3ژانویه 2022 - به جای تکیه بر رویکردهای سنتی کنترل قند خون که می تواند پیشرفت از پیش دیابت به دیابت کامل را فقط در پنج تا 10 سال آینده پیش بینی کند، تیمی از محققان دریافتند که ترکیب داده های بلادرنگ از مانیتورهای پوشیدنی و رویکردهای یادگیری ماشین می توانند بطور دقیق و در کوتاه مدت کنترل قند خون را تنها با داده های گردآوری شده در مدت شش ماه، پیش بینی کند. این تحقیق که توسط محققان دانشکده پزشکی پرلمن در دانشگاه پنسیلوانیا رهبری شد، راه را برای پیشگیری بالقوه از دیابت در میان تعداد بسیاری از افراد مبتلا به پیش دیابت، از طریق مداخلات فوری‌تر باز می‌کند.

 این یافته ها در npj Digital Medicine منتشر شده است.

دکتر میتش پاتل، سرپرست تیم تحقیق در دانشکده ی پزشکی پن، می‌گوید: در حالی که از هر سه بزرگسال در ایالات متحده، یک نفر به پیش دیابت مبتلا می باشد، ما راهی برای تشخیص آنی خطر پیشرفت این وضعیت به سوی دیابت یا دور شدن از آن را نداریم. اگر بتوانیم خطر ابتلا به دیابت را پیش بینی کنیم، ممکن است که بتوانیم از این اطلاعات برای توصیه های بهتر بمنظور تغییرات رفتاری یا تغییر در سبک زندگی و یا تجویز داروها، برای پیشگیری از دیابت استفاده کنیم، همان‌طور که در حال حاضر از امتیازات پیش‌بینی خطر برای جلوگیری از بیماری قلبی، استفاده می­کنیم.

پیش دیابت وضعیتی است که در آن قند خون بیمار افزایش می یابد، اما به سطحی که در دیابت مشاهده می شود، نمی رسد. این بیماران در معرض خطر پیشرفت به سمت دیابت کامل هستند، بنابراین پزشکان معمولاً برای مراقبت از این بیماران بر اساس مدل‌های پیش‌بینی کنترل قند خون با داده‌های پایه در یک نقطه‌ از زمان[1]، مانند آزمایشات یا اطلاعات به دست آمده در طی ویزیت بیمار، تصمیم‌گیری می‌کنند. داده های مربوط به پیش‌بینی کوتاه‌مدت محدود هستند و بیشتر پیش‌بینی‌ها بر پنج تا ۱۰سال آینده تمرکز دارند، که در مورد پیشگیری امکانات زیادی فراهم نمی کنند. بنابراین محققان درPenn Medicine ، با استفاده از ترکیبی از دستگاه‌های پوشیدنی و فرمول‌های پیش‌بینی با یا بدون استفاده از تکنیک‌های یادگیری ماشین، تلاش کردند تا ببینند آیا می‌توان مدلی ایجاد کرد که پیش‌بینی‌ها را فوری‌تر و به زمان حال نزدیک تر کند.

شرکت‌کنندگان از طریق Penn Medicine انتخاب و به‌طور تصادفی در گروه­های مختلف مطالعه قرار گرفتند. به هر بیمار یک دستگاه پوشیدنی داده شد که یا روی مچ دست یا کمر بسته می‌شد و فعالیت بدنی، ضربان قلب و وضعیت خواب را ردیابی می‌کرد. این دستگاه‌ها با Way to Health، پلتفرم طراحی شده درPenn Medicine  برای ردیابی داده‌ها، همگام‌سازی شدند تا هر روز اطلاعات از دستگاه‌ها به این پلتفرم منتقل گردد. همه بیماران همچنین یک ترازوی الکترونیکی برای سنجش وزن دریافت کردند که به طور مشابه با این پلتفرم همگام­سازی شدند. پس از شش ماه، هر بیمار آزمایشات آزمایشگاهی و وزن کشی نهایی را انجام داد. در مجموع، 150 شرکت کننده مطالعه را تکمیل کردند.

تیم تحقیقاتی داده‌های گردآوری شده را تجزیه و تحلیل کرده و دریافتند که تقریباً در کل، پیش‌بینی کنترل قند خون در بین بیمارانی که از ابزارهای پوشیدنی مچی استفاده می‌کردند به‌طور قابل‌توجهی بهتر بود. این شامل پیش بینی کنترل قند خون بهتر یا بدتر نیز بود. محققان متوجه شدند که بیمارانی که ابزار پوشیدنی مچی به دست داشتند، به طور متوسط ​​1000 قدم در روز بیشتر از افرادی که ابزارهای پوشیدنی کمری داشتند، برمی دارند.

دکتر پاتل گفت: این یک کارآزمایی تصادفی بود، بنابراین سطوح فعالیت در ابتدا باید مشابه می بود، اما از آنجایی که ما تعداد گام های بالاتری را در کاربران ابزار مچی پیدا کردیم، ممکن است نشان دهنده ی استفاده آنها از این ابزار پوشیدنی برای مدت طولانی تری در طی یک روز باشد. این می تواند منجر به تفاوت در پیش بینی در مقایسه با کاربران ابزار کمری شود.

با مقایسه ی مدل‌های پیش‌بینی یادگیری ماشین با مدل‌های سنتی مورد استفاده، محققان دریافتند که مدل‌های یادگیری ماشین دارای مزیت ثابتی هستند. وقتی داده‌ها بر اساس انواع دستگاه‌های مورد استفاده تجزیه و تحلیل ‌شدند، قدرت پیش‌بینی یادگیری ماشین در هنگام جفت شدن با دستگاه‌های مچی قوی‌تر شد، و زمانی که روش‌های یادگیری ماشینی با مدل‌های سنتی ترکیب شدند (و با یک دستگاه مچی جفت شدند)، قدرت پیش‌بینی در بالاترین حد خود قرار گرفت.

محققان گفتند که گام بعدی ادغام مدل‌های پیش‌بینی مورد استفاده در سیستم‌های مراقبت عادی برای دستیابی به جمعیت گسترده‌تری از بیماران است. این کار می تواند با یک مانع جزئی مواجه شود، اما دانشکده ی پزشکی پن در حال حاضر به دلیل پلت فرمی که توسعه داده است، یک قدم به جلو برداشته است.

پرفسور Kevin Volpp، نویسنده ارشد این مقاله، و مدیر مرکز مشوق‌های سلامت و اقتصاد رفتاری، می‌گوید: سازمان‌ها به یک پلتفرم مقیاس‌پذیر برای جمع‌آوری و ترکیب این داده‌ها و در حالت ایده‌آل برای تولید پاسخ‌های خودکار نیاز دارند تا بتوانند بازخوردها را در مقیاس بزرگ محاسبه کنند. ما پلتفرمWay to Health  را توسعه داده‌ایم که دانشکده ی پزشکی پن از آن برای ادغام موفقیت‌آمیز داده‌های نظارت از راه دور بیمار در مراقبت‌های بالینی در طیف گسترده‌ای از زمینه‌های بالینی استفاده می کند. این پلت فرم توسط تعدادی از سازمان‌ها در سراسر ایالات متحده استفاده می شود، پلتفرمWay to Health  یا چیزی شبیه به آن می تواند برای کمک به اجرای این نوع از رویکردها به طور گسترده تر استفاده شود.

منبع:

https://medicalxpress.com/news/2022-01-wearables-machine-near-term-blood-sugar.html