Как искусственный интеллект и машинное обучение масштабируют сбор данных для трансформации медицинского мониторинга

Искусственный интеллект (ИИ) и машинное обучение (МО) можно найти практически в каждой отрасли, стимулируя то, что некоторые считают новой эрой инноваций – особенно в здравоохранении, где, по оценкам, роль ИИ будет расти в 50% ставка ежегодно к 2025 году. ML все чаще играет жизненно важную роль в диагностике, визуализации, прогнозируемое здоровьеИ многое другое.

Благодаря появлению на рынке новых медицинских устройств и носимых устройств, машинное обучение может трансформировать медицинский мониторинг, собирая, анализируя и предоставляя легкодоступную информацию людям, чтобы они могли лучше управлять своим здоровьем, повышая вероятность раннего выявления или предотвращения хронических заболеваний. При разработке этих новых технологий исследователям следует учитывать несколько факторов, чтобы обеспечить сбор данных высочайшего качества и создание масштабируемых, точных и справедливых алгоритмов машинного обучения, подходящих для реальных случаев использования.

Использование машинного обучения для масштабирования клинических исследований и анализа данных

За последние 25 лет разработка медицинского оборудования ускорился, особенно во время пандемии COVID-19. Мы начинаем видеть, как все больше потребительских устройств, таких как фитнес-трекеры и носимые устройства, становятся товаром, а развитие смещается в сторону медицинских диагностических устройств. По мере того как эти устройства выводятся на рынок, их возможности продолжают развиваться. Больше медицинских устройств означает больше непрерывных данных и более крупные и разнообразные наборы данных, которые необходимо анализировать. Эта обработка может быть утомительной и неэффективной, если выполнять ее вручную. Машинное обучение позволяет анализировать обширные наборы данных быстрее и точнее, выявляя закономерности, которые могут привести к трансформационным знаниям.

Теперь, когда все эти данные у нас под рукой, мы должны в первую очередь убедиться, что мы обрабатываем правую данные. Данные формируют и информируют технологии, которые мы используем, но не все данные приносят одинаковую пользу. Нам нужны высококачественные, непрерывные и объективные данные с правильными методами сбора данных, подкрепленными медицинскими справочными материалами «золотого стандарта» в качестве сравнительного базового уровня. Это гарантирует, что мы создаем безопасные, справедливые и точные алгоритмы машинного обучения.

Обеспечение справедливого системного развития в сфере медицинского оборудования

При разработке алгоритмов исследователи и разработчики должны более широко учитывать предполагаемую популяцию. Большинство компаний нередко проводят исследования и клинические испытания в единственном, идеальном, нереальном случае. Тем не менее, очень важно, чтобы разработчики учитывали все реальные варианты использования устройства и все возможные взаимодействия предполагаемой аудитории с технологией в повседневной жизни. Мы спрашиваем: для кого предназначено это устройство, и учитываем ли мы всю популяцию? Имеют ли все представители целевой аудитории равный доступ к технологии? Как они будут взаимодействовать с технологией? Будут ли они взаимодействовать с технологией круглосуточно, 24 дней в неделю или с перерывами?

При разработке медицинских устройств, которые будут интегрированы в чью-то повседневную жизнь или потенциально будут влиять на повседневное поведение, нам также необходимо учитывать целостность человека – разум, тело и окружающую среду – и то, как эти компоненты могут меняться с течением времени. Каждый человек предоставляет уникальную возможность, которая меняется в разные моменты дня. Понимание времени как компонента сбора данных позволяет нам расширить получаемую нами информацию.

Учитывая эти элементы и понимая все компоненты физиологических, психологических, фоновых, демографических и экологических данных, исследователи и разработчики могут гарантировать, что они собирают непрерывные данные высокого разрешения, которые позволяют им строить точные и надежные модели для приложений в области здравоохранения.

Как ML может изменить управление диабетом

Эти лучшие практики ML будут особенно преобразующими в сфере управления диабетом. Эпидемия диабета стремительно распространяется по всему миру: 537 миллионов человек во всем мире живут с диабетом 1 и 2 типа, и ожидается, что это число вырастет до 643 млн к 2030 году. Учитывая такое большое количество пострадавших, крайне важно, чтобы пациенты имели доступ к решению, которое показывает им, что происходит внутри их собственного тела, и позволяет им эффективно управлять своим состоянием.

В последние годы в ответ на эпидемию исследователи и разработчики начали изучать неинвазивные методы измерения уровня глюкозы в крови, такие как методы оптического зондирования. Однако эти методы имеют известные ограничения из-за различных человеческих факторов, таких как уровни меланина, уровни ИМТ или толщина кожи.

Технология радиочастотного (РЧ) зондирования преодолевает ограничения оптического зондирования и потенциально может изменить способы управления своим здоровьем людьми с диабетом и предиабетом. Эта технология предлагает более надежное решение, когда дело доходит до неинвазивного измерения уровня глюкозы в крови, благодаря ее способности генерировать большие объемы данных и безопасно измерять весь набор тканей.

Технология радиочастотных датчиков позволяет собирать данные на нескольких сотнях тысяч частот, что приводит к обработке миллиардов данных наблюдений и требует мощных алгоритмов для управления и интерпретации таких больших и новых наборов данных. Машинное обучение имеет важное значение для обработки и интерпретации огромного количества новых данных, полученных с помощью сенсорных технологий этого типа, позволяя быстрее и точнее разрабатывать алгоритмы, что имеет решающее значение для создания эффективного неинвазивного монитора уровня глюкозы, который улучшает результаты для здоровья во всех предполагаемых случаях использования.

В сфере диабета мы также наблюдаем переход от прерывистых данных к непрерывным. Например, прокалывание пальца дает представление об уровне глюкозы в крови в определенные моменты в течение дня, но непрерывный монитор глюкозы (CGM) дает информацию о более частых, но непостоянных приращениях. Однако эти решения по-прежнему требуют прокола кожи, что часто приводит к боли и чувствительности кожи. Решение для неинвазивного мониторинга уровня глюкозы в крови позволяет нам получать высококачественные непрерывные данные от более широкой популяции с легкостью и без задержек при измерении. В целом, это решение, несомненно, обеспечит лучший пользовательский опыт и снизит затраты с течением времени.

Кроме того, большой объем непрерывных данных способствует разработке более справедливых и точных алгоритмов. По мере сбора большего количества данных временных рядов в сочетании с данными высокого разрешения разработчики могут продолжать создавать более совершенные алгоритмы для повышения точности определения уровня глюкозы в крови с течением времени. Эти данные могут стимулировать дальнейшее совершенствование алгоритма, поскольку они включают в себя различные факторы, отражающие то, как люди меняются изо дня в день (и в течение одного дня), что дает высокоточное решение. Неинвазивные решения, которые контролируют различные жизненно важные функции, могут преобразовать индустрию медицинского мониторинга и обеспечить более глубокий взгляд на то, как работает человеческое тело, посредством непрерывных данных от различных групп пациентов.

Медицинские устройства, создающие взаимосвязанную систему

По мере развития технологий и систем медицинского оборудования достигается еще более высокий уровень точности, пациенты и потребители видят все больше и больше возможностей контролировать свое ежедневное здоровье с помощью расширенных и мультимодальных данных из различных продуктов. Но для того, чтобы увидеть максимальную эффективность данных о медицинских устройствах и носимых устройствах, необходима взаимосвязанная система, обеспечивающая плавный обмен данными между несколькими устройствами и обеспечивающая целостное представление о здоровье человека.

Приоритезация совместимость медицинского оборудования откроет все возможности этих устройств для борьбы с хроническими заболеваниями, такими как диабет. Беспрепятственный поток и обмен информацией между такими устройствами, как инсулиновые помпы и CGM, позволит людям иметь лучшее понимание их системы управления диабетом.

Высокоточные данные могут изменить индустрию здравоохранения, если их правильно собирать и использовать. С помощью искусственного интеллекта и машинного обучения медицинские устройства могут добиться измеримых успехов в удаленном мониторинге пациентов, рассматривая людей как личностей и понимая здоровье человека на более глубоком уровне. Машинное обучение — это ключ к получению ценной информации из данных для информирования протоколов прогнозного и профилактического управления здоровьем и предоставления пациентам доступа к информации об их собственном здоровье, меняя способ использования данных.