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

L’intelligenza artificiale (AI) e l’apprendimento automatico (ML) possono essere trovati in quasi 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 a un tasso del 50% all’anno entro il 2025. L’ML sta giocando un ruolo sempre più importante nell’assistenza alle diagnosi, all’imaging, alla salute predittiva e altro.

Con i nuovi dispositivi medici e wearable sul mercato, l’ML ha la capacità di trasformare il monitoraggio medico raccogliendo, analizzando e fornendo informazioni facilmente accessibili alle persone per gestire meglio la loro salute – migliorando la probabilità di rilevamento o prevenzione precoce di 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, accurati e equi adatti all’uso nel mondo reale.

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

Negli ultimi 25 anni, lo sviluppo di dispositivi medici è accelerato, in particolare durante la pandemia di COVID-19. Stiamo iniziando a vedere più dispositivi per consumatori come tracker di fitness e wearable che si stanno trasformando in 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 viene eseguita manualmente. L’ML consente di analizzare estesi 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 dati giusti. 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 metodi di raccolta dei dati appropriati supportati da riferimenti medici di gold standard come baseline comparativa. Ciò ci consente di costruire algoritmi ML sicuri, equi e accurati.

Garantire lo sviluppo di sistemi equi nello spazio dei dispositivi medici

Quando si sviluppano algoritmi, i ricercatori e gli sviluppatori devono considerare le loro popolazioni target più ampie. Non è insolito che la maggior parte delle aziende conduca studi e trial clinici in un’istanza singola, ideale, non del mondo reale. Tuttavia, è fondamentale che gli sviluppatori considerino tutti i casi d’uso reali 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? Ha tutti coloro che sono nel pubblico target 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 potrebbero intervenire con 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 della giornata. Comprendere il 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, delle caratteristiche demografiche e dei dati ambientali, i ricercatori e gli sviluppatori possono assicurarsi di raccogliere dati continui ad alta risoluzione che consentono di costruire modelli precisi e solidi per le applicazioni della salute umana.

Come l’ML può trasformare la gestione del diabete

Queste migliori pratiche di ML saranno particolarmente trasformative nello spazio della gestione del diabete. L’epidemia di diabete sta crescendo rapidamente in tutto il mondo: 537 milioni di persone in tutto il mondo vivono con diabete di tipo 1 e di tipo 2 e questo numero è previsto raggiungere 643 milioni entro il 2030. Con così tante persone colpite, è fondamentale che i pazienti abbiano accesso a una soluzione che mostra loro cosa sta succedendo all’interno del loro corpo e consente loro di gestire efficacemente le loro 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 variabili come i livelli di melanina, l’indice di massa corporea o lo spessore della pelle.

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

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 così grandi e nuovi set di dati. L’ML è essenziale nell’elaborazione e nell’interpretazione della grande quantità di nuovi dati generati da questa tecnologia del sensore, consentendo lo sviluppo di algoritmi più veloce e più preciso – fondamentale per costruire un monitor del glucosio non invasivo efficace che migliora i risultati sanitari in tutti i casi d’uso previsti.

Nello spazio del diabete, stiamo anche vedendo un passaggio dai dati intermittenti ai dati continui. Ad esempio, il prelievo di sangue dal dito fornisce informazioni sui livelli di glucosio nel sangue in punti selezionati della giornata, ma un monitor del glucosio continuo (CGM) fornisce informazioni in incrementi più frequenti, ma non continui. Tuttavia, queste soluzioni richiedono ancora di perforare la pelle, spesso risultando in dolore e sensibilità cutanea. Una soluzione di monitoraggio non invasivo del glucosio nel sangue ci consente di catturare dati continui di alta qualità da una popolazione più ampia con facilità e senza ritardo nella misurazione. Nel complesso, 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 ulteriori miglioramenti degli algoritmi poiché includono vari fattori che riflettono come le persone cambiano giorno per giorno (e all’interno di un singolo giorno), 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 elevati, i pazienti e i consumatori stanno vedendo sempre più opportunità per prendere il controllo della loro salute quotidiana attraverso dati avanzati e multimodali provenienti da una varietà di prodotti. Tuttavia, per vedere l’impatto più significativo dei dati dei dispositivi medici e wearable, è necessario un sistema interconnesso per creare un flusso di dati senza soluzione di continuità tra più dispositivi per fornire una visione olistica della salute di un individuo.

La priorità dell’interoperabilità dei dispositivi medici sbloccherà la piena capacità di questi dispositivi di aiutare a gestire le condizioni croniche, come il diabete. Un flusso e uno 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 loro sistema di gestione del diabete.

I dati ad alta fedeltà hanno il potenziale per trasformare l’industria sanitaria quando vengono raccolti e utilizzati correttamente. Con l’aiuto dell’AI e dell’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. L’ML è la chiave per sbloccare gli insight dai dati per informare protocolli di gestione della salute predittiva e preventiva e dotare i pazienti di accesso alle informazioni sulla loro salute, trasformando il modo in cui i dati vengono utilizzati.