Як AI та ML розширюють збір даних для трансформації медичного моніторингу

Штучний інтелект (AI) та машинне навчання (ML) можна знайти майже в кожній галузі, що сприяє появі нової ери інновацій – особливо в галузі охорони здоров’я, де роль AI, як очікується, зростатиме на 50% щорічно до 2025 року. ML все частіше грає життєво важливу роль у допомозі в діагностуванні, візуалізації, передбачуваному здоров’ї та іншому.

З появою нових медичних пристроїв і носимих пристроїв на ринку ML має можливість трансформувати медичний моніторинг шляхом збору, аналізу та надання легко доступної інформації людям для кращого управління своїм здоров’ям – покращення ймовірності раннього виявлення або запобігання хронічних захворювань. Є кілька факторів, які дослідники повинні враховувати при розробці цих нових технологій, щоб забезпечити збір високоякісних даних і створення масштабованих, точних і справедливих алгоритмів ML для реальних випадків використання.

Розширення клінічних досліджень та аналізу даних за допомогою ML

За останні 25 років розвиток медичних пристроїв прискорився, особливо під час пандемії COVID-19. Ми починаємо бачити більше споживчих пристроїв, таких як фітнес-трекери та носимі пристрої, які стають все більш доступними, а розвиток зміщується до медичних діагностичних пристроїв. Коли ці пристрої виходять на ринок, їхні можливості продовжують розвиватися. Більше медичних пристроїв означає більше безперервних даних і більші, більш різноманітні набори даних, які потрібно аналізувати. Цей процес може бути трудомістким і неефективним, якщо проводиться вручну. ML дозволяє аналізувати великі набори даних швидше і точніше, визначаючи закономірності, які можуть привести до трансформаційних відкриттів.

З усіма цими даними, які зараз знаходяться у нашому розпорядженні, ми повинні забезпечити, перш за все, що ми обробляємо правильні дані. Дані формують і інформують технології, які ми використовуємо, але не всі дані надають одну й ту ж саму вигоду. Нам потрібні високоякісні, безперервні, необмежені дані з правильними методами збору даних, підтриманими золотими стандартами медичних посилань як порівняльної бази. Це забезпечує, що ми будемо створювати безпечні, справедливі та точні алгоритми ML.

Забезпечення справедливого розвитку системи в сфері медичних пристроїв

Під час розробки алгоритмів дослідники та розробники повинні враховувати свої ціліові популяції ширше. Не рідко компанії проводять дослідження та клінічні випробування в одній, ідеальній, нереальній ситуації. Однак важливо, щоб розробники враховували всі реальні випадки використання пристрою та всі можливі взаємодії своєї ціліової популяції з технологією в повсякденному житті. Ми запитуємо: хто є цілієвою популяцією для пристрою, і чи враховується вся популяція? Чи має кожна людина в цілієвій аудиторії справедливий доступ до технології? Як вони будуть взаємодіяти з технологією? Чи будуть вони взаємодіяти з технологією 24/7 або періодично?

Під час розробки медичних пристроїв, які будуть інтегровані в повсякденне життя людини або потенційно втручатися в повсякденні поведінки, нам також потрібно враховувати весь людину – розум, тіло та середовище – і те, як ці компоненти можуть змінюватися з часом. Кожна людина представляє унікальну можливість, з варіаціями на різних етапах протягом дня. Поняття часу як компонента збору даних дозволяє нам посилити відкриття, які ми генеруємо.

Враховуючи ці елементи та розуміння всіх компонентів фізіології, психології, походження, демографічних даних та екологічних даних, дослідники та розробники можуть забезпечити, що вони збирають високоякісні, безперервні дані, які дозволяють їм створювати точні та сильні моделі для застосувань людського здоров’я.

Як ML може трансформувати управління цукровим діабетом

Ці найкращі практики ML будуть особливо трансформаційними в сфері управління цукровим діабетом. Епідемія цукрового діабету швидко зростає по всьому світу: 537 млн людей у світі живуть з цукровим діабетом 1-го та 2-го типу, і ця кількість очікується зросте до 643 млн до 2030 року. З такою великою кількістю людей, які постраждали, важливо, щоб пацієнти мали доступ до рішення, яке показує їм, що відбувається всередині їхнього власного організму, і дозволяє їм ефективно керувати своїм станом.

За останні роки у відповідь на епідемію дослідники та розробники почали вивчати ненав’язливі методи вимірювання рівня цукру в крові, такі як оптичні методи чутливості. Однак ці методи мають відомі обмеження через різні людські фактори, такі як рівні меланіну, індекс маси тіла або товщина шкіри.

Радіочастотна (РЧ) технологія чутливості перевершує обмеження оптичної чутливості та має потенціал трансформувати спосіб, у який люди з цукровим діабетом та предіабетом керують своїм здоров’ям. Ця технологія пропонує більш надійне рішення для ненав’язливого вимірювання рівня цукру в крові завдяки своїй здатності генерувати велику кількість даних та безпечно вимірювати через весь стек тканин.

Технологія РЧ-чутливості дозволяє зібрати дані по декількам сотням тисяч частот, що призводить до мільярдів спостережень для обробки та вимагає потужних алгоритмів для керування та інтерпретації таких великих та нових наборів даних. ML є необхідним для обробки та інтерпретації великої кількості нових даних, генерованих цією технологією чутливості, що дозволяє розробляти алгоритми швидше та точніше – критично важливо для створення ефективного ненав’язливого глюкометра, який покращує результати охорони здоров’я у всіх випадках використання.

У сфері управління цукровим діабетом ми також бачимо зміщення від періодичних до безперервних даних. Наприклад, прокол пальця забезпечує інформацію про рівень цукру в крові в окремих точках протягом дня, але безперервний глюкометр (БГМ) забезпечує інформацію в більш частих, але не безперервних інтервалах. Однак ці рішення все ще потребують проколу шкіри, часто导致уючи біль та чутливість шкіри. Ненав’язливе рішення для моніторингу рівня цукру в крові дозволяє зібрати високоякісні безперервні дані з більшої популяції без зусиль та без затримки у вимірюванні. Загалом, це рішення забезпечило б явно кращий досвід користувача та нижчу вартість з часом.

Крім того, великий обсяг безперервних даних сприяє розробці більш справедливих та точних алгоритмів. Коли збирається більше даних часових рядів, у поєднанні з високою роздільною здатністю даних, розробники можуть продовжувати створювати кращі алгоритми для підвищення точності виявлення рівня цукру в крові з часом. Ці дані можуть забезпечити подальше покращення алгоритмів, оскільки вони включають різні фактори, які відображають, як люди змінюються з дня на день (та протягом одного дня), що призводить до високоточного рішення. Ненав’язливі рішення для моніторингу різних життєво важливих показників можуть трансформувати галузь медичного моніторингу та забезпечити глибше розуміння того, як працює людський організм завдяки безперервним даним з різноманітних популяцій пацієнтів.

Медичні пристрої, що створюють взаємопов’язану систему

З розвитком технологій та досягненням медичних пристроїв ще вищого рівня точності пацієнти та споживачі бачать все більше можливостей для контролю над своїм власним здоров’ям завдяки розширеним та багатомодальним даним з різних продуктів. Однак, щоб побачити максимальний вплив даних медичних пристроїв та носимих пристроїв, потрібно створити взаємопов’язану систему для забезпечення безперешкодного обміну даними між різними пристроями для надання повного погляду на здоров’я окремої особи.

Пріоритетність інтероперабельності медичних пристроїв розблокує повну здатність цих пристроїв допомогти керувати хронічними захворюваннями, такими як цукровий діабет. Безперешкодний потік та обмін інформацією між пристроями, такими як інсулінові помпи та БГМ, дозволять людям мати краще розуміння своєї системи керування цукровим діабетом.

Високоякісні дані мають потенціал трансформувати галузь охорони здоров’я, якщо вони збираються та використовуються правильно. За допомогою AI та ML медичні пристрої можуть забезпечити вимірювані досягнення в сфері моніторингу пацієнтів на відстані, керуючи окремими людьми як окремими особами та розуміючи здоров’я людини на більш глибокому рівні. ML є ключем до відкриття інформації з даних для інформування передбачувальних та профілактичних протоколів керування здоров’ям та надання пацієнтам доступу до інформації про своє здоров’я, трансформуючи спосіб використання даних.