Вступ: Real-World Data як каталізатор для штучного інтелекту Pancreas Innovation

Штучні підшлункової залози — також відомі як автоматизована система доставки інсуліну (AID) — основні зміни як фізичні особи з цукровим діабетом типу 1 (T1D) управляти їх станом. Поєднуючи безперервний контроль глюкози (CGM), інсуліновий насос, алгоритм управління, ці системи автоматизують надбавку інсуліну у відповідь на рівні реального часу глюкози, значно зменшуючи навантаження постійного прийняття рішень. Так, незважаючи на чудовий прогрес, подорож до безпечніше, більш точні, і дійсно персоналізовані системи закритого типу потребують більшого, ніж контрольовані клінічні випробування. Вона вимагає доказів від повсякденного життя. Саме там, де реальні пристрої (WD) захоплюють навколишнє середовище RWD

Розуміння реальних даних світу: визначення, джерела та унікальний значення

Дані реального світу відносяться до інформації про здоров’я, що полягають в регулярному зібранні з різних джерел, що зовні не мають умов традиційних рандомізованих контрольованих випробувань (RCTs). Його значення полягає в здатності відображати гетерогенність фактичних популяцій, денного варіабельності, впливу навколишнього середовища, що впливають на продуктивність пристрою. Ключові джерела RWD, що відносяться до штучного розвитку підшлункової залози:

  • Континуозний глюкози монітори (CGMs): Пристрої, як Dexcom G6/G7, Abbott FreeStyle Libre, і Medtronic Guardian генерують високочастотні клекози вимірювання (вічно 5–15 хвилин) протягом тижнів або місяців. Цей масивний аналіз захоплює глікоічну мінливість, часовий пояс (TIR), а також вплив їжі, вправ і стресу.
  • Індулін насоса дані: Смарт насоси запис базальні тарифи, дози болуса, тимчасові базальні регулювання та сигналізація. Комбіновані даними CGM, вони забезпечують повну картину системи поведінки.
  • Електронні записи для здоров’я (EHR): EHR містять результати лабораторних лабораторій (наприклад, HbA1c, ліпідні профілі), діагностику, історії ліків та дані ускладнень. Посилання EHR дані до журналів пристроїв дозволяє поздовжні результати аналізу.
  • Patient реєстри: Великі реєстри, такі як мережа покращення якості T1D Exchange та німецький/австрійський реєстратор DPV сукупний результат реального світу від тисяч пацієнтів.
  • Мобільні програми для здоров’я та результати пацієнтів: Додатки, які записують страви, активність та емоційне благополуччя додають контекст до трендів глюкози, допомагаючи дослідникам зрозуміти поведінкові впливи.

Why RWD відрізняється від клінічних даних про випробування: RCTs, як правило, запропонують однорідні популяції з суворими критеріями включення (наприклад, нещодавні діабезичні кетоацидози, базова лінія HbA1c між 7.0–10.0%), і вони працюють під стандартизованими графіками спостереження. На відміну від RWD йде від різних користувачів— включаючи дітей, старших дорослих, вагітних, і ті з коморбідністю, і захоплює непоказані сценарії, такі як пропущені болуси, тимчасові відключення насоса і реальні датчики. Цей термін дії може бути критичним настроченням, що неконтрольований сигналом, що не може бути наголошується, що неперекладний сигнал, що не може бути застосований сигнал, що непередбачає сигнал, що не може бути неперекладний сигнал, що непередбачає сигнал, що не може бути перевірений, що не може бути перевірений, і неперекладний сигнал, що не може бути перевірений, може бути перевірений, може бути застосований для непередбач

Як RWD Accelerates Штучний підшлункової залози Інновації

Ізаблюючий цикл проектування системи штучного підшлункової залози — від алгоритму до клінічної перевірки до вдосконалення післяпродажного ринку — за допомогою даних, що запалюється. RWD прискорює кожну фазу, забезпечуючи великі, поздовжні дані, які відображають, як системи виконуються в умовах істинної амбулаторності.

Навчання та перевірка Алгоритмів у Школі

Сучасні алгоритми закритого типу спираються на машинне навчання (ML) і модель передбачуваного контролю (MPC). Ці алгоритми вимагають величезних обсягів даних, щоб дізнатися оптимальні схеми доставки інсуліну і обробляти нелінійну динаміку регулювання глюкози. RWD пропонує саме те, що: місяці високорозрядних CGM і дані насосів від сотні або тисячі користувачів реального світу. Розробники можуть навчати алгоритми на цих даних, щоб розпізнати візерунки, такі як феномен світанку, високотехнологічна гіпоглікемія або післяпринна гіперглікемія після високих популяційних страв. Крім того, RWD дозволяє алгоритмувати, що діє через різноманітні демографічні та клімати, що забезпечують початкову загальну систему навчання.

Наприклад, проект Tidepool Loop — це відкритий ресурс, додаток для доставки FDA-зроблених автоматизованих інсулінів — це використовується сукупна реальна інформація світу від користувачів спільноти, щоб безперервно реффінувати логіку дози. Аналогічно, академічні групи, такі як JDRF-funded International Штучна група Pancreas Study, часто імпортують RWD з реєстрів, щоб імітувати, як нові алгоритми будуть виконуватися перед запуском клінічних випробувань.

Моніторинг та безпека

Після схвалення системи штучного підшлункової залози, після спостереження за пост-ринком стає важливим. Регулятори, як і адміністрація продуктів та наркотиків США (FDA) і Європейська Агентство з медицини (EMA) заохочують виробників, щоб зібрати RWD для виявлення рідкісних несприятливих подій, проблем з сенсорними виступами, або алгоритмом, які тільки виникають після широкого використання. Наприклад, аналіз RWD від системи MiniMed 670G виявило стійкий часовий гіперглікемія в деяких користувачів, підказуючи оновлення програмного забезпечення, що покращило поведінку алгоритму.

RWD також дозволяє безперервно контролювати безпеку через , внур-реально-часові панельи. По потоку даних CGM і насоса від згод користувачів, виробників і регуляторів можуть помітити тенденції - так як збільшення важких подій гіпоглікемії під час конкретних погодних умов - і питання оповіщення або згадати повідомлення проактивно.

Індивідуальна індивідуальна робота та персоналізація

Не кожна людина з діабетом відповідає таким же чином до автоматизованої системи доставки інсуліну. Фактори, як моделі діяльності, склад їжі, стрес і навіть менструальні цикли можуть різко впливати на динаміку глюкози. RWD від великих когортів дозволяє дослідникам виявити підпопуляції, які можуть вигодити від різних параметрів тюнінгу або алгоритму конфігурації. Наприклад, дані з реєстру ДПВ показали, що підлітки з високим рівнем фізичного навантаження мали краще результат, коли система включила режим інтенсивності вправ. Цей інсайт повідомив про створення персоналізованих налаштувань в більш пізніх системах, таких як Tandem Control-IQ.

Крім того, RWD дозволяє розробити прогнозні моделі, які передбачають гіпоглікемію або завчасно завчасно. За допомогою тренінгу ці моделі на тисячі профілів реального світу вони можуть бути налаштовані на унікальний підпис глюкози, що веде до дійсно адаптивного замкненого контролю.

Нормативно-правова ацепція реального світу (RWE)

фраза real-world test відноситься до клінічних доказів, створених з RWD аналізу. За минулий десятиріччя регуляційні органи все частіше визнавали RWE як допоміжні або навіть первинні докази для певних типів медичних виробів, особливо для пристроїв вже затверджених і для післяпродажних досліджень.

У 2018 році FDA опублікувало раму для використання RWD в нормативно-правовому прийнятті рішень, а також настановчі документи з використанням RWD для підтримки затвердження попереднього ринку медичних виробів. Для штучних систем підшлункової залози FDA прийняв RWE до:

  • Підтримувані розширення етикеток (наприклад, для дітей або вагітних).
  • Демонструвати довгострокову безпеку та ефективність за типовим 3–6 місяців клінічного дослідження.
  • Забезпечити дані компаратора , які мають можливість використовувати пускові сигнали , де РЦТ непрактично або неетико.
  • Важко оновити алгоритми без необхідності нових сильних випробувань, за поняттям «збуджена історія дизайну».

Нездатний приклад - 2022 FDA-розрядування оновлення прошивки для системи Control-IQ на основі даних реального світу, зібраних з > 10 000 користувачів. Оновлення покращило час в діапазоні від 2,5 процентних пунктів без збільшення гіпоглікемії - розмір ефекту, що відповідає попереднім RCT, але спостерігався в рутинному використанні.

В рамках проекту EMA є адаптивний підхід до шляхів, який також заохочує інтеграцію RWE. Європейська мережа оцінки технологій охорони здоров’я (EUnetHTA) та Ініціатива з даних REAl-world (READI) активно розвивається стандарти для гармонізації прийняття RWD у державах-членах.

Однак, нормативні очікування вимагають, що RWD буде зібрано систематично, з чітким управлінням даних, перевіреними вихідними системами та надійними аналітичними методами для мінімізації зносу. FDA підкреслив, що RWD повинен бути придатним для цілей, що означає якість даних та повноту, що відповідають стандартам контрольованого дослідження для конкретного питання під рукою.

Виклики в Leveraging Real-World Data

Незважаючи на свій потенціал, RWD не є панацеєю. Його використання в штучних панкреах інноваційні особистості стикаються кілька глухих, які вимагають ретельного пом'якшення.

Якість даних та стандартизування

RWD з декількох джерел часто страждають від невідповідностей: різні марки CGM мають різну точність, дані насоса можуть включати мовні оклюзії, і дані EHR можуть містити відсутні або гарні записи. Для деревої надійної інсайтів, дослідники повинні здійснювати строгі препереробки -фільтрування бронхоподібних читання, вирівнювання часових поясів і нормалізування одиниць. Ініціативи інтеропляних пристроїв і i2b2 платформа, але] є приклади зусиль для стандартизації файлів діабету, широко поширені формати,

Концерн конфіденційності та безпеки

RWD часто включає в себе високочутну інформацію— безперервні рівні глюкози, інсулінові дози та GPS-моделі. Регламенти, такі як HIPAA (в США) та GDPR (в Європі) накладають жорсткі вимоги щодо збору даних, деідентифікація та згоди. Пацієнти повинні бути повністю повідомлені про те, як будуть використані дані, і вони повинні мати можливість відкликати згоду. Крім того, агрегати повинні охороняти атаки від реідентифікації, особливо при поєднанні декількох даних. Методи анонімізації, такі як диференціальна конфіденційність, отримують тяговий шлях, але вони можуть зменшити дані для малих підгруп.

Вибір Bias і налаштування

RWD є спостереження за природою - амбулаторний самовибір для використання певного пристрою або додатка. Ранні приймає штучних систем підшлункової залози можуть бути більш технік-завжим, мають більш високу ступінь здоров'я, або мають кращий базовий гліко-контроль, ніж пізніше приймається. Це створює вибір з'ясних, які можуть занурювати оцінену ефективність. Аналогічно, концентруючі фактори, як сезонні зміни, дієтичні втручання або супутні ліки можуть бути не адекватно захоплені. Розширені епідеміологічні методи - так як оцінка про доздатності, інструментальний мінливий аналіз, і маргінальні структурні моделі - необхідно це зольувати справжній ризик виникнення такого підходу, що робить цей аналіз

Узагальненість і нерівність

Більшість РВД є з населення в країнах високого рівня з добре розвиненими системами охорони здоров'я. Досвід пацієнтів в країнах низького та середнього віку, або серед неповнолітнім рівнем в афлуентних народів, часто недооцінюється. Хоча РВД захоплює більш різноманітність, ніж РРТ, вона все ще має розриви. Розробники повинні активно шукати дані з різних демографічних засобів, щоб забезпечити, що алгоритми не погіршують здоров'я. Ініціативи, як Diabetes Technology Equity Consortium, спрямовані на заповнення цих проміжків, але є повільним прогресом.

Екосистеми майбутнього: AI, Digital Twins, Collaborative Data Ecosystems

Нове покоління інновацій штучного підшлункової залози буде все більшою мірою, з RWD грають ще більш центральну роль. Виділяють три тенденції.

Штучна Інтелектуальна Аналітика та предикційна аналітика

Поєднуючи глибоке навчання з великим RWD, дослідники можуть побудувати моделі, які прогнозують траєкторії глюкози до 60 хвилин заздалегідь з високою точністю. Такі моделі можуть бути вбудовувані безпосередньо в системи AID, щоб преемптувати коригування доставки інсуліну до гіперглікемії або гіпоглікемії. Крім того, вифедеровані дослідження -де моделі проходять через кілька лікарень або виробників пристроїв без переміщення сирих даних - зберігає конфіденційність при важеленні колективу RWD. Ранні прототипи показали, що federated models outperform локально підготовлені, особливо для рідкісних подій, таких як нікранова гіпоглікемія.

Цифрові Близнюки штучної підшлункової залози

Цифровий близнюк - це віртуальна репліка системи обміну пацієнтом, безперервно оновлюється даними датчиків реального світу. Використання RWD дослідники можуть створювати цифрові близнюки для тисяч осіб і і імітувати ефект різних параметрів алгоритму, розміщення датчиків або типів інсуліну без ризику пацієнта. Цей підхід прискорює розвиток, дозволяючи швидко ітерації в силіко. Наприклад, FDA співпрацював з академічними партнерами, щоб побудувати загальні штучні підшлункової залози цифровий близнюк, які можуть стати найбільшою RWD і генерувати імітовані клінічні сценарії випробувань для регуляції.

Колегативні системи даних та відкриті платформи

Немає однієї особи, яка має достатню кількість RWD для захоплення всіх мінливості T1D. Платформи Open-data, такі як OpenAPS та ]Нічкоут показали потужність сформованих даних спільноти, але вони не мають стандартного управління. Майбутні зусилля, як DIAMOND Project, що фінансуються Науково-дослідним інститутом досліджень пацієнтів (PCORI) - це створення федерованих мереж даних, які зв'язують академічні медичні центри, виробники пристроїв та кінцеві групи.

Висновок

Real-world data is трансформує, як розроблені штучні системи підшлункової залози, перевірені та покращуються. Від тренінгу надійні алгоритми для інформування регуляторних рішень, RWD забезпечує відсутні посилання між контрольованими випробуваннями та брудною, гарною реальністю щоденного управління діабетом. Шлях вперед вимагає співпраці серед інженерів, клінік, регуляторів та, найголовніше, пацієнтів. Він вимагає інвестицій в гармонізацію даних, аналітика конфіденційності та виключну збір даних. І це викликає для нормативних рамок, які залишаються достатньо, щоб досягти нових форм доказів без шкоди безпеки. Для людей, які живуть з T1D, виплата розумного рівня: більш швидке зростання

Попередня інформація для подальшого читання: