Cum pot AI și ML să scaleze colectarea de date pentru a transforma monitorizarea medicală

Inteligența artificială (AI) și învățarea automată (ML) pot fi găsite în aproape fiecare industrie, conducând ceea ce unii consideră o nouă eră a inovației – în special în sănătate, unde se estimează că rolul AI va crește cu o rată anuală de 50% până în 2025. ML joacă un rol din ce în ce mai important în asistența la diagnosticare, imagistică, sănătate predictivă și multe altele.

Cu noile dispozitive medicale și accesorii de pe piață, ML are capacitatea de a transforma monitorizarea medicală prin colectarea, analiza și furnizarea de informații ușor accesibile pentru oameni, pentru a-și gestiona mai bine propria sănătate – îmbunătățind șansele de detectare precoce sau prevenire a bolilor cronice. Există mai multe factori pe care cercetătorii ar trebui să îi ia în considerare la dezvoltarea acestor tehnologii noi, pentru a se asigura că colectează date de cea mai înaltă calitate și construiesc algoritmi ML scalabili, preciși și echitabili, potriviți pentru cazuri de utilizare din lumea reală.

Folosirea ML pentru a scala cercetarea clinică și analiza datelor

În ultimii 25 de ani, dezvoltarea dispozitivelor medicale a accelerat, în special în timpul pandemiei COVID-19. Începem să vedem mai multe dispozitive pentru consumatori, cum ar fi dispozitivele de fitness și accesorii, care se comercializează și se dezvoltă către dispozitive medicale diagnostice. Pe măsură ce aceste dispozitive sunt aduse pe piață, capacitățile lor continuă să evolueze. Mai multe dispozitive medicale înseamnă mai multe date continue și seturi de date mai mari și mai diverse care trebuie analizate. Această prelucrare poate fi oboseală și ineficientă atunci când se face manual. ML permite analiza extinsă a seturilor de date cu mai multă viteză și precizie, identificând modele care pot duce la insight-uri transformaționale.

Cu toate aceste date la dispoziția noastră, trebuie să ne asigurăm mai întâi și mai presus de toate că prelucrăm datele potrivite. Datele formează și informează tehnologia pe care o folosim, dar nu toate datele oferă același beneficiu. Avem nevoie de date de înaltă calitate, continue, neînclinate, cu metode de colectare a datelor potrivite, susținute de referințe medicale de înaltă calitate ca bază de comparație. Acest lucru ne asigură că construim algoritmi ML siguri, echitabili și preciși.

Asigurarea dezvoltării sistemelor echitabile în spațiul dispozitivelor medicale

La dezvoltarea algoritmilor, cercetătorii și dezvoltatorii trebuie să ia în considerare populațiile lor țintă într-un mod mai larg. Nu este neobișnuit ca majoritatea companiilor să efectueze studii și teste clinice într-un singur caz ideal, într-un mediu non-real. Cu toate acestea, este esențial ca dezvoltatorii să ia în considerare toate cazurile de utilizare din lumea reală pentru dispozitiv și toate interacțiunile posibile pe care populația lor țintă le-ar putea avea cu tehnologia în viața de zi cu zi. Ne întrebăm: cine este populația țintă pentru dispozitiv și suntem siguri că luăm în considerare întreaga populație? Are toată lumea din auditoriul țintă acces echitabil la tehnologie? Cum vor interacționa oamenii cu tehnologia? Vor interacționa cu tehnologia 24/7 sau intermitent?

Când dezvoltăm dispozitive medicale care se vor integra în viața de zi cu zi a cuiva sau care vor interveni în comportamentele zilnice, trebuie să luăm în considerare și întregul om – minte, corp și mediu – și modul în care aceste componente se pot schimba în timp. Fiecare om oferă o oportunitate unică, cu variații la diferite puncte de-a lungul zilei. Înțelegerea timpului ca o componentă a colectării datelor ne permite să amplificăm insight-urile pe care le generăm.

Prin luarea în considerare a acestor elemente și înțelegerea tuturor componentelor fiziologiei, psihologiei, fondului, demografiei și datelor de mediu, cercetătorii și dezvoltatorii pot asigura că colectează date de înaltă rezoluție, continue, care le permit să construiască modele precise și puternice pentru aplicații de sănătate umană.

Cum poate ML să transforme managementul diabetului

Aceste practici ML vor fi în special transformaționale în spațiul managementului diabetului. Epidemia de diabet crește rapid în întreaga lume: 537 de milioane de oameni trăiesc cu diabet de tip 1 și 2 și se estimează că acest număr va crește la 643 de milioane până în 2030. Având atât de mulți oameni afectați, este esențial ca pacienții să aibă acces la o soluție care le arată ce se întâmplă în interiorul propriului corp și le permite să-și gestioneze eficient condițiile.

În ultimii ani, ca răspuns la epidemie, cercetătorii și dezvoltatorii au început să exploreze metode neinvazive de măsurare a glucozei din sânge, cum ar fi tehnicile de detectare optică. Aceste metode au limitări cunoscute din cauza factorilor umani variabili, cum ar fi nivelurile de melanină, indicele de masă corporală sau grosimea pielii.

Tehnologia de detectare radiofrecvență (RF) depășește limitările detectării optice și are potențialul de a transforma modul în care oamenii cu diabet și prediabet își gestionează sănătatea. Această tehnologie oferă o soluție mai sigură atunci când vine vorba de măsurarea neinvazivă a glucozei din sânge, datorită capacității sale de a genera cantități mari de date și de a măsura în siguranță prin întregul strat de țesut.

Tehnologia de detectare RF permite colectarea de date pe sute de mii de frecvențe, rezultând miliarde de observații de date care trebuie prelucrate și interpretate, necesitând algoritmi puternici pentru a gestiona și interpreta astfel de seturi de date mari și noi. ML este esențială în prelucrarea și interpretarea cantității masive de date noi generate de această tehnologie de detectare, permițând dezvoltarea mai rapidă și mai precisă a algoritmilor – esențială pentru construirea unui monitor de glucoză neinvaziv eficient, care îmbunătățește rezultatele sănătății în toate cazurile de utilizare intenționate.

În spațiul diabetului, vedem și o schimbare de la date intermitente la date continue. De exemplu, testarea cu ajutorul degetului oferă insight-uri în nivelurile de glucoză din sânge la anumite puncte de-a lungul zilei, dar un monitor de glucoză continuă (CGM) oferă insight-uri în intervale mai frecvente, dar necontinue. Aceste soluții necesită totuși puncția pielii, adesea rezultând în durere și sensibilitate a pielii. O soluție de monitorizare neinvazivă a glucozei din sânge ne permite să capturăm date de înaltă calitate, continue, dintr-o populație mai largă, cu ușurință și fără întârziere în măsurare. În general, această soluție ar oferi o experiență de utilizator mult mai bună și un cost mai mic în timp.

În plus, volumul mare de date continue contribuie la dezvoltarea de algoritmi mai echitabili și preciși. Pe măsură ce se colectează mai multe date seriale, în combinație cu date de înaltă rezoluție, dezvoltatorii pot continua să construiască algoritmi mai buni pentru a crește precizia detectării glucozei din sânge în timp. Aceste date pot alimenta îmbunătățirea continuă a algoritmilor, deoarece includ diverse factori care reflectă modul în care oamenii se schimbă de la o zi la alta (și pe parcursul unei singure zile), ducând la o soluție extrem de precisă. Soluțiile neinvazive care monitorizează diferiți parametri vitali pot transforma industria de monitorizare medicală și pot oferi o privire mai profundă asupra modului în care funcționează corpul uman prin date continue din populații diverse de pacienți.

Dispozitive medicale care creează un sistem interconectat

Pe măsură ce tehnologia avansează și sistemele de dispozitive medicale ating niveluri și mai înalte de precizie, pacienții și consumatorii văd oportunități tot mai multe de a-și controla propria sănătate zilnică prin date avansate și multimodale de la o varietate de produse. Dar pentru a vedea cel mai mare impact din datele dispozitivelor medicale și accesorii, trebuie să existe un sistem interconectat pentru a crea un schimb facil de date între dispozitive multiple, pentru a oferi o vedere holistică a sănătății unei persoane.

Prioritizarea interoperabilității dispozitivelor medicale va debloca capacitatea deplină a acestor dispozitive de a ajuta la gestionarea afecțiunilor cronice, cum ar fi diabetul. Un flux și schimb de informații fără întrerupere între dispozitive, cum ar fi pompele de insulină și monitoarele de glucoză continuă, va permite indivizilor să aibă o înțelegere mai bună a sistemului de gestionare a diabetului.

Datele de înaltă fidelitate au potențialul de a transforma industria sănătății atunci când sunt colectate și utilizate corect. Cu ajutorul AI și ML, dispozitivele medicale pot face progrese măsurabile în monitorizarea pacienților la distanță, prin tratarea indivizilor ca indivizi și înțelegerea sănătății unei persoane la un nivel mai profund. ML este cheia pentru a descoperi insight-uri din date pentru a informa protocoalele de sănătate predictivă și preventivă și pentru a împuternici pacienții cu acces la informații despre propria sănătate, transformând modul în care se utilizează datele.