Hur AI och ML skalar upp datainsamling för att förvandla medicinsk övervakning

Artificiell intelligens (AI) och maskinlärande (ML) kan hittas i nästan varje bransch, och driver vad som kan betraktas som en ny era av innovation – särskilt inom hälsovården, där det beräknas att AI:s roll kommer att växa med en 50% årlig tillväxttakt till 2025. ML spelar alltmer en viktig roll i att assistera vid diagnoser, avbildning, förutsägande hälsa och mer.

Med nya medicinska enheter och wearables på marknaden har ML möjlighet att förvandla medicinsk övervakning genom att samla in, analysera och leverera lättillgänglig information för människor att bättre hantera sin egen hälsa – och förbättra sannolikheten för tidig upptäckt eller förebyggande av kroniska sjukdomar. Det finns flera faktorer som forskare bör ta i beaktande när de utvecklar dessa nya teknologier för att säkerställa att de samlar in den högsta kvaliteten på data och bygger skalbara, precisa och rättvisa ML-algoritmer som är lämpliga för verkliga användningsfall.

Använda ML för att skala upp klinisk forskning och dataanalys

Under de senaste 25 åren har utvecklingen av medicinska enheter accelererat, särskilt under COVID-19-pandemin. Vi börjar se mer konsumentenheter som fitnessspårare och wearables som kommersialiseras, och utvecklingen skiftar till medicinska diagnostiska enheter. När dessa enheter introduceras på marknaden fortsätter deras funktioner att utvecklas. Fler medicinska enheter innebär mer kontinuerlig data och större, mer varierade datamängder som behöver analyseras. Denna bearbetning kan vara tidskrävande och ineffektiv när den görs manuellt. ML möjliggör omfattande datamängder att analyseras snabbare och med större precision, och identifierar mönster som kan leda till banbrytande insikter.

Med all denna data nu till våra fingrar, måste vi först och främst säkerställa att vi bearbetar rätt data. Data formar och informerar den teknik vi använder, men inte all data ger samma nytta. Vi behöver högkvalitativ, kontinuerlig, opartisk data, med rätt datainsamlingsmetoder som stöds av guldstandard-medikal referenser som en jämförande baslinje. Detta säkerställer att vi bygger säkra, rättvisa och precisa ML-algoritmer.

Säkerställa rättvis systemutveckling inom det medicinska enhetsområdet

När man utvecklar algoritmer måste forskare och utvecklare ta i beaktande sina avsedda populationer i större utsträckning. Det är inte ovanligt att de flesta företag genomför studier och kliniska prövningar i en enskild, ideal, icke-verklig värld. Men det är avgörande att utvecklare tar i beaktande alla verkliga användningsfall för enheten, och alla möjliga interaktioner som deras avsedda population kan ha med tekniken i sin vardag. Vi frågar: vem är den avsedda populationen för enheten, och tar vi i beaktande hela populationen? Har alla i den avsedda målgruppen lika tillgång till tekniken? Hur kommer de att interagera med tekniken? Kommer de att interagera med tekniken 24/7 eller intermittent?

När man utvecklar medicinska enheter som ska integreras i någons dagliga liv, eller potentiellt ingripa i dagliga beteenden, måste vi också ta i beaktande hela personen – sinne, kropp och miljö – och hur dessa komponenter kan förändras över tid. Varje människa presenterar en unik möjlighet, med variationer vid olika tidpunkter under dagen. Att förstå tid som en komponent i datainsamling tillåter oss att förstärka de insikter vi genererar.

Genom att ta i beaktande dessa element och förstå alla komponenter i fysiologi, psykologi, bakgrund, demografi och miljödata kan forskare och utvecklare säkerställa att de samlar in högupplösta, kontinuerliga data som möjliggör att bygga precisa och starka modeller för humanhälsotillämpningar.

Hur ML kan förvandla diabetesbehandling

Dessa ML-bästa praxis kommer att vara särskilt banbrytande inom diabetesbehandlingsområdet. Diabetesepidemin växer snabbt över hela världen: 537M människor världen över lever med typ 1 och typ 2 diabetes och det beräknas att antalet kommer att öka till 643M till 2030. Med så många drabbade är det avgörande att patienterna har tillgång till en lösning som visar dem vad som händer inuti deras egen kropp och tillåter dem att effektivt hantera sina tillstånd.

Under de senaste åren, som svar på epidemin, har forskare och utvecklare börjat undersöka icke-invasiva metoder för att mäta blodglukos, såsom optiska avkänningsmetoder. Dessa metoder har dock kända begränsningar på grund av varierande mänskliga faktorer som melaninnivåer, BMI-nivåer eller hudtjocklek.

Radiofrekvens (RF) avkännningsteknik övervinner begränsningarna i optisk avkänning och har potentialen att förvandla sättet människor med diabetes och prediabetes hanterar sin hälsa. Denna teknik erbjuder en mer tillförlitlig lösning när det gäller icke-invasiv mätning av blodglukos på grund av dess förmåga att generera stora mängder data och säkert mäta genom hela vävnadsskiktet.

RF-sensorteknik tillåter datainsamling över flera hundra tusen frekvenser, vilket resulterar i miljarder dataobservationer som måste bearbetas och kräver kraftfulla algoritmer för att hantera och tolka sådana stora och nya datamängder. ML är avgörande för att bearbeta och tolka den enorma mängden ny data som genereras från denna typ av sensorteknik, vilket möjliggör snabbare och mer precisa algoritmiska utveckling – avgörande för att bygga en effektiv icke-invasiv glukosmätare som förbättrar hälsoutfallet över alla avsedda användningsfall.

Inom diabetesområdet ser vi också en skiftning från intermittent till kontinuerlig data. Fingerstickning, till exempel, ger insikter i blodglukosnivåer vid utvalda tidpunkter under dagen, men en kontinuerlig glukosmätare ger insikter i mer frekventa, men icke-kontinuerliga, inkrement. Dessa lösningar kräver dock fortfarande att huden punkteras, vilket ofta resulterar i smärta och hudkänslighet. En icke-invasiv blodglukosmätning möjliggör att vi kan samla in högkvalitativ kontinuerlig data från en bredare population med lätthet och utan fördröjning i mätningen. Sammanfattningsvis skulle denna lösning ge en otvivelaktigt bättre användarupplevelse och lägre kostnad över tid.

Dessutom bidrar den stora mängden kontinuerlig data till utvecklingen av mer rättvisa och precisa algoritmer. När mer tidsserie-data samlas in, i kombination med högupplösta data, kan utvecklare fortsätta att bygga bättre algoritmer för att öka precisionen i att upptäcka blodglukos över tid. Denna data kan bränsle för fortsatt algoritmisk förbättring eftersom den inkluderar olika faktorer som reflekterar hur människor förändras från dag till dag (och under en enskild dag), vilket resulterar i en högprecisionslösning. Icke-invasiva lösningar som övervakar olika vitala funktioner kan förvandla den medicinska övervakningsindustrin och ge en djupare inblick i hur den mänskliga kroppen fungerar genom kontinuerlig data från varierade patientpopulationer.

Medicinska enheter skapar ett sammanlänkat system

När tekniken utvecklas och medicinska enhetssystem uppnår ännu högre nivåer av precision, ser patienter och konsumenter allt fler möjligheter att ta kontroll över sin egen dagliga hälsa genom avancerad och multimodal data från en mängd olika produkter. Men för att se den största påverkan från medicinska enheter och wearables-data, behövs ett sammanlänkat system för att skapa en smidig utbyte av data över flera enheter för att ge en helhetsbild av en persons hälsa.

Att prioritera medicinsk enhetsinteroperabilitet kommer att låsa upp den fulla kapaciteten hos dessa enheter för att hjälpa hantera kroniska tillstånd, såsom diabetes. En sömlös flöde och utbyte av information mellan enheter som insulinpumpar och kontinuerliga glukosmätare kommer att tillåta individer att ha en bättre förståelse av sitt diabetesbehandlingsystem.

Högkvalitativ data har potentialen att förvandla hälsovårdsindustrin när den samlas in och används på rätt sätt. Med hjälp av AI och ML kan medicinska enheter göra mätbara framsteg inom fjärrpatientövervakning genom att behandla individer som individer, och förstå en persons hälsa på en djupare nivå. ML är nyckeln till att låsa upp insikter från data för att informera förutsägande och förebyggande hälsoprogram och ge patienter tillgång till information om sin egen hälsa, och förvandla sättet data används.