Tekoälyavusteinen verensokerin ennustus osana automaattisia insuliinin annostelujärjestelmiä tyypin 1 diabeteksen hoidossa

Abstract

Tyypin 1 diabetes on elinikäinen autoimmuunisairaus, jossa haiman häiriintyneen insuliinin tuotannon vuoksi verensokerin säätely vaatii jatkuvaa seurantaa, tilannekohtaista arviointia ja päätöksentekoa. Huonolla hoitotasapainolla voi olla merkittäviä akuutteja ja pitkäaikaisia seurauksia yksilön terveydelle. Automaattisten insuliinin annostelujärjestelmien käyttöönotto on parantanut hoitotuloksia ja vähentänyt hoidosta aiheutuvaa taakkaa. Nykyiset järjestelmät vaativat kuitenkin edelleen käyttäjän syötteitä ja aktiivista seurantaa.

Insuliinin annostelun täydellinen automatisointi on haastavaa teknisten rajoitteiden sekä monimutkaisten insuliinin ja verensokerin väliseen dynamiikkaan vaikuttavien fysiologisten prosessien vuoksi. Järjestelmän viiveistä ja epävarmuustekijöistä johtuen, säätimen kehittämisessä hyödynnetään usein mallipredikatiivista säätötekniikkaa. Säätö perustuu mallin luomaan ennusteeseen verensokerin käyttäytymisestä ja mahdollistaa siten ennakoivan reagoinnin. Koneoppimismenetelmillä voidaan kehittää datapohjaisia malleja, jotka oppivat fysiologisten muuttujien välisiä riippuvaisuuksia suoraan hoidon seuranta-aineistosta.

Datapohjaisten mallien etuna on monipuolinen monimutkaisten dynamiikkojen mallintaminen ja hoidon yksilöllistäminen. Haasteena suorituskykyisten mallien kehittämisessä on kuitenkin puutteellinen koulutusaineisto. Koulutusaineiston lisäksi suorituskykyyn vaikuttavat ennustehorisontti ja personointi. Koska insuliinin annostelun automatisoinnissa säädön turvallisuus on ratkaisevaa, mallien suorituskyvyn arvioinnissa on tärkeää ottaa huomioon tulosten kliininen merkittävyys. Mallien kehitys on lupaava suuntaus insuliinin annostelun parempaan automatisointiin, mutta niiden todellista soveltuvuutta kliiniseen käyttöön voidaan arvioida vasta osana järjestelmää ja käyttöympäristöä, johon malli on suunniteltu.