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 hva noen betrakter som en ny æra av innovasjon – spesielt i helsevesenet, hvor det estimeres at rollen til AI 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 evnen til å transformere medisinsk overvåking ved å samle inn, analysere og levere lett tilgjengelig informasjon for mennesker til å bedre håndtere sin egen helse – og forbedre sannsynligheten for tidlig oppdagelse 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 ser nå flere forbrukerenheter som f.eks. fitnesstracker og wearables som blir billigere, og utviklingen skifter til medisinske diagnostiske enheter. Etterhvert som disse enhetene kommer på markedet, utvikles deres evner videre. Flere medisinske enheter betyr mer kontinuerlig data og større, mer diverse datamengder som må analyseres. Denne prosessen kan være tungsom og ineffektiv når den gjøres manuelt. ML muliggjør at omfattende datamengder kan analyseres raskere og med mer nøyaktighet, og identifiserer mønster som kan lede 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 som støttes av gullstandard medisinske referanser som en sammenligningsgrunnlag. Dette sikrer at vi bygger trygge, rettferdige og nøyaktige ML-algoritmer.

Sikre rettferdig systemutvikling i det medisinske enhetsområdet

Når algoritmer utvikles, må forskere og utviklere ta i betraktning deres målpopulasjoner i bredere forstand. Det er ikke uvanlig at de fleste selskaper gjennomfører studier og kliniske prøver i en enkelt, ideell, ikke-virkelige instans. 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 likeverdig tilgang til teknologien? Hvordan vil de samhandle med teknologien? Vil de samhandle med teknologien 24/7 eller intermittent?

Når vi utvikler medisinske enheter som skal integreres i noen sin daglige liv, eller potensielt gripe inn i daglige atferd, 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 tidspunkter gjennom dagen. Å forstå tid som en komponent i datainnsamling gjør at vi kan forsterke innsiktene vi genererer.

Ved å ta i betraktning disse elementene og å forstå alle komponenter av fysiologi, psykologi, bakgrunn, demografi og miljødata, kan forskere og utviklere sikre at de samler inn høyoppløselige, kontinuerlige data som muliggjør å bygge nøyaktige og sterke modeller for menneskehelse-applikasjoner.

Hvordan ML kan transformere diabetesbehandling

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

I de senere årene, som en respons på epidemien, har forskere og utviklere begynt å utforske ikke-invasive metoder for å måle blodsukker, som f.eks. optiske saneringsteknikker. Disse metodene har imidlertid kjente begrensninger på grunn av varierende menneskelige faktorer som f.eks. 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 håndterer 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 vevslagene.

RF-sensorteknologi gjør det mulig å samle inn data over flere hundre tusen frekvenser, resulterende i milliarder av dataobservasjoner som må prosesseres og tolkes. ML er essensielt i prosessering og tolkning av den massive mengden 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 diabetesområdet ser vi også en overgang fra intermittent til kontinuerlig data. F.eks. gir fingerprikking innsikt i blodsukkernivåer på bestemte tidspunkter gjennom dagen, men en kontinuerlig glukoseovervåker (CGM) gir innsikt i mer hyppige, men ikke-kontinuerlige inkrementer. Disse løsningene krever imidlertid 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 forsinkelse. Overallt vil denne løsningen gi en ubestridt bedre brukeropplevelse og lavere kostnader 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 videre algoritme-forbedring ettersom den inkluderer variasjoner som reflekterer hvordan mennesker endrer seg dag-til-dag (og gjennom en enkelt dag), resulterende i en høyaktig løsning. Ikke-invasive løsninger som overvåker forskjellige vitale funksjoner kan transformere den medisinske overvåkingsindustrien og gi en dypere innsikt i hvordan det menneskelige kroppen fungerer gjennom kontinuerlig data fra diverse pasientpopulasjoner.

Medisinske enheter som skaper et sammenkoblet system

Ettersom teknologien utvikles og medisinske enhetssystemer oppnår høyere nivåer av 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 den største innvirkningen fra medisinske enheter og wearables-data, må det være et sammenkoblet 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 det fulle potensialet til disse enhetene for å hjelpe med å håndtere kroniske tilstander, som f.eks. diabetes. En sammenhengende flyt og utveksling av informasjon mellom enheter som f.eks. insulinpumper og CGM-er vil gi individer en bedre forståelse av deres diabetesbehandlingsystem.

Høykvalitetsdata har potensialet til å transformere helseindustrien når det 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 å forstå en persons helse på et dypere nivå. ML er nøkkelen til å låse opp innsikter fra data for å informere prediktive og forebyggende helsehåndteringsprotokoller og å gi pasientene tilgang til informasjon om sin egen helse, og å transformere måten data brukes.