Sự nổi dậy của những thuật toán học thích ứng trong tiểu thuyết giáo dục

Diebetes ảnh hưởng đến hơn 5 triệu người lớn trên khắp thế giới, và con số đó tiếp tục tăng. quản lý hiệu quả là cần thiết để ngăn chặn các biến chứng, tuy nhiên giáo dục có kích thước một-tất cả truyền thống thường thất bại trong việc liên kết bệnh nhân hoặc với nhu cầu độc nhất của họ. Nhập các thuật toán học thích nghi: hệ thống điều chỉnh dữ liệu mà điều chỉnh nội dung giáo dục cho mỗi cá nhân& 882; kiến thức, hành vi và bối cảnh lâm sàng. Bằng cách điều khiển dữ liệu và máy tính thực tế. Các thuật toán này hứa sẽ chuyển đổi giáo dục tiểu đường từ một bài giảng tĩnh thành một hành trình cá nhân.

Không giống như các nền tảng học tập thông thường theo một chương trình giáo dục cố định, hệ thống học tập thích nghi liên tục điều chỉnh khó khăn, nhịp độ, và tập trung vật liệu dựa trên học viên& 88217; hiệu suất và phản hồi. trong ngành chăm sóc tiểu đường, điều đó có nghĩa là một bệnh nhân phải vật lộn với thời gian insulin nhận các mô-đun mục tiêu về số lượng bán dẫn và sửa chữa, trong khi một người với khả năng điều khiển dây chuyền tốt nhưng những người nghèo chăm sóc chân nhận được nhắc nhở và biểu hiện trên các cuộc kiểm tra chân. kết quả là một trải nghiệm hiệu quả cao, hấp dẫn mà tăng cường khả năng tự kiểm soát kỹ năng tự chăm sóc.

Thành phần chính của thuật toán học thích ứng cho tiểu đường

Để hiểu cách các hệ thống này hoạt động, nó giúp chúng tách thành bốn lớp liên kết:

  1. Lớp báo thùata – thu thập dữ liệu cấu trúc và chưa cấu trúc từ màn hình của chất đường huyết, máy bơm insulin, thiết bị theo dõi hoạt động, ghi chú thuốc, kết quả báo cáo bệnh nhân, và hồ sơ sức khỏe điện tử.
  2. Mô hình Learner – Một số thống kê hay máy học đại diện cho bệnh nhân’ cách mở rộng kiến thức, cách học và cách ứng xử hiện thời. Mô hình này được cập nhật sau mỗi lần tương tác.
  3. Chương trình tương đối [FLT: 1] – thư viện của tài sản giáo dục theo mô- đun (videos, câu đố, mô phỏng, tóm tắt văn bản) đánh dấu bằng độ khó, chủ đề, kỹ năng cần thiết và định dạng.
  4. Máy phục hồi – thuật toán nào chọn hoạt động học tốt nhất tiếp theo bằng cách cân bằng ba yếu tố: những gì bệnh nhân cần để tìm hiểu ( khoảng cách nhận thức), những gì họ sẵn sàng để tìm hiểu (phần của sự phát triển proximal), và những gì giữ cho họ động lực (những người tiên đoán như thời gian, theo dõi, gần đây, hoặc định dạng ưa thích).

Những lớp này làm việc cùng nhau trong một vòng lặp: bệnh nhân tương tác với hệ thống, các bản cập nhật mô hình học tập, các động cơ khuyến khích tái tính toán, và một đoạn nội dung mới được chuyển tải thông qua một ứng dụng điện thoại thông minh, giao diện web, hoặc thậm chí một diễn giả thông minh.

Nguồn dữ liệu thế giới thực mà nhiên liệu thích ứng

Sự phong phú của mô hình học viên phụ thuộc vào sự đa dạng của dữ liệu được đưa vào nó dẫn đầu các tiến hành kéo ra từ:

  • Các máy giám sát kỹ thuật đường cong (CGMs) – cung cấp thời gian-trong-gia, khả năng biến đổi glyclymic, và các mũi tên xu hướng cho thấy bệnh nhân có siêu đường nét, đường cong, hoặc ổn định.
  • Máy bơm in in hoặc bản ghi thông minh – hiển thị theo sát liều lượng basal và bolus, chỉnh sửa và bỏ qua liều lượng.
  • Động tác và bộ theo dõi giấc ngủ – hoạt động và chất lượng ngủ trực tiếp ảnh hưởng đến độ nhạy insulin; thuật toán này có thể liên kết các dấu nhắc giáo dục với các trạng thái này.
  • Cuộc khảo sát và sự đáp ứng vi mô – ngắn gọn, trong chuyển động (“ bạn tự tin như thế nào về việc điều chỉnh liều lượng sau khi tập thể dục?”) cho bạn sự hiểu biết ngay lập tức về mức độ tự tin và sự hiểu lầm.
  • Hồ sơ sức khỏe của Elctoric (EHRs) – kết quả thí nghiệm (HbA1c, eGFR, liids), và danh sách thuốc men cung cấp các mẫu thuốc y tế để điều chỉnh nội dung và cấp thiết.

Tiến trình phát triển: Từ dữ liệu đến triển khai

Việc xây dựng một hệ thống học tập thích nghi với việc học tiểu đường là một nỗ lực đa ngành liên quan đến các nhà nghiên cứu nội tiết, các nhà giáo dục tiểu đường, nhà khoa học dữ liệu, kỹ sư phần mềm và các nhà thiết kế UX.

1. Cần được nâng đỡ và thỏa lòng

Trước khi viết một dòng mã riêng lẻ, đội định nghĩa toàn bộ phạm vi giáo dục tự quản lý tiểu đường.

  • Hiểu được mục tiêu và giám sát của lượng đường máu
  • Tính toán và lên kế hoạch bữa ăn cho các con
  • Điều chỉnh và điều chỉnh liều lượng cho chính quyền ở thành phố Insulin
  • Ngăn chặn và điều trị chứng thiếu đường huyết
  • Quản lý ngày bệnh hoạn
  • Chăm sóc chân, chăm sóc mắt và giảm nguy cơ tim mạch

Mỗi chủ đề được chia thành những mục tiêu học siêu vi (v. d., & 8220; xác định được ba nguyên nhân của hiện tượng bình minh& 821; hoặc & “ tính toán một liều lượng điều chỉnh cho một lượng sữa đường máu 250 mg/dL&8221;). Những người tạo ra nội dung sau đó phát triển nhiều phiên bản cùng một mục tiêu đọc tập khác nhau, sử dụng phương tiện truyền thông, video mô phỏng và ngữ cảnh văn hóa khác nhau.

Bộ sưu tập dữ liệu 2.

Dữ liệu đầu tiên được đào tạo từ lịch sử của chương trình giáo dục tiểu đường, nhật ký tương tác bệnh nhân từ các ứng dụng đã có và các nhân tố bệnh nhân có tính chất tiên tiến. tuy nhiên, hệ thống thích nghi thực sự cần thiết sự hấp thụ dữ liệu thực tế. nhóm phải thiết kế các đường ống bảo mật, nhất quán kéo dữ liệu bị tách rời khỏi bệnh nhân và hệ thống quản lý dữ liệu thực tế được chỉ định từ đầu, theo các quy định như HIPAA ở Mỹ hoặc GDP ở châu Âu.

Nguồn tài nguyên mở ):] Đọc thêm về tiêu chuẩn dữ liệu cho khả năng tương tác của thiết bị tiểu đường ) Data Standards Consortium .

3. Dạy dỗ và thẩm tra

Mô hình máy học được sử dụng trong hệ thống thích nghi trong phạm vi từ kiến thức đơn giản của người Bay để tăng cường học tập.

  • Theo dõi biết trước – phỏng đoán xác suất bệnh nhân đã thành thạo mỗi kỹ năng dựa trên lịch sử phản ứng của họ. Một thuật toán phổ biến là mô hình kiến thức Bayesian (BKT), đã được sử dụng thành công trong việc gia sư thông minh cho toán và khoa học.
  • Lọc lọc hợp lệ – Leveials ra đời mẫu từ hàng ngàn người dùng tương tự để khuyến khích nội dung giúp đỡ người khác có hồ sơ tương tự. Chẳng hạn, nếu bệnh nhân với HbA1c cao và thấp R c2 *; cromps planR điểm số được cải thiện sau khi xem video trên thời điểm tiền bàn phím, hệ thống sẽ hiển thị video mới cho bệnh nhân có cùng hồ sơ.
  • Chương trình học tập [RL] [FL:1] – thuật toán xử lý mỗi quyết định giáo dục như một hành động mang lại phần thưởng (v.g., bài kiểm tra, tăng thời gian-in-range). Hơn hàng ngàn tương tác, đại lý RL học trình tối ưu của mỗi hoạt động học cho mỗi cá nhân.

Mô hình được đào tạo về dữ liệu lịch sử và kiểm tra kỹ lưỡng qua các nghiên cứu về A/B. Kiểm tra các số liệu đo lường không chỉ có tri thức mà còn có thể thay đổi hành vi như là giảm ít đường huyết, tăng cường sự theo dõi thuốc men, và điểm số bệnh nhân cao hơn.

Máy nội dung 4

Một khi mô hình dự đoán những gì bệnh nhân sẽ học tiếp, động cơ cá nhân sẽ chọn một mô-đun nội dung thích hợp nhất.

  • Bang Learner – hiện tại mức độ thống trị, những sai lầm gần đây, mệt mỏi đính hôn.
  • Context – time of day (e.g., buổi sáng vs. ngủ), vị trí (nhà và công việc), thiết bị gần đây đọc (tách cao khánggra sau bữa ăn có thể kích hoạt mô- đun trên gai sau khi ăn).
  • Tình trạng nhạy bén – một số hệ thống phát hiện sự thất vọng hoặc chán nản qua thời gian đáp ứng, số gợi ý yêu cầu, hoặc tâm trạng tự báo cáo. Khi thất vọng cao, hệ thống có thể cung cấp một trò chơi ôn lại hoặc thông điệp động cơ thay vì đẩy nội dung mới, khó khăn.
  • Tùy thích lắp đặt – một số bệnh nhân học tốt nhất bằng cách xem, những người khác bằng cách đọc, và những người khác bằng cách thực hành với mô phỏng tương tác. Các dấu vết động cơ dẫn đến tỷ lệ hoàn thành cao nhất và chú ý đến từng cá nhân đó.

Kết quả là một đường dẫn học cá nhân thích nghi trong thời gian thực. Ví dụ, một bệnh nhân mới học về số lượng cab có thể nhận được một câu đố ngắn, rồi một mô phỏng mà họ điều chỉnh một quả bolus và thấy đường cong kết quả của đường cong này, rồi một bản tóm tắt để củng cố điểm chính. Nếu họ trả lời đúng, hệ thống sẽ tiếp tục; nếu họ bỏ lỡ một câu hỏi, nó vòng lại với một lời giải thích khác.

5. Đánh giá liên tục và lặp lại

Triển khai không phải là kết thúc. Một kết quả lâm sàng được dành riêng cho việc phân tích bảng điều khiển các chỉ thị hiệu suất then chốt: các nhóm phát triển gặp nhau hàng tuần để xem xét các mẫu, xác định nơi mà thuật toán đang đấu tranh, và cập nhật các tham số hoặc mô hình tương ứng.

Ví dụ, nếu dữ liệu cho thấy rằng những bệnh nhân có ít khả năng học tập sức khỏe đang giảm sau bài học đầu tiên về dạng insulin, nhóm có thể viết lại mô-đun đó ở mức đọc thấp hơn và thêm các phương tiện trợ giúp thị giác. nếu thuật toán tiếp tục đề nghị cùng một video cho người dùng mặc dù không tham gia, thì các phần thưởng trong mô hình RL có thể cần được tái tạo lại để kết hợp các yếu tố mới.

Lợi ích cho bệnh nhân và những người cung cấp sức khỏe

Sự chuyển từ sách mỏng thường được viết thành sách mỏng thường gặp cho đến việc thích nghi, giáo dục cá nhân mang lại lợi ích có thể đo lường được cho cả hai bên của phương trình chăm sóc.

Kết quả bệnh nhân-Lel-Lows

  • đính hôn cao – hệ thống thích nghi giữ sự chú ý bằng cách trình bày nội dung không bao giờ quá dễ (khó khăn) cũng không quá khó (cho phép). Tỷ lệ nhập trình hoàn chỉnh các mô- đun thích nghi thường vượt quá 80%, so với 20–40% cho khóa học không được điều chỉnh trên mạng.
  • :] Nghiên cứu cho thấy rằng bệnh nhân sử dụng giáo dục tiểu đường thích nghi và#8211; không gian lặp đi lặp lại và học tập, cả hai đều được xây dựng thành các thuật toán thích nghi, củng cố các khái niệm theo thời gian.
  • sự thay đổi ở mức – khi giáo dục là mục tiêu chính xác, nó thúc đẩy hành động thực tế. bệnh nhân nhận được sự điều chỉnh giám sát về chất lượng tử thấy sự gia tăng 15–25% trong tần số kiểm tra hàng ngày.
  • Lo lắng về bệnh giảm đường huyết – các mô-đun cá nhân nhận ra và điều trị cho bệnh nhân, được chuyển giao ngay trước khi ngủ hay sau khi tập thể dục, giúp bệnh nhân cảm thấy tự tin hơn và giảm bớt các sự kiện hạ đường huyết tối thiểu.

Ưu tiên khách hàng

  • Giáo dục bệnh nhân có thể tính – một nhà giáo dục tiểu đường có thể giám sát hàng trăm bệnh nhân bằng một nền tảng thích nghi, dành thời gian riêng cho những người cần thay đổi quản lý phức tạp hoặc hỗ trợ tâm lý xã hội.
  • Một người có thể nhanh chóng nhận ra rằng bệnh nhân vẫn không hiểu được liều lượng sửa chữa, và củng cố thông điệp đó trong lần viếng thăm kế tiếp.
  • Tiếp theo theo theo – tự động nhắc nhở và kiểm tra-ins giảm các lớp học giáo dục và đảm bảo sự liên tục học giữa các bổ nhiệm.
  • Quản lý sức khỏe – thiếu dữ liệu từ nền tảng thích nghi cho thấy sự hiểu lầm thông thường trên dân số bệnh tiểu đường , giúp mục tiêu cải thiện chất lượng.

Những thử thách và tinh thần để vượt qua

Bất kể lời hứa, việc học thích nghi về ngành tiểu đường phải đối mặt với nhiều trở ngại đòi hỏi phải hoạch định kỹ lưỡng.

Quyền riêng tư và an ninh của dữ liệu

Dữ liệu sức khỏe là một trong những thông tin cá nhân nhạy cảm nhất. Thu thập các thông tin cá nhân. Thu thập các thông tin cá nhân nhạy cảm nhất. Thu thập các thông tin CGM, liều insulin, và các hành vi học tập tạo một mục tiêu phong phú cho các lỗ hổng. Hòa hợp với HIPAA, GDPR, và luật bảo vệ dữ liệu địa phương là không thể thương lượng. Tính năng sử dụng bao gồm mã hóa, kỹ thuật vi phân chia để thêm dữ liệu, và cho bệnh nhân kiểm soát các dữ liệu được thu thập và sử dụng như thế nào. Hệ thống cũng nên cung cấp một hệ thống cung cấp một hệ thống rõ ràng ̶ sử dụng tập đoàn xử dụng tập đoàn phụ lục&2; hiển thị chính xác những gì các thuật toán và cho phép các bệnh nhân biết chính xác những gì họ xóa bỏ lịch sử.

Tài nguyên mở rộng ): Liên đoàn Nhân viên y tế Hoa Kỳ ) cũng có những hướng dẫn về việc tổng hợp các công cụ sức khỏe trong khi bảo vệ quyền riêng tư của bệnh nhân.

Tờ trong suốt và sự tin cậy

Bệnh nhân và nhà cung cấp rất có thể thận trọng về các đề nghị trong hộp đen, đặc biệt khi những đề nghị đó có thể ảnh hưởng đến insulin, hay thời điểm dùng bữa ăn. Thuật toán phải được giải thích: tại sao nó lại chọn video này bây giờ? Dữ liệu nào đã được lưu hành quyết định đó? Một cách tiếp cận là bao gồm một, *820; các trường trong giao diện người dùng (v. d. & 820; mô- đun này được khuyến khích vì máu của bạn đã được tăng sau bữa ăn sáng 3 ngày kế tiếp. Đối với nhà cung cấp, hệ thống nên cấp bề mặt và sự đề nghị độ tự tin tưởng.

Làm thỏa lòng và có tính nhạy cảm về văn hóa

Một thư viện nội dung cỡ 1 không phục vụ cho nhiều nhóm khác nhau. Một thuật toán thích nghi được đào tạo chủ yếu dựa trên dữ liệu từ tiếng Anh, bệnh nhân đô thị có thể đấu tranh để điều chỉnh giáo dục cho nông thôn, không nói tiếng Anh, không nói tiếng Anh, hoặc ít ngôn ngữ ký hiệu. Các nhóm phát triển phải đầu tư vào nội dung định vị (tiếng địa phương, hình ảnh, ví dụ hình ảnh, thực phẩm), sự thích nghi văn hóa (v. d., tổng hợp các bữa ăn truyền thống hoặc thực hành kiêng ăn tôn giáo), và chúng tôi kiểm tra khả năng với nhóm người dùng. Thuật toán tự nên được thiết kế để phát hiện khi nội dung không hoạt động lại. (g, bỏ bài kiểm tra thấp, và đánh giá thấp) nội dung cho các bài kiểm tra nội dung của nhóm.

Hợp nhất với dòng chảy công việc lâm sàng

Để có thể thích nghi với việc học trở thành một phần tiêu chuẩn của bệnh tiểu đường, nó phải hòa hợp chặt chẽ với dòng chảy công việc đang có sẵn, đồng nghĩa với việc kết hợp với hệ thống EHR (để các lời khuyên giáo dục xuất hiện trong biểu đồ y tế của bệnh nhân và có thể được xem xét trong lúc thăm bệnh nhân), giảm bớt gánh nặng của việc kiểm tra dữ liệu bằng tay.

Nghiên cứu: Thành công ban đầu với sự thiếu thốn thích nghi

Một chương trình phi công được điều hành bởi một trung tâm y tế lớn ghi nhận 150 người lớn bị tiểu đường loại 2 có mức HbA1c trên 9%.

  • Trung bình thời gian trong tầm nhìn tăng từ 45% lên 63%.
  • Tự tin vào việc quản lý lượng đường huyết cao đã tăng 35%.
  • Sự đính hôn trung bình là 22 phút mỗi ngày, với 85% người dùng hoàn thành ít nhất ba mô-đun mỗi tuần.

Phản hồi định kỳ cho thấy bệnh nhân đánh giá cao bản chất chỉ trong thời gian ngắn của nội dung: một thông báo trước bữa tối với một đoạn video ngắn về việc tránh các gai sau thời gian, hoặc một lời nhắc nhở về điều trị thấp xuất hiện khi mũi tên xu hướng CNM chỉ xuống.

Hướng tương lai

Một số cách để học thích nghi trong ngành giáo dục tiểu đường vẫn đang tiến triển, nhưng một số cách khác thì rất thú vị.

Hợp nhất với Telemedicin và giám sát từ xa

Khi truyền hình trở thành thói quen, giáo dục thích nghi có thể được đặt trực tiếp vào những cuộc thăm viếng ảo trước khi dùng điện thoại, bệnh nhân hoàn thành một mô-đun thích nghi ngắn mà cập nhật kiến thức của họ và gửi tóm tắt cho bác sĩ trong lúc khám. trong lúc khám, bác sĩ có thể tập trung vào những vấn đề cấp bách nhất hơn là dành thời gian vào vật liệu mà bệnh nhân đã biết.

Name

Hãy tưởng tượng một hệ thống thích nghi không những dạy dỗ mà còn huấn luyện trong thời gian thực. Một bệnh nhân với dữ liệu CGM truyền tới đám mây có thể nhận được thông báo: “ lượng đường huyết của bạn tăng nhanh sau món ăn đó. Nhớ trước khi ăn ít nhất 15 phút. Đây là một nhân viên 30 giây thay đổi thời gian cho bữa ăn của bạn.>21; giáo dục đóng cửa như thế này đi xa hơn việc học hành vi thay đổi.

Nhiều động tác và nhiều hệ thống thích nghi

Chẩn đoán hiếm khi xảy ra trong sự cô lập. Thuật toán tương lai sẽ thích nghi không chỉ với giáo dục tiểu đường cần mà còn với những điều kiện không thể phân hủy như tăng huyết áp, trầm cảm hoặc béo phì. bệnh nhân có thể nhận một mô-đun về lượng Natri trong buổi sáng và một bài tập điều trị stress vào buổi tối, tất cả được hướng dẫn bởi một mô hình học đoàn kết mà trải dài nhiều điều kiện mãn tính. phương pháp liên tục này tương ứng với sự thay đổi hướng về chăm sóc cộng đồng bệnh nhân.

Giao diện ngôn ngữ tự nhiên và giọng nói

Các diễn giả thông minh và trợ lý giọng nói cung cấp một cách không cần tay để cung cấp giáo dục thích nghi, đặc biệt cho các bệnh nhân cao tuổi hoặc những người có thị lực thấp. thuật toán này có thể đặt câu hỏi, lắng nghe phản ứng của bệnh nhân, và xác định nội dung tốt nhất tiếp theo. các phi công đầu tiên với Amazon Alexa và Google Trợ lý đã cho thấy sự hài lòng cao trong số những người sử dụng thích nói qua hướng dẫn viết.

Những thực hành tốt nhất cho các tổ chức đang tiến bộ trong việc thích nghi tiểu thuyết giáo dục

Đối với hệ thống y tế, người trả lương, hoặc các công ty y tế số tìm cách triển khai việc học thích nghi, những hướng dẫn sau đây có thể làm tăng khả năng thành công:

  1. Bắt đầu với phạm vi hẹp. tập trung vào một chủ đề cao độ (v. d., điều chỉnh insulin liều lượng) và chứng minh thuật toán hoạt động trước khi mở rộng chương trình giảng dạy đầy đủ.
  2. [FLT:] Những nhà giáo dục tiểu đường từ ngày đầu tiên. ) Chuyên môn của họ là thiết yếu cho việc tạo ra nội dung, sự hợp lệ hóa mô hình học và giải thích các thuật toán xuất ra.
  3. Định nghĩa cho sự bất dịch ) thử nghiệm với nhiều nhóm bệnh nhân để tránh thành kiến thuật toán. Hãy dùng ngôn ngữ thường, nhiều ngôn ngữ và các sự thích nghi văn hóa.
  4. Xác định cả kiến thức và hành vi. Chỉ riêng Quiz thôi là không đủ. Theo dõi kết quả lâm sàng (HbA1c, tỷ lệ nhiễm trùng thời gian, giảm đường huyết) để chứng minh tác động thực tế.
  5. Thay đổi định nghĩa. hệ thống thích ứng không bao giờ hoàn tất.

Tài nguyên mở rộng ): Hội Công nghệ Diabetes đưa ra một ) chỉnh sửa để đánh giá các biện pháp can thiệp sức khỏe số bao gồm các tiêu chuẩn cho tính năng thích nghi và cá nhân.

Kết luận

Bằng cách di chuyển vượt ra ngoài các khoản trợ cấp tĩnh và các lớp học một lần, những hệ thống thông minh này gặp mỗi bệnh nhân ở đó họ -- nhận thức sâu sắc, cảm xúc và lâm sàng - và hướng dẫn họ hướng tới việc tự quản lý tốt hơn. quá trình phát triển đòi hỏi sự hợp tác chặt chẽ hơn qua các ứng dụng lâm sàng, nội dung và các đội kỹ thuật, nhưng kết quả là đáng kể: bệnh nhân những người tham gia, có nhiều kiến thức hơn, và tự tin hơn vào khả năng quản lý tiểu đường ngày qua ngày.

Với công nghệ cảm biến, kết nối rộng băng tần, và máy học tiếp tục tiến bộ, giáo dục thích nghi sẽ trở thành một thành phần chuẩn của chăm sóc tiểu đường - không phải là một tốt đẹp để bổ sung, nhưng là một công cụ cần thiết để trao quyền cho bệnh nhân và cải thiện kết quả ở quy mô. hệ thống y tế và người trả lương đầu tư vào xây dựng và tinh chế các thuật toán này sẽ được đặt đúng vị trí để cung cấp cá nhân, hiệu quả, giáo dục hiệu quả, và hiệu quả cho hàng triệu người sống với tiểu đường trên toàn thế giới.