|
ngày 10/1/2024 nguồn https://www.unite.ai/how-ai-and-ml-are-scaling-data-collection-to-transform-medical-monitoring/
Trí tuệ nhân tạo (AI) và học máy (ML) có thể được tìm thấy ở hầu hết mọi ngành, thúc đẩy những gì một số người coi là kỷ nguyên đổi mới mới - đặc biệt là trong lĩnh vực chăm sóc sức khỏe, nơi người ta ước tính vai trò của AI sẽ tăng trưởng với tốc độ 50% mỗi năm vào năm 2025. ML đóng vai trò ngày càng quan trọng trong việc hỗ trợ chẩn đoán, hình ảnh, sức khỏe dự đoán, v.v. Với các thiết bị y tế và thiết bị đeo mới trên thị trường, ML có khả năng biến đổi quá trình theo dõi sức khỏe bằng cách thu thập, phân tích và cung cấp thông tin dễ truy cập để mọi người quản lý sức khỏe của mình tốt hơn - tăng khả năng phát hiện sớm hoặc ngăn ngừa các bệnh mãn tính. Có một số yếu tố mà các nhà nghiên cứu nên ghi nhớ khi phát triển các công nghệ mới này để đảm bảo họ đang 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, quá trình phát triển các thiết bị y tế đã được đẩy nhanh, đặc biệt là trong đại dịch COVID-19. Chúng ta bắt đầu thấy nhiều thiết bị tiêu dùng hơn như máy theo dõi thể dục và thiết bị đeo tiện dụng, và sự phát triển chuyển sang các thiết bị chẩn đoán y tế. Khi những thiết bị này được đưa ra thị trường, khả năng của chúng sẽ tiếp tục phát triển. Nhiều thiết bị y tế hơn có nghĩa là nhiều dữ liệu liên tục hơn và các bộ dữ liệu lớn hơn, đa dạng hơn cần được phân tích. Quá trình xử lý này có thể tẻ nhạt và kém hiệu quả khi thực hiện thủ công. ML cho phép phân tích các bộ dữ liệu lớn một cách nhanh hơn và chính xác hơn, xác định các mẫu có thể dẫn đến những hiểu biết mang tính biến đổi. Với tất cả dữ liệu này hiện nằm trong tầm tay, trước tiên chúng ta phải đảm bảo rằng chúng ta đang xử lý đúng dữ liệu. Dữ liệu định hình và cung cấp thông tin cho công nghệ mà chúng ta sử dụng, nhưng không phải tất cả dữ liệu đều mang lại cùng một lợi ích. Chúng ta cần dữ liệu liên tục, không thiên vị, chất lượng cao, với các phương pháp thu thập dữ liệu đúng được hỗ trợ bởi các tài liệu tham khảo y khoa tiêu chuẩn vàng làm cơ sở so sánh. Điều này đảm bảo 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 lĩnh vực thiết bị y tế
Khi phát triển các thuật toán, các nhà nghiên cứu và nhà phát triển phải cân nhắc các đối tượng mục tiêu của họ rộng rãi hơn. Không có gì lạ khi hầu hết các công ty tiến hành các nghiên cứu và thử nghiệm lâm sàng trong một trường hợp lý tưởng, đơn lẻ và không phải trong thế giới thực. Tuy nhiên, điều quan trọng là các nhà phát triển phải cân nhắc tất cả các trường hợp sử dụng trong thế giới thực đối với thiết bị, và tất cả các tương tác có thể mà đối tượng mục tiêu của họ có thể có với công nghệ trên cơ sở hàng ngày. Chúng tôi đặt ra câu hỏi: đối tượng mục tiêu của thiết bị là ai và chúng ta có tính đến toàn bộ dân số hay không? Mọi người trong đối tượng mục tiêu có được tiếp cận công bằng với công nghệ không? Họ sẽ tương tác với công nghệ như thế nào? Họ sẽ tương tác với công nghệ 24/7 hay không liên tục? 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 là một cơ hội duy nhất, với những biến thể tại các thời điểm khác nhau trong ngày. Hiểu thời gian như một thành phần trong việc thu thập dữ liệu cho phép chúng ta khuếch đại những 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 học, tâm lý học, bối cảnh, 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, độ phân giải cao cho phép họ xây dựng các mô hình chính xác và mạnh mẽ cho các ứng dụng sức khỏe của con người.
ML có thể chuyển đổi cách quản lý bệnh tiểu đường như thế nào
Các hoạt động thực hành tốt nhất về ML này sẽ đặc biệt có tính chuyển đổi trong không gian quản lý bệnh tiểu đường. Dịch bệnh tiểu đường đang gia tăng nhanh chóng trên toàn cầu: 537 triệu người trên toàn thế giới mắc bệnh tiểu đường loại 1 và loại 2 và con số này dự kiến sẽ tăng lên 643 triệu vào năm 2030. Với rất nhiều người bị ảnh hưởng, điều bắt buộc là bệnh nhân phải tiếp cận được giải pháp cho biết những gì đang xảy ra bên trong cơ thể họ và cho phép họ quản lý tình trạng của mình một cách hiệu quả. Trong những năm gần đây, để ứng phó với đại dịch, 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, các phương pháp này được biết là có những hạn chế do các yếu tố khác nhau của con người như mức melanin, mức BMI hoặc độ dày da. Công nghệ cảm biến tần số vô tuyến (RF) khắc phục những hạn chế của cảm biến quang học và có khả năng biến đổi cách thức mà những người mắc 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 đo lượng đường trong máu không xâm lấn do khả năng tạo ra một lượng lớn dữ liệu và đo lường an toàn thông qua toàn bộ cấu trúc mô. Công nghệ cảm biến RF cho phép thu thập dữ liệu trên toàn bộ hàng trăm nghìn tần số, dẫn đến hàng tỷ quan sát dữ liệu cần xử lý và yêu cầu các thuật toán mạnh mẽ để quản lý và giải thích các bộ dữ liệu lớn và mới lạ như vậy. ML là rất cần thiết trong việc xử lý và giải thích 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 lĩnh vực tiểu đường, chúng ta cũng đang thấy sự chuyển đổi từ dữ liệu không liên tục sang dữ liệu liên tục. Ví dụ, việc lấy máu đầu ngón tay cung cấp thông tin chi tiết về mức đường huyết tại các thời điểm được chọn trong ngày, nhưng máy theo dõi đường huyết liên tục (CGM) cung cấp thông tin chi tiết về mức đường huyết thường xuyên hơn, nhưng không liên tục. Tuy nhiên, các giải pháp này vẫn yêu cầu phải chọc thủng da, thường gây đau và nhạy cảm cho da. Giải pháp theo dõi lượng đường trong máu không xâm lấn cho phép chúng ta dễ dàng thu thập dữ liệu liên tục chất lượng cao từ nhiều đối tượng hơn mà không có độ trễ trong quá trình đo. Nhìn chung, giải pháp này sẽ cung cấp trải nghiệm người dùng tốt hơn rõ ràng và chi phí thấp hơn theo thời gian. Ngoài ra, khối lượng lớn dữ liệu liên tục góp phần vào việc phát triển các thuật toán công bằng và chính xác hơn. Khi thu thập được nhiều dữ liệu chuỗi thời gian hơn, kết hợp với dữ liệu 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 cải tiến thuật toán liên tục vì dữ liệu này bao gồm các yếu tố khác nhau phản ánh cách mọi người thay đổi theo từng ngày (và trong một ngày duy nhất), tạo ra một giải pháp có độ chính xác cao. Các giải pháp không xâm lấn theo dõi các dấu hiệu sinh tồn khác nhau có thể biến đổi ngành theo dõi y tế và cung cấp cái nhìn sâu hơn về cách thức hoạt động của cơ thể con người thông qua dữ liệu liên tục từ nhiều đối tượng bệnh nhân.
Thiết bị y tế tạo nên một hệ thống kết nối
Khi công nghệ tiến bộ và các hệ thống thiết bị y tế đạt được mức độ chính xác thậm chí cao hơn, bệnh nhân và người tiêu dùng đang ngày càng thấy nhiều cơ hội hơn để kiểm soát sức khỏe hàng ngày của chính mình thông qua dữ liệu tiên tiến và đa phương thức từ nhiều sản phẩm khác nhau. Nhưng để thấy được tác động nhiều nhất từ dữ liệu về thiết bị y tế và thiết bị đeo được, cần phải có một hệ thống kết nối để tạo ra sự trao đổi dữ liệu suôn sẻ trên nhiều thiết bị khác nhau nhằm cung cấp cái nhìn toàn diện về sức khỏe của một cá nhân. Việc ưu tiên khả năng tương tác giữa các thiết bị y tế sẽ mở ra toàn bộ khả năng của những thiết bị này để giúp quản lý các tình trạng bệnh mãn tính, chẳng hạn như bệnh tiểu đường. Việc trao đổi và truyền tải thông tin liên tục giữa các thiết bị như máy bơm insulin và CGM sẽ giúp mọi người hiểu rõ hơn về hệ thống quản lý bệnh tiểu đường của họ. Dữ liệu có độ trung thực cao có khả năng chuyển đổi ngành chăm sóc sức khỏe khi được thu thập và sử dụng một cách chính xác. Với sự trợ giúp của AI và ML, các thiết bị y tế có thể tạo ra những tiến bộ có thể đánh giá được trong việc theo dõi bệnh nhân từ xa bằng cách coi từng cá nhân là một cá thể riêng biệt và hiểu rõ hơn về sức khỏe của một người ở cấp độ sâu hơn. ML là chìa khóa để mở ra những hiểu biết sâu sắc từ dữ liệu để thông báo cho các giao thức quản lý sức khỏe mang tính dự đoán và phòng ngừa, đồng thời trao quyền cho bệnh nhân có quyền truy cập vào thông tin về sức khỏe của chính họ, qua đó thay đổi cách sử dụng dữ liệu.
|
