Perangkat yang Dapat Dikenakan, Pembelajaran Mesin Dapat Memprediksi Kontrol Gula Darah Jangka Pendek pada Pasien Pradiabetes
Tech

Perangkat yang Dapat Dikenakan, Pembelajaran Mesin Dapat Memprediksi Kontrol Gula Darah Jangka Pendek pada Pasien Pradiabetes

Peneliti Penn menemukan bahwa menggunakan perangkat yang dapat dikenakan, terutama yang ada di pergelangan tangan, dan pendekatan pembelajaran mesin dapat memprediksi kontrol gula darah.

Alih-alih mengandalkan pendekatan tradisional yang hanya dapat memprediksi apakah kontrol gula darah pasien akan berkembang dari pradiabetes menjadi diabetes dalam lima hingga 10 tahun ke depan, tim peneliti menemukan bahwa menggabungkan data real-time dari monitor yang dapat dipakai dan pendekatan pembelajaran mesin dapat menciptakan prediksi kontrol gula darah yang akurat dan jangka pendek hanya dengan enam bulan data.

Penelitian, yang dipimpin oleh Perelman School of Medicine di University of Pennsylvania, membuka pintu untuk berpotensi mencegah diabetes di antara banyak populasi ini melalui intervensi yang lebih segera. Temuan ini dipublikasikan di Obat Digital NPJ.

Pelacak kebugaran.  Kredit gambar: ITECHirfan melalui Pixabay, lisensi gratis

Pelacak kebugaran. Kredit gambar: ITECHirfan melalui Pixabay, lisensi gratis

“Sementara satu dari tiga orang dewasa di Amerika Serikat memiliki pradiabetes, kami tidak memiliki cara untuk mengidentifikasi secara real-time jika seorang pasien berkembang menuju atau menjauh dari diabetes,” kata penulis utama. Mitesh Patel, MD, MBA, seorang profesor kedokteran di Penn dan wakil presiden untuk Transformasi Klinis di Ascension. “Sistem kesehatan dan perusahaan asuransi mungkin dapat menggunakan jenis informasi ini untuk merekomendasikan perubahan perilaku atau pengobatan yang lebih baik untuk mencegah diabetes dengan cara yang sama seperti skor prediksi risiko yang sudah digunakan untuk mencegah penyakit jantung.”

Pradiabetes adalah suatu kondisi di mana gula darah pasien meningkat, tetapi tidak ke tingkat yang terlihat pada diabetes. Pasien-pasien ini berisiko berkembang menjadi penyakit itu, jadi dokter biasanya membuat keputusan tentang perawatan pasien berdasarkan model yang dikembangkan untuk memprediksi kontrol gula darah – secara teknis disebut kontrol “glikemik” – dengan data dasar titik waktu, seperti tes atau informasi yang diperoleh dari janji temu. Data tentang prediksi jangka pendek masih terbatas, dan sebagian besar prediksi berfokus pada lima hingga 10 tahun ke depan.

Itu meninggalkan banyak hal yang diinginkan dalam hal pencegahan. Jadi para peneliti di Penn Medicine mulai melihat apakah model dapat dibuat yang akan membuat prediksi lebih cepat, menggunakan kombinasi perangkat yang dapat dikenakan dan formula prediksi dengan atau tanpa teknik pembelajaran mesin yang diterapkan.

Peserta direkrut melalui Penn Medicine dan secara acak ditugaskan ke berbagai kelompok penelitian. Setiap pasien diberi perangkat yang melacak aktivitas fisik, detak jantung, dan aktivitas tidur, dan diberi perangkat yang dapat dikenakan yang dikenakan di pergelangan tangan atau pinggang. Perangkat disinkronkan ke Way to Health, platform Penn Medicine untuk melacak data, yang menarik informasi dari perangkat setiap hari. Semua pasien juga menerima timbangan elektronik yang disinkronkan dengan cara yang sama. Setelah enam bulan, setiap pasien menerima tes laboratorium dan penimbangan akhir. Secara total, 150 peserta menyelesaikan studi.

Ketika tim peneliti menganalisis data mereka, mereka menemukan bahwa, hampir secara keseluruhan, prediksi kontrol gula darah secara signifikan lebih baik di antara pasien yang menggunakan perangkat yang dapat dikenakan di pergelangan tangan. Itu termasuk apakah pasien memiliki kontrol gula darah yang lebih baik atau lebih buruk. Para peneliti memperhatikan bahwa pasien dengan perangkat pergelangan tangan rata-rata 1.000 langkah lebih banyak daripada mereka yang memiliki perangkat yang dapat dikenakan di pinggang.

“Ini adalah uji coba secara acak, jadi tingkat aktivitas pada awal seharusnya serupa, tetapi karena kami menemukan jumlah langkah yang lebih tinggi pada pengguna yang memakai pergelangan tangan, itu mungkin menunjukkan bahwa mereka memakai perangkat untuk waktu yang lebih lama dalam sehari,” kata Patel. “Ini bisa menyebabkan perbedaan dalam prediksi jika dibandingkan dengan pengguna wearable yang dikenakan di pinggang.”

Membandingkan model prediksi pembelajaran mesin dengan model tradisional yang digunakan, para peneliti menemukan bahwa model pembelajaran mesin memiliki keunggulan yang konsisten. Saat data dipecah berdasarkan jenis perangkat yang digunakan, kekuatan prediksi pembelajaran mesin tumbuh lebih kuat saat dipasangkan dengan perangkat yang dikenakan di pergelangan tangan.

Namun, kekuatan prediksi mencapai puncaknya ketika metode pembelajaran mesin juga digabungkan dengan model tradisional (dan dipasangkan dengan perangkat yang dikenakan di pergelangan tangan).

Para peneliti mengatakan bahwa langkah selanjutnya adalah mengintegrasikan model prediksi penelitian yang digunakan ke dalam sistem perawatan normal untuk menjangkau populasi pasien yang lebih luas. Itu bisa menjadi sedikit rintangan, tetapi Penn sudah memiliki kaki karena platform yang telah dikembangkannya.

“Organisasi membutuhkan platform yang dapat diskalakan untuk menangkap dan mensintesis data ini dan idealnya untuk menghasilkan respons otomatis sehingga umpan balik dapat diberikan dalam skala besar,” kata penulis senior Kevin Volpp, MD, PhD, direktur Pusat Insentif Kesehatan dan Ekonomi Perilaku. “Kami telah mengembangkan platform Way to Health, yang telah digunakan Penn untuk berhasil mengintegrasikan data pemantauan pasien jarak jauh ke dalam perawatan klinis dalam berbagai konteks klinis. Platform ini digunakan oleh sejumlah organisasi di seluruh AS, dan Way to Health atau semacamnya dapat digunakan untuk membantu menerapkan jenis pendekatan ini secara lebih luas.”

Sumber: Universitas Pennsylvania



Posted By : pengeluaran hk hari ini