Việc điều chỉnh tình trạng kinh niên này đòi hỏi sự cảnh giác liên tục: theo dõi lượng insulin, kiểm tra lượng thức ăn hấp thụ, và nhận ra những dấu hiệu ban đầu của sự dịch chuyển nguy hiểm. Bản ghi chép và các cuộc khám nghiệm tuần hoàn thường xuyên chỉ đưa ra hình ảnh của một bệnh động vật. Sự hội tụ của Internet (IT) và máy học (ML) đang thay đổi, cho phép tiếp tục, kiểm tra thông minh, phản ứng không ngừng, không ngừng tự chủ. Bài này khám phá cách tôi đang kết hợp các thiết bị và các thuật toán để dự đoán về các công nghệ, và các mẫu của nó có thể tồn tại trong tương lai.

IoT và máy học gì về chăm sóc sức khỏe?

Mạng của mọi vật liên quan đến mạng lưới các vật thể vật lý - bị mất điện, cảm biến, hoặc thiết bị liên quan đến phần mềm, kết nối và khả năng trao đổi dữ liệu trên internet. Trong bối cảnh chăm sóc y tế, IoT bao gồm mọi thứ từ máy bơm truyền máu tại nhà. Đối với tiểu đường, thiết bị i- ti-lum liên tục là máy phát hiện chất béo (CM), bút insulin thông minh, bơm insulin, và có thể dùng máy theo dõi sức khỏe (v. d., đồng hồ thông minh, băng nhạc). Những thiết bị này tạo ra luồng dữ liệu thật: các thông tin liên tục: đọc các thiết bị nhận dạng đường dẫn, mỗi năm phút, chích ngừa và thậm chí cả các liều cơ tim, và nhịp tim.

Máy học tập, một nhánh của trí tuệ nhân tạo, sử dụng kỹ thuật thống kê để giúp hệ thống học từ dữ liệu mà không được lập trình một cách rõ ràng cho mọi quy tắc có thể. Thay vì các điều kiện khó phân loại như “nếu phân loại > 180 mg/dL sau đó, thuật toán ML nuốt hàng ngàn ngày dữ liệu để khám phá các mối quan hệ phức tạp, phi tuyến tính. Những thuật toán này có thể phân loại, cụm, hoặc dự đoán kết quả, như dự đoán trước một sự kiện giảm thị giác và sau 30 phút trong một bữa ăn đặc biệt.

Sự cộng hưởng rất rõ ràng: IoT cung cấp dữ liệu liên tục, độ phân giải cao mà thuật toán ML yêu cầu để đào tạo mô hình mạnh mẽ, và ML trở lại có thể hành động để đóng các vòng quay, biến dữ liệu cảm biến thô thành các khuyến cáo thời gian thực cho bệnh nhân và các bác sĩ lâm sàng.

Cách các thiết bị IoT biến đổi Cibetes bộ sưu tập dữ liệu

Trước khi sự chấp nhận rộng rãi của CGMs, việc quản lý tiểu đường phụ thuộc rất nhiều vào các phép đo ngón tay, thường thực hiện 4–10 lần mỗi ngày. Những hình ảnh này bỏ qua xu hướng quan trọng và các mẫu đơn giản. Thiết bị iT đã thay đổi dữ liệu theo nhiều cách cơ bản.

Màn hình Glucose liên tục

CGM như là Dexcom G6, Abbott FreeStle Libre, và bộ cảm biến erronic Guardian đo mức độ lượng đường huyết trong cùng một bộ phận phụ của dịch thuật. Chúng truyền tín hiệu không dây đến ứng dụng thông minh hay bộ nhận điện thoại thông minh mỗi 5–15 phút. Một bệnh nhân tạo ra khoảng 288 điểm dữ liệu mỗi ngày - một khối lượng không thực tế để ghi lại. Dữ liệu tần số cao này cho phép mô hình đường cong tần số kỹ lưỡng để phát hiện một mô hình thay đổi tần số kỹ lưỡng (v. d. giảm nhanh trước khi thiếu máu).

Name

Viết insulin thông minh (v. d., Novo Nordisk’s NovoPen 6, liên kết Y học với Control-IQ), tạo ra hệ thống tiêm insulin (AID) tự động đồng bộ hoá với ứng dụng di động. Insulin bơm với dữ liệu CGM tích hợp, như Tdem Tslim X2 với Control-IQ, tạo ra hệ thống giao hợp insulin (AID) tự động dùng thuật toán (thường dùng M- L) để điều chỉnh tỷ lệ cơ sở dữ liệu cơ sở dữ liệu trong thời gian thực. Những thiết bị này tạo ra hồ sơ thời gian tích hợp các mô hình dạng kháng phân tử insulin có thể tương ứng với các đường dẫn đường dẫn đường dẫn đường dẫn đường dẫn đến đường dẫn đường dẫn đường dẫn đến đường dẫn.

Thợ theo dõi phù hợp với người và các bộ cảm biến khác

Những bộ phận này có thể mang như chương trình Watch Apple, Fitbit, hoặc Garmin, cung cấp dữ liệu ngữ cảnh: nhịp tim biến đổi, nhiệt độ da, bước đi, giai đoạn ngủ và mức độ căng thẳng.

Máy học kỹ thuật cho dự đoán tiểu đường

Dữ liệu thô từ thiết bị IoT phải được xử lý, làm sạch và biến đổi trước khi có thể được sử dụng để đào tạo các mô hình dự đoán. Sự lựa chọn của thuật toán ML phụ thuộc vào các câu hỏi lâm sàng: dự đoán giá trị của đường huyết, phân loại một sự kiện sắp xảy ra (hypoglycglycre), hoặc nhóm bệnh nhân thành loại nguy hiểm.

Mô hình Xây dựng lại cho việc định sẵn cho Glucose

Nhiệm vụ thông thường nhất là dự đoán mức độ máu trong tương lai ở chân trời, 15, 30 phút trước. Mô hình hồi quy thời gian là tự nhiên. Mô hình hồi quy thời gian là một số ứng dụng. Các mô hình chuyển động trung bình (ARIMA) đã được sử dụng trong lịch sử, nhưng các mô hình học tập sâu đã được thống trị. Các mạng lưới bộ nhớ ngắn (LSTM), một loại mạng thần kinh lặp lại (RN), đặc biệt là thành thạo trong việc bắt giữ phụ thuộc xa trong chuỗi lượng đường dẫn đường. Các nhà nghiên cứu như trường đại học Virginia và các mô hình đã được xuất bản có lỗi tuyệt đối (có nghĩa là 15 phút) trong vòng 30 phút dưới đây, có thể dùng dữ liệu CM.

Mô hình phân loại cho phát hiện sự kiện

Thay vì dự đoán mức độ phân hủy chính xác, một số mô hình được thiết kế để phát hiện sự khởi đầu của bệnh huyết cầu (huyết tương đối học và đường huyết; 70 mg/dL) hoặc hyperggcire (> 180 mg/dL) trong một cửa sổ dự đoán. Đây là những vấn đề nhị phân hay nhiều loại khác nhau. Algrithms như là rừng ngẫu nhiên, XG/dL, và hỗ trợ máy véc tơ (SMM) được đào tạo trên các tính năng có từ lịch sử lượng tăng trưởng, insulin, và nhập khẩu. Lấy thí dụ, các dữ liệu vào bảng. Các chương trình nghiên cứu này vẫn còn có thể hiển thị các dự án hành động và các dấu hiệu khác nhau mà có thể nhận ra sự nhạy cảm trong vòng tuần hoàn toàn của các cây trong dữ liệu được đào tạo theo định dạng lgly.

Làm rối loạn cho việc đọc tiểu luận bệnh nhân

Chẩn đoán không phải là bệnh đồng nhất. Bệnh nhân khác nhau về độ nhạy insulin, chức năng tế bào beta, lối sống và phản ứng với các liệu pháp. Các nhóm phụ này có thể có hồ sơ rủi ro riêng biệt hoặc tốt hơn đối với các chế độ điều trị cụ thể, cho phép chăm sóc chính xác hơn, cá nhân hóa.

Xây dựng một mô hình tiên đoán: Từ dữ liệu đến triển khai

Tạo ra một mô hình dự đoán hoạt động bao gồm nhiều bước hơn là chỉ chọn một thuật toán. mỗi giai đoạn trình bày thách thức và sự lựa chọn thiết kế của riêng mình.

Name

Dòng dữ liệu IoT thường lộn xộn: đọc thiếu các thông tin (sslodgement, khoảng cách truyền tải), tiếng ồn (các tạo tác nén) và khoảng thời gian không quy định. Việc xử lý bao gồm tính đếm (v.g. g., tính tuyến tính cho khoảng trống ngắn), việc gỡ bỏ ra ngoài (các giá trị không thể thực hiện) như là gt; 600 mg/dL < 20 mg/dL), và chuyển đổi sang tần số đồng bộ (v. g., mỗi 5 phút. Dữ liệu cũng phải được sắp xếp qua thiết bị thiết bị hỗ trợ thời gian và máy theo dõi thời gian thường sử dụng thiết bị theo dõi máy tính riêng lẻ.

Kỹ thuật tính năng

Chỉ các giá trị cảm biến thô mới hiếm khi cung cấp hiệu suất tốt nhất. Kỹ thuật tính năng tạo ra các biến số rút ra để mã hóa động lực thời gian: Tốc độ cat-xi-lu-ly (sinh sản thứ hai), gia tốc (thứ hai), diện tích dưới đường cong cửa sổ gần đây, thời gian kể từ bữa ăn cuối, đường cong hành động insulin, và chỉ số lượng đường huyết thấp (LBGI). Tính năng đặc trưng miền, như « chỉ mục rủi ro giả » được dùng bởi Quỹ Nghiên cứu Juvenile Diabetes (JDF), có thể được kết hợp với mục nhập.

Việc huấn luyện và kiểm tra mẫu mực

Dữ liệu từ IoT đưa ra một thách thức đặc biệt: mẫu từ cùng bệnh nhân được tương quan, vi phạm sự độc lập của nhiều phương pháp thẩm định chuẩn. Các nhà nghiên cứu phải sử dụng sự thẩm định chéo ngang ngược bệnh nhân hoặc phương pháp tạm thời để tránh thông tin rò rỉ dữ liệu. Một mô hình được đào tạo vào tuần đầu tiên của dữ liệu của bệnh nhân có thể dự đoán chính xác tuần thứ hai (về sự xác định trong bệnh nhân) nhưng nói chung thì khó khăn hơn rất nhiều. Sơ đồ cơ bản là lỗi hình thức gốc (RMS) cho hệ thống hồi quy, dưới đường cong (AUR), tính năng nhận diện chức năng của bệnh nhân, và phân tích lỗi lâm sàng Clarke+.

Comment

Khởi động mô hình trong một ứng dụng lâm sàng hay tiêu dùng đòi hỏi độ trễ. Máy tính cạnh - tính có thể suy luận trên thiết bị IoT hoặc trên một thiết bị điện thoại thông minh gần đó - đang được dự đoán phụ thuộc vào sự kết nối đám mây, trong trường hợp mạng bị mất điện. Mô hình phải được định lượng hoặc cắt giảm để vừa với bộ nhớ và ắc quy của người mặc. Kết quả thường là một cảnh giác hoặc một khuyến cáo: “Pi-luy-luy-luy dự đoán giảm dưới 70 mg/L trong 20 phút. Hãy suy nghĩ về 15g chất lượng ô nhiễm nhanh.

Những ví dụ và tiến bộ nghiên cứu trên thế giới thực

Một số hệ thống thương mại và học thuật đã chứng minh tiềm năng của Iot + ML cho dự đoán tiểu đường.

Hệ thống Giám Hộ Thực thi Thực hiện của háu đác 3 sử dụng một thuật toán (Smart Watched) dự đoán cách tiếp cận có độ cao thấp hơn 30 phút dựa trên xu hướng CGM, ngưng giao insulin khi một ngưỡng có khả năng bị phá vỡ. Tương tự, thuật toán điều khiển-Q dùng một phương pháp dự đoán (C), mà liên quan chặt chẽ đến máy học, để điều chỉnh tốc độ insulin và tự động sửa đổi.

Trong miền nghiên cứu, bộ dữ liệu OhioT1DM (được chọn từ 12 bệnh nhân mắc bệnh tiểu đường loại 1 trên 8 tuần) đã trở thành điểm đánh dấu cho việc phát triển các mô hình dự đoán về chất béo. Các nhóm trên khắp thế giới đã sử dụng thiết bị CGM, insulin, bữa ăn và hoạt động để đào tạo các mạng lưới thần kinh đa sắc tố (CNN), và các mô hình lai. Một cuộc nghiên cứu 2021 của Mshekarian et al. (Các nhóm nghiên cứu trong EEEE Trans Actions on Bioical ETyical ESTM) đã chứng minh rằng một LSTM được đào tạo trên nhiều loại dữ liệu đa mô hình có thể dự đoán giảm độ chính xác của mức độ cao và độ chính xác của ngưỡng.

Ví dụ liên kết bên ngoài: LLearn nhiều hơn về dữ liệu OhioT1DM và máy học bảng đối với dự đoán tiểu đường .

Những thử thách và trở ngại để nhận con nuôi rộng rãi

Bất kể những tiến bộ kỹ thuật ấn tượng, việc sử dụng các mô hình dự đoán thông thường trong ngành chăm sóc tiểu đường phải đối mặt với những trở ngại đáng kể.

Quyền riêng tư và an ninh của dữ liệu

Dữ liệu sức khỏe của bệnh nhân nằm trong số thông tin cá nhân nhạy cảm nhất. Khi thiết bị IoT truyền tải các thông tin về đường dẫn đến đám mây, chúng tạo ra những hồ sơ liên tục, mật thiết lập tình trạng sinh lý của một người. Các khuôn khổ cấu hình như HIPAA ở Hoa Kỳ và GDPR ở châu Âu ủy nhiệm mã hóa nghiêm ngặt, điều khiển truy cập và chấp thuận người dùng. Bất cứ mô hình nào thu thập dữ liệu phải đảm bảo rằng sự truyền tải được mã hóa (TLL), được mã hóa tại phần còn lại (AES-56), và thông tin cá nhân có thể xác định (PIIY) là một thông tin mật. Nguy cơ rủi ro của một vụ xâm nhập hoặc bị tổn thương do bệnh nhân hay bị suy nhược có thể tin tưởng tượng.

Tiêu chuẩn hoá khả năng giao thoa và thiết bị

Bệnh nhân bị chẩn đoán thường dùng thiết bị từ nhiều nhà sản xuất: Dexcom CGM, máy bơm insulin và máy theo dõi hoạt động của Fitbit. Mỗi thiết bị nói một giao thức khác nhau (GNGNGTT, ERS, MQTT, HL7 FHIR), không có tiêu chuẩn phổ thông để truy vấn hay kết hợp các dòng này. Các thiết bị của cơ quan phát triển của cơ quan y tế và IEEEEEEEE hướng tới thiết bị y tế có khả năng tương tác (v. d.IE 110 TE73 Tuỳ chọn) đang tiến bộ chậm chạp. Không có thông tin tích hợp, vì thiếu dữ liệu bị thiếu hay bị thiếu sót.

Mô hình Robust và khả năng tổng hợp

Hầu hết các mô hình dự đoán được đào tạo dựa trên các bộ dữ liệu mới nhất (các hình thức cho vài trăm bệnh nhân) và bị cuốn vào một số nhân khẩu học (v. d., thường là trắng, có thu nhập cao, với các máy bơm insulin mới nhất). Một LSTM đạt được 10 mg/dL MAE trên tuyến 3 OhioT1D có thể hoạt động kém trên một bệnh nhân với một hồ sơ nhạy cảm khác, một chế độ ăn uống khác, hoặc sử dụng máy bơm khác nhau. Hơn nữa, để đào tạo là một cú tu sửa thông thường. Nhà nghiên cứu, nhiều dữ liệu đa dạng hơn, nhiều loại hơn - bao gồm cả các loại bệnh nhân không có thể xây dựng được và các mô hình dạng đường tiểu đường thông thường.

Thẩm định và nhận nuôi bằng biện pháp y tế

Việc làm sáng tỏ một thuật toán dự đoán của cơ quan bảo hiểm (hoặc cơ thể tương đương) đòi hỏi sự hợp lệ lâm sàng chặt chẽ: mô hình phải thể hiện sự an toàn, hiệu quả, tính cân bằng hoặc vượt trội hơn mức tiêu chuẩn chăm sóc. Chương trình xác định phần mềm sức khỏe kỹ thuật số của Cục Thanh toán (hay cơ quan y tế) đòi hỏi sự chấp thuận cho các mô hình AI ít rủi ro, nhưng các thuật toán có rủi ro cao (những người trực tiếp kiểm soát insulin) vẫn phải trải qua các thử nghiệm lâm sàng rộng. Nhiều mô hình học thuật toán học không bao giờ đạt được mục tiêu thương mại vì thiếu nguồn lực để phục hồi quy định.

Hướng tương lai: Nơi mà máy móc đang hướng tới

Cơn sóng đổi mới tiếp theo hứa hẹn sẽ giải quyết những giới hạn hiện tại và mở ra những khả năng mới.

Học hỏi để được huấn luyện về quyền riêng tư

Thay vì tập trung dữ liệu bệnh nhân vào máy chủ đám mây, việc học tập đã được định hướng cho phép đào tạo mô hình xảy ra trên thiết bị hoặc tại các bệnh viện, với chỉ bản cập nhật mô hình có kết hợp (các học sinh) được chia sẻ trở lại với một máy chủ trung tâm. Cách này cho thấy việc bảo tồn sự riêng tư (dữ liệu thô không bao giờ để lại khả năng kiểm soát) và có thể tăng tốc độ dữ liệu từ hàng ngàn bệnh nhân không có di chuyển. Google của TensorFlowated và NVIDIA Clara đang khám phá cấu trúc này. Kết quả đầu cho thấy các mô hình dữ liệu về chăm sóc y tế cho thấy rằng các mô hình dinh dưỡng có thể đạt được tương ứng với các mô hình trung tâm được huấn luyện trong khi giảm rủi ro về việc rò rỉ dữ liệu.

Hợp nhất dữ liệu đa phương thức

Mô hình tương lai sẽ kết hợp các tín hiệu khác nữa: máy giám sát sinh học ketone liên tục (trong quá trình phát triển khả năng phát triển bệnh tiểu đường gây nguy hiểm), bộ theo dõi nội tiết tố (cortisol, glucagon), bộ phận định vị địa lý (để suy luận về thức ăn lành mạnh), và việc xác định mức độ ổn định về sức khỏe (sự ổn định về mặt xã hội, khả năng chăm sóc sức khỏe). Việc xử lý ngôn ngữ tự nhiên (NLP) có thể tiêu hóa các ghi chú miễn phí từ các dữ liệu sức khỏe điện tử (ERRRs) để cung cấp ngữ cảnh báo cho các mẫu chất hữu cơ lạ như một thông báo về một bệnh tật hoặc hóa trị liệu gần đây.

Chạy trí tuệ nhân tạo và giảm độ trễ

Những tiến bộ trong các chip AI chuyên biệt (v. d., Google Edge TPU, động cơ bán kính Apple) đang làm cho nó có thể chạy các mô hình học tập phức tạp trực tiếp trên một đồng hồ thông minh hoặc một miếng vá tiểu đường dành riêng. Giảm thiểu tính hiệu quả của mô hình có thể dự đoán chỉ trong vài giây là nhận được các bản can thiệp thời gian thực sự mới nhất. Để kết hợp các hệ thống con lắc, khuyên bạn bỏ các vấn đề chậm trễ và đáng tin cậy của khả năng điều khiển đám mây.

AI có thể giải thích được sự tín nhiệm của bệnh viện

Một người lâm sàng có thể ngần ngại điều chỉnh insulin dựa trên đề nghị của một mô hình nếu họ không thể hiểu tại sao là bản chất đen của mô hình học sâu sắc. Một y tá có thể do dự đoán như swniques (Sapley Addtive Expations) và LI (Lcal Intertable Trevaval Expations) được áp dụng cho [FLT: 0] để làm nổi bật những dự đoán về việc đọc thông tin này (g, giảm, giảm độ insulin) trên bảng dự báo trước.

Liên kết bên ngoài cho việc đọc thêm: Xem xét trên AI trong việc quản lý tiểu đường và Liên đoàn nghiên cứu của Mỹ Bản tin về sức khỏe .

Kết luận

Các giao điểm của Iot và máy học tập là tái tạo lại bộ quản lý tiểu đường từ một mô hình phản ứng, biểu mô phỏng biểu đồ chuyển đổi thành một mô hình tích cực, dự đoán được. các thiết bị giám sát kỹ thuật đường huyết áp, hệ thống vận chuyển insulin thông minh, và sử dụng khả năng theo dõi sức khỏe để tạo ra dòng chảy chưa từng thấy của dữ liệu phân giải cao. các thuật toán máy học từ mạng LSTM tới các cây có trục trặc -- giả định lượng dữ liệu để dự đoán các xu hướng tăng độ tăng độ nguy hiểm, và sự can thiệp cá nhân.

Nhưng con đường dẫn đến sự nhận con nuôi phổ biến là những thách thức kỹ thuật, đạo đức và kỹ thuật, sự riêng tư và an ninh phải được phòng ngừa. thiết bị phải nói chung chung chung chung chung chung chung với dân số và điều kiện thực tế của thế giới thực và kết quả của những mô hình này phải đủ đáng tin cậy để các bác sĩ và bệnh nhân hành động.

Đối với hàng triệu người đang sống với tiểu đường ngày nay, lời hứa về một hệ thống vòng tròn khép kín dự đoán và ngăn chặn các cuộc hành trình của đường huyết không cần nỗ lực thủ công không còn là khoa học viễn tưởng nữa.