Un model AI inovator prezice variațiile glicemiei la pacienții cu diabet de tip 1
Diabetul este una dintre cele mai frecvente boli cronice, afectând aproximativ 66 de milioane de adulți în Europa, o cifră care se preconizează că va crește la peste 72 de milioane până în 2050.
Persoanele cu diabet de tip 1 trebuie să monitorizeze constant nivelul glicemiei pentru a menține valorile într-un interval sigur, ceea ce necesită o gestionare atentă a insulinei. Chiar și cu experiență și tratamente riguroase, pot apărea fluctuații neașteptate, ce pot conduce la hipoglicemie sau hiperglicemie.
Nivelurile de glucoză sunt influențate de mai mulți factori, nu doar de alimentație și insulină. Activitatea fizică, stresul, schimbările hormonale, calitatea somnului, ritmurile circadiene și diferențele individuale în metabolism joacă, de asemenea, un rol important. Anticiparea acestor fluctuații ar putea ajuta la evaluarea riscurilor și la susținerea unor decizii mai bine fundamentate în gestionarea diabetului.
Sistemele de monitorizare continuă a glicemiei înregistrează nivelurile de glucoză la fiecare câteva minute, generând cantități uriașe de date. Cercetătorii de la Universitatea Tehnologică din Kaunas (KTU) explorează acum dacă inteligența artificială (AI) poate descoperi modele în aceste date. Abordarea lor combină citirile de glicemie cu informații despre administrarea insulinei, aportul de carbohidrați și activitatea fizică.
În cel mai recent studiu, cercetătorii de la KTU au dezvoltat un model care prezice modificările glicemiei și evaluează riscul de hipoglicemie cu 30 și 60 de minute înainte. De asemenea, au investigat cum ar putea fi utilizată AI pentru a evalua retrospectiv ajustările personalizate ale insulinei.
Pentru a realiza acest lucru, cercetătorii au combinat mai multe metode AI într-un singur cadru. Deși tehnologia subiacente poate părea complexă, profesorul KTU Rytis Maskeliūnas explică faptul că ideea de bază este mult mai simplă.
Modelele de prognoză convenționale tratează datele ca o secvență cronologică, în timp ce noua abordare reprezintă fiecare punct în timp ca un nod într-o rețea grafică și îl conectează la puncte similare din trecut. Aceasta permite modelului să învețe nu doar din secvența directă a evenimentelor, ci și din relațiile complexe dintre diferitele stări fiziologice.
Un component esențial al modelului este ceea ce se numește mecanism de atenție. Acesta permite algoritmului să identifice care dintre punctele de date anterioare sunt cele mai relevante pentru rezultat.
„Este similar cu un doctor experimentat care evaluează starea unui pacient: mai degrabă decât să revizuiască mecanic toate datele disponibile, el identifică factorii care contează cel mai mult în acea situație particulară,” explică Maskeliūnas.
Această principiu abordează, de asemenea, o altă provocare importantă în utilizarea AI în medicină: explicabilitatea. Chiar și un algoritm foarte precis are o valoare limitată în domeniul sănătății dacă clinicianții nu pot înțelege cum a ajuns la un anumit rezultat. Abordarea cercetătorilor permite, prin urmare, identificarea caracteristicilor și a punctelor anterioare care au avut cea mai mare influență asupra rezultatelor modelului.
Modelul a fost testat folosind seturi de date internaționale despre diabetul de tip 1 și a demonstrat o precizie ridicată atât în prognoza glicemiei, cât și în evaluarea riscului de hipoglicemie. Cercetătorii au descoperit, de asemenea, că performanța s-a îmbunătățit atunci când algoritmul a fost instruit să execute ambele sarcini simultan, nu separat.
„Rezultatele au arătat că noile modele ating o precizie foarte mare în prognoză și funcționează bine chiar și cu pacienți ale căror date nu au fost întâlnite anterior de algoritm,” spune KTU student la doctorat Muhammad Abdullah Sarwar, care a contribuit la dezvoltarea modelului.
Ajustările personalizate ale insulinei evaluate în studiu nu sunt destinate să permită pacienților să își modifice tratamentul în mod independent. În schimb, ele au fost investigate ca un instrument potențial de sprijin pentru analiza clinică.
„Acest lucru este deosebit de important atunci când dezvoltăm instrumente de sprijin pentru decizii clinice de aplicabilitate largă, deoarece astfel de sisteme trebuie să funcționeze fiabil în diferite spitale și țări, și cu diverse populații de pacienți,” subliniază Sarwar.
Cu toate acestea, o precizie ridicată nu înseamnă că astfel de algoritmi sunt gata să devină parte din viața de zi cu zi a pacienților. „Sunt necesare studii clinice suplimentare înainte ca tehnologia să poată fi adoptată pe scară largă în practica clinică. Modelele au fost evaluate folosind date istorice ale pacienților, deci este esențial să demonstrăm că rămân la fel de precise în condiții clinice reale. Partenerii noștri medicali vor fi responsabili pentru această etapă următoare,” afirmă Maskeliūnas.
Pe lângă testarea clinică, rămân întrebări legate de securitatea datelor, confidențialitatea pacienților și integrarea fără probleme a algoritmilor în activitatea de zi cu zi a clinicianților. Cercetătorii văd AI nu ca pe o tehnologie care ar putea înlocui medicii, ci ca pe o modalitate de a valorifica mai bine cantitățile uriașe de date generate de pacienți și, în viitor, de a oferi un suport mai personalizat.
„Modelele avansate de AI explicabile nu doar că ne vor permite să prezicem modificările glicemiei mai precis, ci vor oferi și o bază pentru dezvoltarea unor sisteme de sprijin pentru decizii mai sigure, mai personalizate și mai eficiente, care pot ajuta la reducerea sarcinii grele cu care se confruntă clinicianții,” afirmă profesorul KTU.
