Jak sztuczna inteligencja i uczenie maszynowe skalują gromadzenie danych, aby przekształcić monitorowanie medyczne

Sztuczną inteligencję (AI) i uczenie maszynowe (ML) można znaleźć w niemal każdej branży, wyznaczając coś, co niektórzy uważają za nową erę innowacji – szczególnie w opiece zdrowotnej, gdzie szacuje się, że rola sztucznej inteligencji będzie rosła w szybkim tempie. Stawka 50% rocznie do 2025 r. ML odgrywa coraz większą rolę we wspomaganiu diagnozowania, obrazowania, przewidywalne zdrowieI więcej.

Dzięki nowym urządzeniom medycznym i urządzeniom do noszenia na rynku ML może zmienić monitorowanie medyczne poprzez gromadzenie, analizowanie i dostarczanie ludziom łatwo dostępnych informacji, aby mogli lepiej zarządzać własnym zdrowiem, zwiększając prawdopodobieństwo wczesnego wykrywania chorób przewlekłych lub zapobiegania im. Jest kilka czynników, o których badacze powinni pamiętać podczas opracowywania tych nowatorskich technologii, aby mieć pewność, że gromadzą dane najwyższej jakości i tworzą skalowalne, dokładne i sprawiedliwe algorytmy uczenia maszynowego pasujące do rzeczywistych przypadków użycia.

Wykorzystanie ML do skalowania badań klinicznych i analizy danych

W ciągu ostatnich 25 lat rozwój wyrobów medycznych przyspieszyła, szczególnie w czasie pandemii Covid-19. Zaczynamy zauważać, że coraz więcej urządzeń konsumenckich, takich jak monitory kondycji i urządzenia do noszenia, staje się towarami, a rozwój przesuwa się w stronę medycznych urządzeń diagnostycznych. W miarę wprowadzania tych urządzeń na rynek ich możliwości wciąż ewoluują. Więcej wyrobów medycznych oznacza więcej ciągłych danych i większe, bardziej zróżnicowane zbiory danych, które należy analizować. Przetwarzanie to może być żmudne i nieefektywne, gdy jest wykonywane ręcznie. ML umożliwia szybszą i dokładniejszą analizę obszernych zbiorów danych, identyfikując wzorce, które mogą prowadzić do przełomowych spostrzeżeń.

Mając teraz wszystkie te dane na wyciągnięcie ręki, musimy przede wszystkim zadbać o to, aby je przetwarzać prawo dane. Dane kształtują i informują o technologii, z której korzystamy, ale nie wszystkie dane zapewniają takie same korzyści. Potrzebujemy wysokiej jakości, ciągłych i bezstronnych danych, z właściwymi metodami gromadzenia danych, wspartymi referencjami medycznymi o najwyższym standardzie, stanowiącymi punkt odniesienia dla porównania. Dzięki temu budujemy bezpieczne, sprawiedliwe i dokładne algorytmy uczenia maszynowego.

Zapewnienie sprawiedliwego rozwoju systemowego w przestrzeni wyrobów medycznych

Opracowując algorytmy, badacze i programiści muszą szerzej uwzględnić zamierzone populacje. Często zdarza się, że większość firm prowadzi badania i próby kliniczne w pojedynczym, idealnym, nierzeczywistym przypadku. Jednak niezwykle istotne jest, aby programiści wzięli pod uwagę wszystkie rzeczywiste przypadki użycia urządzenia i wszystkie możliwe interakcje, jakie na co dzień może mieć z technologią ich docelowa populacja. Zadajemy pytanie: jaka jest docelowa populacja urządzenia i czy uwzględniamy całą populację? Czy wszyscy w grupie docelowej mają równy dostęp do technologii? Jak będą wchodzić w interakcję z technologią? Czy będą wchodzić w interakcję z technologią 24 godziny na dobę, 7 dni w tygodniu, czy sporadycznie?

Opracowując urządzenia medyczne, które będą zintegrowane z codziennym życiem danej osoby lub potencjalnie będą interweniować w codzienne zachowania, musimy także wziąć pod uwagę całą osobę – umysł, ciało i środowisko – oraz to, jak te elementy mogą zmieniać się w czasie. Każdy człowiek stwarza niepowtarzalną szansę, która może się zmieniać w różnych momentach dnia. Zrozumienie czasu jako elementu gromadzenia danych pozwala nam ulepszyć generowane przez nas spostrzeżenia.

Uwzględniając te elementy i rozumiejąc wszystkie elementy fizjologii, psychologii, pochodzenia, danych demograficznych i środowiskowych, badacze i programiści mogą mieć pewność, że gromadzą ciągłe dane o wysokiej rozdzielczości, które umożliwiają im budowanie dokładnych i solidnych modeli do zastosowań w zdrowiu ludzkim.

Jak ML może zmienić sposób leczenia cukrzycy

Te najlepsze praktyki w zakresie uczenia maszynowego będą szczególnie rewolucyjne w obszarze leczenia cukrzycy. Epidemia cukrzycy szybko rośnie na całym świecie: 537 milionów ludzi na całym świecie żyje z cukrzycą typu 1 i typu 2 i oczekuje się, że liczba ta wzrośnie do aż 643 mln do 2030 r. Ponieważ tak wiele osób dotkniętych jest chorobą, konieczne jest zapewnienie pacjentom dostępu do rozwiązania, które pokaże im, co dzieje się w ich organizmie i pozwoli im skutecznie zarządzać swoimi schorzeniami.

W ostatnich latach w odpowiedzi na epidemię badacze i programiści zaczęli badać nieinwazyjne metody pomiaru poziomu glukozy we krwi, takie jak techniki wykrywania optycznego. Metody te mają jednak znane ograniczenia ze względu na różne czynniki ludzkie, takie jak poziom melaniny, poziom BMI lub grubość skóry.

Technologia wykrywania o częstotliwości radiowej (RF) pokonuje ograniczenia wykrywania optycznego i może zmienić sposób, w jaki osoby chore na cukrzycę lub w stanie przedcukrzycowym dbają o swoje zdrowie. Technologia ta stanowi bardziej niezawodne rozwiązanie w przypadku nieinwazyjnego pomiaru poziomu glukozy we krwi ze względu na możliwość generowania dużych ilości danych i bezpiecznego pomiaru w całym stosie tkanek.

Technologia czujników RF umożliwia gromadzenie danych na kilkuset tysiącach częstotliwości, co skutkuje miliardami obserwacji danych do przetworzenia i wymaga potężnych algorytmów do zarządzania i interpretacji tak dużych i nowatorskich zbiorów danych. ML ma kluczowe znaczenie w przetwarzaniu i interpretacji ogromnej ilości nowych danych generowanych przez tego typu technologię czujników, umożliwiając szybsze i dokładniejsze opracowanie algorytmów – co ma kluczowe znaczenie dla zbudowania skutecznego nieinwazyjnego monitora glukozy, który poprawia wyniki zdrowotne we wszystkich zamierzonych przypadkach.

W diabetologii również obserwujemy przejście od danych przerywanych do danych ciągłych. Na przykład nakłucie palca zapewnia wgląd w poziom glukozy we krwi w wybranych momentach dnia, ale ciągły monitor glukozy (CGM) zapewnia wgląd w częstsze, ale nieciągłe przyrosty. Rozwiązania te jednak nadal wymagają nakłucia skóry, co często skutkuje bólem i nadwrażliwością skóry. Nieinwazyjne rozwiązanie do monitorowania poziomu glukozy we krwi umożliwia nam zbieranie ciągłych danych wysokiej jakości od szerszej populacji z łatwością i bez opóźnień w pomiarze. Ogólnie rzecz biorąc, to rozwiązanie zapewniłoby bez wątpienia lepszą obsługę użytkownika i niższe koszty w miarę upływu czasu.

Ponadto duża ilość ciągłych danych przyczynia się do opracowania bardziej sprawiedliwych i dokładnych algorytmów. W miarę gromadzenia większej ilości danych szeregów czasowych w połączeniu z danymi o wysokiej rozdzielczości programiści będą mogli w dalszym ciągu tworzyć lepsze algorytmy, aby z biegiem czasu zwiększać dokładność wykrywania poziomu glukozy we krwi. Dane te mogą pomóc w dalszym ulepszaniu algorytmu, ponieważ uwzględniają różne czynniki odzwierciedlające sposób, w jaki ludzie zmieniają się z dnia na dzień (i w ciągu jednego dnia), co pozwala uzyskać bardzo dokładne rozwiązanie. Nieinwazyjne rozwiązania monitorujące różne parametry życiowe mogą przekształcić branżę monitorowania medycznego i zapewnić głębszy wgląd w działanie ludzkiego organizmu na podstawie ciągłych danych od różnych populacji pacjentów.

Urządzenia medyczne tworzące połączony system

W miarę postępu technologii, a systemy wyrobów medycznych osiągają jeszcze wyższy poziom dokładności, pacjenci i konsumenci dostrzegają coraz więcej możliwości przejęcia kontroli nad swoim codziennym zdrowiem dzięki zaawansowanym i multimodalnym danym z różnych produktów. Aby jednak móc dostrzec jak największy wpływ danych dotyczących urządzeń medycznych i urządzeń do noszenia, potrzebny jest wzajemnie połączony system zapewniający płynną wymianę danych między wieloma urządzeniami w celu zapewnienia całościowego obrazu stanu zdrowia danej osoby.

Klasyfikowanie interoperacyjność urządzeń medycznych odblokuje pełne możliwości tych urządzeń w zakresie leczenia chorób przewlekłych, takich jak cukrzyca. Płynny przepływ i wymiana informacji między urządzeniami, takimi jak pompy insulinowe i CGM, umożliwi indywidualnym osobom korzystanie z: lepsze zrozumienie swojego systemu leczenia cukrzycy.

Dane o wysokiej jakości mogą potencjalnie zmienić branżę opieki zdrowotnej, jeśli zostaną prawidłowo zebrane i wykorzystane. Przy pomocy sztucznej inteligencji i uczenia maszynowego urządzenia medyczne mogą poczynić wymierne postępy w zakresie zdalnego monitorowania pacjentów, traktując poszczególne osoby indywidualnie i rozumiejąc ich zdrowie na głębszym poziomie. ML jest kluczem do wydobycia wniosków z danych w celu opracowania protokołów predykcyjnego i zapobiegawczego zarządzania zdrowiem oraz umożliwienia pacjentom dostępu do informacji o ich własnym zdrowiu, zmieniając sposób wykorzystania danych.