به کمک یادگیری ماشینی، تحویل و اثرگذاری انسولین به بیماران دیابتی خودکار می‌شود!
تیم تحریریه- ۲۳ آذر ۱۴۰۱
مؤسسه ملی بهداشت (NIH) با حمایت مالی 1.2 میلیون دلاری خود یک ابزار یادگیری ماشینی را برای افزایش دقت سیستم پانکراس مصنوعی برای بیماران دیابت نوع 1 توسعه داد.
به گزارش هوشیو، محققان مؤسسه فناوری ایلینویز (IIT) کمک مالی 1.2 میلیون دلاری از مؤسسه ملی بهداشت (NIH) دریافت کردند. این حمایت، در واقع، به منظور توسعه ابزار یادگیری ماشینی (ML) برای تحویل خودکار انسولین بود که برای ساختن یک سیستم پانکراس مصنوعی برای بیماران دیابتی انجام می‌گرفت.
بر اساس بیانیه مطبوعاتی، بیماران مبتلا به دیابت نوع 1 باید تلاش کنند، تا روزانه سطح گلوکز خود را بین 100 تا 200 نگه دارند. اگر فرد دیابتی دوز مناسب انسولین خود را فراموش کند، ممکن است به دلیل پایین آمدن یا بالا رفتن قند خونش، حالش وخیم گردد. علاوه بر این، افرادی که در بیشتر مواقع، سطح گلوکز آن‌ها نرمال نیست یا همیشه بالاست، امکان دارد که عوارض طولانی‌مدتی گریبان‌گیرشان شود.
برای اینکه بیماران بتوانند قند خونشان را بهتر مدیریت کنند، یک سیستم لوزالمعده مصنوعی چندمتغیره در سال 2020 توسعه داده شده است. این سیستم شامل یک حسگر گلوکز، یک مچ‌بند، یک تلفن هوشمند اختصاصی و یک پمپ انسولین کاملاً خودکار است که نیازی به ورودی دستی ندارد. با استفاده از این‌ها، پانکراس مصنوعی می‌تواند به طور خودکار انسولین را مطابق با تغییرات متابولیک، کنترل و تزریق کند.
در واقع، این پروژه رفتار گذشته بیمار و شخصی‌سازی الگوریتم تصمیم‌گیری ابزار برای بهبود توانایی او را تجزیه و تحلیل می‌کند و بررسی می‌کند که آیا بیمار درگیر رفتاری است که می‌تواند بر سطح گلوکزش تأثیر بگذارد یا خیر. به گفته محققان، این کار یک پیش‌بینی کلیدی محسوب می‌شود، چراکه بین زمان تجویز انسولین و شروع اثرگذاری آن کمی فاصله وجود دارد. برای مثال، اگر شخصی هر روز ظهر ناهار بخورد و وعده غذایی آن معمولاً 20 تا 30 گرم کربوهیدرات داشته باشد، چنانچه سطح گلوکز خونش در همان زمان، زیاد پایین نباشد، در ساعت 11:45 می‌توان به نتیجه روند روزانه رسید.
دکتر علی سینار، استاد مهندسی شیمی در این باره گفته است: «یک روز معمولی در هفته برای یک فرد مبتلا به دیابت کافیست که اجازه دهید مقدار کمی از انسولین را استفاده کند، تا اثر وعده غذایی بر روی گلوکزش را کاهش دهد.»
این سیستم با استفاده از این تجزیه و تحلیل، موفق شده است الگوی همان روز بیمار را با الگوهای رفتاری شناخته‌شده‌اش مطابقت دهد و به نتایجی احتمالی برسد مبنی بر اینکه بیماران ممکن است درگیر رفتاری شوند که بر گلوکز تأثیر می‌گذارد (مانند خوردن ناهار). برای مثال، اگر بیمار احتمال دارد که ناهار بخورد، سیستم مقدار کمی انسولین تجویز می‌کند و همچنان بر سطح گلوکز نظارت دارد؛ اما اگر بیمار طبق پیش‌بینی ناهار می‌خورد، سطح گلوکز شروع به افزایش می‌کند و سیستم مقدار مناسبی انسولین اضافی را تجویز می‌کند.
این سیستم به‌گونه‌ای طراحی شده است که نسبت به ابزارهای مشابه آسان‌تر مورد استفاده قرار گیرد. درحال‌حاضر، سیستمهای تحویل خودکار انسولین نیاز دارند به ورودی‌های دستی کاربر، مانند محاسبات کربوهیدرات‌ها و تنظیمات ورزشی که البته مستعد خطای انسانی است.
همچنین طبق بیانیه مطبوعاتی، این سیستم‌ها می‌توانند عوامل و روابط پیچیده‌تری را مورد بررسی قرار دهند که می‌توانند به طور همزمان بر سطح گلوکز تأثیر بگذارند؛ عواملی مانند ترکیبی از استرس، ورزش و غذا. به گفته سینار، در آینده، اگر سیستم به داده‌های تاریخی کافی در مورد یک فرد دسترسی داشته باشد، به طور بالقوه قادر است رفتار او را پیش‌بینی کند، حتی اگر او عاداتی داشته باشد که ظاهراً نامنظم است. می‌توان ادعا کرد که این آخرین کاری است که از ML برای تقویت مدیریت دیابت انجام می‌دهد.
پیش از این، در سال 2020، محققان دانشگاه علوم و بهداشت اورگان (OHSU) یک سیستم پشتیبانی تصمیم بالینی مبتنی بر ML را برای کمک به بیماران در کنترل سطح گلوکز و بهبود مدیریت دیابت نوع 1 ایجاد کردند. الگوریتم ابزار برای شناسایی علل هیپوگلیسمی و هیپرگلیسمی و تعیین تنظیمات لازم انسولین از 12 توصیه بالقوه آموزش داده شد. سپس این سیستم برای هر بیمار توصیه‌هایی را برای تزریق انسولین داشت که نشان داده شد در 67.9 درصد مواقع با پزشکان مطابقت دارد.
