поліпшення в часовому діапазоні і скорочення в HbA1c. Однак ці системи не є ідеальними. Вони борються під час фізичних вправ, хвороби або їжі з високим вмістом жиру або білка. Вони спираються на спрощені моделі фізіології людини і часто вимагають ручних оголошень або калібрування. Дорога попереду передбачає розробку адаптивних, навчальних алгоритмів, які можуть персоналізувати терапія для кожного пацієнта унікальний метаболічний відбитк, дієтичні звички, щоденні процедури.

Алгоритмічна складність та необхідність для даних, що походять

Алгоритми, які використовуються в штучних системах підшлункової залози, зазвичай базуються на пропорційно-інтегральному-відновлювальному (PID) контролю, моделювання прогнозування контролю (MPC), або нечіткої логіці. Кожен підхід має сильні сторони і слабкості. MPC, наприклад, може очікувати майбутніх тенденцій глюкози, але вимагає точних моделей інсулінового поглинання і динаміки глюкози - моделі, які широко варіюються серед осіб. Техніка машинного навчання, включаючи армування, є дослідженням для створення алгоритмів, які адаптуються з часом. Але навчання таких моделей вимагає великих, якісних даних, які захоплюють різні сценарії: різні віки, вагітність, фактори, порушення навколишнього середовища, можуть змінюватися в залежності від реального середовища.

Роль даних у прискорених дослідженнях

Колегативні дослідження не є розкішю; це необхідність застосування технології штучного підшлункової залози. При використанні різних центрів, які діляться деідентифікованими даними, вони можуть валідувати пошуки по популяціях, відкривають субоптимальні показники в певних групах пацієнта, і виявити рідкісні, але критичні режими збою. Розподіл даних також дозволяє мета-анолізам і систематичним оглядам, які здійснюють більш статистичну потужність, ніж індивідуальні дослідження.

Незважаючи на ці чіткі переваги, традиційний розподіл даних був стимучений за допомогою плутанини: несумісний електронний запис охорони здоров'я (EHR) системи, несприятливі формати даних, суворі правила конфіденційності, такі як HIPAA в США та GDPR в Європі, а також відсутність стимулів для дослідників для виходу даних. Ручний передача даних через USB-накопичувачі або електронної пошти не тільки ліктьом, але і нерозрахункований. Ці глушники зберігали великі кількості цінних даних, що скомпільовані в інституціональних репозиторіїх, уповільнення прогресу до наступного покоління закритих систем.

З Сильоса в Синергію: Хмара як Енергоатом

Платформа Cloud-на основі пропонує технічну архітектуру, яка може подолати безліч цих перешкод. Надаючи централізовану, безпечну репозиторію, доступні за допомогою інтерфейсів програмування (API), хмарні послуги дозволяють уповноваженим дослідникам переробити, аналізувати та сприятиме отриманню даних без необхідності фізичного перенесення файлів. Сучасні хмарні платформи, такі як Amazon Web Services (AWS), Google Cloud, Microsoft Azure пропонують вбудовані сертифікати відповідності для даних охорони здоров'я (наприклад, HIPAA BAA, ISO 27001, SOC 2). Вони також забезпечують інструменти для шифрування як на відпочинок, так і в транзиті, тонкозерновані контролю доступу, а також журналювання аудиту - важливе для підтримки довіри та дотримання дотримання дотримання дотримання дотримання дотримання дотримання дотримання дотримання дотримання вимог.

Переваги хмарного носіння даних для досліджень штучного підшлункової залози

Перехід на хмарний обмін даними не просто зручність, це принципово змінює масштаб і обсяг, що можливо в дослідженнях коборативного діабету. Нижче наведено основні переваги, які хмарна архітектура приносить поле.

Централізовані, доступ до реального часу

Дослідники по всьому світу можуть отримати доступ до тих же даних, які знаходяться в режимі реального часу, усунення кошмарів виконання версій. Команда в Stanford може запустити новий алгоритм даних, що сприяє лікарні в Бразилії, а статистика в Німеччині перевіряє результати — протягом декількох днів, а не місяців. Ця дисмедіа дозволяє ітеративним циклам розвитку, які набагато більш відповідальні для виникнення гіпотез або несподіваних наслідків.

Розширений багатопрофільний колаборація

Розробка штучного підшлункової залози вимагає експертизи в ендокринології, теорії управління, машинного навчання, інженерії та кібербезпеки. Хмарні платформи для обміну даними можуть проводитися не тільки сирі дані, але і код, моделі та документацію, необхідні для репродуктивності. Це сприяє внескам від вчених та інженерів, які не можуть мати прямих клінічних належностей, але ще можуть внести важливі внески.

Надійна безпека даних та конфіденційність

Хмарні провайдери вкладають значною мірою в інфраструктурі безпеки — часто набагато більше, ніж окремі академічні ІТ-дистрибки. До послуг гостей багатофакторна автентитація, сегментація мережі, виявлення вторгнення та автоматизоване резервне копіювання. Для штучних даних підшлункової залози, які включають безперервні читання глюкози та журнали з доставки інсуліну, які можуть бути пов'язані з індивідуальними пацієнтами, ці захисти є критичними. Крім того, сучасні хмарні архітектури підтримують методи деідентифікації, такі як диференціальна конфіденційність, що дозволяє дані бути спільними без виявлення індивідуальної інформації пацієнта.

Скальливість до Handle Large, потокові дані

Пристрої CGM генерують 288 читання на добу на пацієнту; над багаторічною пробою, що включає сотні учасників, обсяг даних стає величезним. Хмарні ваги зберігання еластично, тому дослідники ніколи не повинні турбуватися про обмеження в попадання ємності. Хмара також підтримує потокове введення даних, що є важливим для досліджень, які збирають дані в найближчому злакові часу з пристроїв, що носяться в домашніх умовах.

Швидка перевірка та визначення алгоритмів

У зв’язку з репозиторією стандартизованих, анотованих даних дозволяє дослідницьким групам оцінити алгоритми їхнього алгоритму проти загальної метрики — наприклад, часовий час-в-діапазон, індекс низького кровопостачання, або гіпоглікемічні події. Ця прозорість сприяє здоровому конкурсі та рефродучувній наукі. Організації, як і технологія діабету, вже почали виліковувати відкриті дані для тестування алгоритму, а хмарна інфраструктура робить такі ініціативи набагато більш стійкими.

Виклики та рекомендації у хмарному режимі

Хоча обіцянка є великим, шлях до поширеного прийняття є суперечним викликам, які повинні бути адресовані навмисно. Без ретельного планування, хмарні зусилля щодо обміну даними можуть засновувати питання довіри, взаємопов'язку та управління.

Конфіденційність та неоднорідність

Навіть деідентифіковані дані іноді можуть бути реідентовані при поєднанні з іншими джерелами. Дослідники повинні розробляти бланки згоди, які чітко пояснюють, як дані будуть зберігатися в хмарі, які матимуть доступ, і які гарантії знаходяться в місці. Деякі пацієнти можуть бути небажаними, щоб сприяти, якщо вони сприймають, що дані можуть бути використані для комерційних цілей або впадуть в руки страховиків. Прозорі моделі управління і можливість відкликати дані без штрафу є важливим.

Стандартизація даних та взаємозамінність

Штучні дані підшлункової залози надходять з різних пристроїв: різні моделі CGM (Dexcom, Abbott, Medtronic), різні інсулінові насоси та різні алгоритми виводів. Без стандартних форматів даних, комбінацій даних є брудним, похибним процесом. Ініціативи, такі як платформа Tidepool та стандарт IEEE 11073 для медичної комунікації, є кроки в правому напрямку, але більш широке прийняття є необхідним. Хмарні платформи для спільного доступу повинні використовувати інжекторні трубопроводи, які перетворюють вхідні дані в загальний шма.

Власникство даних та інтелектуальна власність

Хто володіє даними, як тільки він завантажується на загальний репозиторій хмари? Пацієнт? Доповідачі, які фінансували дослідження? Амбігутію про інтелектуальну власність може зануритися участь, особливо якщо залучені до компаній-членів. Чисті юридичні угоди, які відокремлюють права на використання, і які впізнають внески у публікації, необхідні для сприяння співпраці з державними та приватними секторами.

Нормативно-правові гончарні гончари

Адміністрація з харчової та наркотичної допомоги США (FDA) визнано потенціалом даних реального світу (RWD) та доказів реального світу (RWE) для підтримки нормативних рішень, але стандарти якості даних, прованс та цілісності є ще одним. Будь-яка хмарна платформа, яка використовується в нормативних подачах, повинна відповідати суворим вимогам для перевірки та перевірки причепів. Дослідники повинні залишитися в сукупності рекомендацій з органів, таких як FDA та Європейська Агентство медицини (EMA) щодо використання хмарних даних у клінічних дослідженнях.

Поточні ініціативи та кейси

Кілька зусиль у світі вже демонструють потужність хмарного обміну даними для штучних досліджень підшлункової залози. Ці приклади забезпечують цінні уроки для масштабування колаборації.

Відкрити APK та динамічний рух

Система Open Штучних Pancreas (#OpenAPS) була заснована на концепції обміну даними за межами традиційних інституційних меж. Пацієнти та хобі, які переповнили дані та алгоритми, обмін досвідом онлайн. Tidepool, некомерційна організація, побудована хмарна платформа, де люди з діабетом можуть завантажувати дані з різних пристроїв та вибрати, щоб поділитися його анонімізовані дослідниками. Ці дані Tidepool використовуються в декількох рецензованих виданнях та проінформовано алгоритм розробки.

Мережа клінічних досліджень ДЖДРФ

JDRF, провідний світовий аналіз фінансування системи цукрового діабету 1, створив клінічну тестову мережу, яка використовує централізовану систему управління даними. Сторонні сайти завантажують дані через безпечні портали, і дослідники можуть отримати сукупні, деідентифіковані дані для вторинного аналізу. Ця мережа прискорила процес зарахування та аналіз фази декількох штучних досліджень підшлункової залози.

Репозиторій даних NIH

Національний інститут діабету та дайджестних і кідней хвороб (NIDDK) підтримує кілька репозиторіїв даних, які містять деідентифіковані дані з федерально фінансованих досліджень. Незважаючи на те, що не специфічні штучним підшлунковим, ці репозиторії демонструють інфраструктуру, необхідну для хмарного розподілу, включаючи словники даних, інструменти запиту та системи доступу. Дослідники можуть застосовуватися для доступу та аналіз даних в захищеному хмарному середовищі без завантаження його.

Майбутнє Outlook: Хмара, AI, а також наступне покоління штучних підшлунків

Вже попереду, з’являються проблеми розподілу даних з хмарними ресурсами з прогресами у штучному інтелекті обіцяє трансформувати дослідження та розвиток штучних підшлункової залози. Як більше даних накопичується у хмарі, моделі машинного навчання можуть бути навчені на будь-якій загальноширині різновиду досвіду пацієнта. Вищене навчання — техніка, де моделі навчаються у децентралізованих даних без переміщення сирих даних — може додатково захистити конфіденційність, оскільки все ще дозволяє посилити колоборативне поліпшення.

Хмара також полегшить інтеграцію додаткових потоків даних: носійних трекерів, безперервних кеттонів моніторів, додатків для засмаги, навіть стресових біомаркерів. Поєднання цих з даними CGM та насосів може призвести до дійсно цілісних, контекстних систем, які адаптують не тільки до рівня глюкози, але до всього фізіологічного та поведінкового стану користувача.

Реал-світня діяльність регуляторних рішень

У хмарі платформи зрілі, вони можуть стати основним джерелом даних реального світу для FDA та розширення етикеток. Вже в даний час FDA використовувала дані з Tidepool для інформування про очищення автоматизованих систем дозування інсуліну. У майбутньому виробник може потенційно подати хмарну базу даних з масштабних, прагматичних досліджень, що проводяться через десятки клінік, різко скорочуючи час на ринок.

Висновок

Хмарно-обчислювальні дані не є просто технічним оновленням — це стратегічний імператив для штучних досліджень підшлункової залози. Поламаючи лосини даних, що дозволяє оперативно працювати, а також забезпечити масштабовану, безпечну інфраструктуру, хмара може об'єднати глобальну дослідницьку спільноту цукрового діабету в рамках спільної мети: повністю автоматизований, високо персоналізований штучний підшлункової залози, що різко покращує життя людей з діабетом. Виклики — конфіденційність, стандартизация, управління — це реальний, але вони настільки ж стійкі до колективу, що лікарі, і регулятори обіцяють. Як ми продовжуємо інвестувати в цих платформах, де, що багато років, що воісти, тому, що управління, де дійсно, де успішно керували, де ми працюємо, де успішно продовжуємо, де це во, що управління, що управління, тому, де це во, де це керували, ми працюємо, де це во, тому, ми працюємо, ми працюємо, де це во, де це все ще більше, де це во, тому, що во, де це