Hoe AI en ML de gegevensverzameling opschalen om medische monitoring te transformeren

Kunstmatige intelligentie (AI) en machinaal leren (ML) zijn in bijna elke sector te vinden en vormen de drijvende kracht achter wat sommigen beschouwen als een nieuw tijdperk van innovatie – vooral in de gezondheidszorg, waar naar schatting de rol van AI in een rap tempo zal toenemen. Jaarlijks tarief van 50% in 2025. ML speelt steeds meer een cruciale rol bij het assisteren bij diagnoses, beeldvorming, voorspellende gezondheidEn nog veel meer.

Met nieuwe medische apparaten en wearables op de markt heeft ML het vermogen om medische monitoring te transformeren door gemakkelijk toegankelijke informatie te verzamelen, analyseren en leveren zodat mensen hun eigen gezondheid beter kunnen beheren, waardoor de kans op vroege detectie of preventie van chronische ziekten wordt vergroot. Er zijn verschillende factoren die onderzoekers in gedachten moeten houden bij het ontwikkelen van deze nieuwe technologieën om ervoor te zorgen dat ze gegevens van de hoogste kwaliteit verzamelen en schaalbare, nauwkeurige en rechtvaardige ML-algoritmen bouwen die geschikt zijn voor gebruik in de praktijk.

ML gebruiken om klinisch onderzoek en data-analyse op te schalen

In de afgelopen 25 jaar heeft de ontwikkeling van medische apparatuur is versneld, vooral tijdens de COVID-19-pandemie. We zien dat steeds meer consumentenapparaten, zoals fitnesstrackers en wearables, worden gecommoditiseerd, en dat de ontwikkeling verschuift naar medische diagnostische apparaten. Terwijl deze apparaten op de markt worden gebracht, blijven hun mogelijkheden evolueren. Meer medische apparaten betekent meer continue gegevens en grotere, meer diverse datasets die moeten worden geanalyseerd. Deze verwerking kan vervelend en inefficiënt zijn als deze handmatig wordt uitgevoerd. Dankzij ML kunnen uitgebreide datasets sneller en nauwkeuriger worden geanalyseerd, waardoor patronen worden geïdentificeerd die tot transformatieve inzichten kunnen leiden.

Nu al deze gegevens binnen handbereik zijn, moeten we er eerst en vooral voor zorgen dat we de gegevens verwerken rechts gegevens. Data vormen en informeren de technologie die we gebruiken, maar niet alle data bieden hetzelfde voordeel. We hebben continue, onbevooroordeelde gegevens van hoge kwaliteit nodig, met de juiste methoden voor gegevensverzameling, ondersteund door gouden standaard medische referenties als vergelijkende basislijn. Dit zorgt ervoor dat we veilige, rechtvaardige en nauwkeurige ML-algoritmen ontwikkelen.

Zorgen voor een rechtvaardige systeemontwikkeling op het gebied van medische hulpmiddelen

Bij het ontwikkelen van algoritmen moeten onderzoekers en ontwikkelaars hun beoogde populaties breder beschouwen. Het is niet ongebruikelijk dat de meeste bedrijven onderzoeken en klinische onderzoeken uitvoeren in een enkelvoudig, ideaal, niet-reëel geval. Het is echter van cruciaal belang dat ontwikkelaars rekening houden met alle gebruiksscenario's voor het apparaat in de echte wereld, en met alle mogelijke interacties die hun doelgroep dagelijks met de technologie zou kunnen hebben. Wij vragen: wie is de beoogde populatie voor het apparaat, en houden we rekening met de gehele populatie? Heeft iedereen in de doelgroep gelijke toegang tot de technologie? Hoe zullen zij omgaan met de technologie? Zullen ze 24/7 of met tussenpozen met de technologie omgaan?

Bij het ontwikkelen van medische hulpmiddelen die in iemands dagelijks leven zullen worden geïntegreerd, of die mogelijk ingrijpen in het dagelijks gedrag, moeten we ook rekening houden met de hele persoon – geest, lichaam en omgeving – en hoe deze componenten in de loop van de tijd kunnen veranderen. Ieder mens biedt een unieke kans, met variaties op verschillende punten gedurende de dag. Door tijd te begrijpen als een component bij het verzamelen van gegevens, kunnen we de inzichten die we genereren versterken.

Door rekening te houden met deze elementen en alle componenten van fysiologie, psychologie, achtergrond-, demografische en omgevingsgegevens te begrijpen, kunnen onderzoekers en ontwikkelaars ervoor zorgen dat ze continue gegevens met hoge resolutie verzamelen waarmee ze nauwkeurige en sterke modellen voor toepassingen in de menselijke gezondheidszorg kunnen bouwen.

Hoe ML het diabetesmanagement kan transformeren

Deze best practices op het gebied van ML zullen vooral transformatief zijn op het gebied van diabetesmanagement. De diabetesepidemie groeit snel over de hele wereld: 537 miljoen mensen wereldwijd leven met type 1- en type 2-diabetes en de verwachting is dat dit aantal nog zal toenemen 643 miljoen in 2030. Nu er zoveel mensen getroffen zijn, is het absoluut noodzakelijk dat patiënten toegang hebben tot een oplossing die hen laat zien wat er in hun eigen lichaam gebeurt en hen in staat stelt hun aandoeningen effectief te beheersen.

Als reactie op de epidemie zijn onderzoekers en ontwikkelaars de afgelopen jaren begonnen met het onderzoeken van niet-invasieve methoden voor het meten van de bloedglucose, zoals optische detectietechnieken. Deze methoden hebben echter bekende beperkingen als gevolg van verschillende menselijke factoren, zoals melanineniveaus, BMI-niveaus of huiddikte.

Radiofrequentie (RF)-detectietechnologie overwint de beperkingen van optische detectie en heeft het potentieel om de manier te veranderen waarop mensen met diabetes en prediabetes met hun gezondheid omgaan. Deze technologie biedt een betrouwbaardere oplossing als het gaat om het niet-invasief meten van de bloedglucose, omdat het grote hoeveelheden gegevens kan genereren en veilig de volledige weefselstapel kan meten.

RF-sensortechnologie maakt het verzamelen van gegevens over enkele honderdduizenden frequenties mogelijk, wat resulteert in miljarden datawaarnemingen die moeten worden verwerkt en waarvoor krachtige algoritmen nodig zijn om zulke grote en nieuwe datasets te beheren en interpreteren. ML is essentieel bij het verwerken en interpreteren van de enorme hoeveelheid nieuwe gegevens die door dit soort sensortechnologie worden gegenereerd, waardoor een snellere en nauwkeurigere ontwikkeling van algoritmen mogelijk wordt gemaakt – cruciaal voor het bouwen van een effectieve niet-invasieve glucosemonitor die de gezondheidsresultaten in alle beoogde gebruiksscenario’s verbetert.

Op het gebied van diabetes zien we ook een verschuiving van intermitterende naar continue gegevens. Vingerprikken geeft bijvoorbeeld inzicht in de bloedglucosewaarden op bepaalde punten gedurende de dag, maar een continue glucosemonitor (CGM) geeft inzicht in frequentere, maar niet-continue verhogingen. Deze oplossingen vereisen echter nog steeds het doorboren van de huid, wat vaak resulteert in pijn en gevoeligheid van de huid. Een niet-invasieve oplossing voor bloedglucosemonitoring stelt ons in staat om eenvoudig en zonder vertraging bij de meting continue gegevens van hoge kwaliteit van een bredere populatie vast te leggen. Over het geheel genomen zou deze oplossing op termijn een ongetwijfeld betere gebruikerservaring en lagere kosten opleveren.

Bovendien draagt ​​het grote volume aan continue gegevens bij aan de ontwikkeling van rechtvaardigere en nauwkeurigere algoritmen. Naarmate er meer tijdreeksgegevens worden verzameld, in combinatie met gegevens met hoge resolutie, kunnen ontwikkelaars doorgaan met het bouwen van betere algoritmen om de nauwkeurigheid bij het detecteren van bloedglucose in de loop van de tijd te vergroten. Deze gegevens kunnen een voortdurende verbetering van het algoritme stimuleren, omdat ze verschillende factoren bevatten die weerspiegelen hoe mensen dagelijks (en gedurende één dag) veranderen, wat een zeer nauwkeurige oplossing oplevert. Niet-invasieve oplossingen die verschillende vitale functies monitoren, kunnen de medische monitoringindustrie transformeren en een dieper inzicht bieden in hoe het menselijk lichaam werkt door middel van continue gegevens van diverse patiëntenpopulaties.

Medische apparaten die een onderling verbonden systeem creëren

Naarmate de technologie vordert en systemen voor medische apparatuur een nog hoger nauwkeurigheidsniveau bereiken, zien patiënten en consumenten steeds meer mogelijkheden om controle te krijgen over hun eigen dagelijkse gezondheid door middel van geavanceerde en multimodale gegevens van een verscheidenheid aan producten. Maar om de meeste impact van de gegevens van medische apparaten en wearables te kunnen zien, moet er een onderling verbonden systeem zijn om een ​​soepele gegevensuitwisseling tussen meerdere apparaten te creëren en zo een holistisch beeld van de gezondheid van een individu te bieden.

Prioriteiten stellen interoperabiliteit van medische apparatuur zal de volledige capaciteit van deze apparaten ontsluiten om chronische aandoeningen, zoals diabetes, te helpen beheersen. Dankzij een naadloze stroom en uitwisseling van informatie tussen apparaten zoals insulinepompen en CGM's kunnen individuen een beter begrip van hun diabetesmanagementsysteem.

High-fidelity-gegevens hebben het potentieel om de gezondheidszorg te transformeren als ze op de juiste manier worden verzameld en gebruikt. Met behulp van AI en ML kunnen medische apparaten meetbare ontwikkelingen maken op het gebied van patiëntmonitoring op afstand, door individuen als individuen te behandelen en de gezondheid van een persoon op een dieper niveau te begrijpen. ML is de sleutel tot het ontsluiten van inzichten uit data om voorspellende en preventieve gezondheidszorgprotocollen te ondersteunen en patiënten toegang te geven tot informatie over hun eigen gezondheid, waardoor de manier waarop data worden gebruikt wordt getransformeerd.