Hvordan AI og ML skalerer datainnsamling for å transformere medisinsk overvåking

Kunstig intelligens (AI) og maskinlæring (ML) kan finnes i nesten hver industri, og driver noen til å betrakte det som en ny innnovasjonsalder – spesielt i helsevesenet, der det estimeres at AI sin rolle vil vokse med en 50% rate årlig frem til 2025. ML spiller en stadig viktigere rolle i å assistere med diagnoser, bildebehandling, prediktiv helse og mer.

Med nye medisinske enheter og wearables på markedet, har ML muligheten til å transformere medisinsk overvåking ved å samle inn, analysere og levere lett tilgjengelig informasjon for mennesker til å bedre forstå sin egen helse – og øke sannsynligheten for tidlig oppdaging eller forebygging av kroniske sykdommer. Det er flere faktorer forskere bør ta i betraktning når de utvikler disse nye teknologiene for å sikre at de samler inn høykvalitetsdata og bygger skalerbare, nøyaktige og rettferdige ML-algoritmer som er egnet for virkelige bruksområder.

Bruke ML til å skalerer klinisk forskning og dataanalyse

Over de siste 25 årene, har utviklingen av medisinske enheter accelerert, spesielt under COVID-19-pandemien. Vi begynner å se mer forbrukerenheter som fittestyring og wearables som kommer på markedet, og utviklingen skifter til medisinske diagnostiske enheter. Etterhvert som disse enhetene kommer på markedet, utvikles deres funksjoner videre. Flere medisinske enheter betyr mer kontinuerlig data og større, mer diverse datasamlinger som må analyseres. Denne prosessen kan være tidskrevende og ineffektiv når den gjøres manuelt. ML muliggjør omfattende datasamlinger å bli analyserer raskere og med mer nøyaktighet, og identifiserer mønster som kan føre til transformative innsikter.

Med all denne data nå til våre fingertopper, må vi først og fremst sikre at vi prosesserer riktig data. Data former og informerer teknologien vi bruker, men ikke all data gir samme fordel. Vi trenger høykvalitets-, kontinuerlig-, upartisk data, med riktige datainnsamlingsmetoder støttet av gullstandard medisinske referanser som en sammenligningsbaseline. Dette sikrer at vi bygger trygge, rettferdige og nøyaktige ML-algoritmer.

Sikre rettferdig systemutvikling i medisinsk enhetsrom

Når vi utvikler algoritmer, må forskere og utviklere ta i betraktning deres målpopulasjon mer omfattende. Det er ikke uvanlig for de fleste selskaper å gjennomføre studier og kliniske forsøk i en enkelt, ideal, ikke-virkelig verden. Likevel er det kritisk at utviklere tar i betraktning alle virkelige bruksområder for enheten, og alle mulige interaksjoner deres målpopulasjon kan ha med teknologien på en dag-til-dag-basis. Vi spør: hvem er målpopulasjonen for enheten, og tar vi i betraktning hele populasjonen? Har alle i målgruppen rettferdig tilgang til teknologien? Hvordan vil de interagere med teknologien? Vil de interagere med teknologien 24/7 eller intermittent?

Når vi utvikler medisinske enheter som skal integreres i noen sin daglige liv, eller potensielt intervenere med daglige atferder, må vi også ta i betraktning hele personen – sinn, kropp og miljø – og hvordan disse komponentene kan endre seg over tid. Hver menneske presenterer en unik mulighet, med variasjoner på forskjellige punkter gjennom dagen. Forståelse av tid som en komponent i datainnsamling tillater oss å forsterke innsiktene vi genererer.

Ved å ta i betraktning disse elementene og forstå alle komponenter av fysiologi, psykologi, bakgrunn, demografi og miljødata, kan forskere og utviklere sikre at de samler inn høyoppløselig, kontinuerlig data som muliggjør å bygge nøyaktige og sterke modeller for menneskets helseapplikasjoner.

Hvordan ML kan transformere diabetesbehandling

Disse ML-best-praksisene vil være spesielt transformative i diabetesbehandlingsrommet. Diabetes-epidemien vokser raskt over hele verden: 537M mennesker verden over lever med type 1 og type 2 diabetes, og dette tallet forventes å vokse til 643M i 2030. Med så mange berørt, er det avgjørende at pasientene har tilgang til en løsning som viser dem hva som skjer inni deres egen kropp og lar dem effektivt forvalte sin egen helse.

I de siste årene, som en reaksjon på epidemien, har forskere og utviklere begynt å utforske ikke-invasive metoder for å måle blodsukker, som optiske saneringsteknikker. Disse metodene har likevel kjente begrensninger på grunn av varierende menneskelige faktorer som melanin-nivåer, BMI-nivåer eller hudtykkelse.

Radiofrekvens (RF) saneringsteknologi overvinner begrensningene til optisk sanering og har potensialet til å transformere måten mennesker med diabetes og prediabetes forvalter sin helse. Denne teknologien tilbyr en mer pålitelig løsning når det gjelder ikke-invasiv måling av blodsukker, på grunn av dens evne til å generere store mengder data og måle trygt gjennom hele vevssammenstillingen.

RF-sensorteknologi tillater datainnsamling over flere hundre tusen frekvenser, resulterende i milliarder av dataobservasjoner som må prosesseres og tolkes. ML er essensielt i prosessering og tolkning av de massive mengdene nye data generert fra denne type sensorteknologi, og muliggjør raskere og mer nøyaktig algoritmeutvikling – kritisk for å bygge en effektiv ikke-invasiv glukoseovervåker som forbedrer helseutfall over alle målgrupper.

I diabetesrommet ser vi også en skift fra intermittent til kontinuerlig data. Fingerstikking, for eksempel, gir innsikt i blodsukkernivåer på valgte punkter gjennom dagen, men en kontinuerlig glukoseovervåker gir innsikt i mer hyppige, men ikke-kontinuerlige inkrementer. Disse løsningene krever likevel å punktere huden, ofte resulterende i smerte og hudfølsomhet. En ikke-invasiv blodsukkerovervåking løsning muliggjør å fange høykvalitets kontinuerlig data fra en bredere befolkning med lettighet og uten noen forsinkelse i måling. Overhodet vil denne løsningen gi en ufeilbar bedre brukeropplevelse og lavere kostnad over tid.

I tillegg bidrar den høye volumet av kontinuerlig data til utviklingen av mer rettferdige og nøyaktige algoritmer. Ettersom mer tidsserie-data samles inn, i kombinasjon med høyoppløselig data, kan utviklere fortsette å bygge bedre algoritmer for å øke nøyaktigheten i å detektere blodsukker over tid. Denne data kan drive kontinuerlig algoritme-forbedring ettersom den inkluderer variasjoner som reflekterer hvordan mennesker endrer seg fra dag til dag (og gjennom en enkelt dag), resulterende i en høyaktig løsning. Ikke-invasive løsninger som overvåker andre vitale funksjoner kan transformere medisinsk overvåkingsindustrien og gi en dypere innsikt i hvordan det menneskelige kroppen fungerer gjennom kontinuerlig data fra diverse pasientpopulasjoner.

Medisinske enheter som skaper et sammenhengende system

Ettersom teknologien utvikles og medisinsk enhetssystemer oppnår enda høyere nøyaktighet, ser pasienter og forbrukere flere og flere muligheter til å ta kontroll over sin egen daglige helse gjennom avansert og multimodal data fra en rekke produkter. Men for å se størst effekt fra medisinsk enhet- og wearables-data, må det være et sammenhengende system for å skape en jevn utveksling av data over flere enheter for å gi en helhetlig visning av en persons helse.

Prioritering av medisinsk enhet-interoperabilitet vil låse opp den fulle kapasiteten til disse enhetene for å hjelpe med å forvalte kroniske tilstander, som diabetes. En sammenhengende flyt og utveksling av informasjon mellom enheter som insulinpumper og glukoseovervåkere vil tillate individer å ha en bedre forståelse av deres diabetesbehandlingsystem.

Høykvalitetsdata har potensialet til å transformere helseindustrien når den samles inn og brukes riktig. Med hjelp av AI og ML kan medisinske enheter gjøre målbare utviklinger innen fjernpasientovervåking ved å behandle individer som individer, og forstå en persons helse på en dypere nivå. ML er nøkkelen til å låse opp innsikter fra data for å informere prediktiv og forebyggende helsestyringsprotokoller og gi pasienter tilgang til informasjon om sin egen helse, og transformere måten data brukes.