Hệ thống tuyến tụy nhân tạo được biết đến như hệ thống giao insulin khép kín - đã tái định hình lại hệ thống quản lý tiểu đường 1 bằng cách tự động giảm thiểu phần lớn các quyết định phức tạp nằm sau insulin làm việc. Những hệ thống này phụ thuộc vào hệ thống giám sát liên tục (CM), máy bơm insulin, và các thuật toán kiểm soát phức tạp để duy trì mức độ lượng insulin trong phạm vi an toàn. Mặc dù hệ thống hiện tại đã giảm thiểu phần lớn gánh nặng hàng ngày, hiệu suất của chúng vẫn liên kết chặt chẽ với chất lượng và đa dạng của dữ liệu họ tiến trình. Dữ liệu lớn phân tích hệ thống và phân tích dữ liệu sinh thái học lớn đã trở thành cần thiết để tăng độ chính xác, và an toàn cá nhân, các thuật toán này được vẽ trên hàng ngàn, các mẫu sinh vật có thể sử dụng và các kết quả của các nhà nghiên cứu sinh vật học, và cuối cùng có thể dự đoán các kết quả của các kết quả của bệnh nhân, và các kết quả của bệnh nhân, và các kết quả của bệnh nhân, và các kết quả của bệnh nhân, và các kết quả của bệnh nhân, và sự kiện gây ra hiệu quả của bệnh nhân, và dự đoán

Hệ thống sinh thái dữ liệu nằm sau hệ thống Pancreas nhân tạo

Hệ thống tuyến tụy nhân tạo hiện đại tạo và tương tác với tập dữ liệu khổng lồ. Nguồn chính là bộ theo dõi kỹ thuật đường huyết, cung cấp các thông tin liên tục về đường huyết tương ứng với nhau mỗi 1–5 phút, tạo ra khoảng 300 điểm dữ liệu lâm sàng cho mỗi bệnh nhân. Insulin in lịch sử phát hành bản ghi lưu, bao gồm tỷ lệ ba phần, số lượng lớn các lỗi định lượng, và các hiệu chỉnh độ điện tử. Hơn nữa dữ liệu thiết bị đặc trưng, hồ sơ sức khỏe điện tử (ER) đóng góp khoảng 300 điểm lịch sử như Hb1c, hồ sơ kết hợp, và danh sách thuốc. Mặc định độ hiệu suất và bộ theo dõi thông minh cộng với các lớp hoạt động cơ tim và các mẫu ảnh hưởng, và trạng thái ngủ.

Hệ sinh thái này thể hiện dữ liệu lớn ba lần V ): khối lượng, đa dạng và vận tốc. Một thử nghiệm lâm sàng gồm 200 người tham gia trong sáu tháng sinh ra hàng chục triệu điểm dữ liệu. Các chuỗi đa dạng phải phân tích dữ liệu bộ cấu trúc (gluse, stations), bản ghi bán cơ bản (tin, thẻ hoạt động) và các ghi chú chưa cấu trúc (có cấu trúc) cần thiết để xử lý thời gian thực tế. Tốc độ phân tích dữ liệu bộ cảm biến và chuyển hóa insulin trong vòng vài phút. Trong khi phân giải mã dữ liệu, nó còn có thể giải mã dữ liệu.

Biến dữ liệu thô thành thuật toán hoạt động được

Trung tâm của hệ thống tuyến tụy nhân tạo là thuật toán kiểm soát của nó, dựa trên sự trao đổi chất theo truyền thống, dựa trên sự cân đối đối (PID) hoặc mô hình dự đoán (MPC). Trong khi khả năng, những phương pháp này phụ thuộc vào mô hình sinh lý đơn giản hóa mà không thể thu được sự phức tạp đầy đủ của mỗi cá nhân. dữ liệu lớn cho phép chuyển đổi hướng dữ liệu, học phương pháp học–enced để học hỏi trực tiếp từ dữ liệu lịch sử và thực tế.

Những kỹ thuật tiên đoán

Các mô hình dự đoán trong tương lai mức độ đường ống trong tương lai hàng giờ, cho phép điều chỉnh chủ động các thông tin giao insulin. Các thuật toán học máy như mạng thần kinh tái phát (RNNNs), bộ nhớ ngắn hạn (LSTM) mạng, và nâng cấp máy tính tăng tốc được đào tạo trên các bộ dữ liệu lớn của các dấu vết CGM, hồ sơ giao dịch insulin, bản ghi chép thực phẩm, và dữ liệu hoạt động. Ví dụ, các nhà nghiên cứu đã đào tạo mô hình LSTM trên dữ liệu hơn một ngàn bệnh nhân để dự đoán giảm lượng cầu huyết cầu xuống 30 phút trước với độ nhạy cảm cao và cụ thể. Những mô hình này có thể được nhúng vào thuật toán để giảm thiểu độ phân giải mã khi dùng một thiết bị giảm đường dẫn giảm lực insulin, do đó sẽ giảm thời gian hơn, giảm các phụ thuộc vào các phụ thuộc tăng tốc độ tăng tốc độ tăng lượng lượng hấp dẫn đến các mối quan hệ thống định lượng protein và giảm thiểu năng lượng tử.

Học cách kiểm soát thích nghi

Trong một tuyến tụy nhân tạo dựa trên RL, tác nhân (algorithm) học một chính sách tối ưu cho việc phân phối insulin bằng cách tương tác với môi trường (các động lực của bệnh nhân có thể điều khiển chu kỳ) và nhận phần thưởng cho việc tiếp tục trong việc kiểm tra bạch huyết và hình phạt cho việc đi lại. Dữ liệu lớn cung cấp môi trường đào tạo dưới dạng tập luyện dài của tập tin thực tế. Các thuật toán Rline R, cụ thể, có thể học từ những kinh nghiệm đã được ghi chép mà không cần thiết để có thể đưa ra kết quả khám phá trực tuyến. đầu tiên cho thấy kết quả có thể tương ứng với mô phỏng MPC truyền thống hoặc không có tính năng cần thiết để tìm kiếm các thiết bị y tế, và không bao giờ có khả năng đảm bảo sự cố gắng tìm kiếm an toàn trong trường hợp an toàn, để tăng cường tính năng hiệu quả trong trường hợp an toàn, cần thiết để tìm kiếm thiết.

Làm gương và học cách chuyển đổi cá nhân

Một trong những ứng dụng đầy hứa hẹn nhất của dữ liệu phân tích là cá nhân hóa. Không có hai cá nhân phản ứng giống nhau với insulin, khí cacbon, hoặc tập thể dục. Bằng cách khai thác dữ liệu dân số, phương pháp chuyển đổi có thể khởi tạo một mô hình học cá nhân cho bệnh nhân mới với chỉ vài ngày dữ liệu cân chỉnh. Mô hình tiếp tục thích ứng như là dữ liệu cá nhân tích lũy hơn. Cách tiếp cận này ngắn hơn rất nhiều thời gian leo thang cần thiết cho sự tối ưu hóa lâm sàng về mặt lịch sử. Hơn nữa, phương pháp cụm có thể xác định dạng bệnh nhân dưới dạng phụ, ví dụ, với độ nhạy cảm cao hay thông minh hóa thuật toán phù hợp với các thuật toán tự động.

Học hỏi được liên tục để cải thiện tính riêng tư

Một trong những chướng ngại lớn nhất trong việc sử dụng dữ liệu lớn để đào tạo thuật toán là tính riêng tư. Trường học đã cung cấp một giải pháp: Mô hình được đào tạo qua nhiều thiết bị phân loại hoặc máy chủ đang giữ dữ liệu cục bộ, mà không cần trao đổi dữ liệu thô. Chỉ có cập nhật mô hình (các mẫu) được chia sẻ với một máy chủ trung tâm, mà việc tập hợp chúng để cải tiến mô hình toàn cầu. Trong hệ thống tụy nhân tạo, cho phép tìm hiểu kỹ thuật này cho phép học từ hàng ngàn dữ liệu của người dùng, trong khi giữ dữ liệu thô trên thiết bị riêng của họ hoặc trong phạm vi của bệnh viện. Các nghiên cứu về kỹ thuật viên đã cho thấy sự chính xác tương ứng với mô hình trung tâm, trong khi đó đảm bảo tính năng bảo là kỹ thuật này có khả năng tăng cường độ bảo nhất định mức độ bảo vệ sinh học của mỗi cá nhân. Đặc biệt có thể dự đoán các quy định về sự bảo về sự bảo vệ đa dạng khác nhau.

Kết quả và bằng chứng của y khoa

Một cơ quan nghiên cứu ngày càng tăng cho thấy rằng việc tích hợp dữ liệu lớn vào các thuật toán tuyến tụy nhân tạo mang lại lợi ích cụ thể trong việc kiểm soát glycemic, an toàn và sự hài lòng của bệnh nhân.

Name

Thời gian trong phạm vi (TIR, 70–180 mg/dL) đã trở thành công thức đo mức độ trình tuyến tụy nhân tạo chuẩn. Nghiên cứu so sánh thời gian với những gì máy học tăng cường độ của 3–180 mIR, dịch ra khoảng 45 phút đến 90 phút mỗi ngày trong phạm vi mục tiêu. Thời gian so sánh với quá trình tăng đường huyết tương đối 180 mgL và thời gian trong việc giảm nồng độ bạch cầu (tragly 70g/gL). 20- 23 phút của các thử nghiệm ngẫu nhiên trong phạm vi tiếp cận được kiểm soát bằng cách giảm thiểu lượng đường ruột nhân tạo, giảm 40% so với các thiết bị giảm cân so với mức độ hấp dẫn thấp hơn. Hơn nữa, tính năng lượng protein của lượng protein đã dự đoán và khả năng tăng dần của lượng đường dẫn của lượng đường dẫn thấp (có thể đoán)

Nghiên cứu và dữ liệu cỡ lớn

Bên cạnh các thử nghiệm được điều khiển, bằng chứng thế giới thực từ dữ liệu liên kết đám mây vẽ một bức tranh thuyết phục. Dữ liệu phân tách từ hàng chục ngàn người dùng, được xác định và phân tích ở quy mô, tiết lộ rằng thuật toán được cập nhật thông tin qua dữ liệu lớn dẫn đến việc cải tiến toàn bộ dân số. Ví dụ, phân tích tái tạo của 20.000 người dùng của hệ thống con lai có sẵn, cho thấy sau một phần mềm được kết hợp lại một mô- đun giảm đường huyết cầu mới, tỷ lệ của các sự kiện mờ mờ (định dạng thấp hơn như cảm biến dưới đây là 54 mLd trong vòng 15 phút) giảm bớt ít nhất là trong vòng 33 phút, tất cả các nhóm được quan sát trong một đêm, đặc biệt là những tiến bộ nâng cấp dữ liệu đó được xác định để tìm kiếm dữ liệu mới. Tính năng lượng mới hơn, đặc biệt là các thuật toán người dùng để tăng cường độ bão hòa.

Những cải tiến an toàn

Sự an toàn là quan trọng nhất trong các thiết bị y tế tự động. Dữ liệu lớn tăng cường an toàn theo nhiều cách. Các thuật toán phát hiện bất thường có thể đánh dấu phần cứng bị trục trặc (v. d., giảm thiểu cảm biến, giảm thiểu bộ lọc, đặt các mẫu thẩm thấu) bằng cách phân tích các mẫu dữ liệu trong luồng dữ liệu mà đi lệch từ chuẩn đã học. Ví dụ, sự gia tăng đột ngột trong tín hiệu CGM có thể kết hợp với việc truyền insulin có thể chỉ ra một cảm biến bộ cảm biến không ổn định. Lỗi, không kiểm soát được dữ liệu thừa sử dụng để xác định mức độ biến đổi của các mô hình cơ quan hệ thống định mức độ cao của cơ quan hệ thống định mức độ nguy cơ bị giảm cân bằng đường huyết, hoặc việc đưa ra các yếu tố insulin. Trong trường hợp thứ ba, có khả năng xác định khả năng xác định khả năng tăng mức độ nguy cơ bản phân tích thấp hơn, khả năng tăng mức độ nguy cơ bản của các bệnh nhân, khả năng tăng khả năng tăng khả năng tăng khả năng tăng mức độ hấp dẫn đến mức độ hấp dẫn đến mức độ nguy cơ bản hoặc khả năng tăng dữ liệu của các bệnh nhân,

Những thử thách

Bất chấp lời hứa, việc tích hợp dữ liệu lớn vào hệ thống tuyến tụy nhân tạo không phải là không có trở ngại.

Quyền riêng tư và an ninh của dữ liệu

Dữ liệu sức khỏe nằm trong số thông tin nhạy cảm nhất. Thu thập và phân tích dữ liệu từ nhiều nguồn khác nhau làm tăng mối quan ngại về sự xác định lại, vi phạm dữ liệu và việc sử dụng thứ hai. Tại Hoa Kỳ, tuân theo thông tin cá nhân là bắt buộc, trong khi người dùng châu Âu rơi vào GDPR. Dữ liệu phải được phân loại, mã hóa trong giao thông và quản lý lại. Hơn nữa, bệnh nhân phải cung cấp sự đồng ý rõ ràng để sử dụng dữ liệu của họ trong luyện tập thuật toán và cải tiến liên tục. Các cơ sở dữ liệu quản trị nội bộ là thiết yếu để duy trì sự tin và tránh bị sửa phạt. Dùng kỹ thuật vi phân biệt kỹ thuật vi phân tích - các kỹ thuật khác nhau để xử lý dữ liệu có thể quản lý hoặc sử dụng dữ liệu có khả năng xử lý thông tin hoặc sử dụng lại các thông tin có ích để ngăn chặn lại.

Tiêu chuẩn và khả năng giao tiếp

Môi trường thiết bị tiểu đường bị phân tán. CGM, insulin bơm, bộ theo dõi hoạt động, và hệ thống EE 11073 thường sử dụng định dạng dữ liệu cá nhân và giao thức liên lạc. Không có giao diện dữ liệu chuẩn, tổng hợp dữ liệu qua thiết bị và nhà cung cấp rộng rãi trở thành công nhân và lỗi. Các chương trình hỗ trợ mở có giá trị chuẩn của đường ống và quản lý thương mại. Có thể là những thiết bị hỗ trợ y tế và hỗ trợ khả năng chuyển đổi dữ liệu thiết bị y tế, có khả năng chuyển đổi dữ liệu thiết bị thiết bị y tế, đơn giản hóa và hệ thống thiết bị thông tin liên lạc. Các nền tảng mở như UPMTXT và Loop có giá trị của hệ thống hỗ trợ các đường ống dẫn và hệ thống thông tin liên lạc thương mại.

Các biện pháp tính toán

Thuật toán tuyến tụy nhân tạo phải thực hiện trên phần cứng được đào tạo theo cách thường thì bộ xử lý vi xử lý bên trong một máy bơm insulin hoặc ứng dụng giao tiếp điện thoại thông minh. Chạy những mô hình phức tạp với hàng triệu tham số trên thiết bị như vậy là khó khăn. Tính toán cạnh phải tiếp cận để giảm lượng tính toán nặng lên đám mây chỉ khả năng khi khả năng kết nối mạng thấp, đáng tin cậy. Trong vùng hoặc trong khi di chuyển, khả năng kết nối có thể bị mất, để buộc các thuật toán dựa vào một số nhỏ hơn rơi xuống. Việc tăng cường độ phân biệt chủng tộc, việc tinh chỉnh và cải tiến là khu vực nghiên cứu hoạt động để đạt được hiệu suất thực tế về các hệ thống chính xác mà không cần thiết. Một số nhà sản xuất các cấu trúc tinh vi nhất hiện thời, khi các nhà sản xuất các đường ống dẫn tinh vi nhất có thể chạy trong vòng năm phút, khi cập nhật lượng mây.

Hướng tương lai

Quỹ đạo của công nghệ tuyến tụy nhân tạo chỉ tới các hệ thống tự trị, đa bán kính, và nhận thức về ngữ cảnh.

Hệ thống đa Hormone

Hệ thống đóng gần đây chỉ ra insulin. Thêm vào glucagon sẽ cho phép phương pháp tuyến tụy hai vòng lặp có thể tăng và hạ độ đường huyết thấp hơn, có khả năng loại bỏ hoàn toàn giảm đường huyết thấp. Tuy nhiên, kiểm soát hai hóc môn trong thời gian thực yêu cầu một thuật toán phức tạp hơn. Dữ liệu lớn từ các nghiên cứu tiền liệt và lâm sàng của tuyến vú hai tuyến có thể thông báo sự phát triển của các chính sách kiểm soát tinh vi mà insulin và glucling làm dựa trên dự đoán khí cầu, tính thành phần trong bữa ăn và tập luyện. Các nhà nghiên cứu cũng đang sử dụng Pzlin (một loại khí equaliplin) bên cạnh đó để giảm thiểu sự phân giải mã và giảm lượng hấp dẫn độ sáng và chất lượng hấp dẫn, chất lượng đường dẫn phức tạp hơn, và chất lượng đường dẫn đến các dữ liệu phức tạp hơn, và chất lượng đường dẫn đến các chất lượng đường dẫn tới các chất lượng tử phức tạp, và chất lượng tử phụ có thể tiếp tục tăng lên tới các dự đoán và tăng cường độ phức tạp hơn.

Hợp nhất với những cặp song sinh kỹ thuật số và kỹ thuật số

Cảm biến có thể mang qua CGMs - ví dụ như máy phát hiện sinh lý liên tục ketone, cảm biến đường ống dẫn mồ hôi, và thậm chí các thiết bị quang học không xâm nhập được cung cấp luồng dữ liệu giàu hơn. Kết hợp với công nghệ sinh học sinh học sinh học số, nơi mà sinh lý của bệnh nhân được mô phỏng trong silico, các nhà nghiên cứu có thể chạy hàng triệu thuật toán lặp lại để tối ưu hóa chúng trong thế giới thực. Các nền tảng sinh đôi dựa trên mây kết hợp dữ liệu từ hàng ngàn bệnh nhân thực tế cho phép các thuật toán phân loại trong khi duy trì riêng tư nhân thông qua việc học, một số nhóm nghiên cứu đã xây dựng trong mô hình dự án hỗ trợ các mô hình kỹ thuật toán, và hiệu ứng nhạy cảm với các ứng thử nghiệm cá nhân, sẽ không thể thực hiện được.

Đường dẫn điều chỉnh cho thiết bị Al/ML- Bassed

Các cơ quan điều chỉnh như cơ quan phục vụ các khuôn khổ của họ để thích nghi với việc học hỏi các thiết bị y khoa dựa trên máy học dựa trên thời gian để cải thiện các thiết bị y học dựa trên cơ sở dữ liệu. Các cơ quan của cơ quan này đề nghị “những phương pháp liên kết sản phẩm sinh sản với hệ thống tuyến tụy nhân tạo, phải cho thấy rằng mỗi phiên bản đều an toàn và hiệu quả, mà đòi hỏi sự xác thực về dữ liệu đa dạng đại diện cho mục tiêu của cộng đồng. Thiết bị điều khiển Y tế Châu Âu (RDM) cũng đòi hỏi sự giám sát một phần lớn của việc giám sát, sau khi hệ thống nhân tạo ra các dữ liệu.

Thiết kế thiết bị chính tả và kinh nghiệm người dùng

Cuối cùng, sự thành công của hệ thống tuyến tụy nhân tạo phụ thuộc vào sự chấp nhận và sự gắn kết lâu dài của người dùng. Dữ liệu lớn có thể thông báo cho người dùng thiết kế và hỗ trợ. Việc phân tích các mẫu hoạt động của người dùng. Đóng các vòng lặp giữa dữ liệu và thuật toán, các hệ thống có thể tạo ra không chỉ hiệu quả lâm sàng mà còn có tính trực giác và cũng có thể gây ra các dữ liệu về người dùng. Phân tích một phần trăm của dữ liệu người dùng có thể bị mất đi thông báo động, bị lờ đi, bị cảnh giác và giảm hiệu quả, có thể cải tiến.

Kết luận

Dữ liệu lớn không phải là một sự gia tăng ngoại biên đến hệ thống tuyến tụy nhân tạo - nó là một khả năng cơ bản để xác định tốc độ tiến trình tự trị, và thích nghi với hệ sinh thái độc đáo của mỗi cá nhân. Bằng cách khai thác dòng dữ liệu lớn được tạo ra bởi các chất có thể mặc, bơm, và các hồ sơ lâm sàng, các nhà nghiên cứu và kỹ sư có thể xây dựng các thuật toán học từ hàng triệu giờ kinh nghiệm, dự đoán các chuyến đi xuyên suốt, và thích nghi với hệ thống sinh thái độc đáo của mỗi cá nhân. Bằng chứng rõ ràng: các thuật toán hướng dữ liệu có khả năng tăng thời gian trong phạm vi, giảm lượng đường huyết áp và tăng an toàn xung quanh tính riêng tư, tính tương tác dụng và tính năng hiệu quả, nhưng chúng được xử lý kỹ thuật và được cải tiến hóa qua cả hai hệ thống y tế và sự tăng cường của cả hai hệ thống tính và hệ thống tính năng tăng tính năng tăng tính năng tăng cường độ tính năng tăng tính năng tăng tính năng tăng tính năng lượng và tăng tính năng lượng của cơ bản và tăng tính năng tăng cường độ tính năng lượng của bệnh nhân để tăng tính năng lượng và tăng tính năng lượng của

Nguồn tài nguyên bên ngoài để đọc thêm: