Come AI e ML stanno scalando la raccolta dei dati per trasformare il monitoraggio medico

L’intelligenza artificiale (AI) e il machine learning (ML) possono essere trovati quasi in ogni industria, guidando ciò che alcuni considerano una nuova era di innovazione – in particolare nel settore sanitario, dove si stima che il ruolo dell’AI crescerà al ritmo del 50% annuo entro il 2025. Il ML sta giocando un ruolo sempre più vitale nell’assistenza alle diagnosi, all’imaging, alla salute predittiva e altro.

Con i nuovi dispositivi medici e wearable sul mercato, il ML ha la capacità di trasformare il monitoraggio medico raccogliendo, analizzando e fornendo informazioni facilmente accessibili alle persone per gestire meglio la propria salute – migliorando la probabilità di rilevamento precoce o prevenzione delle malattie croniche. Ci sono diversi fattori che i ricercatori dovrebbero tenere presente quando sviluppano queste nuove tecnologie per assicurarsi di raccogliere i dati di alta qualità e costruire algoritmi ML scalabili, precisi ed equi adatti all’uso nel mondo reale.

Utilizzo del ML per scalare la ricerca clinica e l’analisi dei dati

Negli ultimi 25 anni, lo sviluppo di dispositivi medici è accelerato, soprattutto durante la pandemia di COVID-19. Stiamo iniziando a vedere più dispositivi consumer come i tracker di fitness e wearable diventare commodity, e lo sviluppo spostarsi verso dispositivi diagnostici medici. Man mano che questi dispositivi vengono immessi sul mercato, le loro capacità continuano a evolversi. Più dispositivi medici significano più dati continui e set di dati più grandi e diversificati che devono essere analizzati. Questa elaborazione può essere tediosa e inefficiente quando eseguita manualmente. Il ML consente di analizzare grandi set di dati più velocemente e con maggiore accuratezza, identificando modelli che possono portare a insight trasformativi.

Con tutti questi dati ora a nostra disposizione, dobbiamo assicurarci innanzitutto di elaborare i giusti dati. I dati plasmano e informano la tecnologia che utilizziamo, ma non tutti i dati forniscono lo stesso beneficio. Abbiamo bisogno di dati di alta qualità, continui, non distorti, con i giusti metodi di raccolta dei dati supportati da riferimenti medici di gold standard come baseline comparativa. Ciò ci assicura di costruire algoritmi ML sicuri, equi e precisi.

Garantire lo sviluppo di sistemi equi nello spazio dei dispositivi medici

Quando si sviluppano algoritmi, i ricercatori e gli sviluppatori devono considerare le popolazioni target più ampie. Non è insolito che la maggior parte delle aziende conduca studi e trial clinici in un’istanza singola, ideale, non realistica. Tuttavia, è fondamentale che gli sviluppatori considerino tutti gli scenari di utilizzo realistici del dispositivo e tutte le possibili interazioni che la popolazione target potrebbe avere con la tecnologia nella vita quotidiana. Ci chiediamo: chi è la popolazione target per il dispositivo, e stiamo considerando l’intera popolazione? Tutti nell’audience target hanno un accesso equo alla tecnologia? Come interagiranno con la tecnologia? Interagiranno con la tecnologia 24 ore su 24 o intermittente?

Quando si sviluppano dispositivi medici che si integreranno nella vita quotidiana di qualcuno, o potenzialmente interferiranno con i comportamenti quotidiani, dobbiamo anche considerare l’intera persona – mente, corpo e ambiente – e come questi componenti possano cambiare nel tempo. Ogni essere umano presenta un’opportunità unica, con variazioni in diversi punti nel corso della giornata. La comprensione del tempo come componente nella raccolta dei dati ci consente di amplificare gli insight che generiamo.

Considerando questi elementi e comprendendo tutti i componenti della fisiologia, della psicologia, dello sfondo, dei dati demografici e ambientali, i ricercatori e gli sviluppatori possono assicurarsi di raccogliere dati continui ad alta risoluzione che consentono di costruire modelli precisi e robusti per le applicazioni della salute umana.

Come il ML può trasformare la gestione del diabete

Queste migliori pratiche del ML saranno particolarmente trasformative nello spazio della gestione del diabete. L’epidemia di diabete sta crescendo rapidamente in tutto il mondo: 537M di persone in tutto il mondo vivono con diabete di tipo 1 e 2 e questo numero è previsto crescere a 643M entro il 2030. Con così tante persone colpite, è imperativo che i pazienti abbiano accesso a una soluzione che mostri loro cosa sta succedendo all’interno del loro corpo e consenta loro di gestire efficacemente le proprie condizioni.

Negli ultimi anni, in risposta all’epidemia, ricercatori e sviluppatori hanno iniziato a esplorare metodi non invasivi per misurare il glucosio nel sangue, come le tecniche di sensazione ottica. Tuttavia, questi metodi hanno limitazioni note a causa di fattori umani vari come i livelli di melanina, l’indice di massa corporea o lo spessore della pelle.

La tecnologia di sensazione radiofrequenza (RF) supera le limitazioni della sensazione ottica e ha il potenziale di trasformare il modo in cui le persone con diabete e prediabete gestiscono la propria salute. Questa tecnologia offre una soluzione più affidabile quando si tratta di misurare non invasivamente il glucosio nel sangue a causa della sua capacità di generare grandi quantità di dati e misurare in modo sicuro attraverso l’intero strato di tessuto.

La tecnologia del sensore RF consente la raccolta di dati su diverse centinaia di migliaia di frequenze, risultando in miliardi di osservazioni dei dati da elaborare e richiedendo algoritmi potenti per gestire e interpretare tali grandi e nuovi set di dati. Il ML è essenziale per l’elaborazione e l’interpretazione della grande quantità di nuovi dati generati da questa tecnologia del sensore, consentendo uno sviluppo di algoritmi più rapido e preciso – fondamentale per costruire un monitor non invasivo del glucosio efficace che migliora i risultati sanitari in tutti gli scenari di utilizzo previsti.

Nello spazio del diabete, stiamo anche vedendo uno spostamento dai dati intermittenti ai dati continui. Ad esempio, il prelievo di sangue dal dito fornisce insight sui livelli di glucosio nel sangue in punti selezionati nel corso della giornata, ma un monitor del glucosio continuo (CGM) fornisce insight in incrementi più frequenti, ma non continui. Tuttavia, queste soluzioni richiedono ancora la perforazione della pelle, spesso risultando in dolore e sensibilità cutanea. Una soluzione di monitoraggio non invasivo del glucosio nel sangue consente di catturare dati continui di alta qualità da una popolazione più ampia con facilità e senza ritardo nella misurazione. In generale, questa soluzione fornirebbe un’esperienza utente indiscutibilmente migliore e un costo inferiore nel tempo.

Inoltre, il grande volume di dati continui contribuisce allo sviluppo di algoritmi più equi e precisi. Man mano che vengono raccolti più dati temporali, in combinazione con dati ad alta risoluzione, gli sviluppatori possono continuare a costruire algoritmi migliori per aumentare la precisione nella rilevazione del glucosio nel sangue nel tempo. Questi dati possono alimentare il miglioramento continuo degli algoritmi poiché includono vari fattori che riflettono come le persone cambiano giorno per giorno (e nel corso di una singola giornata), producendo una soluzione altamente precisa. Le soluzioni non invasive che monitorano diversi parametri vitali possono trasformare l’industria del monitoraggio medico e fornire uno sguardo più approfondito su come funziona il corpo umano attraverso dati continui da popolazioni di pazienti diverse.

I dispositivi medici creano un sistema interconnesso

Man mano che la tecnologia avanza e i sistemi di dispositivi medici raggiungono livelli di accuratezza sempre più alti, i pazienti e i consumatori stanno vedendo sempre più opportunità di prendere il controllo della propria salute quotidiana attraverso dati avanzati e multimodali provenienti da una varietà di prodotti. Tuttavia, per vedere il maggior impatto dai dati dei dispositivi medici e wearable, c’è bisogno di un sistema interconnesso per creare uno scambio fluido di dati tra più dispositivi per fornire una visione olistica della salute di un individuo.

La priorità dell’interoperabilità dei dispositivi medici sblocca la piena capacità di questi dispositivi di aiutare a gestire le condizioni croniche, come il diabete. Un flusso e scambio di informazioni senza soluzione di continuità tra dispositivi come le pompe di insulina e i CGM consentiranno agli individui di avere una migliore comprensione del proprio sistema di gestione del diabete.

I dati ad alta fedeltà hanno il potenziale di trasformare l’industria sanitaria quando raccolti e utilizzati correttamente. Con l’aiuto dell’AI e del ML, i dispositivi medici possono fare progressi misurabili nel monitoraggio remoto dei pazienti trattando gli individui come individui, e comprendendo la salute di una persona a un livello più profondo. Il ML è la chiave per sbloccare gli insight dai dati per informare protocolli di salute predittiva e preventiva e dotare i pazienti di accesso alle informazioni sulla propria salute, trasformando il modo in cui i dati vengono utilizzati.