Hoe AI en ML gegevensverzameling schalen om medische bewaking te transformeren

Kunstmatige intelligentie (AI) en machine learning (ML) zijn te vinden in bijna elke industrie, waardoor sommigen een nieuwe tijdperk van innovatie beschouwen – vooral in de gezondheidszorg, waarvan wordt geschat dat de rol van AI tegen 2025 met een 50% tarief per jaar zal groeien. ML speelt een steeds belangrijkere rol bij het assisteren van diagnoses, beeldvorming, predictieve gezondheid en meer.

Met nieuwe medische apparaten en wearables op de markt, heeft ML de mogelijkheid om medische bewaking te transformeren door gemakkelijk toegankelijke informatie te verzamelen, te analyseren en te leveren, zodat mensen hun eigen gezondheid beter kunnen beheren – waardoor de kans op vroegtijdige detectie of preventie van chronische ziekten toeneemt. Er zijn verschillende factoren waar onderzoekers rekening mee moeten houden bij de ontwikkeling van deze nieuwe technologieën, om ervoor te zorgen dat ze de hoogste kwaliteit gegevens verzamelen en schaalbare, nauwkeurige en eerlijke ML-algoritmen bouwen die geschikt zijn voor real-world use cases.

ML gebruiken om klinisch onderzoek en gegevensanalyse te schalen

In de afgelopen 25 jaar is de ontwikkeling van medische apparaten versneld, vooral tijdens de COVID-19-pandemie. We zien steeds meer consumentenapparaten zoals fitness trackers en wearables op de markt komen, en de ontwikkeling verschuift naar medische diagnostische apparaten. Naarmate deze apparaten op de markt komen, evolueren hun mogelijkheden. Meer medische apparaten betekent meer continue gegevens en grotere, meer diverse gegevenssets die geanalyseerd moeten worden. Deze verwerking kan saai en inefficiënt zijn wanneer deze handmatig wordt gedaan. ML maakt het mogelijk om uitgebreide datasets sneller en met meer nauwkeurigheid te analyseren, waardoor patronen kunnen worden geïdentificeerd die tot transformatieve inzichten kunnen leiden.

Met al deze gegevens nu binnen handbereik, moeten we ervoor zorgen dat we allereerst de juiste gegevens verwerken. Gegevens vormen en informeren de technologie die we gebruiken, maar niet alle gegevens bieden hetzelfde voordeel. We hebben hoge kwaliteit, continue, onbevooroordeelde gegevens nodig, met de juiste gegevensverzamelmethode ondersteund door gouden standaard medische referenties als vergelijkingsbasis. Dit zorgt ervoor dat we veilige, eerlijke en nauwkeurige ML-algoritmen bouwen.

Ervoor zorgen dat systeemontwikkeling in de medische apparaatruimte eerlijk is

Bij de ontwikkeling van algoritmen moeten onderzoekers en ontwikkelaars hun beoogde populaties breder overwegen. Het is niet ongebruikelijk dat de meeste bedrijven studies en klinische proeven uitvoeren in een enkel, ideaal, niet-reëel geval. Het is echter cruciaal dat ontwikkelaars alle real-world use cases voor het apparaat overwegen, en alle mogelijke interacties die hun beoogde populatie met de technologie kan hebben op dagelijkse basis. We vragen ons af: wie is de beoogde populatie voor het apparaat, en hebben we de hele populatie meegenomen? Heeft iedereen in de doelgroep gelijke toegang tot de technologie? Hoe zullen ze met de technologie omgaan? Zullen ze 24/7 of incidenteel met de technologie omgaan?

Bij de ontwikkeling van medische apparaten die in iemands dagelijks leven worden geïntegreerd, of potentieel tussenkomen met dagelijkse gedragingen, moeten we ook de hele persoon meenemen – geest, lichaam en omgeving – en hoe deze componenten over tijd kunnen veranderen. Elke mens biedt een unieke kans, met variaties op verschillende punten in de loop van de dag. Het begrijpen van tijd als component in gegevensverzameling stelt ons in staat om de inzichten die we genereren te verhogen.

Door deze elementen te overwegen en alle componenten van fysiologie, psychologie, achtergrond, demografie en omgevingsgegevens te begrijpen, kunnen onderzoekers en ontwikkelaars ervoor zorgen dat ze hoge resolutie, continue gegevens verzamelen die hen in staat stellen om nauwkeurige en sterke modellen voor menselijke gezondheidsapplicaties te bouwen.

Hoe ML diabetesbeheer kan transformeren

Deze ML-richtlijnen zullen vooral transformatief zijn in de ruimte van diabetesbeheer. De diabetes-epidemie groeit snel over de hele wereld: 537M mensen wereldwijd leven met type 1 en type 2 diabetes en dat aantal zal naar verwachting 643M worden tegen 2030. Met zoveel mensen die worden getroffen, is het essentieel dat patiënten toegang hebben tot een oplossing die hen laat zien wat er in hun eigen lichaam gebeurt en hen in staat stelt om hun eigen conditie effectief te beheren.

In recente jaren, als reactie op de epidemie, zijn onderzoekers en ontwikkelaars begonnen met het onderzoeken van niet-invasieve methoden voor het meten van bloedglucose, zoals optische sensortechnieken. Deze methoden hebben echter bekende beperkingen vanwege variabele humane factoren zoals melaninegehalte, BMI-niveaus of huiddikte.

Radiofrequente (RF) sensortechnologie overwint de beperkingen van optische sensortechnologie en heeft het potentieel om de manier waarop mensen met diabetes en pre-diabetes hun gezondheid beheren te transformeren. Deze technologie biedt een betrouwbaardere oplossing voor het niet-invasief meten van bloedglucose vanwege de mogelijkheid om grote hoeveelheden gegevens te genereren en veilig te meten door de volledige weefsellagen heen.

RF-sensortechnologie maakt het mogelijk om gegevens te verzamelen over verschillende honderdduizenden frequenties, waardoor er miljarden gegevensobservaties ontstaan die verwerkt moeten worden en krachtige algoritmen vereisen om deze grote en nieuwe datasets te beheren en te interpreteren. ML is essentieel bij het verwerken en interpreteren van de enorme hoeveelheid nieuwe gegevens die door deze sensortechnologie worden gegenereerd, waardoor snellere en nauwkeurigere algoritme-ontwikkeling mogelijk wordt – cruciaal voor het bouwen van een effectieve niet-invasieve glucose-monitor die de gezondheidsresultaten over alle beoogde use cases verbetert.

In de diabetes-ruimte zien we ook een verschuiving van incidentele naar continue gegevens. Vingerprikken, bijvoorbeeld, bieden inzicht in bloedglucose-niveaus op specifieke punten in de loop van de dag, maar een continue glucose-monitor (CGM) biedt inzicht in meer frequente, maar niet-continue increments. Deze oplossingen vereisen echter nog steeds het doorboren van de huid, wat vaak pijn en huidgevoeligheid veroorzaakt. Een niet-invasieve bloedglucose-monitormogelijkheid stelt ons in staat om hoge kwaliteit continue gegevens van een bredere populatie met gemak en zonder vertraging in de meting te verzamelen. Al met al zou deze oplossing een onbetwist betere gebruikerservaring en lagere kosten over tijd bieden.

Bovendien draagt de grote hoeveelheid continue gegevens bij aan de ontwikkeling van meer eerlijke en nauwkeurige algoritmen. Naarmate meer tijdsreeksgegevens worden verzameld, in combinatie met hoge resolutiegegevens, kunnen ontwikkelaars blijven werken aan betere algoritmen om de nauwkeurigheid bij het detecteren van bloedglucose over tijd te verhogen. Deze gegevens kunnen de voortdurende verbetering van algoritmen stimuleren, omdat ze verschillende factoren omvatten die weerspiegelen hoe mensen van dag tot dag (en in de loop van een enkele dag) veranderen, waardoor een zeer nauwkeurige oplossing ontstaat. Niet-invasieve oplossingen die verschillende vitale functies bewaken, kunnen de medische bewakingsindustrie transformeren en een dieper inzicht geven in de werking van het menselijk lichaam door middel van continue gegevens van diverse patiëntpopulaties.

Medische apparaten creëren een verbonden systeem

Naarmate de technologie vordert en medische apparaatsystemen een nog hogere niveau van nauwkeurigheid bereiken, zien patiënten en consumenten steeds meer kansen om de controle over hun eigen dagelijkse gezondheid te nemen door geavanceerde en multimodale gegevens van een verscheidenheid aan producten. Maar om het meeste effect te zien van medische apparaat- en wearables-gegevens, moet er een verbonden systeem zijn om een vloeiende uitwisseling van gegevens tussen meerdere apparaten te creëren, om een holistisch beeld van een individu’s gezondheid te bieden.

Het prioriteren van medische apparaat-interoperabiliteit zal de volledige mogelijkheid van deze apparaten deblokkeren om chronische aandoeningen zoals diabetes te helpen beheren. Een naadloze stroom en uitwisseling van informatie tussen apparaten zoals insulinepompen en CGM’s zal individuen in staat stellen om een beter begrip te krijgen van hun diabetesbeheerssysteem.

Hoge kwaliteit gegevens hebben het potentieel om de gezondheidszorgindustrie te transformeren wanneer ze op de juiste manier worden verzameld en gebruikt. Met de hulp van AI en ML kunnen medische apparaten meetbare ontwikkelingen realiseren in remote patient monitoring door individuen als individuen te behandelen en een persoon’s gezondheid op een dieper niveau te begrijpen. ML is de sleutel tot het ontgrendelen van inzichten uit gegevens om predictieve en preventieve gezondheidsbeheersprotocollen te informeren en patiënten in staat te stellen om toegang te krijgen tot informatie over hun eigen gezondheid, waardoor de manier waarop gegevens worden gebruikt wordt getransformeerd.