Jak AI a ML škálovat sběr dat a transformovat lékařské monitorování

Umělá inteligence (AI) a strojové učení (ML) se nachází téměř ve všech odvětvích, pohánějí to, 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 pomoci s diagnózami, zobrazováním, prediktivní zdravotní péčí a dalšími.

S novými lékařskými zařízeními a nositelnými zařízeními na trhu, ML má schopnost transformovat lékařské monitorování shromažďováním, analýzou a poskytováním snadno přístupných informací pro lidi, aby mohli lépe spravovat své vlastní zdraví – zlepšením pravděpodobnosti pro časnou detekci nebo prevenci chronických onemocnění. Existuje několik faktorů, které výzkumníci sollten mít na paměti při vývoji těchto nových technologií, aby zajistili, že shromažďují nejvyšší kvalitu dat a budují škálovatelné, přesné a spravedlivé ML algoritmy vhodné pro reálné použití.

Použití ML pro škálování klinického výzkumu a datové analýzy

Za posledních 25 let se vývoj lékařských zařízení urychlil, zejména během pandemie COVID-19. Začínáme vidět více spotřebitelských zařízení, jako jsou fitness trackery a nositelná zařízení, komoditizovat, a vývoj se přesouvá na diagnostická lékařská zařízení. Jakmile jsou tato zařízení uvedena na trh, jejich schopnosti pokračují v evoluci. Více lékařských zařízení znamená více kontinuálních dat a větší, rozmanitější datové sady, které je třeba analyzovat. Tato zpracování může být únavná a neefektivní, když se provádí ručně. ML umožňuje rozsáhlé datové sady analyzovat rychleji a s větší přesností, identifikovat vzory, které mohou vést k transformujícím přehledům.

Se všemi těmito daty nyní na našich prstech, musíme zajistit především, že zpracováváme správná data. Data formují a informují technologii, kterou používáme, ale ne všechna data poskytují stejnou výhodu. Potřebujeme vysokou kvalitu, kontinuální, nesměšená data, s vhodnými metodami sběru dat podporovanými zlatým standardem lékařských referencí jako srovnávací základnou. To zajišťuje, že budujeme bezpečné, spravedlivé a přesné ML algoritmy.

Zajištění spravedlivého vývoje systému v lékařském zařízení

Při vývoji algoritmů musí výzkumníci a vývojáři zvážit své zamýšlené populace šířeji. Není neobvyklé, že většina společností provádí studie a klinické zkoušky v jednom, ideálním, nereálném případě. Nicméně je zásadní, aby vývojáři zvažovali všechny reálné použití případů pro zařízení a všechny možné interakce, které jejich zamýšlená populace mohla mít s technologií v denním životě. Ptáme se: kdo je zamýšlená populace pro zařízení, a zda zahrnujeme celou populaci? Má každý v cílové skupině rovný přístup k technologiím? Jak budou interagovat s technologií? Budou interagovat s technologií 24/7 nebo občas?

Když vyvíjíme lékařská zařízení, která se budou integrovat do někoho života, nebo potenciálně zasahovat do denních chování, musíme také zohlednit celý člověka – mysl, tělo a prostředí – a jak tyto komponenty mohou měnit v průběhu času. Každý člověk představuje jedinečnou příležitost, s variacemi v různých bodech během dne. Porozumění času jako komponentě sběru dat nám umožňuje zesílit přehledy, které generujeme.

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

Jak ML může transformovat diabetes management

Tyto nejlepší postupy ML budou zvláště transformační v oblasti diabetes managementu. Diabetes epidemie rychle roste po celém světě: 537 milionů lidí po 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 zásadní, aby pacienti měli přístup k řešení, které jim ukáže, co se děje uvnitř jejich vlastního těla a umožní jim efektivně spravovat své podmínky.

V posledních letech, v reakci na epidemii, výzkumníci a vývojáři začali zkoumat neinvazivní metody měření krevního cukru, jako jsou optické senzorické techniky. Tyto metody však mají známá omezení kvůli různým lidským faktorům, jako jsou melaninové hladiny, 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 krevního cukru díky své schopnosti generovat velké množství dat a bezpečně měřit přes celý tkáňový svazek.

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

V oblasti diabetu také vidíme posun od občasného k kontinuálnímu sběru dat. Například punkce prstu poskytuje přehledy o hladinách krevního cukru v určitých bodech během dne, ale kontinuální glukózový monitor (CGM) poskytuje přehledy v častějších, ale nekontinuálních intervalech. Tyto řešení však stále vyžadují propíchnutí kůže, často vedoucí k bolesti a citlivosti kůže. Neinvazivní řešení pro monitorování krevního cukru umožňuje zachytit vysokou kvalitu kontinuálních dat z širší populace s lehkostí a bez zpoždění.

Kromě toho přispívá velké množství kontinuálních dat k vývoji ještě spravedlivějších a přesnějších algoritmů. Jakmile je shromážděno více časových řad dat, ve spojení s vysokou rozlišitelností dat, vývojáři mohou pokračovat ve vývoji lepších algoritmů pro zvýšení přesnosti při detekci krevního cukru v průběhu času. Tato data mohou pohánět pokračující zlepšování algoritmů, protože zahrnují různé faktory, které odrážejí, jak se lidé mění z dne na den (a během jednoho dne), vedoucí k vysoce přesnému řešení. Neinvazivní řešení, která monitorují různé vitální funkce, mohou transformovat lékařské monitorování a poskytnout hlubší pohled na to, jak lidské tělo funguje, kontinuálními daty z rozmanitých pacientských populací.

Lékařská zařízení vytvářející propojený systém

Jak technologie pokročí a lékařská zařízení dosáhnou ještě vyšší úrovně přesnosti, pacienti a spotřebitelé vidí stále více příležitostí k ovládání svého vlastního denního zdraví prostřednictvím pokročilých a multimodálních dat z různých produktů. Ale aby se dosáhlo největšího dopadu z dat lékařských zařízení a nositelných zařízení, je třeba vytvořit propojený systém pro hladký výměnu dat napříč několika zařízeními, aby se poskytla holistický pohled na zdraví jednotlivce.

Prioritou lékařské zařízení interoperability bude odemknout plnou kapacitu těchto zařízení, aby pomohly spravovat chronická onemocnění, jako je diabetes. Hladký tok a výměna informací mezi zařízeními, jako jsou inzulínové pumpy a CGM, umožní jednotlivcům lépe porozumět svému diabetickému managementu.

Vysokofrekvenční data mají potenciál transformovat zdravotnický průmysl, když jsou shromážděna a použita správně. S pomocí AI a ML, lékařská zařízení mohou dosáhnout měřitelných zlepšení vzdáleného monitorování pacientů tím, že léčí jednotlivce jako jednotlivce, a porozumí zdraví člověka na hlubší úrovni. ML je klíčem k odemknutí přehledů z dat, aby informovaly prediktivní a preventivní zdravotní managementové protokoly a vybavily pacienty přístupem k informacím o svém vlastním zdraví, transformujícím způsob, jakým se data používají.