Як AI та ML масштабують збір даних для трансформації медичного моніторингу

Штучний інтелект (ШІ) і машинне навчання (ML) можна знайти майже в кожній галузі, що є рушійною силою того, що дехто вважає новою епохою інновацій, особливо в охороні здоров’я, де, за оцінками, роль ШІ зростатиме зі швидкістю. 50% щорічно до 2025 року. МЛ все більше відіграє життєво важливу роль у допомозі в діагностиці, візуалізації, прогноз здоров'яІ багато іншого.

З новими медичними пристроями та носіями на ринку ML має можливість трансформувати медичний моніторинг, збираючи, аналізуючи та надаючи легкодоступну інформацію, щоб люди могли краще керувати власним здоров’ям – покращуючи ймовірність раннього виявлення або профілактики хронічних захворювань. Є кілька факторів, які дослідники повинні мати на увазі під час розробки цих нових технологій, щоб переконатися, що вони збирають дані найвищої якості та створюють масштабовані, точні та справедливі алгоритми машинного навчання, придатні для реальних випадків використання.

Використання ML для масштабування клінічних досліджень і аналізу даних

За останні 25 років, розробка медичних приладів прискорився, особливо під час пандемії COVID-19. Ми починаємо спостерігати, як все більше споживчих пристроїв, таких як фітнес-трекери та переносні пристрої, стають товарами, а розвиток переходить до медичних діагностичних пристроїв. Оскільки ці пристрої виводяться на ринок, їхні можливості продовжують розвиватися. Більше медичних пристроїв означає більше безперервних даних і більші, більш різноманітні набори даних, які потрібно аналізувати. Ця обробка може бути виснажливою та неефективною, якщо виконувати її вручну. ML дає змогу швидше й точніше аналізувати великі набори даних, виявляючи закономірності, які можуть привести до трансформаційної інформації.

Маючи всі ці дані зараз у нас під рукою, ми повинні в першу чергу переконатися, що ми обробляємо право даних. Дані формують і інформують технологію, яку ми використовуємо, але не всі дані дають однакову користь. Нам потрібні високоякісні, безперервні, неупереджені дані з правильними методами збору даних, що підтримуються медичними довідниками золотого стандарту як базовою лінією для порівняння. Це гарантує, що ми створюємо безпечні, справедливі та точні алгоритми машинного навчання.

Забезпечення справедливого системного розвитку в галузі медичного обладнання

Розробляючи алгоритми, дослідники та розробники повинні ширше розглядати цільову популяцію. Нерідко більшість компаній проводять дослідження та клінічні випробування в одному, ідеальному, нереальному випадку. Однак дуже важливо, щоб розробники враховували всі випадки використання пристрою в реальному світі та всі можливі взаємодії, які цільова аудиторія могла б мати з технологією на щоденній основі. Ми запитуємо: хто є цільовою популяцією для пристрою, і чи ми враховуємо всю популяцію? Чи всі в цільовій аудиторії мають справедливий доступ до технології? Як вони взаємодіятимуть із технологією? Чи будуть вони взаємодіяти з технологіями 24/7 чи з перервами?

Розробляючи медичні пристрої, які збираються інтегрувати в чиєсь повсякденне життя або потенційно впливати на повсякденну поведінку, нам також потрібно враховувати всю людину — розум, тіло та навколишнє середовище — і те, як ці компоненти можуть змінюватися з часом. Кожна людина представляє унікальну можливість, яка змінюється в різні моменти протягом дня. Розуміння часу як компонента збору даних дозволяє нам розширити отриману нами інформацію.

Враховуючи ці елементи та розуміючи всі компоненти фізіології, психології, фону, демографії та даних про навколишнє середовище, дослідники та розробники можуть переконатися, що вони збирають безперервні дані високої роздільної здатності, які дозволяють їм будувати точні та надійні моделі для застосування в галузі охорони здоров’я людини.

Як ML може змінити лікування діабету

Ці найкращі практики МЛ будуть особливо трансформаційними у сфері лікування діабету. Епідемія цукрового діабету стрімко зростає по всьому світу: 537 мільйонів людей в усьому світі живуть із діабетом 1 та 2 типу, і очікується, що це число зросте до 643 млн до 2030 року. З огляду на таку кількість постраждалих, вкрай важливо, щоб пацієнти мали доступ до рішення, яке показує їм, що відбувається всередині їх власного тіла, і дозволяє їм ефективно керувати своїм станом.

Останніми роками у відповідь на епідемію дослідники та розробники почали вивчати неінвазивні методи вимірювання рівня глюкози в крові, такі як методи оптичного зондування. Однак ці методи мають відомі обмеження через різні людські фактори, такі як рівень меланіну, рівень ІМТ або товщина шкіри.

Технологія радіочастотного (РЧ) зондування долає обмеження оптичного зондування та має потенціал змінити те, як люди з діабетом і переддіабетом керують своїм здоров’ям. Ця технологія пропонує більш надійне рішення, коли мова заходить про неінвазивне вимірювання рівня глюкози в крові, завдяки її здатності генерувати великі обсяги даних і безпечно вимірювати всю тканину.

Технологія радіочастотного датчика дозволяє збирати дані на кількох сотнях тисяч частот, що призводить до мільярдів даних спостережень для обробки та потребує потужних алгоритмів для керування та інтерпретації таких великих і нових наборів даних. ML має важливе значення для обробки та інтерпретації величезної кількості нових даних, отриманих за допомогою цього типу сенсорної технології, що забезпечує швидшу та точнішу розробку алгоритмів, що має вирішальне значення для створення ефективного неінвазивного монітора глюкози, який покращує результати для здоров’я в усіх випадках використання.

У сфері діабету ми також спостерігаємо перехід від періодичних даних до постійних. Наприклад, укол пальця дає інформацію про рівень глюкози в крові у вибраних точках протягом дня, але безперервний монітор глюкози (CGM) дає інформацію з більш частими, але непостійними кроками. Однак ці розчини все одно вимагають проколювання шкіри, що часто призводить до болю та чутливості шкіри. Рішення для неінвазивного моніторингу рівня глюкози в крові дає нам змогу отримувати безперервні високоякісні дані від більшої кількості населення з легкістю та без затримки вимірювання. Загалом це рішення забезпечить, безсумнівно, кращий досвід користувача та нижчу вартість з часом.

Крім того, великий обсяг безперервних даних сприяє розробці більш справедливих і точних алгоритмів. У міру того, як буде зібрано більше даних часових рядів у поєднанні з даними високої роздільної здатності, розробники можуть продовжувати створювати кращі алгоритми для підвищення точності визначення рівня глюкози в крові з часом. Ці дані можуть стимулювати постійне вдосконалення алгоритму, оскільки включають різні фактори, які відображають те, як люди змінюються день у день (і протягом одного дня), що дає змогу отримати високоточне рішення. Неінвазивні рішення для моніторингу різних життєво важливих органів можуть змінити індустрію медичного моніторингу та забезпечити глибший погляд на те, як працює людський організм, завдяки постійним даним різних груп пацієнтів.

Медичні пристрої створюють взаємопов’язану систему

У міру того, як технології розвиваються, а системи медичних пристроїв досягають ще вищих рівнів точності, пацієнти та споживачі бачать все більше й більше можливостей контролювати власне щоденне здоров’я за допомогою розширених мультимодальних даних із різноманітних продуктів. Але для того, щоб отримати найбільший вплив від даних про медичні пристрої та пристрої, що носяться, потрібна взаємопов’язана система для забезпечення плавного обміну даними між кількома пристроями, щоб забезпечити цілісне уявлення про здоров’я людини.

Визначення пріоритетів сумісність медичного обладнання розкриє всі можливості цих пристроїв для лікування хронічних захворювань, таких як діабет. Безперебійний потік та обмін інформацією між такими пристроями, як інсулінові помпи та CGM, дозволить людям мати краще розуміння їхньої системи управління діабетом.

Високоточні дані можуть змінити галузь охорони здоров’я, якщо вони збираються та використовуються правильно. За допомогою штучного інтелекту та машинного навчання медичні пристрої можуть досягати вимірних змін у дистанційному моніторингу пацієнтів, ставлячись до людей як до окремих осіб і розуміючи здоров’я людини на більш глибокому рівні. ML є ключем до розкриття інформації з даних для інформування прогностичних і профілактичних протоколів управління здоров’ям і надання пацієнтам доступу до інформації про власне здоров’я, змінюючи спосіб використання даних.