Як AI та ML розширюють збір даних для трансформації медичного моніторингу

Штучний інтелект (AI) і машинне навчання (ML) можна знайти майже в кожній галузі, рухаючи те, що деякі вважають новою ерою інновацій – особливо в сфері охорони здоров’я, де передбачається, що роль AI зростатиме на темпі 50% щорічно до 2025 року. ML дедалі більше грає життєво важливу роль у допомозі з діагнозами, зображеннями, передбачуваним здоров’ям та іншим.

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 – підвищуючи ймовірність раннього виявлення або запобігання хронічних захворювань. Є кілька факторів, які дослідники повинні враховувати при розробці цих нових технологій, щоб забезпечити збір даних найвищої якості та створення масштабованих, точних і справедливих алгоритмів ML для реальних випадків використання.

Використання ML для розширення клінічних досліджень і аналізу даних

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 масовими, а розвиток зсувається 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 виконувати його вручну. ML дозволяє аналізувати великі набори даних швидше і з більшою точністю, визначаючи закономірності, які можуть привести до трансформаційних знань.

З усіма цими даними, які тепер знаходяться у нас під рукою, ми повинні переконатися, що спочатку і найголовніше ми обробляємо правильні дані. Дані формують і інформують технологію, яку ми використовуємо, але не всі дані забезпечують ту саму користь. Нам потрібні дані високої якості, безперервні, необмежені, 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 медичному пристрої

Під час розробки алгоритмів дослідники та розробники повинні враховувати свою цільову аудиторію ширше. Не рідко більшість компаній проводять дослідження та клінічні випробування в одному, ідеальному, нереальному випадку. Однак важливо, щоб розробники враховували всі реальні випадки використання пристрою та всі можливі взаємодії своєї цільової аудиторії з технологією в повсякденному житті. Ми питаємо: хто є цільовою аудиторією для пристрою, і чи ми враховуємо всю цільову аудиторію? Чи має кожна людина в цільовій аудиторії справедливий доступ до технології? Як вони взаємодіятимуть 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 втрутитися 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 знання, 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 високорозширені, 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 і 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 тіла, і дозволяє їм ефективно керувати своїм станом.

В останні роки у відповідь на епідемію дослідники та розробники почали вивчати неінвазивні методи вимірювання рівня цукру в крові, такі як оптичні чутливі техніки. Ці методи, однак, мають відомі обмеження через різноманітні людські фактори, такі як рівні меланіну, індекс маси тіла або товщина шкіри.

Радіочастотна (РЧ) чутлива технологія подолає обмеження оптичної чутливості та має потенціал трансформувати спосіб, у який люди з цукровим діабетом і предіабетом керують своїм здоров’ям. Ця технологія пропонує більш надійне рішення щодо неінвазивного вимірювання рівня цукру в крові завдяки своїй здатності генерувати великі об’єми даних та безпечно вимірювати повний шар тканини.

Технологія РЧ-чутливості дозволяє зібрати дані по декілька сотень тисяч частот, що призводить до обробки та інтерпретації мільярдів спостережень даних. ML є суттєвим для обробки та інтерпретації величезної кількості нових даних, генерованих з цієї технології чутливості, забезпечуючи швидшу та більш точну розробку алгоритмів – критичну для створення ефективного неінвазивного монітора рівня цукру в крові, який покращує результати охорони здоров’я для всіх випадків використання.

У сфері цукрового діабету ми також бачимо зсув від періодичних до безперервних даних. Наприклад, прокол пальця надає знання про рівень цукру в крові в окремих точках протягом дня, але безперервний монітор цукру в крові надає знання більш часто, але не безперервно. Ці рішення, однак, все ще вимагають проколу шкіри, часто призводячи до болю та чутливості шкіри. Неінвазивне рішення для моніторингу рівня цукру в крові дозволяє нам зібрати високоякісні безперервні дані з більшої частини населення легко та без затримки у вимірюванні. Загалом, це рішення забезпечить невід’ємно краще користувацький досвід та нижчу вартість з часом.

Крім того, великий об’єм безперервних даних сприяє розробці більш справедливих та точних алгоритмів. Коли збирається більше даних часових рядів, у поєднанні з високорозширеними даними, розробники можуть продовжувати створювати кращі алгоритми для підвищення точності виявлення рівня цукру в крові з часом. Ці дані можуть підтримувати подальше покращення алгоритмів, оскільки вони включають різні фактори, які відображають, як люди змінюються день у день (та протягом одного дня), що призводить до високоточного рішення. Неінвазивні рішення для моніторингу різних життєво важливих показників можуть трансформувати галузь медичного моніторингу та надати глибше розуміння того, як працює людське тіло через безперервні дані з різноманітних пацієнтів.

Медичні пристрої, що створюють міжпов’язану систему

По мірі розвитку технологій та досягнення медичних пристроїв ще вищого рівня точності пацієнти та споживачі бачать дедалі більше можливостей для контролю свого повсякденного здоров’я завдяки передовим та багатомодальним даним з різних продуктів. Але щоб побачити найбільший вплив від даних медичних пристроїв та носимих пристроїв, потрібно створити міжпов’язану систему для безперешкодного обміну даними між різними пристроями, щоб забезпечити цілісний погляд 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 монітори рівня цукру в крові, дозволять людям мати краще розуміння своєї системи керування цукровим діабетом.

Дані високої точності мають потенціал трансформувати галузь охорони здоров’я, якщо їх правильно зібрано та використано. За допомогою AI та ML медичні пристрої можуть зробити помітні здобутки в сфері моніторингу пацієнтів на відстані, ставлячи окремих людей як окремих осіб та розуміючи стан здоров’я людини на глибшому рівні. ML є ключем до відкриття знань з даних для інформування передбачуваних та профілактичних протоколів охорони здоров’я та надання пацієнтам доступу до інформації про своє здоров’я, трансформуючи спосіб використання даних.