ШІ допомагає діабетикам прогнозувати рівень цукру без втрати приватності

Управління діабетом є щоденним викликом для майже 40 мільйонів американців. Це включає відстеження споживання їжі, дотримання графіка прийому ліків та фізичну активність. Помилки в цьому процесі можуть призвести до серйозних проблем зі здоров'ям, тому розробка кращих інструментів прогнозування є життєво важливою частиною ефективного лікування діабету.

Для підтримки кращого управління діабетом дослідники, які отримали фінансування від кількох грантів Національного наукового фонду США, розробляють інноваційні інструменти, що допомагають пацієнтам точніше передбачати рівень цукру в крові без компромісів щодо приватності їхніх медичних даних. Цей передовий підхід може трансформувати спосіб, яким люди з діабетом контролюють та управляють своїм станом у реальному часі.

В основі цієї технології лежить метод, який називається федеративним навчанням. Він дозволяє моделям штучного інтелекту навчатися на пристроях багатьох пацієнтів без надсилання будь-яких персональних даних на центральний сервер. Така система ідеально підходить для охорони здоров'я, де приватність даних має першочергове значення, а пацієнти часто використовують розумні пристрої з обмеженою батареєю та пам'яттю. Проте ранні системи федеративного навчання мали труднощі з адаптацією до індивідуальних відмінностей, таких як особливості харчування, рухової активності або реакції на інсулін.

Для вирішення цієї проблеми дослідницька команда згрупувала пацієнтів на основі рівня споживання вуглеводів, таких як цукор та крохмаль. Ідея полягає в тому, що люди з подібними харчовими звичками, як правило, демонструють схожі моделі глюкози. Навчаючи штучний інтелект на цих групових поведінкових моделях, система стала більш ефективною в створенні персоналізованих прогнозів рівня глюкози в крові.

Для тестування свого підходу команда оцінила дві моделі машинного навчання, використовуючи дані, згенеровані схваленим FDA симулятором діабету першого типу. Зі збільшенням обсягу симульованих даних точність моделі покращувалася. Примітно, що навіть з обмеженими вхідними даними система могла створювати персоналізовані моделі, що є ключовою перевагою для нещодавно діагностованих пацієнтів або тих, хто тільки починає використовувати цифрові інструменти для управління своїм лікуванням.

Оскільки традиційні системи штучного інтелекту зазвичай вимагають збору великих обсягів даних у центральному місці, що може створювати ризики для приватності, особливо при роботі з чутливою медичною інформацією, федеративне навчання забезпечує хороше рішення для цієї галузі. Воно зберігає персональні дані на пристрої кожної окремої особи, такому як телефон або носимий датчик, і ділиться лише результатами навчання моделі, а не необробленими даними. Це захищає приватність пацієнтів, водночас дозволяючи системі покращуватися з часом.

Хоча ранні результати є обнадійливими, дослідники зазначають, що моделі все ще покладаються на детальні дані про споживання їжі, що не всі пацієнти можуть легко надати. Вони планують розширити свою систему, включивши інші фактори, такі як фізичні вправи та медикаменти, а також протестувати її з більшими групами пацієнтів. У довгостроковій перспективі дослідники сподіваються поширити цей персоналізований, орієнтований на збереження приватності підхід штучного інтелекту на інші хронічні захворювання, такі як серцеві хвороби або астма, де індивідуалізована допомога є однаково важливою.

Оскільки діабет коштує американській економіці понад 300 мільярдів доларів щорічно, інновації, які забезпечують раннє втручання та персоналізовану допомогу, можуть знизити довгострокові витрати та покращити результати здоров'я населення. Цей проект підкреслює, як державні інвестиції в передові дослідження стимулюють інновації, які приносять користь не лише окремим пацієнтам, але й всій системі охорони здоров'я США.

Федеративне навчання представляє собою революційний підхід до розробки медичних технологій, оскільки воно вирішує одну з найбільших проблем у цифровій медицині — баланс між ефективністю та приватністю. Традиційні системи машинного навчання потребують централізованого збору даних, що створює значні ризики для безпеки та приватності пацієнтів. Натомість федеративне навчання дозволяє моделям навчатися локально на пристроях користувачів, обмінюючись лише агрегованими результатами навчання.

Особливо важливим аспектом цього дослідження є групування пацієнтів за схожими характеристиками споживання вуглеводів. Цей підхід визнає, що не всі пацієнти з діабетом однакові, і що персоналізація є ключем до ефективного лікування. Люди з подібними харчовими звичками часто мають схожі метаболічні реакції, що дозволяє системі штучного інтелекту робити більш точні прогнози для кожної групи.

Використання схваленого FDA симулятора діабету першого типу для тестування додає достовірності результатам дослідження. Цей симулятор відтворює реальні фізіологічні процеси, що відбуваються в організмі людини з діабетом, дозволяючи дослідникам оцінити ефективність своїх алгоритмів в контрольованому середовищі перед переходом до клінічних випробувань.

Здатність системи створювати персоналізовані моделі навіть з обмеженими вхідними даними особливо цінна для нових пацієнтів. Багато людей, які щойно отримали діагноз діабету, можуть відчувати себе перевантаженими необхідністю відстежувати численні параметри. Система, яка може швидко адаптуватися до індивідуальних особливостей з мінімальними даними, може значно полегшити перехід до самостійного управління захворюванням.