Tác giả: Steve Kent
Ngày 10 tháng 1 năm 2024
Trí tuệ nhân tạo (AI) và học máy (ML) có thể được tìm thấy trong gần như mọi ngành công nghiệp, đẩy mạnh những gì một số người coi là một thời đại đổi mới – đặc biệt là trong lĩnh vực y tế, nơi được ước tính vai trò của AI sẽ tăng 50% mỗi năm đến năm 2025. Học máy ngày càng đóng một vai trò quan trọng trong việc hỗ trợ chẩn đoán, hình ảnh hóa, dự đoán sức khỏe, và nhiều ứng dụng khác.
Với sự xuất hiện của các thiết bị y tế mới và đồ đeo, học máy có khả năng biến đổi giám sát y tế bằng cách thu thập, phân tích và cung cấp thông tin dễ dàng tiếp cận để người ta có thể quản lý sức khỏe của mình tốt hơn – tăng cường khả năng phát hiện sớm hoặc ngăn chặn bệnh mãn tính. Có một số yếu tố mà các nhà nghiên cứu nên lưu ý khi phát triển những công nghệ mới này để đảm bảo rằng 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 thực tế.
Sử dụng Học máy để mở rộng nghiên cứu lâm sàng và phân tích dữ liệu
Trong suốt 25 năm qua, sự phát triển của các thiết bị y tế đã tăng tốc, đặc biệt là trong thời kỳ đại dịch COVID-19. Chúng ta đang bắt đầu thấy xu hướng hóa hàng loạt các thiết bị tiêu dùng như máy đo hoạt động và các thiết bị đeo được, và sự phát triển dịch chuyển sang các thiết bị chẩn đoán y tế. Khi những thiết bị này được đưa ra thị trường, khả năng của chúng tiếp tục phát triển. Số lượng thiết bị y tế càng nhiều, điều này đồng nghĩa với việc có nhiều dữ liệu liên tục và các bộ dữ liệu lớn, đa dạng cần phải được phân tích. Quá trình này có thể trở nên phiền toái và không hiệu quả khi thực hiện thủ công. Học máy giúp phân tích các tập dữ liệu lớn một cách nhanh chóng và chính xác hơn, nhận diện các mô hình có thể dẫn đến những hiểu biết chuyển đổi.
Với tất cả dữ liệu này nằm ngay trong tay chúng ta, chúng ta phải đảm bảo đầu tiên và quan trọng nhất là chúng ta đang xử lý đúng dữ liệu. Dữ liệu định hình và cung cấp thông tin cho công nghệ chúng ta sử dụng, nhưng không phải tất cả dữ liệu đều mang lại cùng một lợi ích. Chúng ta cần có dữ liệu chất lượng cao, liên tục, không thiên vị, với các phương pháp thu thập dữ liệu đúng được hỗ trợ bởi các tài liệu tham chiếu y tế chuẩn vàng. Điều này đảm bảo chúng ta đang xây dựng các thuật toán Học máy 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 thuật toán, các nhà nghiên cứu và nhà phát triển phải xem xét một cách rộng lớn hơn đối tượng người sử dụng dự kiến của họ. Không hiếm khi hầu hết các công ty thực hiện các nghiên cứu và thử nghiệm lâm sàng trong một trường hợp duy nhất, lý tưởng, không phản ánh thực tế. Tuy nhiên, điều quan trọng là nhà phát triển cần xem xét tất cả các trường hợp sử dụng thực tế cho thiết bị và tất cả các tương tác có thể xảy ra giữa đối tượng người sử dụng dự kiến và công nghệ hàng ngày. Chúng ta đặt câu hỏi: đối tượng người sử dụng dự kiến cho thiết bị là ai, và liệu chúng ta có tính đến toàn bộ dân số không? Tất cả mọi người trong đối tượng nhắm đến có quyền truy cập công bằng vào công nghệ không? Họ sẽ tương tác với công nghệ như thế nào? Họ sẽ tương tác với công nghệ liên tục hay đôi khi?
Khi phát triển các thiết bị y tế sẽ tích hợp vào cuộc sống hàng ngày của người khác, hoặc có thể can thiệp vào hành vi hàng ngày, chúng ta cũng cần xem xét toàn bộ người – tâm trí, cơ thể và môi trường – và cách những yếu tố này có thể thay đổi theo thời gian. Mỗi con người mang đến một cơ hội độc đáo, với sự biến động tại các điểm khác nhau trong suốt ngày. Hiểu thời gian như một yếu tố trong việc thu thập dữ liệu cho phép chúng ta tăng cường thông tin chúng ta tạo ra.
Bằng cách tích hợp các yếu tố này và hiểu rõ tất cả các thành phần của sinh lý, tâm lý, lịch sử, nhóm dân số và dữ liệu môi trường, nhà nghiên cứu và nhà phát triển có thể đảm bảo họ đang thu thập dữ liệu liên tục, chất lượng cao, giúp họ xây dựng các mô hình chính xác và mạnh mẽ cho các ứng dụng sức khỏe của con người.
Làm thế nào Học máy có thể biến đổi quản lý tiểu đường
Những thực hành tốt của Học máy sẽ đặc biệt mang lại sự biến đổi trong lĩnh vực quản lý tiểu đường. Đại dịch tiểu đường đang nhanh chóng gia tăng trên khắp thế giới: 537 triệu người trên toàn cầu sống với tiểu đường loại 1 và loại 2, và con số này dự kiến sẽ tăng lên 643 triệu vào năm 2030. Với nhiều người bị ảnh hưởng, quan trọng là bệnh nhân có được một giải pháp hiển thị cho họ những gì đang xảy ra bên trong cơ thể của mình và cho phép họ quản lý hiệu quả tình trạng sức khỏe của mình.
Trong những năm gần đây, đối với đại dịch này, các nhà nghiên cứu và nhà phát triển đã bắt đầu khám phá các phương pháp không xâm lấn để đo lường đường huyết, như các kỹ thuật cảm biến quang học. Tuy nhiên, các phương pháp này có nhược điểm đã biết đến do các yếu tố người như mức melanin, mức BMI, hoặc độ dày của da.
Công nghệ cảm biến tần số vô tuyến (RF) vượt qua nhược điểm của cảm biến quang học và có tiềm năng biến đổi cách người có tiểu đường và tiểu đường tiền đái tháo đường quản lý sức khỏe của mình. Công nghệ này cung cấp một giải pháp đáng tin cậy hơn khi đến việc đo lường đường huyết không xâm lấn do khả năng tạo ra lượng lớn dữ liệu và đo lường an toàn qua toàn bộ mảng mô.
Công nghệ cảm biến RF cho phép thu thập dữ liệu qua hàng trăm nghìn tần số, dẫn đến hàng tỷ quan sát dữ liệu cần xử lý và đòi hỏi các thuật toán mạnh mẽ để quản lý và giải thích các bộ dữ liệu lớn và mới mẻ như vậy. Học máy là rất quan trọng trong việc xử lý và giải thích lượng dữ liệu khổng lồ và mới mẻ được tạo ra từ loại công nghệ cảm biến này, giúp phát triển thuật toán nhanh chóng và chính xác hơn – điều cực kỳ quan trọng để xây dựng một máy đo đường huyết không xâm lấn hiệu quả cải thiện kết quả sức khỏe trong tất cả các trường hợp sử dụng dự kiến.
Trong lĩnh vực tiểu đường, chúng ta cũng đang thấy một sự chuyển đổi từ dữ liệu gián đoạn sang dữ liệu liên tục. Việc châm máu, ví dụ, cung cấp thông tin về mức đường huyết tại các điểm chọn lựa trong suốt ngày, nhưng máy đo đường huyết liên tục (CGM) cung cấp thông tin theo các đơn vị tần suất cao hơn, nhưng không liên tục. Tuy nhiên, những giải pháp này vẫn đòi hỏi đâm vào da, thường dẫn đến đau đớn và nhạy cảm da. Một giải pháp theo dõi đường huyết không xâm lấn giúp chúng ta thu thập dữ liệu liên tục chất lượng cao từ một dân số rộng lớn một cách dễ dàng và không có thời gian chờ đợi trong việc đo lường. Tổng cộng, giải pháp này sẽ mang lại trải nghiệm người dùng tốt hơn và chi phí thấp hơn theo thời gian.
Ngoài ra, lượng lớn dữ liệu liên tục đóng góp vào việc phát triển các thuật toán công bằng và chính xác hơn. Khi có thêm dữ liệu chuỗi thời gian, kết hợp với dữ liệu độ phân giải cao, nhà phát triển có thể tiếp tục xây dựng các thuật toán tốt hơn để tăng độ chính xác trong việc phát hiện đường huyết qua thời gian. Dữ liệu này có thể thúc đẩy việc cải thiện thuật toán liên tục vì nó bao gồm nhiều yếu tố phản ánh cách mọi người thay đổi từng ngày (và trong một ngày), tạo ra một giải pháp vô cùng chính xác. Các giải pháp không xâm lấn theo dõi các chỉ số khác nhau có thể biến đổi ngành giám sát y tế và mang lại cái nhìn sâu sắc về cách cơ thể con người hoạt động thông qua dữ liệu liên tục từ các dân số bệnh nhân đa dạng.
Thiết bị y tế tạo ra một hệ thống liên kết
Khi công nghệ tiến bộ và các hệ thống thiết bị y tế đạt được mức độ chính xác ngày càng cao, bệnh nhân và người tiêu dùng đang có cơ hội ngày càng nhiều để kiểm soát sức khỏe hàng ngày của họ thông qua dữ liệu tiên tiến và đa dạng từ nhiều sản phẩm khác nhau. Nhưng để thấy được ảnh hưởng lớn nhất từ dữ liệu thiết bị y tế và đồ đeo, cần có một hệ thống liên kết để tạo ra một sự trao đổi dữ liệu mượt mà qua nhiều thiết bị nhằm cung cấp cái nhìn tổng thể về sức khỏe của một cá nhân.
Ưu tiên tương tác giữa các thiết bị y tế sẽ mở khả năng đầy đủ của những thiết bị này để hỗ trợ quản lý các bệnh mãn tính, chẳng hạn như tiểu đường. Một luồng thông tin liền mạch và trao đổi giữa các thiết bị như bơm insulin và máy đo đường huyết liên tục (CGMs) sẽ cho phép người sử dụng hiểu rõ hơn về hệ thống quản lý tiểu đường của họ.
Dữ liệu chất lượng cao có khả năng biến đổi ngành công nghiệp y tế khi được thu thập và sử dụng đúng cách. Với sự hỗ trợ của Trí tuệ Nhân tạo (AI) và Học máy (ML), các thiết bị y tế có thể đạt được những tiến triển đáng kể trong việc giám sát từ xa bằng cách đối xử với từng người như một cá nhân và hiểu sâu về sức khỏe của họ. Học máy là chìa khóa để mở khả năng thu nhận thông tin từ dữ liệu để hỗ trợ các giao thức quản lý sức khỏe dựa trên dự đoán và phòng ngừa và trao quyền cho bệnh nhân với quyền truy cập thông tin về sức khỏe của họ, biến đổi cách dữ liệu được sử dụng.
