Jak AI a ML škálovat sběr dat pro transformaci lékařského monitorování

Umělé inteligence (AI) a strojové učení (ML) lze najít téměř ve všech odvětvích, pohánějí, co někteří považují za novou éru inovací – zejména ve zdravotnictví, kde se odhaduje, že role AI poroste o 50% sazbu ročně do roku 2025. ML hraje stále důležitější roli při asistenci s diagnózami, zobrazováním, prediktivní zdravotní péčí a dalšími.

S novými zdravotnickými zařízeními a nositelnými zařízeními na trhu má ML schopnost transformovat lékařské monitorování shromažďováním, analýzou a poskytováním snadno přístupných informací, aby lidé mohli lépe spravovat své vlastní zdraví – zlepšující pravděpodobnost časného zjištění nebo prevence chronických onemocnění. Existují několik faktorů, které výzkumníci by měli mít na paměti při vývoji těchto nových technologií, aby zajistili, že shromažďují nejvyšší kvalitu dat a budují škálovatelné, přesné a spravedlivé algoritmy ML vhodné pro reálné použití.

Použití ML pro škálování klinického výzkumu a analýzy dat

Za posledních 25 let se vývoj zdravotnických zařízení urychlil, zejména během pandemie COVID-19. Začínáme vidět více spotřebitelských zařízení, jako jsou fitness trackery a nositelná zařízení, které se stávají komoditou, a vývoj se přesouvá na diagnostická zdravotnická zařízení. Jakmile jsou tato zařízení uvedena na trh, jejich schopnosti pokračují v evoluci. Více zdravotnických zařízení znamená více kontinuálních dat a větší, rozmanitější datové sady, které je třeba analyzovat. Toto zpracování může být únavné a neefektivní, když se provádí ručně. ML ermögňuje rozsáhlé datové sady analyzovat rychleji a s větší přesností, identifikuje vzory, které mohou vést k transformujícím poznatkům.

S všemi těmito daty nyní na dosah ruky, musíme se nejprve ujistit, že zpracováváme správná data. Data formují a informují technologii, kterou používáme, ale ne všechna data poskytují stejný benefit. Potřebujeme vysokou kvalitu, kontinuální, nezkreslená data, s správnými metodami sběru dat podporovanými zlatým standardem lékařských referencí jako srovnávací základnou. To zajišťuje, že budujeme bezpečné, spravedlivé a přesné algoritmy ML.

Zajištění spravedlivého vývoje systému ve zdravotnickém prostoru

Při vývoji algoritmů musí výzkumníci a vývojáři zvážit své cílové populace šířeji. Není neobvyklé, že většina společností provádí studie a klinické zkoušky v jednom, ideálním, nereálném případě. Nicméně je kritické, aby vývojáři zvážili všechny reálné použití zařízení a všechny možné interakce, které jejich cílová populace může mít s technologií v denním životě. Ptáme se: kdo je cílová populace pro zařízení, a zda faktorujeme celou populaci? Má každý v cílovém publiku rovný přístup k technologiím? Jak budou interagovat s technologií? Budou interagovat s technologií 24/7 nebo přerušovaně?

Při vývoji zdravotnických zařízení, která se budou integrovat do denního života nebo potenciálně zasahovat do denních chování, musíme také faktorovat celý člověka – mysl, tělo a prostředí – a jak tyto komponenty mohou měnit v čase. Každý člověk představuje jedinečnou příležitost, s variacemi v různých bodech po celý den. Porozumění času jako komponentě ve sběru dat nám umožňuje amplifikovat poznatky, které generujeme.

Faktorováním těchto prvků a porozuměním všem komponentám fyziologie, psychologie, pozadí, demografie a environmentálních dat mohou výzkumníci a vývojáři zajistit, že shromažďují vysokou rozlišovací, kontinuální data, která jim umožňují budovat přesné a silné modely pro aplikace lidského zdraví.

Jak ML může transformovat management diabetu

Tyto nejlepší postupy ML budou zvláště transformační v prostoru managementu diabetu. Epidemiologie diabetu se rychle šíří po celém světě: 537 milionů lidí na celém světě žije s diabetem 1. a 2. typu a toto číslo se očekává, že poroste na 643 milionů do roku 2030. S tak mnoha postiženými je nezbytné, aby pacienti měli přístup k řešení, které jim ukáže, co se děje uvnitř jejich vlastního těla, a umožní jim účinně spravovat své podmínky.

V posledních letech, v reakci na epidemii, výzkumníci a vývojáři začali zkoumat neinvazivní metody měření krevní glukózy, jako jsou optické senzorické techniky. Tyto metody však mají známá omezení kvůli různým lidským faktorům, jako jsou hladiny melaninu, BMI nebo tloušťka kůže.

Radiofrekvenční (RF) senzorová technologie překonává omezení optického senzoru a má potenciál transformovat způsob, jakým lidé s diabetem a prediabetem spravují své zdraví. Tato technologie nabízí spolehlivější řešení pro neinvazivní měření krevní glukózy díky své schopnosti generovat velké množství dat a bezpečně měřit přes celý tkáňový svazek.

RF senzorová technologie umožňuje sběr dat přes několik set tisíc frekvencí, což vede k miliardám datových pozorování, které je třeba zpracovat a vyžadují výkonné algoritmy pro jejich správu a interpretaci. ML je nezbytné pro zpracování a interpretaci obrovského množství nových dat generovaných touto typem senzorové technologie, umožňující rychlejší a přesnější vývoj algoritmů – kritické pro budování efektivní neinvazivní glukózy, která zlepšuje zdravotní výsledky ve všech cílových případech použití.

V prostoru diabetu také vidíme posun od přerušovaného k kontinuálnímu sběru dat. Například punkce prstu poskytuje informace o hladinách krevní glukózy v určitých bodech po celý den, ale kontinuální glukózový monitor (CGM) poskytuje informace v častějších, ale nekontinuálních intervalech. Tyto řešení však stále vyžadují propíchnutí kůže, často vedoucí k bolesti a citlivosti kůže. Neinvazivní řešení pro monitorování krevní glukózy umožňuje zachytit vysokou kvalitu kontinuálních dat z širší populace s lehkostí a bez zpoždění v měření. Celkově by toto řešení poskytlo nepochybně lepší uživatelský zážitek a nižší náklady v čase.

Kromě toho velký objem kontinuálních dat přispívá k vývoji více spravedlivých a přesných algoritmů. Jakmile je shromážděno více časových řad dat, ve spojení s vysokým rozlišením dat, vývojáři mohou pokračovat ve vývoji lepších algoritmů pro zvýšení přesnosti detekce krevní glukózy v čase. Tato data mohou pohánět pokračující zlepšování algoritmů, protože zahrnují různé faktory, které odrážejí, jak se lidé mění den ze dne (a po celý den), vedoucí k vysoce přesnému řešení. Neinvazivní řešení, která monitorují různé vitální funkce, mohou transformovat zdravotnickou monitorovací průmysl a poskytnout hlubší pohled na to, jak lidské tělo funguje prostřednictvím kontinuálních dat z různých pacientských populací.

Zdravotnická zařízení vytvářející propojený systém

Jak technologie pokročí a zdravotnická zařízení dosáhnou ještě vyšší úrovně přesnosti, pacienti a spotřebitelé vidí více a více příležitostí k ovládnutí svého vlastního denního zdraví prostřednictvím pokročilých a multimodálních dat z různých produktů. Ale aby se viděl největší dopad ze zdravotnických zařízení a nositelných dat, musí existovat propojený systém pro hladký přenos dat napříč několika zařízeními, aby se poskytl holistický pohled na zdravotní stav jednotlivce.

Prioritizace interoperability zdravotnických zařízení odemkne plnou kapacitu těchto zařízení, aby pomohly spravovat chronická onemocnění, jako je diabetes. Bezproblémový tok a výměna informací mezi zařízeními, jako jsou inzulínové pumpy a CGM, umožní jednotlivcům lépe porozumět svému systému managementu diabetu.

Vysokofrekvenční data mají potenciál transformovat zdravotnický průmysl, pokud se shromažďují a používají správně. S pomocí AI a ML mohou zdravotnická zařízení dosáhnout měřitelného pokroku v oblasti vzdáleného monitorování pacientů, léčbou jednotlivců jako jednotlivců a porozuměním zdraví člověka na hlubší úrovni. ML je klíčem k odemknutí poznatků z dat, aby informoval prediktivní a preventivní zdravotní managementové protokoly a vybavil pacienty přístupem k informacím o svém vlastním zdraví, transformujícím způsob, jakým se používají data.