Hvordan AI og ML skalerer dataindsamling til at transformere 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 til 2025. ML spiller en stadig mere vital rolle i at hjælpe med diagnoser, billedanalyse, prædictiv sundhed og mere.

Med nye medicinske enheder og wearables på markedet, har ML mulighed for at transformere 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, præcise og retfærdige ML-algoritmer, der er egnede til rigtige brugstilfælde.

Brug af ML til at skale klinisk forskning og dataanalyse

I løbet af 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, når den udføres manuelt. ML muliggør, at omfattende datasæt kan analyseres hurtigere og mere præcist, og identificerer mønstre, der kan føre til transformative indsigt.

Med al denne data nu 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 dataindsamlemetoder, der understøttes af guldstandard medicinske referencer som en komparativ baseline. Dette sikrer, at vi bygger sikre, retfærdige og præcise ML-algoritmer.

Sikring af retfærdig systemudvikling i det medicinske enhedsrum

Når vi udvikler algoritmer, skal forskere og udviklere være opmærksomme på deres målgruppe i bredere forstand. Det er ikke usædvanligt, at de fleste virksomheder udfører studier og kliniske forsøg i en enkelt, ideal, ikke- rigtig verden. Det er dog afgørende, at udviklerne tager alle rigtige brugstilfælde for enheden i betragtning, og alle mulige interaktioner, deres målgruppe kunne have med teknologien på en dag-til-dag-basis. Vi spørger: Hvem er den målgruppe for enheden, og tager vi hele befolkningen i betragtning? Har alle i den målgruppe, vi sigter mod, retfærdig adgang til teknologien? Hvordan vil de interagere med teknologien? Vil de interagere med teknologien 24/7 eller uregelmæssigt?

Når vi udvikler medicinske enheder, der skal integreres i menneskers daglige liv eller potentielt gribe ind i daglige adfærdsmønstre, skal vi også tage hele personen – sind, krop og miljø – i betragtning, og hvordan disse komponenter kan ændre sig over tid. Hver menneske præsenterer 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 præcise og stærke modeller for menneskers sundhedsapplikationer.

Hvordan ML kan transformere diabetesbehandling

Disse ML-bedste praksis vil være særligt transformative i diabetesbehandlingsrummet. Diabetes-epidemien er i hastig vækst over hele verden: 537M mennesker verden over lever med type 1 og type 2 diabetes, og dette tal forventes at stige til 643M i 2030. Med så mange berørt, er det afgørende, at patienter har adgang til en løsning, der viser dem, hvad der sker inde i deres egen krop, og tillader dem at effektivt styre deres egne tilstande.

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

Radiofrekvens (RF) sanse-teknologi overvinder begrænsningerne af optisk sanse-teknologi og har potentialet til at transformere, 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 måle sikkert gennem det fulde vævssæt.

RF-sensorteknologi tillader dataindsamling over flere hundred tusinde frekvenser, hvilket resulterer i milliarder af dataobservationer, der skal behandles og fortolkes. ML er afgørende for at behandle og fortolke den massive mængde nye data, der genereres fra denne type sensorteknologi, og muliggør hurtigere og mere præcis algoritmeudvikling – afgørende for at bygge en effektiv ikke-invasiv glukoseovervågning, der forbedrer sundhedsresultater over alle målgrupper.

I diabetesrummet ser vi også en skift fra uregelmæssig 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 inkrementer. Disse løsninger kræver dog stadig, at man punkterer huden, ofte resulterende i smerter og hudfølsomhed. En ikke-invasiv blodsukkerovervågningsløsning muliggør, at vi kan indsamle højkvalitets-kontinuerlig data fra en bredere befolkning med letthed og uden forsinkelse i målingen. Samlet set vil denne løsning give en ubestridt bedre brugeroplevelse og lavere omkostninger over tid.

Derudover bidrager den høje mængde kontinuerlig data til udviklingen af mere retfærdige og præcise algoritmer. Da mere tidsserie-data indsamles, i kombination med højopløst data, kan udviklere fortsætte med at bygge bedre algoritmer til at øge præcisionen i detektion af 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 højpræcis løsning. Ikke-invasive løsninger, der overvåger forskellige vitale tegn, kan transformere den medicinske overvågningsindustri og give en dybere indsigt i, hvordan den menneskelige krop fungerer gennem kontinuerlig data fra diverse patientpopulationer.

Medicinske enheder, der skaber et interconnecteret system

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

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

Højtydende data har potentialet til at transformere sundhedssektoren, når den 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 transformere, hvordan data bruges.