Как AI и ML мащабират събирането на данни, за да трансформират медицинското наблюдение

Изкуственият интелект (AI) и машинното обучение (ML) могат да бъдат намерени в почти всяка индустрия, движейки това, което някои смятат за нова епоха на иновациите – особено в здравеопазването, където се очаква ролята на AI да нараства с 50% годишна ставка до 2025 г. ML играе все по-важна роля в подпомагането на диагнозите, изображенията, прогнозно здраве, И още.

С новите медицински устройства и носими устройства на пазара, ML има способността да трансформира медицинското наблюдение чрез събиране, анализиране и предоставяне на лесно достъпна информация за хората, за да управляват по-добре собственото си здраве – подобрявайки вероятността за ранно откриване или превенция на хронични заболявания. Има няколко фактора, които изследователите трябва да имат предвид, когато разработват тези нови технологии, за да гарантират, че събират данни с най-високо качество и изграждат мащабируеми, точни и справедливи ML алгоритми, подходящи за случаи на употреба в реалния свят.

Използване на ML за мащабиране на клинични изследвания и анализ на данни

През последните 25 години, разработване на медицински изделия се ускори, особено по време на пандемията от COVID-19. Започваме да виждаме все повече потребителски устройства, като фитнес тракери и носими устройства, да се превръщат в комерсиални продукти и развитието да преминава към медицински диагностични устройства. С пускането на тези устройства на пазара техните възможности продължават да се развиват. Повече медицински устройства означава повече непрекъснати данни и по-големи, по-разнообразни набори от данни, които трябва да бъдат анализирани. Тази обработка може да бъде досадна и неефективна, когато се извършва ръчно. ML позволява обширни набори от данни да бъдат анализирани по-бързо и с по-голяма точност, идентифицирайки модели, които могат да доведат до трансформиращи прозрения.

Тъй като всички тези данни вече са на една ръка разстояние, ние трябва да гарантираме, че обработваме преди всичко прав данни. Данните оформят и информират технологията, която използваме, но не всички данни осигуряват същата полза. Нуждаем се от висококачествени, непрекъснати, безпристрастни данни, с правилните методи за събиране на данни, подкрепени от медицински справки със златен стандарт като сравнителна база. Това гарантира, че изграждаме безопасни, справедливи и точни алгоритми за машинно обучение.

Осигуряване на справедливо развитие на системата в областта на медицинските изделия

Когато разработват алгоритми, изследователите и разработчиците трябва да разглеждат по-широко предвидените популации. Не е необичайно за повечето компании да провеждат проучвания и клинични изпитвания в единствен, идеален случай, който не е от реалния свят. Въпреки това е от решаващо значение разработчиците да вземат предвид всички случаи на употреба в реалния свят за устройството и всички възможни взаимодействия, които тяхното предназначено население може да има с технологията ежедневно. Питаме: коя е предвидената популация за устройството и вземаме ли предвид цялата популация? Всеки от целевата аудитория има ли равен достъп до технологията? Как ще си взаимодействат с технологията? Ще взаимодействат ли с технологията 24/7 или периодично?

Когато разработваме медицински устройства, които ще се интегрират в нечие ежедневие или потенциално ще се намесят в ежедневното поведение, ние също трябва да вземем предвид целия човек – ум, тяло и среда – и как тези компоненти могат да се променят с времето. Всеки човек предоставя уникална възможност, с вариации в различни точки през деня. Разбирането на времето като компонент в събирането на данни ни позволява да разширим прозренията, които генерираме.

Като вземат предвид тези елементи и разбират всички компоненти на физиологията, психологията, фона, демографията и данните за околната среда, изследователите и разработчиците могат да гарантират, че събират непрекъснати данни с висока разделителна способност, които им позволяват да изграждат точни и силни модели за приложения за човешкото здраве.

Как ML може да промени управлението на диабета

Тези най-добри практики за ML ще бъдат особено трансформиращи в пространството за управление на диабета. Епидемията от диабет се разраства бързо по целия свят: 537 милиона души по света живеят с диабет тип 1 и тип 2 и се очаква този брой да нарасне до 643 милиона до 2030 г. При толкова много засегнати е наложително пациентите да имат достъп до решение, което им показва какво се случва в собственото им тяло и им позволява да управляват ефективно състоянието си.

През последните години, в отговор на епидемията, изследователи и разработчици започнаха да изследват неинвазивни методи за измерване на кръвната захар, като техники за оптично отчитане. Тези методи обаче имат известни ограничения, дължащи се на различни човешки фактори, като нива на меланин, нива на ИТМ или дебелина на кожата.

Радиочестотната (RF) сензорна технология преодолява ограниченията на оптичните сензори и има потенциала да трансформира начина, по който хората с диабет и преддиабет управляват здравето си. Тази технология предлага по-надеждно решение, когато става въпрос за неинвазивно измерване на кръвната захар, поради способността си да генерира големи количества данни и безопасно да измерва през целия набор от тъкани.

RF сензорната технология позволява събиране на данни в няколкостотин хиляди честоти, което води до милиарди наблюдения на данни за обработка и изисква мощни алгоритми за управление и интерпретиране на такива големи и нови масиви от данни. ML е от съществено значение при обработката и интерпретирането на огромното количество нови данни, генерирани от този тип сензорна технология, което позволява по-бързо и по-точно разработване на алгоритъм – от решаващо значение за изграждането на ефективен неинвазивен глюкозен монитор, който подобрява здравните резултати във всички предвидени случаи на употреба.

В областта на диабета също виждаме преминаване от периодични към непрекъснати данни. Убождането на пръста, например, дава представа за нивата на кръвната захар в избрани точки през целия ден, но непрекъснатият глюкозен монитор (CGM) предоставя представа на по-чести, но непостоянни стъпки. Тези решения обаче все още изискват пробиване на кожата, което често води до болка и чувствителност на кожата. Неинвазивното решение за мониторинг на кръвната захар ни позволява да улавяме висококачествени непрекъснати данни от по-широка популация с лекота и без забавяне на измерването. Като цяло, това решение би осигурило безспорно по-добро потребителско изживяване и по-ниски разходи във времето.

В допълнение, големият обем непрекъснати данни допринася за разработването на по-справедливи и точни алгоритми. Тъй като се събират повече данни от времеви серии, в комбинация с данни с висока разделителна способност, разработчиците могат да продължат да изграждат по-добри алгоритми за увеличаване на точността при откриване на кръвната захар с течение на времето. Тези данни могат да подхранват непрекъснато подобряване на алгоритъма, тъй като включват различни фактори, които отразяват как хората се променят ден за ден (и през един ден), давайки много точно решение. Неинвазивните решения, които наблюдават различни жизнени показатели, могат да трансформират индустрията за медицински мониторинг и да осигурят по-задълбочен поглед върху това как функционира човешкото тяло чрез непрекъснати данни от различни популации пациенти.

Медицински изделия, създаващи взаимосвързана система

С напредването на технологиите и системите за медицински устройства постигат още по-високи нива на точност, пациентите и потребителите виждат все повече и повече възможности да поемат контрол върху собственото си ежедневно здраве чрез усъвършенствани и мултимодални данни от различни продукти. Но за да се види най-голямото въздействие от данните за медицински устройства и носими устройства, трябва да има взаимосвързана система, която да създаде плавен обмен на данни между множество устройства, за да се осигури холистичен поглед върху здравето на индивида.

Приоритизиране оперативна съвместимост на медицинското устройство ще отключи пълната способност на тези устройства за подпомагане на управлението на хронични заболявания, като диабет. Безпроблемен поток и обмен на информация между устройства като инсулинови помпи и CGM ще позволи на хората да имат по-добро разбиране на тяхната система за управление на диабета.

Данните с висока точност имат потенциала да трансформират здравната индустрия, когато се събират и използват правилно. С помощта на AI и ML, медицинските устройства могат да направят измеримо развитие в рамките на дистанционно наблюдение на пациенти, като третират индивидите като индивиди и разбират здравето на човека на по-дълбоко ниво. ML е ключът към отключването на прозрения от данни за информиране на протоколи за прогнозиране и превантивно управление на здравето и овластяване на пациентите с достъп до информация за собственото им здраве, трансформирайки начина, по който се използват данните.