Jak AI i ML skalują zbieranie danych w celu transformacji monitorowania medycznego

Sztuczna inteligencja (AI) i uczenie maszynowe (ML) można znaleźć niemal w każdej branży, napędzając to, co niektórzy uważają za nową erę innowacji – szczególnie w opiece zdrowotnej, gdzie szacuje się, że rola AI będzie rosła w tempie 50% rocznie do 2025. ML coraz częściej odgrywa kluczową rolę w pomocy w diagnozach, obrazowaniu, zdrowiu predykcyjnym i innych.

Z nowymi urządzeniami medycznymi i noszącymi na rynku, ML ma możliwość przekształcenia monitorowania medycznego poprzez zbieranie, analizowanie i dostarczanie łatwo dostępnego informacji, aby ludzie mogli lepiej zarządzać swoim własnym zdrowiem – poprawiając prawdopodobieństwo wczesnego wykrycia lub zapobiegania chorobom przewlekłym. Istnieją pewne czynniki, które badacze powinni wziąć pod uwagę przy opracowywaniu tych nowych technologii, aby upewnić się, że zbierają najwyższej jakości dane i budują skalowalne, dokładne i sprawiedliwe algorytmy ML, odpowiednie dla przypadków użycia w świecie rzeczywistym.

Używanie ML do skalowania badań klinicznych i analizy danych

W ciągu ostatnich 25 lat rozwój urządzeń medycznych przyspieszył, szczególnie podczas pandemii COVID-19. Zaczynamy widzieć więcej urządzeń konsumenckich, takich jak trackery fitness i noszące, które komercjalizują się, a rozwój przechodzi na urządzenia diagnostyczne. Gdy te urządzenia są wprowadzane na rynek, ich możliwości ciągle ewoluują. Więcej urządzeń medycznych oznacza więcej ciągłych danych i większe, bardziej zróżnicowane zestawy danych, które muszą być analizowane. Ten proces może być uciążliwy i niewydajny, gdy wykonywany ręcznie. ML umożliwia analizę ogromnych zestawów danych szybciej i z większą dokładnością, identyfikując wzorce, które mogą prowadzić do przełomowych spostrzeżeń.

Z tymi danymi teraz u naszych palców, musimy najpierw upewnić się, że przetwarzamy poprawne dane. Dane kształtują i informują technologię, którą używamy, ale nie wszystkie dane zapewniają tę samą korzyść. Potrzebujemy danych wysokiej jakości, ciągłych, bezstronnych, z odpowiednimi metodami zbierania danych wspieranymi przez odniesienia medyczne jako porównywalną bazę. To zapewnia, że budujemy bezpieczne, sprawiedliwe i dokładne algorytmy ML.

Zapewnienie równego rozwoju systemu w przestrzeni urządzeń medycznych

Podczas opracowywania algorytmów, badacze i deweloperzy muszą wziąć pod uwagę swoje zamierzone populacje w szerszym zakresie. Nie jest rzadkością, gdy większość firm prowadzi badania i testy kliniczne w jednym, idealnym, nie-rzeczywistym przypadku. Jednak jest to kluczowe, aby deweloperzy brali pod uwagę wszystkie przypadki użycia urządzenia w świecie rzeczywistym oraz wszystkie możliwe interakcje między zamierzoną populacją a technologią na co dzień. Zadajemy sobie pytanie: jaka jest zamierzona populacja dla urządzenia, i czy uwzględniamy całą populację? Czy każdy w targetowanej publiczności ma równy dostęp do technologii? Jak będą wchodzić w interakcje z technologią? Czy będą wchodzić w interakcje z technologią 24/7, czy okresowo?

Podczas opracowywania urządzeń medycznych, które będą integrować się z codziennym życiem, lub potencjalnie ingerować w codzienne zachowania, musimy również wziąć pod uwagę całą osobę – umysł, ciało i środowisko – i jak te składniki mogą się zmieniać w czasie. Każdy człowiek stanowi unikalną okazję, z różnicami w różnych punktach w ciągu dnia. Zrozumienie czasu jako składnika w zbieraniu danych pozwala nam na wzmocnienie spostrzeżeń, które generujemy.

Poprzez uwzględnienie tych elementów i zrozumienie wszystkich składników fizjologii, psychologii, tła, danych demograficznych i środowiskowych, badacze i deweloperzy mogą upewnić się, że zbierają dane o wysokiej rozdzielczości, ciągłe, które umożliwiają im budowanie dokładnych i silnych modeli dla aplikacji zdrowia ludzkiego.

Jak ML może przekształcić zarządzanie cukrzycą

Te najlepsze praktyki ML będą szczególnie przełomowe w przestrzeni zarządzania cukrzycą. Epidemia cukrzycy rośnie gwałtownie na całym świecie: 537M ludzi na świecie żyje z cukrzycą typu 1 i 2, a ta liczba ma wzrosnąć do 643M do 2030. Z tak wieloma osobami dotkniętymi, jest niezwykle ważne, aby pacjenci mieli dostęp do rozwiązania, które pokaże im, co dzieje się w ich własnym ciele i pozwoli im skutecznie zarządzać swoimi stanami.

W ostatnich latach, w odpowiedzi na epidemię, badacze i deweloperzy zaczęli badać nieinwazyjne metody pomiaru poziomu cukru we krwi, takie jak techniki czujników optycznych. Te metody mają jednak znane ograniczenia ze względu na różne czynniki ludzkie, takie jak poziom melaniny, BMI lub grubość skóry.

Technologia czujników radiowych (RF) pokonuje ograniczenia czujników optycznych i ma potencjał przekształcić sposób, w jaki ludzie z cukrzycą i przedcukrzycą zarządzają swoim zdrowiem. Ta technologia oferuje bardziej niezawodne rozwiązanie, gdy chodzi o nieinwazyjne pomiarowanie poziomu cukru we krwi, ze względu na jej zdolność do generowania dużych ilości danych i bezpiecznego pomiaru przez pełną warstwę tkanek.

Technologia czujników RF pozwala na zbieranie danych w kilkuset tysiącach częstotliwości, w wyniku czego powstaje kilka miliardów obserwacji danych do przetworzenia, wymagających potężnych algorytmów do zarządzania i interpretacji tak ogromnych i nowych zestawów danych. ML jest niezbędny do przetwarzania i interpretacji ogromnej ilości nowych danych generowanych przez ten typ technologii czujników, umożliwiając szybsze i dokładniejsze rozwijanie algorytmów – kluczowe dla budowania skutecznego, nieinwazyjnego monitora glukozowego, który poprawia wyniki zdrowotne we wszystkich przypadkach użycia.

W przestrzeni cukrzycy widzimy również przesunięcie od danych okresowych do ciągłych. Nakłucie palca, na przykład, dostarcza spostrzeżeń na temat poziomu cukru we krwi w wybranych punktach w ciągu dnia, ale ciągły monitor glukozowy (CGM) dostarcza spostrzeżeń w częstszych, choć nieciągłych, przedziałach. Te rozwiązania wymagają jednak nakłucia skóry, często powodując ból i wrażliwość skóry. Nieinwazyjne rozwiązanie do monitorowania poziomu cukru we krwi umożliwia nam przechwytywanie wysokiej jakości, ciągłych danych z szerszej populacji z łatwością i bez opóźnień w pomiarze.

Ponadto, ogromna ilość ciągłych danych przyczynia się do rozwoju bardziej równych i dokładnych algorytmów. Im więcej danych szeregowych jest zbieranych, w połączeniu z danymi o wysokiej rozdzielczości, deweloperzy mogą nadal budować lepsze algorytmy, aby zwiększyć dokładność w wykrywaniu poziomu cukru we krwi w czasie. Te dane mogą napędzać dalszą poprawę algorytmów, ponieważ zawierają różne czynniki, które odzwierciedlają, jak ludzie się zmieniają z dnia na dzień (i w ciągu jednego dnia), dając bardzo dokładne rozwiązanie. Nieinwazyjne rozwiązania, które monitorują różne funkcje życiowe, mogą przekształcić przemysł monitorowania medycznego i dostarczyć głębszy wgląd w to, jak działa ludzkie ciało, dzięki ciągłym danym z różnorodnych populacji pacjenckich.

Urządzenia medyczne tworzące połączony system

W miarę postępu technologii i osiągania przez systemy urządzeń medycznych coraz wyższych poziomów dokładności, pacjenci i konsumenci widzą coraz więcej okazji do kontroli własnego codziennego zdrowia za pomocą zaawansowanych i wielomodalnych danych z różnych produktów. Ale aby zobaczyć największy wpływ danych z urządzeń medycznych i noszących, musi istnieć połączony system, który umożliwi płynny przepływ danych między urządzeniami, aby zapewnić całościowy wgląd w zdrowie jednostki.

Priorytetem powinna być interoperacyjność urządzeń medycznych, aby odblokować pełne możliwości tych urządzeń w zarządzaniu chorobami przewlekłymi, takimi jak cukrzyca. Bezproblemowy przepływ i wymiana informacji między urządzeniami, takimi jak pompy insulinowe i CGM, pozwolą osobom na lepsze zrozumienie systemu zarządzania cukrzycą.

Dane o wysokiej wierności mają potencjał przekształcić przemysł opieki zdrowotnej, gdy są zbierane i używane poprawnie. Z pomocą AI i ML, urządzenia medyczne mogą dokonać mierzalnych postępów w monitorowaniu pacjentów na odległość, traktując jednostki jako jednostki, i rozumiejąc zdrowie osoby na głębszym poziomie. ML jest kluczem do odblokowania spostrzeżeń z danych, aby poinformować protokoły zdrowia predykcyjnego i prewencyjnego oraz umożliwić pacjentom dostęp do informacji o ich własnym zdrowiu, przekształcając sposób, w jaki dane są używane.