Непрерывный анализ глюкозы на основе машинного обучения обещает помочь в персонализированном управлении диабетом

Согласно недавнему исследованию Health Data Science , новый автоматический подход к классификации необработанных данных непрерывного мониторинга уровня глюкозы (CGM) оказался осуществимым и демонстрирует потенциал для управления уровнем глюкозы у пациентов с диабетом .

Недавние достижения в области устройств CGM позволяют пациентам с диабетом отслеживать изменения уровня глюкозы в режиме реального времени, а также влияние диеты и изменения образа жизни, а также лекарств на их уровень глюкозы . Это революционизирует то, как врачи и пациенты могут работать вместе для улучшения результатов в отношении здоровья и качества жизни посредством персонализированного лечения. Хотя показания устройств для мониторинга глюкозы могут быть легко доступны для интерпретации пациентом и их лечащим врачом, этот процесс может занимать много времени, быть сложным и неэффективным. Кроме того, технические проблемы со структурой данных, в том числе нерегулярное время записи и сложность показаний, затрудняют анализ на уровне когорты.

Извлечение ключевых измерений может позволить врачам быстрее и точнее интерпретировать данные для повышения качества оказываемой помощи. Это может быть достигнуто за счет более эффективного и более глубокого анализа успешных стратегий и целенаправленного вмешательства на пациентах, которые, скорее всего, выиграют от таких стратегий, — говорит Кайл Синь Куан Тан, врач NOVI Health, Сингапур.

«С этой целью мы разработали способ уменьшить сложность непрерывных измерений уровня глюкозы до меньшего, дистиллированного набора измерений, которые инкапсулируют наиболее важные аспекты истории болезни пациента», — говорит Сью-Энн Тох, автор и врач NOVI Health. Сингапур и Национальный университет Сингапура. «В примере использования мы продемонстрировали существование четырех «глюкотипов», групп пациентов, у которых измерения уровня глюкозы показывают различную динамику в течение дня».

Глюкотипы, связанные с часто наблюдаемыми моделями гликемических реакций, были связаны с клиническими последствиями во многих исследованиях. Кроме того, возможность быстрого отнесения людей к одной из таких категорий может служить основой для индивидуального образа жизни и медицинских рекомендаций.

«Новое достижение, задокументированное в этом документе, — это средство объединения показаний CGM в меньшее подмножество ключевых измерений и дальнейшего упрощения ключевых измерений в небольшое количество глюкотипов», — говорит Алекс Р. Кук, доцент Национального университета США. Сингапур. Сочетание гликемических характеристик и автоматизированного алгоритма классификации без присмотра может способствовать систематической стратификации риска, вмешательству и лечению диабета.

Далее он объясняет, что этот процесс может облегчить другие статистические анализы, такие как оценка того, оказывают ли определенные лекарства или изменения образа жизни более выраженное влияние на определенные глюкотипы.

Исследовательская группа состоит из ученых и врачей, которые часто используют технологию CGM в своей клинической практике. Это позволяет легче применять результаты исследований на практике, например, путем включения этих методов классификации в инструменты ведения пациентов.

Следующими шагами будет продолжение работы по учету других переменных, таких как время приема пищи для обеспечения точности питания и других модификаций для уменьшения величины гликемических отклонений. Кроме того, автоматизация персонализированной обратной связи, основанной на отклонениях уровня глюкозы , является областью будущих исследований. В конце концов, команда надеется разработать модель, которая сможет сопоставлять глюкотипы с идеальными лекарствами и вмешательствами для достижения наибольшего эффекта. Их взаимосвязь также можно изучать лонгитюдно для разработки и проверки вмешательств, специфичных для глюкотипа .

Добавить комментарий