Làm thế nào AI và ML có thể mở rộng thu thập dữ liệu để chuyển đổi giám sát y tế

Trí tuệ nhân tạo (AI) và học máy (ML) có thể được tìm thấy trong gần như mọi ngành công nghiệp, thúc đẩy những gì một số người coi là một kỷ nguyên mới của đổi mới – đặc biệt là trong lĩnh vực chăm sóc sức khỏe, nơi vai trò của AI dự kiến sẽ tăng trưởng với tốc độ 50% mỗi năm vào năm 2025. ML đang ngày càng đóng vai trò quan trọng trong việc hỗ trợ chẩn đoán, hình ảnh, sức khỏe dự đoán và nhiều hơn nữa.

Với những thiết bị y tế và thiết bị đeo mới trên thị trường, ML có khả năng chuyển đổi giám sát y tế bằng cách thu thập, phân tích và cung cấp thông tin dễ dàng tiếp cận cho người dùng để họ có thể quản lý tốt hơn sức khỏe của mình – cải thiện khả năng phát hiện sớm hoặc phòng ngừa các bệnh mãn tính. Có một số yếu tố mà các nhà nghiên cứu nên xem xét khi phát triển những công nghệ mới này để đảm bảo họ thu thập được dữ liệu chất lượng cao và xây dựng các thuật toán ML chính xác, công bằng và phù hợp với các trường hợp sử dụng thực tế.

Sử dụng ML để mở rộng nghiên cứu lâm sàng và phân tích dữ liệu

Trong 25 năm qua, sự phát triển của các thiết bị y tế đã tăng tốc, đặc biệt là trong thời kỳ đại dịch COVID-19. Chúng ta đang chứng kiến sự gia tăng của các thiết bị tiêu dùng như thiết bị theo dõi thể dục và thiết bị đeo, và sự chuyển đổi sang các thiết bị chẩn đoán y tế. Khi những thiết bị này được đưa ra thị trường, khả năng của chúng tiếp tục phát triển. Số lượng thiết bị y tế ngày càng tăng đồng nghĩa với việc có nhiều dữ liệu liên tục hơn và các tập dữ liệu đa dạng hơn cần được phân tích. Việc xử lý này có thể tốn thời gian và không hiệu quả khi thực hiện thủ công. ML cho phép phân tích các tập dữ liệu lớn với tốc độ và độ chính xác cao hơn, xác định các mẫu có thể dẫn đến những hiểu biết chuyển đổi.

Với tất cả dữ liệu hiện có trong tầm tay, chúng ta phải đảm bảo trước hết rằng chúng ta đang xử lý dữ liệu đúng. Dữ liệu định hình và thông tin cho công nghệ mà chúng ta sử dụng, nhưng không tất cả dữ liệu đều mang lại lợi ích như nhau. Chúng ta cần dữ liệu chất lượng cao, liên tục, không bị thiên vị, với các phương pháp thu thập dữ liệu phù hợp được hỗ trợ bởi các tài liệu tham khảo y tế tiêu chuẩn vàng làm baseline so sánh. Điều này đảm bảo rằng chúng ta xây dựng các thuật toán ML an toàn, công bằng và chính xác.

Đảm bảo phát triển hệ thống công bằng trong không gian thiết bị y tế

Khi phát triển các thuật toán, các nhà nghiên cứu và nhà phát triển phải xem xét các quần thể dự định của họ một cách rộng rãi hơn. Không hiếm khi hầu hết các công ty tiến hành nghiên cứu và thử nghiệm lâm sàng trong một trường hợp duy nhất, lý tưởng và không phản ánh thực tế. Tuy nhiên, điều quan trọng là các nhà phát triển phải xem xét tất cả các trường hợp sử dụng thực tế của thiết bị và tất cả các tương tác có thể giữa quần thể dự định và công nghệ trong cuộc sống hàng ngày. Chúng ta đặt câu hỏi: ai là quần thể dự định cho thiết bị, và chúng ta có đang tính đến toàn bộ quần thể hay không? Liệu mọi người trong đối tượng mục tiêu có quyền truy cập công bằng vào công nghệ hay không? Họ sẽ tương tác với công nghệ như thế nào? Họ sẽ tương tác với công nghệ 24/7 hay gián đoạn?

Khi phát triển các thiết bị y tế sẽ tích hợp vào cuộc sống hàng ngày của một người, hoặc có thể can thiệp vào các hành vi hàng ngày, chúng ta cũng cần phải tính đến toàn bộ con người – tâm trí, cơ thể và môi trường – và cách các thành phần này có thể thay đổi theo thời gian. Mỗi người đều mang lại một cơ hội duy nhất, với những biến thể tại các điểm khác nhau trong ngày. Việc hiểu thời gian như một thành phần trong thu thập dữ liệu cho phép chúng ta tăng cường những hiểu biết mà chúng ta tạo ra.

Bằng cách tính đến những yếu tố này và hiểu tất cả các thành phần của sinh lý, tâm lý, nền tảng, nhân khẩu học và dữ liệu môi trường, các nhà nghiên cứu và nhà phát triển có thể đảm bảo rằng họ đang thu thập dữ liệu liên tục, chất lượng cao, cho phép họ xây dựng các mô hình chính xác và mạnh mẽ cho các ứng dụng sức khỏe con người.

Làm thế nào ML có thể chuyển đổi quản lý bệnh tiểu đường

Những thực hành tốt nhất của ML này sẽ đặc biệt chuyển đổi trong không gian quản lý bệnh tiểu đường. Dịch bệnh tiểu đường đang phát triển nhanh chóng trên toàn cầu: 537 triệu người trên thế giới sống với bệnh tiểu đường loại 1 và loại 2, và con số này dự kiến sẽ tăng lên 643 triệu vào năm 2030. Với nhiều người bị ảnh hưởng như vậy, điều quan trọng là bệnh nhân phải có quyền truy cập vào một giải pháp cho thấy họ những gì đang xảy ra bên trong cơ thể của họ và cho phép họ quản lý hiệu quả tình trạng của mình.

Trong những năm gần đây, để đáp ứng với dịch bệnh, các nhà nghiên cứu và nhà phát triển đã bắt đầu khám phá các phương pháp không xâm lấn để đo lượng đường trong máu, chẳng hạn như các kỹ thuật cảm biến quang học. Tuy nhiên, những phương pháp này có những hạn chế đã biết do các yếu tố con người khác nhau như mức melanin, chỉ số khối cơ thể (BMI) hoặc độ dày của da.

Công nghệ cảm biến tần số vô tuyến (RF) vượt qua những hạn chế của cảm biến quang học và có tiềm năng chuyển đổi cách người bị bệnh tiểu đường và tiền tiểu đường quản lý sức khỏe của họ. Công nghệ này cung cấp một giải pháp đáng tin cậy hơn khi nói đến việc đo lượng đường trong máu không xâm lấn, nhờ khả năng tạo ra một lượng lớn dữ liệu và đo an toàn qua toàn bộ chồng mô.

Công nghệ cảm biến RF cho phép thu thập dữ liệu trên hàng trăm nghìn tần số, dẫn đến hàng tỷ quan sát dữ liệu cần được xử lý và yêu cầu các thuật toán mạnh mẽ để quản lý và diễn giải những tập dữ liệu lớn và mới này. ML là thiết yếu trong việc xử lý và diễn giải lượng lớn dữ liệu mới được tạo ra từ loại công nghệ cảm biến này, cho phép phát triển thuật toán nhanh hơn và chính xác hơn – điều quan trọng để xây dựng một máy theo dõi glucose không xâm lấn hiệu quả, cải thiện kết quả sức khỏe trên tất cả các trường hợp sử dụng dự định.

Trong không gian quản lý bệnh tiểu đường, chúng ta cũng đang chứng kiến sự chuyển đổi từ dữ liệu gián đoạn sang dữ liệu liên tục. Ví dụ, việc kiểm tra lượng đường trong máu bằng cách châm kim cho thấy những hiểu biết về mức đường trong máu tại các điểm cụ thể trong ngày, nhưng một máy theo dõi glucose liên tục (CGM) cung cấp những hiểu biết ở các khoảng thời gian thường xuyên hơn, mặc dù không liên tục. Những giải pháp này vẫn yêu cầu châm kim, thường dẫn đến đau và nhạy cảm da. Một giải pháp theo dõi lượng đường trong máu không xâm lấn cho phép chúng ta thu thập dữ liệu chất lượng cao, liên tục từ một quần thể rộng lớn hơn với sự dễ dàng và không có độ trễ trong đo lường. Tổng thể, giải pháp này sẽ cung cấp một trải nghiệm người dùng tốt hơn và chi phí thấp hơn theo thời gian.

Ngoài ra, khối lượng lớn dữ liệu liên tục này đóng góp vào việc phát triển các thuật toán công bằng và chính xác hơn. Khi nhiều dữ liệu chuỗi thời gian được thu thập, kết hợp với dữ liệu có độ phân giải cao, các nhà phát triển có thể tiếp tục xây dựng các thuật toán tốt hơn để tăng độ chính xác trong việc phát hiện lượng đường trong máu theo thời gian. Dữ liệu này có thể thúc đẩy sự cải tiến thuật toán liên tục vì nó bao gồm các yếu tố khác nhau phản ánh cách con người thay đổi hàng ngày (và trong suốt một ngày), dẫn đến một giải pháp chính xác cao. Các giải pháp không xâm lấn để theo dõi các chỉ số sinh tồn khác có thể chuyển đổi ngành giám sát y tế và cung cấp một cái nhìn sâu sắc hơn về cách cơ thể con người hoạt động thông qua dữ liệu liên tục từ các quần thể bệnh nhân đa dạng.

Thiết bị y tế tạo ra một hệ thống liên kết

Khi công nghệ tiến bộ và các hệ thống thiết bị y tế đạt được mức độ chính xác cao hơn, bệnh nhân và người tiêu dùng đang thấy nhiều cơ hội hơn để tự kiểm soát sức khỏe hàng ngày của họ thông qua dữ liệu đa phương thức từ nhiều sản phẩm. Tuy nhiên, để thấy được tác động lớn nhất từ dữ liệu thiết bị y tế và thiết bị đeo, cần có một hệ thống liên kết để tạo ra sự trao đổi dữ liệu mượt mà giữa các thiết bị khác nhau, cung cấp một cái nhìn toàn diện về sức khỏe của một cá nhân.

Ưu tiên tính tương tác của thiết bị y tế sẽ mở khóa toàn bộ khả năng của những thiết bị này trong việc giúp quản lý các tình trạng mãn tính như bệnh tiểu đường. Sự luân chuyển thông tin mượt mà giữa các thiết bị như bơm insulin và CGM sẽ cho phép các cá nhân hiểu rõ hơn về hệ thống quản lý bệnh tiểu đường của họ.

Dữ liệu có độ trung thực cao có tiềm năng chuyển đổi ngành chăm sóc sức khỏe khi được thu thập và sử dụng đúng cách. Với sự hỗ trợ của AI và ML, thiết bị y tế có thể tạo ra những tiến bộ có thể đo lường được trong việc theo dõi bệnh nhân từ xa bằng cách đối xử với các cá nhân như các cá nhân, và hiểu sức khỏe của một người trên một mức độ sâu sắc hơn. ML là chìa khóa để mở khóa những hiểu biết từ dữ liệu nhằm thông tin cho các giao thức quản lý sức khỏe dự đoán và phòng ngừa, và trao quyền cho bệnh nhân với quyền truy cập vào thông tin về sức khỏe của họ, chuyển đổi cách dữ liệu được sử dụng.