糖尿病教育中适应性学习算法的崛起

糖尿病影响着全世界超过5.37亿成年人,而且这一数量还在不断上升。 有效的自我管理对于预防并发症至关重要,然而传统的一刀切的教育往往不能让患者参与进来或满足他们的独特需求。 输入适应性学习算法:数据驱动的系统,使教育内容适合每个人的XQ-8217;知识水平、行为和临床背景。 通过利用实时病人数据和机器学习,这些算法有望将糖尿病教育从静态讲座转变为动态的、个性化的旅程。

与遵循固定课程的标准电子学习平台不同,适应性学习系统不断调整基于学习者QQ8217的学习材料难度、速度和重点;以及性能和反馈。 在糖尿病护理中,这意味着在胰岛素计时上挣扎的患者会获得碳水化合物计分和校正剂量方面的定向模块,而具有优秀的甘油控制但不良的足护理习惯的人则会在日常脚步检查中得到提醒和演示。 结果,高效的,接触的经验可以加速掌握自理技能。

糖尿病适应性学习算法的核心组成部分

为了了解这些系统是如何运作的,它有助于将它们分解成四个相互关联的层次:

  1. 数据摄取层[------------]; 从葡萄糖监测器,胰岛素泵,活性跟踪器,药物记录,病人报告的结果,以及电子健康记录中收集结构化和无结构化的数据.
  2. Learner Model --8211; 患者的统计或机器学习表现; 当前的知识, 技能差距, 学习风格, 以及行为模式。 此模式在每次互动后都会被更新 。
  3. Content Repositories * * *; 模块化教育资产库(视频,问答,模拟,文本摘要)被标记为难度级,话题,先决条件技能,以及格式偏好.
  4. 建议引擎[]---8211; 通过平衡三个因素来选择次佳学习活动的算法:患者需要学习什么(知识差距),他们准备学习什么(近似发育区),以及保持他们动力的是什么(接触预测器,如白天时间,最近坚持,或偏好的格式等).

这些层在循环中一起工作:患者与系统互动,学习者模型更新,推荐引擎再计算,通过智能手机应用,网络界面,甚至智能扬声器发送出新的内容片段.

推动适应的现实世界数据来源

学习者模式的丰富性取决于输入的数据的多样性。

  • 连续的葡萄糖监测器(CGMs) → 8211; 提供时间距离,甘油可变性,并有趋势箭头,表明患者是否为高血糖,低血糖,或稳定.
  • 胰岛素泵或智能笔日志---8211;显示坚持玄武和波斯剂量,校正模式,并误入剂量.
  • 活性和睡眠跟踪器[--8211;体育活动和睡眠质量会直接影响胰岛素的敏感性;算法可以将教育提示与这些状态相链接.
  • 疗养调查和微量回馈 ⁇ 8211;短而有时的问题( ⁇ 8220;你对运动后调整剂量有多有信心? ⁇ 8221;) 立即深入了解信心水平和误解.
  • 电子健康记录 ⁇ 8211; 实验室结果(HbA1c,eGFR,脂质),同分症,药物清单为定制内容复杂度和紧迫性提供了临床背景.

发展进程:从数据到部署

建立适合糖尿病教育的可生产学习系统是一项多学科工作,涉及内分泌学家、糖尿病教育者、数据科学家、软件工程师和UX设计师。

1. 需求评估和内容绘图

在写出单一的代码之前,团队定义了糖尿病自我管理教育的全部范围,其中包括以下主题领域: 糖尿病自我管理教育 糖尿病自我管理教育 糖尿病自我管理教育 糖尿病自我管理自我管理教育 糖尿病自我管理自我管理教育 糖尿病自我管理自我管理教育 糖尿病自我管理自我管理教育 糖尿病自我管理自我管理教育 糖尿病自我管理自我管理教育 糖尿病自我管理自我管理教育 自我管理自我管理教育 自我管理自我管理教育 自我管理自我管理教育 自我管理教育 自我管理教育 自我管理教育 自我管理教育 自我管理教育 自我管理教育 自我管理教育 自我管理教育 自我管理教育 自我管理教育 自我管理教育 自我管理教育 自我管理 自我管理 自我管理 自我管理 自我管理 教育 教育 自我管理 自我管理 教育 自我管理 教育 , 自身 , 糖尿病 , 糖尿病 糖尿病 糖尿病 糖尿病 糖尿病 糖尿病 糖尿病 糖尿病 疾病 疾病 疾病 疾病 疾病 疾病 疾病 疾病 疾病 疾病 疾病 疾病 疾病 疾病 疾病 疾病 疾病 疾病 疾病 疾病 疾病 疾病

  • 了解血糖目标和监测
  • 碳水化合物计数和膳食规划
  • 胰岛素的服用和剂量调整
  • 预防和治疗低血糖症
  • 病日管理
  • 脚护理、眼科护理和心血管风险减少

每个话题被分入微学习目标(如:QQ8220;识别黎明现象的3个原因-QQ8221;或:QQ8220;计算出血糖的校正剂量为250 mg/dLXXX8221;内容创建者然后在不同阅读层次上开发出多个版本的同一种学习目标,使用不同的媒介(文本,视频,互动模拟)和文化背景.

2. 数据收集战略

初步培训数据来自糖尿病教育计划的历史记录、现有应用软件中的病人互动记录以及专家鉴定的病人个人。 然而,真正的适应系统需要实时数据摄取。 团队必须设计安全、符合要求的管道,从病人的治疗装置和紧急卫生数据中提取解析数据。 同意和数据治理从一开始就会依照美国HIPAA或欧洲GDPR等法规加以解决。

外部资源:从Diabetes数据标准联盟[读取更多关于糖尿病设备互操作性的数据标准.

3. 示范培训和鉴定

适应系统所使用的机器学习模型从简单的巴伊西亚知识追踪到深度强化学习。最常见的方法是混合:

  • 知识追踪[]--8211;根据患者的反应历史估计患者掌握每种技能的概率. 一个常见的算法是巴耶斯知识追踪(BKT)模型,该模型已成功被应用到数学和科学的智能辅导系统.
  • 协同过滤[--8211;来自上千个类似用户的收发图案来推荐有助于其他人具有可比较剖面图的内容. 例如,如果HbA1c高和XQ8220低的患者;meal plansaction;XX8221;在预波路斯计时的视频后,收分提高,系统会为一位具有同一张剖面图的新患者展示出该视频.
  • 强制学习(RL) QQ8211; 该算法将每个教育决定视为产生奖励(例如,改进的测验分数,增加时间范围)的行动. RL代理学习了每个人学习活动的最佳顺序,超过上千个交互.

模型通过A/B测试和试点研究来进行历史数据培训并进行微调。 验证尺度不仅包括知识收益,还包括行为变化,如降低低血糖事件、提高药物坚持率和更高的患者满意度分数。

4. 内容个性化引擎

一旦模型预测病人接下来应该学习什么,个性化引擎会选择最合适的内容模块. 引擎考虑: .

  • 耐尔纳状态--8211;当前掌握水平,最近出错,订婚疲劳.
  • Context *==; 日出时间(如:早起与入睡时间),地点(家出与出活时间),近代设备读取(晚饭后高葡萄糖会触发后起子后钉上的一个模块).
  • 感想状态 [ QQ8211; 有系统通过响应时间,请求提示的数量,或自我报告的情绪来检测挫折感或无聊感. 当沮丧感高时,系统可能提供评论游戏或激励性信息,而不是推出新的,困难的内容.
  • 学习偏好[--8211; 有的患者通过观看学习得最好,有的患者通过阅读学习,有的患者通过交互式模拟练习学习。格式化的引擎轨道导致该个人完成率和保留率最高。

输出是个性化的学习路径,可以实时适应。例如,刚学会碳计数的病人可能会得到一个短的测验,然后模拟他们调整了一顿餐花并看到由此产生的葡萄糖曲线,然后是文本摘要,以强化关键点。如果他们正确回答所有项目,系统就会继续运行;如果错过一个问题,它就会用不同的解释回转。

5. 持续评价和重复

部署不是结束。 一个专门的分析仪表板跟踪关键业绩指标:每个话题的时间对主、下降率、平均会话时间,以及最重要的临床结果,如HbA1c减少、严重缺血的频率和急诊室访问。开发小组每周开会审查这些计量标准,确定算法在何地挣扎,并相应更新内容或模型参数。

比如,如果数据显示在胰岛素类型的第一课结束后,健康素养水平低的病人正在辍学,那么团队可能会在低读水平重写该模块并添加更多的视觉辅助。 如果算法尽管接触率下降但仍不断向用户推荐同一视频,那么RL模式中的奖励功能可能需要重新平衡,以纳入新颖性作为因素。

病人和保健提供者的福利

从通用静态小册子向适应性化、个性化教育的转变,为护理方程式的双方带来了可衡量的好处。

患者-结果

  • 更高的参与 → 8211; 适应系统通过呈现从不过于简单(boring)或过于硬(burstressing)的内容来吸引人们的注意. 适应模块的完成率通常会超过80%,而非适应在线课程的完成率则会超过20-40%.
  • 改进了知识的保存[--8211; 空间重复和掌握学习,两者都被构建为适应性算法,随着时间的推移强化了概念. 研究表明,使用适应性糖尿病教育的患者比那些参加单一课堂学习的患者更准确地回忆干预后的三个月的自护理步骤.
  • 行为在规模上的变化 ; 教育被精确地锁定目标时,它激励现实世界的行动。 接受葡萄糖监测适应性辅导的病人的日常检查次数增加了15-25 % 。
  • 降低低血糖焦虑--8211; 关于识别和治疗低血糖的个性化模块,在睡觉前或锻炼后刚交付,帮助患者感到更自信并减少夜行性低血糖事件.

供应商一级优势

  • 可扩展的患者教育[---8211;一名糖尿病教育家可以使用适应平台监督上百名患者,为需要复杂管理变化或心理社会支持的人保留当面时间.
  • 可操作的临床洞察力[---8211;系统生成的报告会突出知识差距、行为模式和风险标志。 提供者可以很快看到病人仍然不明白校正剂量,并在下一次访问中强化这一信息。
  • 有效后续 ⁇ 8211; 自动提醒和报到会降低教育班的不亮出率,并确保在任用之间继续学习。
  • 人口健康管理 适应平台的汇总数据揭示了诊所糖尿病患者的共同误解,从而能够采取有针对性的质量改进举措。

执行挑战和克服这些困难的战略

尽管有希望,但糖尿病教育的适应性学习面临若干障碍,需要认真规划。

数据隐私和安全

健康数据是最敏感的个人信息。 收集CGM读取、胰岛素剂量和学习行为为违规行为创造了一个丰富的目标。 遵守HIPAA、GDPR和当地数据保护法是不容商榷的。 策略包括端到端加密、将噪音添加到汇总数据的异位隐私技术,以及让患者对收集的数据及其使用方式进行颗粒控制。 系统还应提供透明的XQ8220;数据使用仪表盘;它能准确显示算法的知识,并允许患者删除其历史。

外部资源:美国糖尿病协会的糖尿病医疗标准[ 包括了在保护病人隐私的同时纳入数字保健工具的准则.

算法透明度和信任

患者和提供者对黑盒建议十分警惕,特别是当这些建议可能影响胰岛素的剂量或餐食时间时。 算法必须可以解释:为什么它现在选择了这个视频? 是什么数据驱动了这个决定?一种方法是将一个XQ8220;xxxx8221;在用户界面中输入一个字段(例如:XX8220;这个模块是被推荐的,因为你在过去三天的早餐后血糖一直很高;XXX8221;对于提供者来说,系统应该显示模型的信心水平和支持每个建议的证据。

确保内容的相关性和文化敏感性

一种一刀切的内容库无法为不同的人群服务。 一种主要接受英语数据培训的适应性算法,城市患者可能会为农村、非英语或低识字用户提供适应性教育。 开发团队必须投资内容本地化(语言、图像、食品实例 ) 、 文化适应(例如纳入传统餐食或宗教斋戒做法)和对代表用户群体的可用性测试。 算法本身的设计应旨在发现内容不共鸣时(例如高落、低入围分数),并标出内容团队的校正。

与临床工作流程的结合

适应教育要想成为糖尿病护理的标准部分,就必须与现有的临床工作流程无缝地相接。 这意味着与EHR(这样教育建议就出现在患者的图表中,并在访问时可以审查 ) 、 糖尿病装置(CGM,泵)的互操作性以及与护理团队的平稳沟通。 理想的做法是,该系统应该向患者的初级保健诊所或内分泌学家发送每周总结报告,减轻人工数据审查的负担。

案例研究:适应性糖尿病教育的早期成功

一个大型学术医疗中心开办的试点方案招收了150名患有2型糖尿病的成年人,他们的HbA1c的含量超过9%。 参与者使用一个智能手机应用软件,该应用软件与他们的CGM结合,并具有适应性学习引擎,培训了500多个颗粒性学习目标。 六个月以上:

  • 平均时间范围从45%增加到63%。
  • 自我报告对管理高血糖的信心上升了35%。
  • App业务约定平均每天22分钟,85%的用户每周至少完成三个模块.

定性反馈显示,患者对内容的正当性表示赞赏:晚饭前的通知,并附有避免后期突起的短视频,或者提醒治疗当CGM趋势箭头指向下方时出现的低点。 这种背景个性化只有通过处理实时数据的适应性算法才有可能实现。

未来方向

糖尿病教育中的适应性学习领域仍在成熟,但几个令人兴奋的渠道正在显现。

与远程医疗和远程监测相结合

随着远程医疗成为常规,适应教育可以直接被嵌入到虚拟访问中去. 远程咨询之前,患者完成一个简短的适应模块,更新知识差距,并向临床医生发送摘要. 访问期间,医生可以关注最紧迫的问题,而不是花费时间来研究患者已经知道的材料. 访问后,算法强化了与个性化后续内容讨论的内容.

实时导师和反馈循环

想象一下一个不仅能实时教学而且能实时导师的适应系统。 拥有CGM数据流到云层的病人可以收到一个通知:\\\ 8220;你的葡萄糖在小吃后迅速上升。 记得至少15分钟前要预取葡萄糖。 这是30秒的复习,关于餐后胰岛素的时间安排。\\ 8221;这种闭门教育超越了在注意点学习行为变化。

适应多种模式和多种疾病

糖尿病很少在孤立中出现。 未来的算法不仅会适应糖尿病教育的需要,而且还会适应高血压、抑郁症或肥胖等综合症。 同一患者可能在早上接受钠分数模块,在晚上接受压力调控,这些都以跨越多起慢性病的统一的学习者模式为指导。 这一整体方法与向以患者为中心的综合护理转变是一致的。

语音和自然语言界面

智能演讲者和语音助理提供了一种提供适应教育的无手方式,特别是针对老年病人或视力低的病人。 算法可以问一个问题,倾听病人的口头回答,确定下一个最佳内容。 早期的亚马逊·阿莱克萨和谷歌助理飞行员已经表现出了对口语而不是书面指令的用户的高度满意。

实施适应性糖尿病教育的组织的最佳做法

对于寻求部署适应性学习的保健系统、付款人或数字保健公司,以下准则可以增加成功的可能性:

  1. 从范围狭小开始. 聚焦于一个高影响话题(如胰岛素剂量调整)并证明算法在扩展到全课程之前是有效的.
  2. 从第一天起就参与糖尿病教育者。 他们的专门知识对于内容的创造、学习者模型的验证和算法输出的诠释至关重要。
  3. 设计包容性. 测试不同的患者群以避免算法偏差. 使用平话,多语言,并进行文化改造.
  4. 测量知识和行为. 单是查兹分数是不够的,跟踪临床结果(HbA1c,时间距离,低血糖率)可以证明真实世界的影响.
  5. 迭代改进计划. 适应系统从未完成. 预算用于持续内容更新,模式再培训,以及基于分析的用户经验改进.

外部资源:糖尿病技术协会提供评价数字保健干预措施的框架[,其中包括适应性和个性化特征的标准。

结论

适应性学习算法代表了糖尿病教育的转折点。 这些智能系统超越静态施舍和一次性课程,在他们认知、情感和临床上与每个病人相会,引导他们更好地自我管理。 发展进程要求各临床、内容和技术团队密切合作,但回报是巨大的:患者更投入、更了解、更有信心日复一日地管理糖尿病。

随着感应技术、宽带连接和机器学习的不断进步,适应教育将成为糖尿病护理的标准组成部分 — — 不是一个很好的附加,而是增强病人能力和大规模改善结果的基本工具。 现在投资构建和完善这些算法的卫生系统和支付者将完全有能力为全世界数百万糖尿病患者提供个性化、有效和高效的教育。