Hvordan AI og ML skalerer dataindsamling til at forvandle medicinsk overvågning

Kunstig intelligens (AI) og maskinlæring (ML) kan findes i næsten alle brancher, og driver, hvad nogle betragter som en ny æra af innovation – især i sundhedssektoren, hvor det estimeres, at AI’s rolle vil vokse med en 50% årlig vækstrate frem til 2025. ML spiller en stadig vigtigere rolle i at hjælpe med diagnoser, billedanalyse, prædictiv sundhed og mere.

Med nye medicinske enheder og wearables på markedet, har ML mulighed for at forvandle medicinsk overvågning ved at indsamle, analysere og levere let tilgængelig information, så mennesker bedre kan styre deres egen sundhed – og forbedre sandsynligheden for tidlig opdagelse eller forebyggelse af kroniske sygdomme. Der er flere faktorer, som forskere skal være opmærksomme på, når de udvikler disse nye teknologier, for at sikre, at de indsamler den højeste kvalitetsdata og bygger skalerbare, nøjagtige og retfærdige ML-algoritmer, der er egnede til virkelige anvendelser.

Brug af ML til at skale klinisk forskning og dataanalyse

I de sidste 25 år er udviklingen af medicinske enheder accelereret, især under COVID-19-pandemien. Vi begynder at se mere forbrugerenheder som fitness-trackere og wearables, der kommer på markedet, og udviklingen skifter til medicinske diagnostiske enheder. Da disse enheder kommer på markedet, udvikler deres funktioner sig stadig. Flere medicinske enheder betyder mere kontinuerlig data og større, mere diverse datasæt, der skal analyseres. Denne proces kan være kedelig og ineffektiv, hvis den udføres manuelt. ML muliggør, at omfattende datasæt kan analyseres hurtigere og mere nøjagtigt, og identificerer mønstre, der kan føre til transformative indsigt.

Med alle disse data til vores rådighed, skal vi først og fremmest sikre, at vi behandler den rigtige data. Data former og informerer den teknologi, vi bruger, men ikke alle data giver den samme fordel. Vi har brug for højkvalitets-, kontinuerlig-, upartisk data med de rigtige dataindsamlingsmetoder, der understøttes af guldstandard medicinske referencer som en komparativ baseline. Dette sikrer, at vi bygger sikre, retfærdige og nøjagtige ML-algoritmer.

Sikring af retfærdig systemudvikling i det medicinske enhedsområde

Når algoritmer udvikles, skal forskere og udviklere være opmærksomme på deres målpopulationer i bredere forstand. Det er ikke usædvanligt, at de fleste virksomheder udfører studier og kliniske forsøg i en enkelt, ideal, ikke- virkelighedsnær instans. Det er dog afgørende, at udviklerne tager alle virkelige anvendelsesscenarier for enheden i betragtning, og alle mulige interaktioner, deres målpopulation kunne have med teknologien på en dag-til-dag-basis. Vi spørger: Hvem er målpopulationen for enheden, og tager vi hele populationen i betragtning? Har alle i målgruppen retfærdig adgang til teknologien? Hvordan vil de interagere med teknologien? Vil de interagere med teknologien 24/7 eller intermittent?

Når vi udvikler medicinske enheder, der skal integreres i menneskers daglige liv, eller potentielt gribe ind i daglige adfærd, skal vi også tage hele personen – sind, krop og miljø – og hvordan disse komponenter kan ændre sig over tid, i betragtning. Hver menneskepræsentation er en unik mulighed med variationer på forskellige tidspunkter i løbet af dagen. Forståelse af tid som en komponent i dataindsamling tillader os at forstærke de indsigt, vi genererer.

Ved at tage disse elementer i betragtning og forstå alle komponenter af fysiologi, psykologi, baggrund, demografi og miljødata, kan forskere og udviklere sikre, at de indsamler højopløst, kontinuerlig data, der muliggør, at de bygger nøjagtige og solide modeller for menneskers sundhedsanvendelser.

Hvordan ML kan forvandle diabetesbehandling

Disse ML-bedste praksis vil være særligt transformative i diabetesbehandlingsområdet. Diabetes-epidemien vokser hurtigt over hele verden: 537 millioner mennesker verden over lever med type 1 og type 2 diabetes, og dette tal forventes at stige til 643 millioner i 2030. Med så mange berørte, er det afgørende, at patienterne har adgang til en løsning, der viser dem, hvad der sker i deres egen krop, og tillader dem at effektivt styre deres tilstand.

I de seneste år har forskere og udviklere, som svar på epidemien, begyndt at udforske ikke-invasive metoder til at måle blodsukker, såsom optiske sensor-teknikker. Disse metoder har dog kendte begrænsninger på grund af varierende menneskelige faktorer som melanin-niveauer, BMI-niveauer eller hudtykkelse.

Radiofrekvens (RF) sensor-teknologi overvinder begrænsningerne af optisk sensor-teknologi og har potentialet til at forvandle, hvordan mennesker med diabetes og prædiabetes styrer deres sundhed. Denne teknologi tilbyder en mere pålidelig løsning, når det kommer til ikke-invasivt at måle blodsukker, på grund af dens evne til at generere store mængder data og sikkert måle gennem det fulde vævssæt.

RF-sensorteknologi tillader dataindsamling på tværs af flere hundredtusinde frekvenser, hvilket resulterer i milliarder af dataobservationer, der skal behandles og fortolkes, og kræver kraftfulde algoritmer til at styre og fortolke sådanne store og nye datasæt. ML er afgørende for at behandle og fortolke den massive mængde nye data, der genereres fra denne type sensor-teknologi, og muliggør hurtigere og mere nøjagtig algoritmeudvikling – afgørende for at bygge en effektiv ikke-invasiv glukoseovervågning, der forbedrer sundhedsresultater over alle målbrugsområder.

I diabetesområdet ser vi også en skift fra intermittent til kontinuerlig data. Fingerstik, for eksempel, giver indsigt i blodsukkerniveauer på bestemte tidspunkter i løbet af dagen, men en kontinuerlig glukoseovervågning (CGM) giver indsigt i hyppigere, men ikke-kontinuerlige inkremente. Disse løsninger kræver dog stadig, at man punkterer huden, hvilket ofte resulterer i smerter og hudfølsomhed. En ikke-invasiv blodsukkerovervågning tillader os at indsamle højkvalitets-kontinuerlig data fra en bredere befolkning med letthed og uden forsinkelse i måling. Samlet set vil denne løsning give en ubestridt bedre brugeroplevelse og lavere omkostninger over tid.

Desuden bidrager den store mængde kontinuerlig data til udviklingen af mere retfærdige og nøjagtige algoritmer. Da mere tidsserie-data indsamles i kombination med højopløst data, kan udviklerne fortsætte med at bygge bedre algoritmer til at øge nøjagtigheden i at detektere blodsukker over tid. Denne data kan føde fortsat algoritme-forbedring, da den inkluderer forskellige faktorer, der reflekterer, hvordan mennesker ændrer sig fra dag til dag (og i løbet af en enkelt dag), og giver en højtydende løsning. Ikke-invasive løsninger, der overvåger forskellige vitale tegn, kan forvandle den medicinske overvågningsindustri og give en dybere indsigt i, hvordan det menneskelige legeme fungerer gennem kontinuerlig data fra diverse patientpopulationer.

Medicinske enheder, der skaber et sammenhængende system

Da teknologien udvikler sig, og medicinske enhedssystemer opnår endnu højere niveauer af nøjagtighed, ser patienter og forbrugere flere og flere muligheder for at tage kontrol over deres egen daglige sundhed gennem avanceret og multimodal data fra en række produkter. Men for at se den største indvirkning fra medicinske enheds- og wearables-data, skal der være et sammenhængende system til at skabe en smidig udveksling af data på tværs af multiple enheder for at give en holistisk indsigt i en enkelt persons sundhed.

Prioritering af medicinsk enhedsinteroperabilitet vil låse den fulde kapacitet af disse enheder op til at hjælpe med at styre kroniske sygdomme, såsom diabetes. En ubrudt strøm og udveksling af information mellem enheder som insulinpumper og CGM’er vil give individer en bedre forståelse af deres diabetesbehandlingsystem.

Højtydende data har potentialet til at forvandle sundhedssektoren, når det indsamles og bruges korrekt. Med hjælp fra AI og ML kan medicinske enheder gøre målbare udviklinger inden for fjernpatientovervågning ved at behandle individer som individer og forstå en persons sundhed på et dybere niveau. ML er nøglen til at låse indsigt fra data op til at informere prædictiv og forebyggende sundhedsstyringsprotokoller og give patienter adgang til information om deres egen sundhed, og forvandle, hvordan data bruges.