Bagaimana AI dan ML Mengukur Pengumpulan Data untuk Mengubah Pemantauan Medis

Kecerdasan buatan (AI) dan pembelajaran mesin (ML) dapat ditemukan di hampir setiap industri, mendorong apa yang dianggap beberapa sebagai era baru inovasi – terutama di bidang kesehatan, di mana diperkirakan peran AI akan tumbuh pada tingkat 50% per tahun pada 2025. ML semakin memainkan peran penting dalam membantu diagnosis, pencitraan, kesehatan prediktif, dan lainnya.

Dengan perangkat medis baru dan wearable di pasar, ML memiliki kemampuan untuk mengubah pemantauan medis dengan mengumpulkan, menganalisis, dan menyampaikan informasi yang mudah diakses bagi orang untuk lebih baik mengelola kesehatan mereka sendiri – meningkatkan kemungkinan untuk deteksi dini atau pencegahan penyakit kronis. Ada beberapa faktor yang peneliti harus pertimbangkan saat mengembangkan teknologi novel ini untuk memastikan mereka mengumpulkan data berkualitas tinggi dan membangun algoritma ML yang akurat, scalable, dan adil untuk penggunaan kasus dunia nyata.

Menggunakan ML untuk Mengukur Penelitian Klinis dan Analisis Data

Selama 25 tahun terakhir, pengembangan perangkat medis telah dipercepat, terutama selama pandemi COVID-19. Kami mulai melihat lebih banyak perangkat konsumen seperti pelacak kebugaran dan wearable yang dikomersialisasikan, dan pengembangan beralih ke perangkat diagnostik medis. Ketika perangkat ini dibawa ke pasar, kemampuan mereka terus berkembang. Lebih banyak perangkat medis berarti lebih banyak data kontinu dan set data yang lebih besar dan lebih beragam yang perlu dianalisis. Pengolahan ini dapat membosankan dan tidak efisien ketika dilakukan secara manual. ML memungkinkan dataset ekstensif dianalisis lebih cepat dan dengan lebih akurat, mengidentifikasi pola yang dapat mengarah pada wawasan transformatif.

Dengan semua data sekarang di ujung jari kita, kita harus memastikan terlebih dahulu bahwa kita mengolah data yang tepat. Data membentuk dan mempengaruhi teknologi yang kita gunakan, tetapi tidak semua data memberikan manfaat yang sama. Kita memerlukan data berkualitas tinggi, kontinu, tidak bias, dengan metode pengumpulan data yang tepat didukung oleh referensi medis standar emas sebagai baseline komparatif. Ini memastikan kita membangun algoritma ML yang aman, adil, dan akurat.

Memastikan Pengembangan Sistem yang Adil di Ruang Perangkat Medis

Ketika mengembangkan algoritma, peneliti dan pengembang harus mempertimbangkan populasi yang dimaksud lebih luas. Tidak jarang sebagian besar perusahaan melakukan studi dan uji klinis dalam contoh ideal, tidak riil, tunggal. Namun, sangat penting bahwa pengembang mempertimbangkan semua kasus penggunaan riil perangkat, dan semua interaksi yang mungkin dengan teknologi sehari-hari. Kami bertanya: siapa populasi yang dimaksud untuk perangkat, dan apakah kita mempertimbangkan seluruh populasi? Apakah semua orang dalam audiens target memiliki akses yang adil ke teknologi? Bagaimana mereka akan berinteraksi dengan teknologi? Apakah mereka akan berinteraksi dengan teknologi 24/7 atau secara berkala?

Ketika mengembangkan perangkat medis yang akan terintegrasi ke dalam kehidupan sehari-hari seseorang, atau berpotensi mengganggu perilaku sehari-hari, kita juga perlu mempertimbangkan orang secara keseluruhan – pikiran, tubuh, dan lingkungan – dan bagaimana komponen ini mungkin berubah seiring waktu. Setiap manusia menyajikan kesempatan unik, dengan variasi pada titik-titik yang berbeda sepanjang hari. Memahami waktu sebagai komponen dalam pengumpulan data memungkinkan kita untuk memperkuat wawasan yang kita hasilkan.

Dengan mempertimbangkan elemen-elemen ini dan memahami semua komponen fisiologi, psikologi, latar belakang, demografi, dan data lingkungan, peneliti dan pengembang dapat memastikan mereka mengumpulkan data kontinu dengan resolusi tinggi yang memungkinkan mereka membangun model yang akurat dan kuat untuk aplikasi kesehatan manusia.

Bagaimana ML Dapat Mengubah Pengelolaan Diabetes

Praktik ML terbaik ini akan sangat transformatif dalam ruang pengelolaan diabetes. Epidemi diabetes tumbuh dengan cepat di seluruh dunia: 537 juta orang di seluruh dunia hidup dengan diabetes tipe 1 dan tipe 2 dan jumlah ini diperkirakan akan tumbuh menjadi 643 juta pada 2030. Dengan begitu banyak orang yang terkena, sangat penting bahwa pasien memiliki akses ke solusi yang menunjukkan apa yang terjadi di dalam tubuh mereka sendiri dan memungkinkan mereka untuk secara efektif mengelola kondisi mereka.

Dalam beberapa tahun terakhir, sebagai respons terhadap epidemi, peneliti dan pengembang telah mulai menjelajahi metode non-invasif untuk mengukur glukosa darah, seperti teknik penginderaan optik. Metode-metode ini, bagaimanapun, memiliki keterbatasan yang diketahui karena faktor manusia yang berbeda seperti tingkat melanin, indeks massa tubuh, atau ketebalan kulit.

Teknologi penginderaan radiofrekuensi (RF) mengatasi keterbatasan penginderaan optik dan memiliki potensi untuk mengubah cara orang dengan diabetes dan prediabetes mengelola kesehatan mereka. Teknologi ini menawarkan solusi yang lebih dapat diandalkan ketika datang ke pengukuran glukosa darah non-invasif karena kemampuannya untuk menghasilkan sejumlah besar data dan mengukur dengan aman melalui seluruh tumpukan jaringan.

Teknologi sensor RF memungkinkan pengumpulan data di beberapa ratus ribu frekuensi, menghasilkan miliaran pengamatan data untuk diproses dan memerlukan algoritma yang kuat untuk mengelola dan menafsirkan dataset yang besar dan baru. ML sangat penting dalam memproses dan menafsirkan sejumlah besar data baru yang dihasilkan dari jenis sensor teknologi ini, memungkinkan pengembangan algoritma yang lebih cepat dan akurat – kritis untuk membangun monitor glukosa non-invasif yang efektif yang meningkatkan hasil kesehatan di semua kasus penggunaan yang dimaksud.

Dalam ruang diabetes, kita juga melihat pergeseran dari data intermittent ke data kontinu. Pengecekan jari, misalnya, memberikan wawasan tentang tingkat glukosa darah pada titik-titik tertentu sepanjang hari, tetapi monitor glukosa kontinu (CGM) memberikan wawasan dalam interval yang lebih sering, tetapi tidak kontinu. Solusi ini, bagaimanapun, masih memerlukan penusukan kulit, sering kali menyebabkan nyeri dan kepekaan kulit. Solusi pemantauan glukosa darah non-invasif memungkinkan kita untuk mengumpulkan data kontinu berkualitas tinggi dari populasi yang lebih luas dengan mudah dan tanpa waktu tunda dalam pengukuran. Secara keseluruhan, solusi ini akan memberikan pengalaman pengguna yang jauh lebih baik dan biaya yang lebih rendah dari waktu ke waktu.

Selain itu, volume data kontinu yang tinggi menyumbang pada pengembangan algoritma yang lebih adil dan akurat. Ketika lebih banyak data time series dikumpulkan, dalam kombinasi dengan data resolusi tinggi, pengembang dapat terus membangun algoritma yang lebih baik untuk meningkatkan akurasi dalam mendeteksi glukosa darah seiring waktu. Data ini dapat memicu perbaikan algoritma yang berkelanjutan karena mencakup berbagai faktor yang mencerminkan bagaimana orang berubah dari hari ke hari (dan sepanjang hari), menghasilkan solusi yang sangat akurat. Solusi non-invasif yang memantau vital yang berbeda dapat mengubah industri pemantauan medis dan memberikan pandangan yang lebih dalam tentang bagaimana tubuh manusia bekerja melalui data kontinu dari populasi pasien yang beragam.

Perangkat Medis Menciptakan Sistem Terhubung

Ketika teknologi maju dan sistem perangkat medis mencapai tingkat akurasi yang lebih tinggi, pasien dan konsumen melihat lebih banyak kesempatan untuk mengambil kontrol atas kesehatan sehari-hari mereka melalui data maju dan multi-modal dari berbagai produk. Namun, untuk melihat dampak terbesar dari data perangkat medis dan wearable, perlu ada sistem terhubung untuk menciptakan pertukaran data yang lancar di seluruh perangkat untuk memberikan pandangan holistik tentang kesehatan individu.

Memprioritaskan interoperabilitas perangkat medis akan membuka kemampuan penuh perangkat ini untuk membantu mengelola kondisi kronis, seperti diabetes. Aliran informasi yang lancar dan pertukaran antara perangkat seperti pompa insulin dan CGM akan memungkinkan individu untuk memiliki pemahaman yang lebih baik tentang sistem pengelolaan diabetes mereka.

Data berkualitas tinggi memiliki potensi untuk mengubah industri kesehatan ketika dikumpulkan dan digunakan dengan benar. Dengan bantuan AI dan ML, perangkat medis dapat membuat perkembangan yang dapat diukur dalam pemantauan pasien jarak jauh dengan memperlakukan individu sebagai individu, dan memahami kesehatan seseorang pada tingkat yang lebih dalam. ML adalah kunci untuk membuka wawasan dari data untuk mempengaruhi protokol kesehatan prediktif dan pencegahan dan memberdayakan pasien dengan akses ke informasi tentang kesehatan mereka sendiri, mengubah cara data digunakan.