Steve Kent

AIとMLがデータ収集を拡大して医療モニタリングを変革する方法

人工知能（AI）と機械学習（ML）は、ほぼすべての業界で見られ、新しいイノベーションの時代を牽引している − 特にヘルスケア業界では、AIの役割が2025年までに年間50%の割合で成長することが予測されている。MLは、診断、画像診断、予測ヘルス、さらにはその他の分野で重要な役割を果たしている。新しい医療機器やウェアラブルデバイスが市場に出てくると、MLは医療モニタリングを変革することができ、人々が自分の健康をよりよく管理できるように、収集、分析、提供する情報を容易にアクセスできるようにすることができる。研究者は、これらの新しい技術を開発する際に、最高品質のデータを収集し、実世界のユースケースに適したスケーラブルで正確で公平なMLアルゴリズムを構築するために、以下の要素を考慮する必要がある。MLを使用して臨床研究とデータ分析を拡大する過去25年間で、医療機器の開発は加速し、特にCOVID-19のパンデミック期間中にはさらに進んだ。コンシューマー向けデバイス such as フィットネストラッカーとウェアラブルデバイスが一般化し、開発は医療診断デバイスに向かっている。这些デバイスが市場に出てくると、その機能はさらに進化する。より多くの医療機器が利用できるようになり、連続したデータとより大きな、より多様なデータセットが分析される必要がある。この処理は手動で行うと面倒で非効率的になる。MLは、広範なデータセットをより迅速に、より正確に分析し、変革的な洞察につながるパターンを特定することができる。これらのデータが手の届く範囲にあり、まず第一に、正しいデータを処理していることを確認する必要がある。データは、利用するテクノロジーを形作り、情報を提供するが、すべてのデータが同じメリットを提供するわけではない。高品質の連続した、偏りのないデータと、金標準の医療参考文献を比較基準として支持する正しいデータ収集方法が必要である。これにより、安全で、公平で、正確なMLアルゴリズムを構築することができる。医療機器開発における公平なシステム開発を確保するアルゴリズムを開発する際、研究者と開発者は、より広い意味で意図した人口を考慮する必要がある。多くの企業が、単一の、理想的な、現実世界ではないインスタンスで研究と臨床試験を実施することは珍しくない。しかし、開発者は、デバイスのすべての現実世界のユースケースと、意図した人口がデバイスと日常的にどのようにやり取りするかを考慮することが重要である。私たちは、誰がデバイスの対象人口であるか、全人口を考慮に入れているか、対象オーディエンスのすべてがテクノロジーに公平にアクセスできるか、どのようにテクノロジーとやり取りするか、24時間体制でテクノロジーとやり取りするか、間欠的にやり取りするかを問う。日常生活に統合される医療機器や、日常的な行動に介入する可能性のある医療機器を開発する際には、全人格 − 心、体、環境 − と、これらの要素が時間の経過とともにどのように変化するかを考慮する必要がある。すべての人間は、1日を通じて、異なる時点で異なる機会を提供する。時間をデータ収集の要素として理解することで、生成される洞察を増幅させることができる。これらの要素を考慮し、生理学、心理学、背景、人口統計、環境データのすべての要素を理解することで、研究者と開発者は、高解像度の連続したデータを収集し、人間の健康アプリケーションに適した正確で強力なモデルを構築することができる。MLが糖尿病管理を変革する方法これらのMLのベストプラクティスは、特に糖尿病管理の分野で変革的な影響を与えることになる。糖尿病の世界的な蔓延は急速に進んでおり、537M人の人が1型と2型の糖尿病を患っており、その数は2030年までに643Mに増加することが予測されている。多くの人々が影響を受けているため、患者が自分の体内で起こっていることを理解し、状態を効果的に管理できるようにする解決策にアクセスできることが重要である。近年、研究者と開発者は、光学センシング技術などの非侵襲的な血糖測定方法を探求し始めている。これらの方法には、メラニンレベル、BMIレベル、または皮膚の厚さなどのさまざまな人間の要因による制限がある。ラジオ周波数（RF）センシング技術は、光学センシングの制限を克服し、糖尿病と予糖尿病の管理方法を変革する可能性がある。この技術は、より信頼性の高い解決策を提供し、フルティッシュスタックを介して安全に測定できるため、非侵襲的な血糖測定に適している。RFセンサーテクノロジーにより、数十万の周波数をまたいでデータを収集することができ、数十億のデータ観測を処理する必要があり、強力なアルゴリズムを必要とする。MLは、このようなセンサーテクノロジーによって生成される大量の新しいデータを処理して解釈するために不可欠であり、より迅速で正確なアルゴリズム開発を可能にし、効果的な非侵襲性グルコースモニターを構築する上で重要である。糖尿病の分野では、間欠的なデータから連続的なデータへの移行も見られている。指の刺し傷は、1日を通じて選択されたポイントでの血糖レベルに関する洞察を提供するが、連続グルコースモニター（CGM）は、より頻繁に、しかし非連続的にインクリメントで洞察を提供する。これらの解決策は、皮膚を穿孔する必要があり、痛みや皮膚の感覚を引き起こすことがある。非侵襲的な血糖モニタリング解決策により、より広い人口から容易に、高品質の連続データを収集することができる。さらに、高容量の連続データは、より公平で正確なアルゴリズムの開発に貢献する。時系列データが収集されるにつれて、高解像度データと組み合わせて、開発者は血糖レベルを検出する精度を高めるためにより優れたアルゴリズムを構築することができる。このデータは、人々が日ごとに、そして1日にわたってどのように変化するか（および1日の中で）を反映するさまざまな要因を含むため、非常に正確な解決策を提供する。医療機器が相互接続されたシステムを作成するテクノロジーが進化し、医療機器システムがさらに高精度化するにつれて、患者と消費者は、さまざまな製品からの高度で多様なデータを利用して、自分の日常的な健康をよりよく管理できる機会を増やしている。しかし、医療機器とウェアラブルデバイスのデータから最大の影響を得るには、個人の健康の包括的なビューを提供するために、複数のデバイス間でデータのスムーズな交換を可能にする相互接続されたシステムが必要である。医療機器の相互運用性を優先することで、これらのデバイスの機能を最大限に活用し、糖尿病などの慢性疾患を管理することができる。インスリンポンプやCGMなどのデバイス間で情報のシームレスなフローと交換が可能になれば、個人は糖尿病管理システムをよりよく理解できる。高忠実度データは、正しく収集および使用された場合、ヘルスケア業界を変革する可能性がある。AIとMLの助けを借りて、医療機器はリモートパティエントモニタリングにおいて、個々の患者を個別に扱い、人の健康をより深く理解することで、計測可能な進歩を遂げることができる。MLは、データから洞察を引き出し、予測および予防のヘルスケア管理プロトコルに情報を提供し、患者が自分の健康に関する情報にアクセスできるようにするための鍵である。