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, impulsant ce que certains considèrent comme une nouvelle ère d’innovation – en particulier dans le domaine de la santé, où il est estimé que le rôle de l’IA connaîtra une croissance de 50% par an d’ici 2025. Le ML joue de plus en plus un rôle essentiel dans l’assistance aux diagnostics, à l’imagerie, à la prévention de la santé et bien plus encore.

Avec de nouveaux dispositifs médicaux et accessoires portables sur le marché, le ML a la capacité de transformer la surveillance médicale en collectant, en analysant et en fournissant des informations facilement accessibles pour que les gens puissent mieux gérer leur propre santé – améliorant ainsi la probabilité de détection précoce ou de prévention des maladies chroniques. Il existe plusieurs facteurs que les chercheurs devraient prendre en compte lors du développement de ces nouvelles technologies pour s’assurer qu’ils collectent les données de la plus haute qualité et construisent des algorithmes ML scalables, précis et équitables adaptés à des cas d’utilisation réels.

Utilisation du ML pour élargir la recherche clinique et l’analyse des données

Au cours des 25 dernières années, le développement de dispositifs médicaux s’est accéléré, en particulier pendant la pandémie de COVID-19. Nous commençons à voir plus de dispositifs grand public tels que les traceurs de fitness et les accessoires portables devenir des produits de consommation, et le développement se déplace vers les dispositifs de diagnostic médical. À mesure que ces dispositifs sont mis sur le marché, leurs capacités continuent d’évoluer. Plus de dispositifs médicaux signifient plus de données continues et des ensembles de données plus importants 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 connaissances transformatrices.

Avec toutes ces données maintenant à notre portée, nous devons nous assurer avant tout que nous traitons les bonnes données. Les données façonnent et informent la technologie que nous utilisons, mais toutes les données ne procurent pas les mêmes avantages. Nous avons besoin de données de haute qualité, continues, non biaisées, avec les bonnes méthodes de collecte de données étayées par des références médicales de haute qualité comme référence comparative. Cela nous permet de construire des algorithmes ML sûrs, équitables et précis.

Assurer un développement de système équitable dans le domaine des dispositifs médicaux

Lors du développement d’algorithmes, les chercheurs et les développeurs doivent prendre en compte leurs populations cibles de manière plus large. Il n’est pas rare que la plupart des entreprises effectuent des études et des essais cliniques dans un cas unique, idéal et non réel. Cependant, il est essentiel que les développeurs prennent en compte tous les cas d’utilisation réels du dispositif, ainsi que toutes les interactions possibles que leur population cible pourrait avoir avec la technologie au quotidien. Nous nous demandons : qui est la population cible du dispositif, et prenons-nous en compte l’ensemble de la population ? Toute la population ciblée a-t-elle un accès équitable à la technologie ? Comment interagiront-ils avec la technologie ? Interagiront-ils avec la technologie 24 heures sur 24 ou de manière intermittente ?

Lors du développement de dispositifs médicaux qui vont s’intégrer dans la vie quotidienne de quelqu’un, ou potentiellement intervenir dans les comportements quotidiens, nous devons également prendre en compte l’ensemble de la personne – esprit, corps et environnement – et la manière dont ces composants peuvent changer avec le temps. Chaque être humain présente une opportunité unique, avec des variations à différents moments de la journée. Comprendre le temps comme un composant de la collecte de données nous permet d’amplifier les connaissances que nous générons.

En prenant en compte ces éléments et en comprenant tous les composants de la physiologie, de la psychologie, de l’arrière-plan, des données démographiques et environnementales, les chercheurs et les développeurs peuvent s’assurer qu’ils collectent des données continues de haute résolution qui leur permettent de construire des modèles solides et précis pour les applications de santé humaine.

Comment le ML peut transformer la gestion du diabète

Ces meilleures pratiques de ML seront particulièrement transformatives dans le domaine de la gestion du diabète. L’épidémie de diabète croît rapidement dans le monde entier : 537 millions de 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 essentiel que les patients aient accès à une solution qui leur montre ce qui se passe à l’intérieur de leur propre corps et qui leur permet de gérer efficacement leurs conditions.

Au cours des 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 ont cependant des limites connues en raison de facteurs humains variables 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 manière dont les personnes atteintes de diabète et de prédibète gèrent leur santé. Cette technologie offre une solution plus fiable lorsqu’il s’agit de mesurer la glycémie de manière non invasive en raison de sa capacité à générer de grandes quantités de données et à mesurer en toute sécurité à travers l’ensemble de la pile de tissus.

La technologie de capteur RF permet de collecter des données sur plusieurs centaines de milliers de fréquences, ce qui donne lieu à des milliards d’observations de données à traiter et nécessite des algorithmes puissants pour gérer et interpréter de tels grands ensembles de données nouveaux. Le ML est essentiel pour traiter et interpréter la grande quantité de données nouvelles générées par cette technologie de capteur, permettant ainsi un développement d’algorithmes plus rapide et plus précis – essentiel pour construire un moniteur de glucose non invasif efficace qui améliore les résultats de santé dans tous les cas d’utilisation prévus.

Dans le domaine du diabète, nous assistons également à un passage des données intermittentes aux données continues. Par exemple, le prélèvement de sang au doigt fournit des informations sur les niveaux de glycémie à des moments précis de la journée, mais un moniteur de glucose continu (CGM) fournit des informations à des intervalles plus fréquents, mais non continus. Ces solutions nécessitent cependant de percer la peau, ce qui peut entraîner des douleurs et des sensibilités cutanées. Une solution de surveillance de la glycémie non invasive permet de collecter des données de haute qualité de manière continue auprès d’une population plus large avec facilité et sans retard de mesure. Dans l’ensemble, cette solution offrirait une expérience utilisateur nettement améliorée et un coût plus bas à long terme.

En outre, le grand volume de données continues contribue au développement d’algorithmes plus équitables et plus précis. À mesure que des données de série temporelle sont collectées, en combinaison avec des données de haute résolution, les développeurs peuvent continuer à construire de meilleurs algorithmes pour améliorer la précision de la détection de la glycémie avec le temps. Ces données peuvent alimenter l’amélioration continue des algorithmes, car elles incluent divers facteurs qui reflètent la manière dont les gens changent au fil du temps (et au cours d’une journée), ce qui donne lieu à une solution très précise. Les solutions non invasives qui surveillent différents paramètres vitaux peuvent transformer l’industrie de la surveillance médicale et offrir un aperçu plus approfondi de la manière dont le corps humain fonctionne grâce aux données continues provenant de populations de patients diversifiées.

Les dispositifs médicaux créent un système interconnecté

À mesure que la technologie progresse et que les systèmes de dispositifs médicaux atteignent des niveaux d’exactitude encore plus élevés, les patients et les consommateurs voient de plus en plus d’opportunités de prendre le contrôle de leur propre santé quotidienne grâce à des données avancées et multimodales provenant de divers produits. Mais pour voir l’impact le plus important des données des dispositifs médicaux et des accessoires portables, il faut créer un système interconnecté pour permettre un échange fluide de données entre plusieurs dispositifs afin de fournir une vue d’ensemble de la santé d’un individu.

Donner la priorité à l’ interopérabilité des dispositifs médicaux débloquera la pleine capacité de ces dispositifs à aider à gérer les affections chroniques, telles que le diabète. Un flux et un échange d’informations sans heurts entre les dispositifs tels que les pompes à insuline et les CGM permettront aux individus de mieux comprendre leur système de gestion du diabète.

Les données de haute fidélité ont le potentiel de transformer l’industrie 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 le domaine de la surveillance à distance des patients en traitant les individus comme des individus, et en comprenant la santé d’une personne à un niveau plus profond. Le ML est la clé pour débloquer les connaissances à partir des données pour éclairer les protocoles de gestion de la santé préventive et prédictive et donner aux patients accès à des informations sur leur propre santé, transformant ainsi la manière dont les données sont utilisées.