Hoe AI en ML gegevensverzameling schalen om medische monitoring 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, waar naar verwachting de rol van AI tegen 2025 met een 50% jaarlijks groeipercentage 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 monitoring te transformeren door gegevens te verzamelen, te analyseren en gemakkelijk toegankelijke informatie te leveren voor mensen om hun eigen gezondheid beter te beheren – waardoor de kans op vroege 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 echte gebruikscases.

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 datasets die geanalyseerd moeten worden. Deze verwerking kan tijdrovend en inefficiënt zijn als het handmatig wordt gedaan. ML maakt het mogelijk om uitgebreide datasets sneller en nauwkeuriger 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 in de eerste plaats 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.

Eerlijke systeemontwikkeling in de medische apparaatruimte waarborgen

Bij het ontwikkelen van algoritmen moeten onderzoekers en ontwikkelaars hun beoogde populaties breder overwegen. Het is niet ongebruikelijk dat de meeste bedrijven studies en klinische onderzoeken uitvoeren in een enkel, ideaal, niet-reëel gebruikscase. Echter, het is cruciaal dat ontwikkelaars alle reële gebruikscases 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 iedereen in de doelgroep 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?

Wanneer we medische apparaten ontwikkelen die in iemands dagelijks leven geïntegreerd worden, of potentieel ingrijpen in dagelijkse gedragingen, moeten we ook de hele persoon – geest, lichaam en omgeving – meenemen, en hoe deze componenten in de loop van de tijd kunnen veranderen. Elke mens biedt een unieke kans, met variaties op verschillende momenten gedurende de dag. Het begrijpen van tijd als een 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 milieugegevens 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: 537 miljoen mensen wereldwijd leven met type 1 en type 2 diabetes, en dat aantal zal naar verwachting tot 643 miljoen stijgen 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 aandoening 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 bloedsuiker, 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 meer betrouwbare oplossing voor het niet-invasief meten van bloedsuiker vanwege de mogelijkheid om grote hoeveelheden gegevens te genereren en veilig door de volledige weefsellagen te meten.

RF-sensortechnologie maakt het mogelijk om gegevens te verzamelen over meerdere honderdduizenden frequenties, waardoor er miljarden gegevensobservaties ontstaan die verwerkt en geïnterpreteerd moeten worden, en krachtige algoritmen vereisen om zulke 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 gebruikscases verbetert.

In de diabetesruimte zien we ook een verschuiving van incidentele naar continue gegevens. Bloedprikken, bijvoorbeeld, bieden inzicht in bloedsuikerniveaus op specifieke momenten in de dag, maar een continue glucosemonitor (CGM) biedt inzicht in meer frequente, maar niet-continue tussenpozen. Deze oplossingen vereisen echter nog steeds het doorboren van de huid, wat vaak pijn en huidgevoeligheid veroorzaakt. Een niet-invasieve bloedsuikeroplossing maakt het mogelijk om hoge-kwaliteit continue gegevens van een bredere bevolking te verzamelen zonder vertraging in de meting. Al met al biedt deze oplossing een onbetwist betere gebruikerservaring en lagere kosten in de loop van de tijd.

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 het bouwen van betere algoritmen om de nauwkeurigheid van het detecteren van bloedsuiker in de loop van de tijd te vergroten. Deze gegevens kunnen de voortdurende verbetering van algoritmen stimuleren, omdat ze verschillende factoren omvatten die weerspiegelen hoe mensen dagelijks (en gedurende een enkele dag) veranderen, waardoor een zeer nauwkeurige oplossing ontstaat. Niet-invasieve oplossingen die verschillende vitale functies monitoren, kunnen de medische monitoringindustrie 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 nauwkeurigheid bereiken, zien patiënten en consumenten steeds meer kansen om de controle over hun eigen dagelijkse gezondheid te nemen door middel van geavanceerde en multimodale gegevens van een verscheidenheid aan producten. Maar om het meeste effect te zien van medische apparaat- en wearable-gegevens, moet er een verbonden systeem zijn om een soepele uitwisseling van gegevens tussen meerdere apparaten te creëren, waardoor een holistisch beeld van een individu’s gezondheid kan worden geboden.

Het prioriteren van medische apparaatinteroperabiliteit zal de volledige mogelijkheid van deze apparaten ontsluiten om te helpen bij het beheer van chronische aandoeningen, zoals diabetes. 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-fidelity-gegevens hebben het potentieel om de gezondheidszorgindustrie te transformeren wanneer ze correct worden verzameld en gebruikt. Met de hulp van AI en ML kunnen medische apparaten meetbare ontwikkelingen binnen remote patient monitoring realiseren door individuen als individuen te behandelen en een persoonlijke gezondheid op een dieper niveau te begrijpen. ML is de sleutel tot het ontsluiten 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.