Comment l’IA et le ML font évoluer la collecte de données pour transformer la surveillance médicale

L’intelligence artificielle (IA) et l’apprentissage automatique (ML) sont présents dans presque tous les secteurs, à l’origine de ce que certains considèrent comme une nouvelle ère d’innovation – en particulier dans le secteur de la santé, où l’on estime que le rôle de l’IA va croître à un rythme croissant. Taux de 50 % par an d’ici 2025. Le ML joue de plus en plus un rôle essentiel dans l'aide aux diagnostics, à l'imagerie, santé prédictiveet plus encore.

Avec les nouveaux dispositifs médicaux et appareils portables sur le marché, ML a la capacité de transformer la surveillance médicale en collectant, en analysant et en fournissant des informations facilement accessibles aux personnes afin de mieux gérer leur propre santé, améliorant ainsi les chances de détection précoce ou de prévention des maladies chroniques. Les chercheurs doivent garder à l'esprit plusieurs facteurs lors du développement de ces nouvelles technologies afin de garantir qu'ils collectent des données de la plus haute qualité et créent des algorithmes de ML évolutifs, précis et équitables adaptés aux cas d'utilisation du monde réel.

Utiliser le ML pour faire évoluer la recherche clinique et l'analyse des données

Au cours des 25 dernières années, développement de dispositifs médicaux s’est accélérée, en particulier pendant la pandémie de COVID-19. Nous commençons à voir de plus en plus d’appareils grand public tels que les trackers de fitness et les appareils portables devenir une marchandise, et le développement s’oriente vers les appareils de diagnostic médical. À mesure que ces appareils sont commercialisés, leurs capacités continuent d’évoluer. Plus de dispositifs médicaux signifie plus de données continues et des ensembles de données plus vastes et plus diversifiés qui doivent être analysés. Ce traitement peut être fastidieux et inefficace lorsqu’il est effectué manuellement. Le ML permet d’analyser de vastes ensembles de données plus rapidement et avec plus de précision, en identifiant des modèles qui peuvent conduire à des informations transformatrices.

Avec toutes ces données désormais à portée de main, nous devons avant tout nous assurer que nous traitons les bien données. Les données façonnent et éclairent la technologie que nous utilisons, mais toutes les données n’offrent pas le même avantage. Nous avons besoin de données continues et impartiales de haute qualité, avec les bonnes méthodes de collecte de données appuyées par des références médicales de référence comme référence comparative. Cela garantit que nous construisons des algorithmes de ML sûrs, équitables et précis.

Assurer le développement équitable de systèmes dans le domaine des dispositifs médicaux

Lors du développement d’algorithmes, les chercheurs et les développeurs doivent tenir compte de leurs populations cibles de manière plus large. Il n’est pas rare que la plupart des entreprises mènent des études et des essais cliniques dans un cas singulier, idéal et non réel. Cependant, il est essentiel que les développeurs prennent en compte tous les cas d’utilisation réels de l’appareil et toutes les interactions possibles que leur population cible pourrait avoir avec la technologie au quotidien. Nous nous demandons : quelle est la population visée par le dispositif, et prenons-nous en compte la population entière ? Tous les membres du public ciblé ont-ils un accès équitable à la technologie ? Comment vont-ils interagir avec la technologie ? Vont-ils interagir avec la technologie 24 heures sur 7, XNUMX jours sur XNUMX, ou par intermittence ?

Lors du développement de dispositifs médicaux destinés à s’intégrer dans la vie quotidienne d’une personne ou à intervenir potentiellement sur ses comportements quotidiens, nous devons également prendre en compte la personne dans son ensemble – esprit, corps et environnement – ​​et la manière dont ces composants peuvent évoluer au fil du temps. Chaque être humain présente une opportunité unique, avec des variations à différents moments de la journée. Comprendre le temps en tant que composante de la collecte de données nous permet d'amplifier les informations que nous générons.

En prenant en compte ces éléments et en comprenant toutes les composantes des données physiologiques, psychologiques, contextuelles, démographiques et environnementales, les chercheurs et les développeurs peuvent s'assurer qu'ils collectent des données continues et à haute résolution qui leur permettent de créer des modèles précis et solides pour des applications en santé humaine.

Comment le ML peut transformer la gestion du diabète

Ces meilleures pratiques de ML seront particulièrement transformatrices dans le domaine de la gestion du diabète. L’épidémie de diabète se développe rapidement dans le monde : Personnes 537M personnes dans le monde vivent avec le diabète de type 1 et de type 2 et ce nombre devrait atteindre 643 millions d'ici 2030. Avec autant de personnes touchées, il est impératif que les patients aient accès à une solution qui leur montre ce qui se passe dans leur propre corps et leur permette de gérer efficacement leur état.

Ces dernières années, en réponse à l'épidémie, les chercheurs et les développeurs ont commencé à explorer des méthodes non invasives de mesure de la glycémie, telles que les techniques de détection optique. Ces méthodes présentent cependant des limites connues en raison de divers facteurs humains tels que les niveaux de mélanine, les niveaux d’IMC ou l’épaisseur de la peau.

La technologie de détection par radiofréquence (RF) surmonte les limites de la détection optique et a le potentiel de transformer la façon dont les personnes atteintes de diabète ou de prédiabète gèrent leur santé. Cette technologie offre une solution plus fiable lorsqu'il s'agit de mesurer de manière non invasive la glycémie en raison de sa capacité à générer de grandes quantités de données et à mesurer en toute sécurité l'ensemble de la pile de tissus.

La technologie des capteurs RF permet de collecter des données sur plusieurs centaines de milliers de fréquences, ce qui entraîne le traitement de milliards d'observations de données et nécessite des algorithmes puissants pour gérer et interpréter des ensembles de données aussi vastes et nouveaux. Le ML est essentiel dans le traitement et l’interprétation de la quantité massive de nouvelles données générées par ce type de technologie de capteur, permettant un développement d’algorithmes plus rapide et plus précis – essentiel à la création d’un glucomètre non invasif efficace qui améliore les résultats de santé dans tous les cas d’utilisation prévus.

Dans le domaine du diabète, nous constatons également un passage des données intermittentes aux données continues. La piqûre au doigt, par exemple, fournit des informations sur la glycémie à certains moments de la journée, mais un glucomètre continu (CGM) fournit des informations par incréments plus fréquents, mais non continus. Cependant, ces solutions nécessitent toujours de percer la peau, ce qui entraîne souvent des douleurs et une sensibilité cutanée. Une solution non invasive de surveillance de la glycémie nous permet de capturer facilement et sans décalage des données continues de haute qualité provenant d'une population plus large. Dans l’ensemble, cette solution offrirait incontestablement une meilleure expérience utilisateur et une réduction des coûts au fil du temps.

De plus, le volume élevé de données continues contribue au développement d’algorithmes plus équitables et plus précis. À mesure que davantage de données chronologiques sont collectées, en combinaison avec des données haute résolution, les développeurs peuvent continuer à créer de meilleurs algorithmes pour accroître la précision de la détection de la glycémie au fil du temps. Ces données peuvent alimenter l’amélioration continue des algorithmes, car elles incluent divers facteurs qui reflètent la façon dont les gens évoluent au jour le jour (et au cours d’une seule journée), ce qui donne une solution très précise. Les solutions non invasives qui surveillent différents signes vitaux peuvent transformer le secteur de la surveillance médicale et fournir une analyse plus approfondie du fonctionnement du corps humain grâce à des données continues provenant de diverses populations de patients.

Dispositifs médicaux créant un système interconnecté

À mesure que la technologie progresse et que les systèmes de dispositifs médicaux atteignent des niveaux de précision encore plus élevés, les patients et les consommateurs voient de plus en plus d'opportunités de prendre le contrôle de leur propre santé au quotidien grâce à des données avancées et multimodales provenant d'une variété de produits. Mais pour tirer le meilleur parti des données des dispositifs médicaux et des appareils portables, il faut un système interconnecté pour créer un échange fluide de données entre plusieurs appareils afin de fournir une vue globale de la santé d’un individu.

prioriser interopérabilité des dispositifs médicaux permettra de libérer toute la capacité de ces appareils pour aider à gérer les maladies chroniques, telles que le diabète. Un flux et un échange d'informations fluides entre des appareils tels que les pompes à insuline et les CGM permettront aux individus d'avoir un meilleur compréhension de leur système de gestion du diabète.

Les données haute fidélité ont le potentiel de transformer le secteur de la santé lorsqu’elles sont collectées et utilisées correctement. Avec l’aide de l’IA et du ML, les dispositifs médicaux peuvent réaliser des progrès mesurables dans la surveillance à distance des patients en traitant les individus en tant qu’individus et en comprenant leur santé à un niveau plus profond. Le ML est la clé pour exploiter les connaissances des données afin d’éclairer les protocoles de gestion prédictive et préventive de la santé et de permettre aux patients d’accéder aux informations sur leur propre santé, transformant ainsi la façon dont les données sont utilisées.