Jak AI a ML škálují shromažďování dat za účelem transformace lékařského monitorování

Umělou inteligenci (AI) a strojové učení (ML) lze nalézt téměř v každém odvětví, což je hnacím motorem toho, co někteří považují za nový věk inovací – zejména ve zdravotnictví, kde se odhaduje, že role umělé inteligence poroste v 50% sazba ročně do roku 2025. ML stále více hraje zásadní roli při pomoci s diagnostikou, zobrazováním, prediktivní zdraví, A další.

S novými zdravotnickými zařízeními a nositelnými zařízeními na trhu má společnost ML schopnost transformovat lékařské monitorování shromažďováním, analýzou a poskytováním snadno dostupných informací pro lidi, aby mohli lépe spravovat své vlastní zdraví – čímž se zvyšuje pravděpodobnost včasné detekce nebo prevence chronických onemocnění. Existuje několik faktorů, které by výzkumníci měli mít na paměti při vývoji těchto nových technologií, aby zajistili, že shromažďují data nejvyšší kvality a vytvářejí škálovatelné, přesné a spravedlivé algoritmy ML vhodné pro případy použití v reálném světě.

Použití ML pro škálování klinického výzkumu a analýzy dat

Za posledních 25 let vývoj lékařských přístrojů se zrychlil, zejména během pandemie COVID-19. Začínáme vidět, jak se stále více spotřebitelská zařízení, jako jsou fitness trackery a nositelná zařízení, mění na komodity a vývoj se přesouvá k lékařským diagnostickým zařízením. Jak jsou tato zařízení uváděna na trh, jejich možnosti se neustále vyvíjejí. Více zdravotnických prostředků znamená více souvislých dat a větší, rozmanitější soubory dat, které je třeba analyzovat. Toto zpracování může být únavné a neefektivní, když se provádí ručně. ML umožňuje rychlejší a přesnější analýzu rozsáhlých datových sad a identifikuje vzory, které mohou vést k transformativním poznatkům.

Se všemi těmito údaji, které máme nyní na dosah ruky, musíme v první řadě zajistit, že je zpracováváme přesně data. Data formují a informují technologii, kterou používáme, ale ne všechna data poskytují stejný přínos. Potřebujeme vysoce kvalitní, nepřetržitá, nezkreslená data se správnými metodami sběru dat podpořenými lékařskými referencemi zlatého standardu jako srovnávací základnou. To zajišťuje, že vytváříme bezpečné, spravedlivé a přesné algoritmy ML.

Zajištění spravedlivého rozvoje systému v oblasti zdravotnických prostředků

Při vývoji algoritmů musí výzkumníci a vývojáři zvážit své zamýšlené populace šířeji. Není neobvyklé, že většina společností provádí studie a klinické studie v ojedinělém, ideálním a nereálném případě. Je však důležité, aby vývojáři zvážili všechny případy použití zařízení v reálném světě a všechny možné interakce, které by jejich zamýšlená populace mohla mít s technologií na každodenní bázi. Ptáme se: kdo je zamýšlená populace pro zařízení a bereme v úvahu celou populaci? Má každý v cílové skupině spravedlivý přístup k technologii? Jak budou interagovat s technologií? Budou komunikovat s technologií 24/7 nebo přerušovaně?

Při vývoji zdravotnických prostředků, které se začlení do něčího každodenního života nebo potenciálně zasahují do každodenního chování, musíme také zohlednit celého člověka – mysl, tělo a prostředí – a to, jak se tyto komponenty mohou v průběhu času měnit. Každý člověk představuje jedinečnou příležitost s variacemi v různých bodech v průběhu dne. Pochopení času jako součásti sběru dat nám umožňuje rozšířit poznatky, které vytváříme.

Zohledněním těchto prvků a pochopením všech složek fyziologie, psychologie, pozadí, demografie a environmentálních dat mohou výzkumníci a vývojáři zajistit, že budou shromažďovat kontinuální data ve vysokém rozlišení, která jim umožní vytvářet přesné a silné modely pro aplikace v oblasti lidského zdraví.

Jak ML může změnit léčbu diabetu

Tyto osvědčené postupy ML budou zvláště transformativní v oblasti řízení diabetu. Epidemie diabetu rychle roste po celém světě: 537 milionů lidí na celém světě žijí s diabetem 1. a 2. typu a očekává se, že toto číslo poroste 643 milionů do roku 2030. Vzhledem k tak velkému počtu postižených je nezbytné, aby pacienti měli přístup k řešení, které jim ukáže, co se děje v jejich vlastním těle, a umožní jim efektivně zvládat jejich stavy.

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

Technologie radiofrekvenčního (RF) snímání překonává omezení optického snímání a má potenciál změnit způsob, jakým lidé s diabetem a prediabetem zvládají své zdraví. Tato technologie nabízí spolehlivější řešení, pokud jde o neinvazivní měření glukózy v krvi, díky své schopnosti generovat velké množství dat a bezpečně měřit přes celý zásobník tkání.

Technologie RF senzorů umožňuje sběr dat na několika stovkách tisíc frekvencí, což vede ke zpracování miliard datových pozorování a vyžaduje výkonné algoritmy pro správu a interpretaci tak velkých a nových datových sad. ML je zásadní pro zpracování a interpretaci obrovského množství nových dat generovaných tímto typem senzorové technologie, což umožňuje rychlejší a přesnější vývoj algoritmů – zásadní pro vybudování efektivního neinvazivního monitoru glukózy, který zlepšuje zdravotní výsledky ve všech zamýšlených případech použití.

V oblasti diabetu také vidíme posun od přerušovaných k nepřetržitým datům. Například píchání do prstu poskytuje náhled na hladiny glukózy v krvi ve vybraných bodech během dne, ale kontinuální monitor glukózy (CGM) poskytuje náhled na častější, ale nekontinuální přírůstky. Tato řešení však stále vyžadují propíchnutí kůže, což často vede k bolesti a citlivosti kůže. Neinvazivní řešení monitorování hladiny glukózy v krvi nám umožňuje snadno a bez prodlevy v měření získávat vysoce kvalitní kontinuální data od širší populace. Celkově by toto řešení poskytlo nepochybně lepší uživatelskou zkušenost a nižší náklady v průběhu času.

Kromě toho vysoký objem nepřetržitých dat přispívá k vývoji spravedlivějších a přesnějších algoritmů. S tím, jak se shromažďuje více dat časových řad, v kombinaci s daty s vysokým rozlišením, mohou vývojáři pokračovat ve vytváření lepších algoritmů pro zvýšení přesnosti detekce glukózy v krvi v průběhu času. Tato data mohou podnítit neustálé zlepšování algoritmů, protože zahrnují různé faktory, které odrážejí, jak se lidé mění ze dne na den (a během jediného dne), což poskytuje vysoce přesné řešení. Neinvazivní řešení, která monitorují různé životní funkce, mohou transformovat průmysl lékařského monitorování a poskytnout hlubší pohled na to, jak lidské tělo funguje, prostřednictvím nepřetržitých dat od různých populací pacientů.

Zdravotnické prostředky vytvářející propojený systém

Jak technologický pokrok a systémy lékařských přístrojů dosahují ještě vyšší úrovně přesnosti, pacienti a spotřebitelé vidí stále více příležitostí, jak převzít kontrolu nad svým každodenním zdravím prostřednictvím pokročilých a multimodálních dat z různých produktů. Aby však bylo možné vidět co největší dopad dat zdravotnických zařízení a nositelných zařízení, musí existovat propojený systém, který vytvoří hladkou výměnu dat mezi více zařízeními, aby bylo možné poskytnout holistický pohled na zdraví jednotlivce.

upřednostnění interoperabilita zdravotnických prostředků odemkne plnou schopnost těchto zařízení pomáhat zvládat chronické stavy, jako je cukrovka. Bezproblémový tok a výměna informací mezi zařízeními, jako jsou inzulínové pumpy a CGM, umožní jednotlivcům mít a lepší porozumění jejich systému léčby diabetu.

Vysoce věrná data mají potenciál změnit zdravotnický průmysl, jsou-li shromažďována a používána správně. S pomocí AI a ML mohou zdravotnická zařízení dosáhnout měřitelného vývoje v rámci vzdáleného monitorování pacientů tím, že budou s jednotlivci zacházet jako s jednotlivci a porozumět zdraví člověka na hlubší úrovni. ML je klíčem k odemknutí poznatků z dat, které slouží jako podklad pro prediktivní a preventivní protokoly zdravotního managementu a umožňují pacientům přístup k informacím o jejich vlastním zdraví, čímž mění způsob, jakým jsou data využívána.