Como a IA e a ML estão escalando a coleta de dados para transformar o monitoramento médico

A inteligência artificial (IA) e a aprendizagem de máquina (ML) podem ser encontradas em quase todas as indústrias, impulsionando o que alguns consideram uma nova era de inovação – particularmente na área de saúde, onde estima-se que o papel da IA crescerá a uma 50% taxa anual por 2025. A ML está desempenhando um papel vital cada vez mais importante ao ajudar nos diagnósticos, imagens, saúde preditiva e muito mais.

Com novos dispositivos médicos e wearables no mercado, a ML tem a capacidade de transformar o monitoramento médico coletando, analisando e entregando informações facilmente acessíveis para as pessoas gerenciarem melhor sua própria saúde – melhorando a probabilidade de detecção ou prevenção precoce de doenças crônicas. Existem vários fatores que os pesquisadores devem considerar ao desenvolver essas novas tecnologias para garantir que estejam coletando os dados de maior qualidade e construindo algoritmos de ML escaláveis, precisos e equitativos para uso em casos reais.

Usando a ML para escalar a pesquisa clínica e a análise de dados

Nos últimos 25 anos, o desenvolvimento de dispositivos médicos acelerou, especialmente durante a pandemia de COVID-19. Estamos começando a ver mais dispositivos de consumo, como rastreadores de fitness e wearables, se tornarem comuns, e o desenvolvimento está se deslocando para dispositivos de diagnóstico médico. À medida que esses dispositivos são trazidos para o mercado, suas capacidades continuam a evoluir. Mais dispositivos médicos significam mais dados contínuos e conjuntos de dados mais grandes e diversificados que precisam ser analisados. Esse processamento pode ser tedioso e ineficiente quando feito manualmente. A ML permite que conjuntos de dados extensos sejam analisados mais rapidamente e com mais precisão, identificando padrões que podem levar a insights transformadores.

Com todos esses dados agora ao nosso alcance, devemos garantir, antes de mais nada, que estamos processando os certos dados. Os dados dão forma e informam a tecnologia que usamos, mas nem todos os dados fornecem o mesmo benefício. Precisamos de dados de alta qualidade, contínuos, imparciais, com os métodos de coleta de dados certos apoiados por referências médicas de padrão ouro como uma linha de base comparativa. Isso garante que estamos construindo algoritmos de ML seguros, equitativos e precisos.

Garantindo o desenvolvimento de sistemas equitativos no espaço de dispositivos médicos

Ao desenvolver algoritmos, os pesquisadores e desenvolvedores devem considerar suas populações pretendidas de forma mais ampla. Não é incomum que a maioria das empresas realize estudos e ensaios clínicos em uma instância singular, ideal, não realista. No entanto, é fundamental que os desenvolvedores considerem todos os casos de uso reais para o dispositivo e todas as possíveis interações que sua população pretendida pode ter com a tecnologia no dia a dia. Perguntamos: quem é a população pretendida para o dispositivo, e estamos considerando toda a população? Todos na audiência pretendida têm acesso equitativo à tecnologia? Como eles interagirão com a tecnologia? Eles interagirão com a tecnologia 24 horas por dia, 7 dias por semana, ou intermitentemente?

Ao desenvolver dispositivos médicos que se integrarão à vida diária de alguém ou potencialmente intervirão nos comportamentos diários, também precisamos considerar a pessoa como um todo – mente, corpo e ambiente – e como esses componentes podem mudar ao longo do tempo. Cada ser humano apresenta uma oportunidade única, com variações em diferentes pontos ao longo do dia. Entender o tempo como um componente na coleta de dados nos permite ampliar os insights que geramos.

Ao considerar esses elementos e entender todos os componentes da fisiologia, psicologia, antecedentes, demografia e dados ambientais, os pesquisadores e desenvolvedores podem garantir que estão coletando dados contínuos de alta resolução que permitem construir modelos precisos e fortes para aplicações de saúde humana.

Como a ML pode transformar o gerenciamento do diabetes

Essas melhores práticas de ML serão particularmente transformadoras no espaço de gerenciamento do diabetes. A epidemia do diabetes está crescendo rapidamente em todo o mundo: 537M de pessoas em todo o mundo vivem com diabetes do tipo 1 e 2, e esse número deve crescer para 643M até 2030. Com tantas pessoas afetadas, é fundamental que os pacientes tenham acesso a uma solução que mostre o que está acontecendo dentro de seu próprio corpo e permita que eles gerenciem efetivamente suas condições.

Nos últimos anos, em resposta à epidemia, os pesquisadores e desenvolvedores começaram a explorar métodos não invasivos de medição da glicose no sangue, como técnicas de sensoriamento óptico. Esses métodos, no entanto, têm limitações conhecidas devido a fatores humanos variados, como níveis de melanina, índice de massa corporal ou espessura da pele.

A tecnologia de sensoriamento de radiofrequência (RF) supera as limitações do sensoriamento óptico e tem o potencial de transformar a forma como as pessoas com diabetes e pré-diabetes gerenciam sua saúde. Essa tecnologia oferece uma solução mais confiável quando se trata de medir a glicose no sangue de forma não invasiva, devido à sua capacidade de gerar grandes quantidades de dados e medir com segurança por meio de toda a pilha de tecidos.

A tecnologia de sensor RF permite a coleta de dados em várias centenas de milhares de frequências, resultando em bilhões de observações de dados para processar e exigindo algoritmos poderosos para gerenciar e interpretar esses conjuntos de dados tão grandes e novos. A ML é essencial para processar e interpretar a grande quantidade de dados novos gerados por essa tecnologia de sensor, permitindo o desenvolvimento de algoritmos mais rápido e preciso – fundamental para construir um monitor de glicose não invasivo eficaz que melhora os resultados de saúde em todos os casos de uso pretendidos.

No espaço do diabetes, também estamos vendo uma mudança de dados intermitentes para contínuos. O teste de glicose no sangue com um dispositivo de ponta de dedo, por exemplo, fornece insights sobre os níveis de glicose no sangue em pontos selecionados ao longo do dia, mas um monitor de glicose contínua (CGM) fornece insights em incrementos mais frequentes, embora não contínuos. Essas soluções, no entanto, ainda requerem a perfuração da pele, resultando frequentemente em dor e sensibilidade da pele. Uma solução de monitoramento de glicose no sangue não invasiva permite capturar dados contínuos de alta qualidade de uma população mais ampla com facilidade e sem atraso na medição. No geral, essa solução forneceria uma experiência do usuário inquestionavelmente melhor e um custo mais baixo ao longo do tempo.

Além disso, o grande volume de dados contínuos contribui para o desenvolvimento de algoritmos mais equitativos e precisos. À medida que mais dados de série temporal são coletados, em combinação com dados de alta resolução, os desenvolvedores podem continuar a construir algoritmos melhores para aumentar a precisão na detecção da glicose ao longo do tempo. Esses dados podem alimentar a melhoria contínua dos algoritmos, pois incluem vários fatores que refletem como as pessoas mudam de dia para dia (e ao longo de um dia), resultando em uma solução altamente precisa. Soluções não invasivas que monitoram diferentes sinais vitais podem transformar a indústria de monitoramento médico e fornecer um olhar mais profundo sobre como o corpo humano funciona por meio de dados contínuos de populações de pacientes diversificados.

Dispositivos médicos criando um sistema interconectado

À medida que a tecnologia avança e os sistemas de dispositivos médicos atingem níveis de precisão ainda mais altos, os pacientes e os consumidores estão vendo cada vez mais oportunidades de controlar sua própria saúde diária por meio de dados avançados e multimodais de uma variedade de produtos. Mas, para ver o maior impacto dos dados de dispositivos médicos e wearables, é necessário um sistema interconectado para criar um fluxo suave de dados entre vários dispositivos, a fim de fornecer uma visão holística da saúde de um indivíduo.

Priorizar a interoperabilidade de dispositivos médicos desbloqueará a capacidade total desses dispositivos de ajudar a gerenciar condições crônicas, como o diabetes. Um fluxo suave e troca de informações entre dispositivos, como bombas de insulina e CGM, permitirá que os indivíduos tenham uma melhor compreensão de seu sistema de gerenciamento de diabetes.

Os dados de alta fidelidade têm o potencial de transformar a indústria de saúde quando coletados e usados corretamente. Com a ajuda da IA e da ML, os dispositivos médicos podem fazer desenvolvimentos mensuráveis no monitoramento de pacientes remotos, tratando os indivíduos como indivíduos e entendendo a saúde de uma pessoa em um nível mais profundo. A ML é a chave para desbloquear insights dos dados para informar protocolos de saúde preditiva e preventiva e empoderar os pacientes com acesso a informações sobre sua própria saúde, transformando a forma como os dados são usados.