Lời hứa về việc máy học hỏi trong việc quản lý tiểu đường

Trong nhiều thập niên, việc dùng insulin làm giả định các thuật toán dựa trên quy tắc — thường sử dụng các tỷ lệ phân hủy và sửa chữa — không ghi lại được những nguyên nhân hoạt động, đa chức năng của quy định về lượng đường huyết.

Tại sao tiếng Tây Ban Nha lại thấp

Quản lý insulin phổ biến, ngay cả với các máy bơm insulin và máy theo dõi insulin hiện đại và các máy tính được tiếp tục theo dõi (CGM), vẫn còn dựa vào các quy tắc nhập và lập trình bằng tay. Bệnh nhân phải ước tính lượng lượng lượng lượng nồng độ Mê-hi- tan, dự đoán trước các bài tập, và tài khoản cho căng thẳng hay bệnh tật — tất cả đều có thể thay đổi đáng kể độ nhạy của insulin. Các thuật toán cố định không thể học từ quá khứ, không thể học từ những kết quả trong quá khứ, hoặc dò theo các kết quả thời gian tinh tế. Do đó, nhiều bệnh nhân thường xuyên có khả năng chuyển đổi mật độ phân tích nồng độ oxy, hoặc sau khi quá trình tăng cường đường huyết cầu, hoặc sau khi quá trình phân tích tổng hợp chất lượng cao. Một phân tích 2022 dữ liệu thực tế của thế giới hạn điện tử cho thấy ngay cả những bệnh nhân đã kết quả tối ưu tiên tiến, vẫn còn có thể sử dụng các hệ thống lai lịch sử hơn 70% thời gian trong phạm vi thời gian (70 m2m/ 80, 80 m/ m/G/G/G) giả định giới hạn tương ứng với các trường hợp với

Vai trò của những người pha chế rượu trong việc gây ra lỗi lầm

Một sự khác rút gọn của việc hút thuốc truyền thống là sự thất bại của việc tính toán những khác biệt cá nhân trong việc hấp thụ insulin và giải phóng tính năng. Các tham số hấp thụ của người Phan - xi - an khác nhau rất nhiều do vị trí tiêm, thành phần cơ thể và thậm chí cả nhiệt độ xung quanh. Các thuật toán thường giả định một hồ sơ hành động insulin chuẩn, dẫn đến việc sắp xếp các liều insulin và giảm tiểu cầu huyết sau đó. Các mô hình máy học có thể học được đường cong đặc trưng của mỗi bệnh nhân từ dữ liệu bơm và CGM, cho phép xác định thời gian chính xác hơn củaboluse và cơ cấu trúc cơ sở dữ liệu.

Làm thế nào mô hình học hỏi máy cải tiến việc khuyên bảo insulin

Máy học hỏi tiếp cận với insulin có thể được nhóm lại thành ba loại: giám sát học tập cho dự đoán, tăng cường học cho việc ra quyết định, và các mô hình lai kết hợp cả hai. mỗi địa chỉ phân loại cụ thể của thách thức giao hàng insulin.

Học dự báo cho Glucose

Những mô hình siêu giám sát được đào tạo dựa trên dữ liệu lịch sử như CGM, liều insulin, bản ghi nhớ thực phẩm và các bản ghi nhớ hoạt động, để dự đoán mức độ trong tương lai. Những cấu trúc thông thường bao gồm những cây có chu vi nâng cao (XGGGGM), LightGBM), một cuộc nghiên cứu thường xuyên trong mạng thần kinh [RNNN], và những mạng lưới trí nhớ ngắn (LSTMTM) có thể dự đoán 30–20 phút trước với độ chính xác cao, cho phép những điều chỉnh định trước insulin. Lấy thí dụ, 2023 cuộc nghiên cứu về [F: 0] và các mạng lưới kỹ thuật toán học ngắn [FTTTM] để dự đoán một số phép sử dụng các mô hình tuyến tính toán dựa trên các mô hình tuyến tính dựa trên đường cong, không thể dự đoán được một hệ thống phụ thuộc vào mức độ chuẩn xác định tuyến tính.

Học hỏi để tự động làm

Việc học tập thêm (RL) sẽ đưa ra một bước nữa bằng cách học các liều insulin tối ưu qua thử và sai sót trong môi trường mô phỏng. Mô hình nhận phần thưởng khi lượng đường huyết áp suất nằm trong phạm vi đích và hình phạt cho việc truy cập. Qua nhiều lần lặp lại, nó học cách chọn liều insulin để tối ưu hóa lượng tử cầu tố trong lâu dài. Các đặc vụ RL đã được chỉ ra để xác định thông tin truyền thống, có thể nhận được, và có thể thực hiện một số liệu có thể được kiểm tra trong các cuộc thử nghiệm lâm sàng sớm. Một ví dụ không thể là “Các thuật toán Stanford, mà sử dụng để nghiên cứu kỹ thuật toán QID và xác định kỹ thuật toán hữu hiệu, vì nó thường có thể được xác định một lượng nhỏ hơn các dữ liệu trong việc nghiên cứu về các trường hợp cơ quan sát, và xác định lượng protein trong việc phân tích của cơ sở dữ liệu có thể được, và hiện có thể được xác định một số lượng nhỏ nhất định trước khi nghiên cứu về các đặc biệt là một số lượng protein trong việc sử dụng để xác định lượng insulin, có thể xảy ra để giảm, nhưng vẫn còn có thể được, có thể đảm bảo

Mô hình lai và phương pháp đa sắc thái

Nhiều hệ thống sản xuất kết hợp các dự đoán giám sát với các hạn chế an toàn dựa trên quy tắc « BAR nền an toàn dựa trên bộ quy tắc. Chẳng hạn, một bộ khung của LSTM và XG Boost có thể dự đoán được sự an toàn cá nhân, trong khi mô- đun RL riêng biệt cho phép một liều lượng, nhưng kết quả cuối cùng được lọc bởi một lớp bảo mật bảo mật ngăn cản việc phân phối nếu liều vượt quá ngưỡng đã xác định sẵn. Việc tiếp cận này cân bằng cá nhân với sự chấp thuận của bệnh nhân, một yêu cầu quan trọng khác dùng tối ưu hóa kiểu Bayesian để điều chỉnh các tham số thuật toán cho mỗi cá nhân, hiệu quả kết hợp các dữ liệu dân số với sự thích nghi cá nhân.

Nguồn dữ liệu chính và vai trò của chúng trong việc huấn luyện gương mẫu

Thành công của bất kỳ máy học tập hệ thống phụ thuộc vào chất lượng, hạt và đa dạng của dữ liệu.

  • Việc xem xét kỹ lưỡng (CGM): thường dùng mẫu mỗi 5–15 phút, cung cấp một loạt thời gian phong phú các giá trị của chất béo. Mô hình cần ít nhất 2–4 tuần dữ liệu CGM để thu lại nhịp circacid và các phản hồi bữa ăn. Một số mô hình cao cấp cũng dùng tín hiệu cảm biến thô (v. d. các dự đoán cho các dự đoán nhanh hơn.
  • Ghi chép bơm Insulin:) Chi tiết bản ghi số bậc ba, số lượng bolus, và thời điểm giao hàng. Những cách này cho phép các mô hình hiểu được các tính năng dinh dưỡng của các phép tương tự insulin nhanh chóng (v. d., insulin lispro, aspart). Bao gồm tính toán bảng insulinon như một tính năng có thể ngăn chặn sự chồng chồng chất.
  • Dữ liệu truyền thống: Tính toán ô nhiễm (thường dựa vào thời gian và cấu trúc vĩ mô). Một số hệ thống cao cấp cũng dùng ảnh chụp hoặc mã vạch quét để ước lượng lượng lượng lượng lượng glyclymic trọng lượng. Nội dung protein có thể trì hoãn đáng kể lượng đường hấp thụ chất béo và mô hình kết hợp các chất béo này đã cải thiện các dự đoán sau phân tử.
  • Hoạt động cơ:) Bước đếm, nhịp tim và tập thể dục từ những người có thể mặc. Tập thể dục tăng độ nhạy insulin và có thể gây ra chứng thiếu đường huyết chậm; mô hình phải học những hiệu ứng này thông qua những lúc không thuận lợi và kéo dài.
  • Máy đo và đo giấc ngủ: mức độ độ độ độ độ cảm thông (các dấu sinh học củavia), thời gian ngủ, và độ căng thẳng tự báo. Cả hai mức độ sinh lý và tâm lý tăng huyết áp qua các hóc môn phản kháng chất gây mê. Thiếu ngủ cũng làm giảm độ nhạy cảm insulin, làm cho tính năng này trở thành yếu tố quan trọng cho các dự đoán trong một đêm.
  • Giai đoạn chu kỳ kinh nguyệt:) Các biến động trong cơ thể ảnh hưởng đáng kể đến sự nhạy cảm của insulin trong việc thẩm định cá nhân; bao gồm dữ liệu này cải thiện độ chính xác mô hình của 12% trong một số nghiên cứu. Mô hình dự đoán cho giai đoạn chu kỳ có thể điều chỉnh tỷ lệ hình cầu.

Dữ liệu tổng hợp gia tăng — tạo ra dấu vết thực tế của bệnh nhân — cũng được dùng để mở rộng các bộ phận đào tạo và cải thiện sự mạnh mẽ của mô hình, đặc biệt đối với những sự kiện hiếm có như chứng hạ đường huyết nghiêm trọng.

Lợi ích của việc học thuật toán động cơ học thuật toán

Khi thực hiện đúng, máy học cung cấp những cải tiến rõ ràng hơn phương pháp thông thường:

  • Sự phân biệt đối xử theo tỉ lệ: Thuật toán có thể học từ hàng ngàn ngày dữ liệu kiên nhẫn, nhưng thích nghi với lối sống và sinh lý học độc đáo của mỗi người.
  • Mô hình dự đoán có thể ngưng sản xuất insulin trước khi sự kiện hạ đường huyết thấp xảy ra, giảm thiểu mức độ dày đặc của 50–70% trong các nghiên cứu lâm sàng. Ví dụ, tính năng tích tụ thấp của các chất béo phì trong phần trăm của phần tử Tandem:lim X2 giảm nghiêm trọng sự kiện hạ thị giác xuống 63% trong một thử nghiệm 6 tháng.
  • Thời gian đã được xác định [FLT: 1] báo cáo sự tăng 10–20% số lượng thời gian dành cho khoảng thời gian mục tiêu (70–180 mg/dL) so với liệu pháp chuẩn. Một số hệ thống đa thức đóng cửa đã đạt được trên 80% thời gian của máy tính xách tay trong thế giới thực sử dụng.
  • LLwer HbA1c: đã cải thiện khả năng điều khiển hàng ngày được dịch ra thành các đánh dấu glyclyclic dài hơn. Một meta-ana-nix của hệ thống sinh sản insulin tự động (kể cả những hệ thống dựa trên MLA1) đã tìm thấy một sự giảm HbA1c của 0,8%, có ý nghĩa lâm sàng để giảm rủi ro nhỏ về các tiểu cầu.
  • Mệt mỏi quyết định đã được chấp nhận: Bệnh nhân không cần phải liên tục tính toán liều; thuật toán điều chỉnh cơ bản và khuyên độ lớn, tăng chất lượng cuộc sống và sự theo dõi. Các cuộc khảo sát của người dùng máy bơm MLGGUGS cho biết điểm đau tiểu đường thấp hơn đáng kể.

Những sự kiện trên thế giới và bằng chứng y khoa

Hệ thống thương mại và nghiên cứu đã chứng minh rằng việc học tập máy có thể được sử dụng an toàn trong thiết lập nhà. [FLT: 0] Hệ thống hệ thống ) đã chứng minh rằng hệ thống này sử dụng một thuật toán thích ứng dựa trên dữ liệu lịch sử để tối ưu hóa và tự động chỉnh sửa boluses. Công nghệ bảo vệ thông minh của nó tự động điều chỉnh insulin dựa trên xu hướng CGM, và các nghiên cứu thực tế cho thấy thời gian Ideninrangely 75%. Tương tự nhiên, [FL: 2] và tự động sửa đổi X2] đã được sử dụng để dự đoán tính năng lượng thấp của hàng trăm bệnh nhân được sử dụng để thực hiện.

Một hệ thống sinh thái tân tiến hơn thì ở giai đoạn cuối của quá trình phát triển giai đoạn phát triển. Chẳng hạn, thuật toán [FLT:] dùng một chất tăng cường khả năng học tập không cần đến lượng cacbon — nó học các mẫu thức ăn theo thời gian.

Một ví dụ đáng chú ý khác là Mở rộng [FLT:] cộng đồng [FLT: 1], nơi người dùng đã xây dựng các mô hình mã nguồn mở mở mở để tối ưu hóa hệ thống vòng lặp đóng cửa. Trong khi không phải là năng lực của cơ quan phát triển, những nỗ lực này đã tạo ra dữ liệu thế giới thực để thông báo sự phát triển thương mại. # THE WENBNotwanging Slinging ingation systems bằng cách quảng bá việc chia sẻ dữ liệu và thiết kế thuật toán phối hợp.

Những thử thách và giới hạn

Bất chấp lời hứa, phải vượt qua nhiều trở ngại trước khi làm theo cách của MLW.

Quyền riêng tư và an ninh của dữ liệu

Dữ liệu sức khỏe rất nhạy cảm. Mô hình được đào tạo dựa trên dữ liệu bệnh nhân phải tuân theo các quy tắc như HIPAA (Mỹ) và GDPR (Europe). Khả năng học tập được phân tích, nơi mà mô hình được đào tạo ở địa phương dựa trên thiết bị và chỉ có sự cập nhật được chia sẻ — là một phương pháp hứa hẹn để bảo vệ sự riêng tư trong khi vẫn còn học cách hiểu biết về dân số. Tuy nhiên, việc học tập có khả năng giới thiệu giao tiếp với người mẫu bị đầu độc. Các kỹ thuật riêng tư khác nhau có thể tăng thêm tiếng ồn để bảo vệ điểm riêng lẻ, nhưng có thể làm giảm thiểu sự chính xác, cần thiết phải cẩn thận.

Mô hình tổng hợp và định lượng bị rạn nứt

Một mô hình được đào tạo trên một dân số có thể không được huấn luyện đúng đắn về phương diện ăn uống, di truyền, hoặc cách thức insulin tại địa phương. Việc điều chỉnh lại liên tục là cần thiết. Hơn nữa, sự chính xác về cảm biến giảm dần theo thời gian; mô hình phải được tăng cường mạnh cho đầu vào nhiễu.

Những vòng lặp điều chỉnh

Bộ phận y tế dựa trên phương pháp này cần có sự xác nhận chặt chẽ. Bộ phận này cho biết “bộ phận y khoa như một thiết bị y khoa (SaMD) đòi hỏi bằng chứng về sự an toàn và hiệu quả trên nhiều nhóm khác nhau. AI cũng là một tiêu điểm điều chỉnh — y khoa và bệnh nhân cần hiểu tại sao lại được đề nghị dùng liều. Mô hình hộp đen có khả năng được chấp thuận.

Hợp nhất với dòng chảy công việc lâm sàng

Hầu hết các nhà tâm lý học không được huấn luyện để giải thích các kết quả của ML. Sự kết hợp không dây với hồ sơ sức khỏe điện tử (EHRs) và các công cụ hỗ trợ quyết định là cần thiết. Hơn nữa, hệ thống y tế phải bồi thường cho liệu pháp điều trị đa khoa (AIGM) — một thách thức được thực hiện chậm chạp qua mã CPT mới cho việc giám sát bệnh nhân từ xa. Tại Hoa Kỳ, Trung tâm Y tế và CMS (C) đã mở rộng việc bảo vệ hệ thống bơm hệ thống CM và insulin, nhưng chưa rõ ràng là giải đáp cho chính các thuật toán AI.

Nhận nuôi và tin cậy người dùng

Ngay cả khi thuật toán được xác nhận, bệnh nhân và bác sĩ lâm sàng có thể ngần ngại không kiểm soát được sự giáo dục về lợi ích và giới hạn của hệ thống ML là cần thiết.

Các định hướng tương lai và các thuật toán dân tộc kế tiếp

Bước sóng sáng tạo tiếp theo sẽ tập trung vào:

  • Sự kết hợp dữ liệu của Multimod: kết hợp CGM với các vật có thể mặc (đồng hồ thông minh, máy theo dõi nhịp tim liên tục) và ngay cả cảm biến môi trường (v.v., nhiệt độ, số lượng phấn hoa) để bắt các chất gây stress bên ngoài.
  • Cặp song sinh tự trị: tạo ra mô hình tính toán riêng của một người có thể dùng để thử nghiệm thuật toán ML trong silico trước khi triển khai.
  • Cách điều chỉnh siêu dữ liệu một khái niệm được gọi là ít học tập.
  • Việc điều chỉnh tuyến tụy nhân tạo cho loại 2: ) Phần lớn nghiên cứu tập trung vào loại 1 tiểu đường; mở rộng hệ thống định hướng ML cho phép loại insulin 2 bệnh nhân có thể cải thiện đáng kể kết quả cho một dân số lớn hơn. Sự phức tạp tăng lên do chức năng thiếu hụt chất Bta, kháng insulin, và đa vũ khí, nhưng thử nghiệm sơ bộ với các thuật toán cho thấy lời hứa hẹn.
  • Có thể giải thích được vì việc tập thể dục trong 30 phút tới sẽ nâng cao lòng tin của bác sĩ khoa và cho phép đưa ra quyết định chung.

Kết luận

Máy học đang chuyển đổi liệu pháp insulin từ một phương pháp điều trị hữu hiệu, thay đổi từ một phương pháp điều trị hữu cơ, cá nhân, có thể giảm thiểu gánh nặng của việc quản lý tiểu đường trong khi cải thiện kết quả của bệnh nhân. Đường dẫn đến việc nhận nuôi rộng rãi sẽ tiếp tục đòi hỏi sự hợp tác giữa các nhà khoa học, bệnh nhân, bệnh nhân, người điều trị và người bệnh.