Làm thế nào AI và ML 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 đổi mới 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, dự đoán sức khỏe và nhiều hơn nữa.

Với các 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 mọi người để 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 lưu ý khi phát triển những công nghệ mới này để đảm bảo họ thu thập dữ liệu chất lượng cao nhất và xây dựng các thuật toán ML có thể mở rộng, chính xác và công bằng phù hợp với các trường hợp sử dụng trong thế giới thực.

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 đại dịch COVID-19. Chúng ta đang bắt đầu thấy nhiều thiết bị tiêu dùng như thiết bị theo dõi thể dục và thiết bị đeo trở nên phổ biến, và sự phát triển chuyển sang các thiết bị chẩn đoán y tế. Khi các thiết bị này được đưa ra thị trường, khả năng của chúng tiếp tục phát triển. Nhiều thiết bị y tế hơn có nghĩa là 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 rộng lớn hơn nhanh chóng và chính xác hơn, xác định các mẫu có thể dẫn đến những hiểu biết chuyển đổi.

Với tất cả dữ liệu hiện tại ở trong tầm tay chúng ta, trước hết và quan trọng nhất, chúng ta phải đảm bảo rằng chúng ta đang xử lý dữ liệu đúng. Dữ liệu định hình và thông báo cho công nghệ mà chúng ta sử dụng, nhưng không tất cả dữ liệu đều cung cấp cùng một lợi ích. Chúng ta cần dữ liệu chất lượng cao, liên tục, không 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 đang 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 dân số dự kiến của họ một cách rộng rãi hơn. Không phổ biến khi hầu hết các công ty tiến hành các nghiên cứu và thử nghiệm lâm sàng trong một trường hợp lý tưởng, không phải thế giới thực. Tuy nhiên, điều quan trọng là các nhà phát triển phải xem xét tất cả các trường hợp sử dụng thực tế cho thiết bị và tất cả các tương tác có thể của dân số dự kiến với công nghệ trên cơ sở hàng ngày. Chúng ta hỏi: ai là dân số dự kiến cho thiết bị, và chúng ta có đang tính đến toàn bộ dân số hay không? Mọi người trong khán giả 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 ai đó, hoặc có khả năng can thiệp vào các hành vi hàng ngày, chúng ta cũng cần 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 độc đáo, với các 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 khuếch đại các hiểu biết mà chúng ta tạo ra.

Bằng cách tính đến các 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: 537M người trên toàn thế giới sống với bệnh tiểu đường loại 1 và loại 2 và con số này dự kiến sẽ tăng lên 643M vào năm 2030. Với nhiều người bị ảnh hưởng, 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 chính họ và cho phép họ quản lý hiệu quả các 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. Những phương pháp này, tuy nhiên, có những hạn chế đã biết do các yếu tố con người khác nhau như mức melanin, chỉ số BMI hoặc độ dày của da.

Công nghệ cảm biến tần số vô tuyến (RF) vượt qua các hạn chế của cảm biến quang học và có khả năng chuyển đổi cách những 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 do khả năng tạo ra lượng lớn dữ liệu và đo lường an toàn qua toàn bộ chồng dữ liệu 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 để xử lý và yêu cầu các thuật toán mạnh mẽ để quản lý và diễn giải các tập dữ liệu lớn và mới này. ML là điều cần thiết để 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 thiết bị theo dõi glucose không xâm lấn hiệu quả cải thiện kết quả sức khỏe trên tất cả các trường hợp sử dụng dự kiến.

Trong không gian bệnh tiểu đường, chúng ta cũng đang chứng kiến sự chuyển đổi từ dữ liệu gián đoạn sang dữ liệu liên tục. Chẳng hạn, việc châm kim cho thấy thông tin về mức đường huyết tại các điểm chọn lọc trong ngày, nhưng một thiết bị theo dõi glucose liên tục cung cấp thông tin thường xuyên hơn, nhưng không liên tục. Những giải pháp này, tuy nhiên, vẫn yêu cầu xuyên qua da, thường dẫn đến đau và nhạy cảm da. Một giải pháp theo dõi glucose không xâm lấn cho phép chúng ta thu thập dữ liệu liên tục chất lượng cao từ một dân số 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, lượng lớn dữ liệu liên tục này góp phần 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 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), tạo ra một giải pháp chính xác cao. Các giải pháp không xâm lấn theo dõi các chỉ số quan trọng khác có thể chuyển đổi ngành giám sát y tế và cung cấp cái nhìn sâu sắc hơn về cách cơ thể con người hoạt động thông qua dữ liệu liên tục từ các dân số bệnh nhân đa dạng.

Các thiết bị y tế tạo ra một hệ thống kết nối

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 ngày càng nhiều cơ hội để kiểm soát sức khỏe hàng ngày của họ thông qua dữ liệu đa phương thức từ nhiều sản phẩm. Nhưng để thấy tác động lớn nhất từ dữ liệu thiết bị y tế và thiết bị đeo, cần có một hệ thống kết nối để tạo ra sự trao đổi dữ liệu mượt mà giữa nhiều thiết bị nhằm cung cấp cái nhìn toàn diện về sức khỏe của một cá nhân.

Việc ưu tiên khả năng tương tác của thiết bị y tế sẽ mở khóa toàn bộ khả năng của các thiết bị này để giúp quản lý các tình trạng mãn tính như bệnh tiểu đường. Sự luân chuyển thông tin mượt mà và trao đổi giữa các thiết bị như máy bơm insulin và thiết bị theo dõi glucose sẽ cho phép các cá nhân có hiểu biết tốt hơn về hệ thống quản lý bệnh tiểu đường của họ.

Dữ liệu chất lượng cao có khả năng chuyển đổi ngành chăm sóc sức khỏe khi thu thập và sử dụng đúng cách. Với sự giúp đỡ của AI và ML, các thiết bị y tế có thể tạo ra những tiến bộ có thể đo lường được trong giám sát 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 để thông báo cho các giao thức quản lý và dự phòng sức khỏe, và trao quyền cho bệnh nhân với thông tin về sức khỏe của chính họ, chuyển đổi cách dữ liệu được sử dụng.