Sự tiến hóa của việc theo dõi Glucose

Trong nhiều thập kỷ, những người bị tiểu đường đã dựa vào những chỉ số liên tục trong một thời điểm, cung cấp một hình ảnh đơn giản về sự tăng huyết áp tại thời điểm nhất định. Trong khi những thiết bị này là một bước tiến lớn từ việc kiểm tra nước tiểu, họ để lại những khoảng trống lớn trong dữ liệu. Một đọc trước bữa sáng không thể tiết lộ xu hướng chỉ trong một đêm, và một lần kiểm tra thời gian ăn thì bỏ qua sự tăng đột biến sau và thời gian ngắn mà có thể xảy ra một giờ sau đó. Sự mở rộng của màn hình kỹ thuật toán (CM) trong đầu năm 2000 đã thay đổi. Một số lượng lớn của việc đọc mã hóa lượng đường tương ứng với thời gian tương ứng với các thuật toán trong vòng 15 phút.

Các công cụ giám sát đường phân tích đường huyết hiện đại không còn thụ động; chúng là những hệ thống thông minh học hỏi từ mỗi người dùng và các sinh lý học độc đáo. Sự kết hợp của các cảm biến vi vi rút nhỏ, máy phát không dây, và các phân tích từ mây đã biến đồng hồ đo lượng đường phân tích thấp thành một công cụ tư vấn cá nhân. Bài này khám phá làm thế nào các thuật toán chuyển dữ liệu nhạy thô thành dự đoán có thể hành động, khoa học đằng sau những dự đoán này, và tương lai sẽ chứa các dự đoán về việc quản lý tiểu đường.

Màn hình của người Ghicose hoạt động liên tục như thế nào

Hiểu các thuật toán dự đoán trước cần thiết hiểu cách CGM thu thập dữ liệu trước tiên như thế nào. Hệ thống CGM chứa ba thành phần chính: bộ cảm biến, bộ phát sóng và bộ nhận (thường là ứng dụng điện thoại thông minh hay người đọc tận tụy). Bộ cảm biến là một sợi mỏng được chèn dưới da, thường trong bụng hoặc cánh tay. Nó sử dụng điện từ dựa trên enzyme để đo lường lượng tử trong các tế bào liên hợp và lỏng; các tế bào xung quanh tế bào. Trích sự chậm lượng tử nằm sau máu khoảng 5 phút, nhưng trong các cấp độ tương ứng với nhau của ống dẫn hợp nhất một lần máu hợp nhất hợp nhất trong máu có thể hoạt động.

Công nghệ cảm biến

Các cảm biến CGM sử dụng phản ứng oxydase. enzyme chuyển đổi chất đạm thành gluconolactone và khí hydro peroxide. H2 peroxide sau đó được oxyd tại điện cực, tạo ra một lượng điện tương ứng với độ tập trung của lượng đường phân giải. Dòng chảy này được đo bằng máy phát và chuyển đổi thành dạng đọc lượng phân giải. Đầu tiên, CGM cần thiết thiết thiết thiết thiết thiết thiết thiết thiết thiết thiết thiết thiết thiết thiết thiết thiết cho sự dịch chuyển, nhưng các mô hình mới như hệ thống định dạng Dexcom G7 và Abbott 3 được dùng bộ cảm biến tối thiểu hoặc không cần thiết.

Truyền dữ liệu và lưu trữ dữ liệu

Bộ phát không dây gửi dữ liệu đến thiết bị hiển thị mỗi 1 đến 5 phút. Hệ thống hiện đại dùng năng lượng điện thoại hạ, bảo tồn pin và cho phép liên lạc trực tiếp với điện thoại thông minh. Dữ liệu có thể được cất giữ tại địa phương trên thiết bị này và thường được tải lên nền tảng mây để phân tích mẫu và chia sẻ với nhà cung cấp y tế. Dòng này liên tục tạo ra bộ dữ liệu phong phú cần thiết cho dự đoán.

Thuật toán tại nơi làm việc: Từ dữ liệu thô đến sự tiên đoán về sự khôn ngoan

Chỉ giá trị đường phân tử thô không đủ để dự đoán cấp độ tương lai. Thuật toán phải giải thích dữ liệu, lọc tiếng ồn, và áp dụng mô hình toán học để ghi nhớ các động lực của quy tắc phân loại đường huyết. Một số loại thuật toán được sử dụng, từ hồi quy tuyến tính đơn giản đến mô hình học máy tính phức tạp.

Sự xâm lược của nhiều dòng và đa thức

Cách tiếp cận đơn giản nhất sử dụng các đường đọc về đường hay đường cong lịch sử để phù hợp với một đường thẳng hiện tại. Ví dụ, nếu đường cong này đã tăng ở tốc độ 2 mg/dL mỗi phút trong 15 phút qua, một hồi quy tuyến tính có thể dự đoán tốc độ này sẽ đi tới đâu để ước tính độ lượng lượng lượng lượng đường Mê- đường cong trong 30 phút. Các tài khoản đa thức cao hơn cho sự tăng tốc hay giảm tốc độ, chẳng hạn như khi hệ thống hấp thụ cacbon lúc đầu bị tắt. Trong khi các mô hình hồi quy nạp dễ dàng, giả định rằng các mô hình trong quá khứ không thay đổi, mà sự hạn chế tiếp tục trong thời gian hoạt động của chúng, trong khi sự kiện xảy ra hay làm việc tập luyện insulin bất ngờ.

Lọc Kalman

Bộ lọc Kalman được sử dụng rộng rãi trong hệ thống CGM để kết hợp nhiều dữ liệu nhiễu với một ước tính chính xác hơn. Bộ lọc này duy trì trạng thái toán học (giá trị độ phân giải và tốc độ thay đổi) và cập nhật mỗi lần một bộ nhạy mới đến. Nó cân nặng lượng mới so với các dữ liệu đã dự đoán dựa trên các trạng thái đã được đặt ra dựa trên các phép đo trước, cho phép đọc và phát âm thanh ít hơn. Tính năng làm mịn thời gian này giảm các hiện tượng tạo tác động từ chuyển động hoặc giảm tín hiệu tạm thời. Nhiều máy tính xách tay, bao gồm DexM, sử dụng bộ lọc Kalman để tạo ra các xu hướng hiển thị các mũi tên: & lt; o &quyd &o &quyd; hằng &o &o; hằngo & hằngo; hằngo & hằngo; hằng số; và hằng &o; hằng số; hằng &o; từ &o; hằngo; hằngo; hằng số; từ &o & hằngo; từ &o; hằngo; hằngo &o; hằngo & hằngo; từ &o; hằngo; từ &o; hằngo; hằng

Mạng thần kinh và máy

Những tiến bộ gần đây đã giới thiệu các mô hình học tập có thể học những mối quan hệ phức tạp, không tuyến tính giữa các dữ liệu cá nhân và các bản ghi dữ liệu. Quyết định các cây, rừng ngẫu nhiên, nâng cấp các máy tính, và mạng lưới học tập sâu đã được áp dụng cho dự đoán về chất béo. Những mô hình này được đào tạo trên các bộ dữ liệu lớn chứa hàng ngàn ngày dữ liệu người và dữ liệu CGM cùng với bản ghi chép, thực tập luyện, và liều insulin. Sau khi đào tạo, chúng có thể nhận ra các mẫu như là & vôn; Sau một bữa ăn có nhiều chất béo, chất béo có xu hướng tăng lên 90 phút trước khi tăng & gorquo; hay bình phương trình luyện tập luyện 3 giờ sáng và 3 giờ/h/h/h.

Một cuộc nghiên cứu 2021 được xuất bản trong mạng lưới được công bố trong lỗi dự đoán thấp nhất trong 30 phút và 60 phút dự báo ( [FLT: 1]]. Mạng LT:] là một loại mạng lưới thần kinh ngắn hạn có thể nhớ các phụ thuộc lâu dài trong dữ liệu, làm cho chúng phù hợp với thời gian. Tuy nhiên, giá trị [FLT: 2] [FLT: 3] [FLT:]. Mạng lưới giao tiếp thương mại: 3. LSTM là một loại mạng lưới liên tục lặp lại hệ thống thần kinh có thể nhớ các phụ thuộc trong các dữ liệu cố định, làm cho chúng phù hợp với dữ liệu thời gian thích hợp. Tuy nhiên, giá trị điện thoại của các hệ thống thần kinh tế vẫn còn cao hơn nhiều hệ thống thương mại, sử dụng đơn giản hơn các mô hình bộ lọc và hệ thống bộ lọc.

Những kết nhập chính xác để tiên đoán chính xác

Thuật toán chỉ tốt như dữ liệu nhận được. Độ chính xác phụ thuộc vào nhiều yếu tố:

  • Những số liệu mới nhất và mới nhất về lượng đường phân tích chất béo ).
  • Mô hình đường huyết ) Nhiều hệ thống lưu trữ ngày hoặc tuần dữ liệu để ghi lại nhịp circadian (v. d., Dawn Pheenmenon) và lặp lại các phản ứng bữa ăn.
  • Mô hình lượng phân phốiCarbohydrate: người dùng có thể tự ăn, hoặc hệ thống có thể suy ra các chất có trong các phản ứng liên tục của chất béo. Mô hình thời gian tăng, đỉnh, và thời gian của các chu kỳ của các chu trình phân hủy sau tai.
  • Insulin trên máy tính (IOB): Hiện tại và gần đây liều insulin là quan trọng để dự đoán khi nào lượng insulin sẽ giảm.
  • Hoạt động cơ học:) việc tập thể dục làm tăng lượng đường cao huyết áp bởi cơ bắp; các thuật toán nhận được số bước đếm hoặc mức độ nhịp tim có thể điều chỉnh các dự đoán xuống.
  • Một số hệ thống cho phép người dùng đánh dấu các sự kiện như sốt hoặc căng thẳng cảm xúc, có thể làm tăng lượng đường huyết qua chất béo (FLT:1) và chất adrenaline.

Bằng cách kết hợp các đầu vào này, một thuật toán có thể tạo ra một đường cong dự đoán mà trông có vẻ 30 đến 60 phút trước, thường được hiển thị như một đường chấm trên đồ thị CNM. Người dùng thấy không chỉ cấp hiện tại của họ mà còn nơi họ đang hướng tới, cho phép các can thiệp tích cực như ăn một snack trước khi dự đoán thấp hoặc lấy một cái cọc sửa trước khi được dự đoán cao.

Lợi ích vượt quá sự theo dõi thời gian thực

Sự chuyển từ phản ứng sang kiểm tra dự đoán đã biến đổi kết quả tiểu đường cho cả loại 1 và loại 2.

Tái tạo chứng thiếu máu hy-gy-gy-re và tăng đường huyết

Cảnh báo dự đoán có thể đánh thức người dùng 20 đến 30 phút trước khi người nghèo xuất hiện, cho họ thời gian để tiêu thụ chất béo nhanh. Tương tự, các dự đoán về bệnh tăng đường huyết gần đây cho phép trước đó giảm thời gian sửa chữa toàn bộ trên phạm vi bên trên.

Hạ A1C

Khi người dùng nhất định hành động theo sự hiểu biết dự đoán, mức độ đường huyết trung bình của họ được cải thiện. siêu phân tích của các cuộc thử nghiệm được kiểm soát ngẫu nhiên báo cáo rằng CGM sử dụng thấp hơn A1C bởi 0.3% trong người lớn với tiểu đường loại 1, và lên đến 2 điểm trong những người có loại 2 liệu pháp insulin cao. Các yếu tố dự đoán tăng giá trị vì nó giúp người dùng chuẩn bị trước khi hút thời gian và liều.

Đóng cửa và tự động giao hàng Insulin

Biểu hiện tối hậu của thuật toán dự đoán là hệ tụy nhân tạo, hay là hệ thống đóng kết nối. Thiết bị như Hệ thống dự đoán Y tế 780G và Tandem Control-IQ dùng dữ liệu CGM để tự động điều chỉnh việc chuyển giao insulin bậc ba và thậm chí còn cung cấp phương pháp điều chỉnh lbouses. Thuật toán trong hệ thống này là một mô hình phức tạp kiểm soát thời gian (MPTC) mà liên tục tối ưu hóa insulin trong phạm vi mục tiêu. Người dùng vẫn có thể ăn chúng và thông báo cho một con bọ, nhưng thuật toán xử lý các thay đổi insulin. Các thử nghiệm đã chứng minh rằng hệ thống lai tạo trong phạm vi thời gian & 80; 8- 8m/ 8m/h) so với [F] so với [FT].

Thử thách: Chính xác, cân bằng và riêng tư

Bất chấp tiến trình, thuật toán dự đoán phải đối mặt với một số giới hạn mà người dùng nên hiểu.

Thời gian chính xác và tiện nghi

Độ lệch 5 đến 10 phút giữa các chất đường liên kết và nồng độ đường huyết có thể gây ra dự đoán nằm sau thực tế trong quá trình thay đổi nhanh. Ví dụ, sau một liều lớn của insulin, chất đường huyết có thể giảm nhanh trong khi chất lỏng liên tục này mất thời gian hơn để phản ánh sự thay đổi đó. Algrithm có thể bù đắp một phần bằng cách phân tích tốc độ thay đổi nhanh, nhưng trong khi chuyển đổi cực độ, những dự đoán có thể vượt quá hoặc chưa được xác định mức độ chính xác của lượng đường phân giải. Độ chính xác của lượng cảm biến đổi này cũng thay đổi theo chiều ngang của CMDD (tức thời) khoảng 8%, 10% lỗi này được dịch ra khoảng 10- mg/h/GL/GL/ sai.

Thuật toán Bias và độ đa dạng dữ liệu

Những người có sắc tộc khác nhau, tuổi tác, tỉ lệ hóa cơ thể, và tiểu đường địa phương có thể có những dự đoán khác nhau dưới dạng động lực đại diện. Hiệp hội Di trú Hoa Kỳ đã gọi để đảm bảo tính công bằng trong thuật toán ([FL: 0] nguồn [FL:1). Không có dữ liệu khác nhau, các thuật toán có thể cung cấp ít hơn cho các dự đoán dưới những nhóm đại diện, có khả năng tệ hơn trong trường hợp tiểu đường.

Quyền riêng tư và an ninh của dữ liệu

Dữ liệu CGM là thông tin về sức khỏe rất nhạy cảm. Nó thường được lưu trữ trên máy chủ đám mây và được chia sẻ với các nhà sản xuất thiết bị, các nhà phát triển ứng dụng và đôi khi các đối tác nghiên cứu. Người dùng nên xem lại chính sách riêng tư và hiểu dữ liệu của họ được sử dụng như thế nào. Cơ quan bảo hiểm và FTC thường được cung cấp hướng dẫn về an ninh mạng cho thiết bị y tế kết nối, nhưng các lỗ hổng vẫn còn là nguy hiểm. Hơn nữa, một số ứng dụng CGM miễn phí hỗ trợ hỗ trợ dữ liệu thông qua các công ty bảo hiểm hoặc các tổ chức nghiên cứu, gây ra quan ngại về sự đồng ý và quyền sở hữu dữ liệu.

Người dùng tiếp trợ và quyết định liều lĩnh

Trong khi cảnh báo dự đoán có ích, chúng cũng có thể dẫn đến sự mệt mỏi cảnh báo nếu chúng thường xuyên hay không chính xác. Một số người dùng báo cáo bị mất định hướng để báo động, đặc biệt là trong đêm. Các nhà sản xuất đã giới thiệu các ngưỡng có thể tự đặt ra và chế độ yên tĩnh, nhưng quá đáng về thuật toán có thể làm cho người dùng bỏ qua các kỹ năng tự quản lý cơ bản như đếm chất cacbon hay cần dùng tay xác nhận khi triệu chứng không & stso; không khớp với việc đọc.

Hệ thống Al, Đóng và Hợp nhất

Thế hệ tiếp theo của công cụ giám sát đường huyết sẽ thấy sự kết hợp chặt chẽ hơn giữa các cảm biến, thuật toán và hệ thống phân phối insulin.

Sự thông minh nhân tạo và cá nhân hóa

Các nhà nghiên cứu đang phát triển phương pháp tiếp cận với các mô hình học sâu sắc, và học hỏi mỗi người dùng &squado; các mô hình độc đáo trong nhiều tuần và tháng thay vì sử dụng một cách tiếp cận với kích thước của mọi người. Các nhà nghiên cứu đang phát triển phương pháp tiếp cận với & vô số thông tin; các cặp song sinh và đại số; và các mô hình theo chu kỳ nam; mô hình chuyển hóa vi vi tố&rsqua; có thể mô phỏng hiệu ứng của các bữa ăn, và liều insulin trước khi có hành động thực tế nào. Loại thuốc này có thể điều chỉnh các yếu tố chính xác để thích ứng với chu kỳ kinh nguyệt, thời gian nhất định thời gian, hoặc thậm chí là chất lượng giấc ngủ.

Bộ nhạy không động

Cảm biến hiện tại vẫn cần một mũi kim nhỏ, một số người dùng không thích. quang phổ Raman soi, chụp ảnh quang hợp, và cảm biến mồ hôi vẫn còn chưa được phát triển. trong khi chưa có gì khớp chính xác về thiết bị này trong thử nghiệm lâm sàng, sự kết hợp giữa các thuật toán cảm ứng không xâm nhập có thể làm cho lượng tử cung kiểm tra thậm chí còn phức tạp hơn.

Hợp nhất với các thiết bị có thể mang và thông minh

Dữ liệu CGM đang được tổng hợp ngày càng nhiều với dữ liệu từ các đồng hồ thông minh, bộ theo dõi tập thể dục và giám sát giấc ngủ. Ví dụ, một thuật toán thấy hoạt động thấp và các điểm stress cao có thể dự đoán sự tăng lượng và khuyến khích một cuộc đi bộ ngắn hoặc một tập thể dục trí tuệ. Tương tự, bút insulin thông minh tự động bơm thời gian và liều lượng, cung cấp dữ liệu trực tiếp vào các mô hình dự đoán chính xác hơn để tính toán trên bảng.

Mở giao thức và khả năng xâm nhập

Dự án Loop Ministrypool và các công ty khác nhau. Dự án này khuyến khích cạnh tranh và cải tiến các thuật toán mà có thể được cập nhật thường xuyên hơn phần cứng. Người dùng sẽ có khả năng chọn bộ nhạy tốt nhất cho nhu cầu và kết hợp nó với thuật toán tốt nhất từ ứng dụng phần ba hoặc thiết bị tận tụy.

Kết luận

Thuật toán đã nâng cao khả năng giám sát chất béo từ một công cụ đo lường đơn giản đến một hệ thống thông minh có khả năng dự đoán các xu hướng đường máu với độ chính xác đáng kể. Bằng cách phân tích dữ liệu cảm biến liên tục cùng với dữ liệu nhập vào, thời gian và hoạt động vật lý, các thuật toán này cho phép người ta bị tiểu đường một cửa sổ cực mạnh vào tương lai ngay lập tức. Kết quả không chỉ là những cải tiến tốt hơn, mà còn là những cải tiến rõ ràng trong phạm vi thời gian, giảm A1C, giảm thiểu các tập hợp thấp và cao hơn. Trong khi khó khăn xung quanh độ chính xác, tính chính xác và sự riêng tư, tiếp tục tiến trong việc học hỏi, đóng cửa sổ tự động và cảm biến nhỏ để làm cho các công cụ này dễ dàng hơn và dễ dàng hơn.