Cómo AI y ML están escalando la recopilación de datos para transformar el monitoreo médico

La inteligencia artificial (AI) y el aprendizaje automático (ML) se pueden encontrar en casi todas las industrias, impulsando lo que algunos consideran una nueva era de innovación – particularmente en la atención médica, donde se estima que el papel de la AI crecerá a una tasa del 50% anualmente para 2025. El ML está jugando cada vez más un papel vital en la asistencia a los diagnósticos, la imagen, la salud predictiva y más.

Con nuevos dispositivos médicos y wearables en el mercado, el ML tiene la capacidad de transformar el monitoreo médico recopilando, analizando y entregando información fácilmente accesible para que las personas puedan gestionar mejor su propia salud – mejorando la probabilidad de detección o prevención temprana de enfermedades crónicas. Hay varios factores que los investigadores deben tener en cuenta al desarrollar estas tecnologías novedosas para asegurarse de que estén recopilando los datos de la más alta calidad y construyendo algoritmos de ML escalables, precisos y equitativos aptos para casos de uso del mundo real.

Usando ML para escalar la investigación clínica y el análisis de datos

En los últimos 25 años, el desarrollo de dispositivos médicos ha acelerado, especialmente durante la pandemia de COVID-19. Estamos empezando a ver más dispositivos de consumo como rastreadores de fitness y wearables que se están convirtiendo en dispositivos médicos de diagnóstico. A medida que estos dispositivos se lanzan al mercado, sus capacidades continúan evolucionando. Más dispositivos médicos significan más datos continuos y conjuntos de datos más grandes y diversos que necesitan ser analizados. Este procesamiento puede ser tedioso e ineficiente cuando se realiza manualmente. El ML permite analizar conjuntos de datos extensos más rápido y con más precisión, identificando patrones que pueden llevar a insights transformadores.

Con todos estos datos ahora a nuestro alcance, debemos asegurarnos de que estamos procesando los datos correctos. Los datos dan forma e informan la tecnología que usamos, pero no todos los datos proporcionan el mismo beneficio. Necesitamos datos de alta calidad, continuos, imparciales, con los métodos de recopilación de datos adecuados respaldados por referencias médicas de oro como una línea de base comparativa. Esto asegura que estemos construyendo algoritmos de ML seguros, equitativos y precisos.

Asegurando el desarrollo de sistemas equitativos en el espacio de dispositivos médicos

Al desarrollar algoritmos, los investigadores y desarrolladores deben considerar sus poblaciones objetivo de manera más amplia. No es inusual que la mayoría de las empresas realicen estudios y ensayos clínicos en una instancia singular, ideal y no realista. Sin embargo, es fundamental que los desarrolladores consideren todos los casos de uso del mundo real para el dispositivo, y todas las posibles interacciones que su población objetivo podría tener con la tecnología en su vida diaria. Nos preguntamos: ¿quiénes son la población objetivo para el dispositivo, y estamos teniendo en cuenta a toda la población? ¿Tiene todo el mundo en la audiencia objetivo acceso equitativo a la tecnología? ¿Cómo interactuarán con la tecnología? ¿Interactuarán con la tecnología las 24 horas del día, los 7 días de la semana, o de manera intermitente?

Al desarrollar dispositivos médicos que se integrarán en la vida diaria de alguien, o que potencialmente intervendrán en comportamientos diarios, también debemos tener en cuenta a la persona completa – mente, cuerpo y entorno – y cómo estos componentes pueden cambiar con el tiempo. Cada ser humano presenta una oportunidad única, con variaciones en diferentes puntos a lo largo del día. Entender el tiempo como un componente en la recopilación de datos nos permite amplificar los insights que generamos.

Al tener en cuenta estos elementos y entender todos los componentes de la fisiología, la psicología, el trasfondo, los datos demográficos y ambientales, los investigadores y desarrolladores pueden asegurarse de que están recopilando datos continuos de alta resolución que les permiten construir modelos precisos y sólidos para aplicaciones de salud humana.

Cómo ML puede transformar el manejo de la diabetes

Estas mejores prácticas de ML serán particularmente transformadoras en el espacio de manejo de la diabetes. La epidemia de diabetes está creciendo rápidamente en todo el mundo: 537M de personas en todo el mundo viven con diabetes tipo 1 y tipo 2, y se espera que este número aumente a 643M para 2030. Con tantas personas afectadas, es fundamental que los pacientes tengan acceso a una solución que les muestre lo que está sucediendo dentro de su propio cuerpo y les permita gestionar eficazmente sus condiciones.

En los últimos años, en respuesta a la epidemia, los investigadores y desarrolladores han comenzado a explorar métodos no invasivos para medir la glucosa en sangre, como técnicas de detección óptica. Estos métodos, sin embargo, tienen limitaciones conocidas debido a factores humanos variables como los niveles de melanina, el índice de masa corporal o el grosor de la piel.

La tecnología de detección de radiofrecuencia (RF) supera las limitaciones de la detección óptica y tiene el potencial de transformar la forma en que las personas con diabetes y prediabetes gestionan su salud. Esta tecnología ofrece una solución más confiable cuando se trata de medir la glucosa en sangre de manera no invasiva debido a su capacidad para generar grandes cantidades de datos y medir de manera segura a través de todo el conjunto de tejidos.

La tecnología de sensores RF permite la recopilación de datos en varios cientos de miles de frecuencias, lo que resulta en miles de millones de observaciones de datos para procesar y requiere algoritmos poderosos para gestionar e interpretar tales conjuntos de datos grandes y novedosos. El ML es esencial para procesar e interpretar la gran cantidad de datos novedosos generados por esta tecnología de sensores, lo que permite un desarrollo de algoritmos más rápido y preciso – fundamental para construir un monitor de glucosa no invasivo efectivo que mejore los resultados de salud en todos los casos de uso previstos.

En el espacio de la diabetes, también estamos viendo un cambio de datos intermitentes a datos continuos. El pinchazo de dedo, por ejemplo, proporciona insights sobre los niveles de glucosa en sangre en puntos selectos a lo largo del día, pero un monitor de glucosa continuo (CGM) proporciona insights en incrementos más frecuentes, aunque no continuos. Estas soluciones, sin embargo, aún requieren perforar la piel, lo que a menudo resulta en dolor y sensibilidad en la piel. Una solución de monitoreo de glucosa en sangre no invasiva nos permite capturar datos continuos de alta calidad de una población más amplia con facilidad y sin retraso en la medición. En general, esta solución proporcionaría una experiencia del usuario sin precedentes y un costo más bajo con el tiempo.

Además, el gran volumen de datos continuos contribuye al desarrollo de algoritmos más equitativos y precisos. A medida que se recopila más datos de series temporales, en combinación con datos de alta resolución, los desarrolladores pueden seguir construyendo mejores algoritmos para aumentar la precisión en la detección de la glucosa en sangre con el tiempo. Estos datos pueden impulsar la mejora continua del algoritmo, ya que incluyen varios factores que reflejan cómo las personas cambian de día en día (y a lo largo de un solo día), lo que genera una solución altamente precisa. Las soluciones no invasivas que monitorean diferentes signos vitales pueden transformar la industria del monitoreo médico y proporcionar una visión más profunda de cómo funciona el cuerpo humano a través de datos continuos de poblaciones de pacientes diversas.

Dispositivos médicos que crean un sistema interconectado

A medida que la tecnología avanza y los sistemas de dispositivos médicos alcanzan niveles de precisión aún más altos, los pacientes y los consumidores están viendo más y más oportunidades para tomar el control de su propia salud diaria a través de datos avanzados y multimodales de una variedad de productos. Pero para ver el mayor impacto de los datos de dispositivos médicos y wearables, es necesario que haya un sistema interconectado para crear un intercambio suave de datos entre múltiples dispositivos para proporcionar una visión holística de la salud de un individuo.

Priorizar la interoperabilidad de los dispositivos médicos desbloqueará la capacidad completa de estos dispositivos para ayudar a gestionar condiciones crónicas, como la diabetes. Un flujo y un intercambio de información sin problemas entre dispositivos como bombas de insulina y CGM permitirán a las personas tener una mejor comprensión de su sistema de manejo de la diabetes.

Los datos de alta fidelidad tienen el potencial de transformar la industria de la atención médica cuando se recopilan y se utilizan correctamente. Con la ayuda de la AI y el ML, los dispositivos médicos pueden hacer avances medibles en el monitoreo de pacientes remotos al tratar a los individuos como individuos, y entender la salud de una persona a un nivel más profundo. El ML es la clave para desbloquear insights de los datos para informar protocolos de salud predictiva y preventiva, y empoderar a los pacientes con acceso a información sobre su propia salud, transformando la forma en que se utiliza los datos.