14 ژوئن 2023 - همان نوع روش‌های یادگیری ماشینی که برای هدایت اتومبیل‌های خودران و شکست دادن شطرنج‌بازان برتر استفاده می‌شود، می‌تواند به مبتلایان به دیابت نوع 1 کمک کند که سطح قند خون خود را در محدوده ایمن نگه دارند.
دانشمندان دانشگاه بریستول نشان دادند که یادگیری تقویتی(reinforcement learning)، نوعی از یادگیری ماشینی است که در آن یک برنامه کامپیوتری یاد می‌گیرد با انجام اقدامات مختلف تصمیم گیری کند، و به این ترتیب از نظر ایمنی و اثربخشی به طور قابل‌توجهی از کنترل کننده‌های قند خون تجاری بهتر عمل می کند. با استفاده از یادگیری تقویتی آفلاین، جایی که الگوریتم از سوابق بیمار یاد می گیرد، محققان کار قبلی خود را بهبود بخشیده و نشان دادند که کنترل قند خون را می توان با یادگیری بر اساس تصمیمات بیمار، به جای آزمون و خطا، به خوبی انجام داد.
دیابت نوع 1، یکی از شایع ترین بیماری های خود ایمنی است و مشخصه ی آن کمبود هورمون انسولین است که مسئول تنظیم گلوکز موجود در خون می باشد.عوامل زیادی بر روی قند خون افراد تأثیر می‌گذارند و بنابراین انتخاب دوز صحیح انسولین برای یک سناریوی خاص می‌تواند یک کار چالش برانگیز و دشوار باشد. دستگاه‌های پانکراس مصنوعی کنونی دوز خودکار انسولین را ارائه می‌کنند، اما به دلیل استفاده از الگوریتم‌های ساده تصمیم‌گیری، با محدودیت هایی مواجه هستند.
با این حال، یک مطالعه جدید منتشر شده در مجله Biomedical Informatics نشان می دهد که یادگیری تقویتی آفلاین می تواند نقطه عطف مهمی در مراقبت از افرادی باشد که با این بیماری زندگی می کنند. بیشترین پیشرفت این روش در کودکان بود و سبب شد که قند خون آنها 1.5 ساعت بیشتر در محدوده گلوکز هدف باقی بماند.
کودکان گروه بسیار مهمی از افراد مبتلا به دیابت نوع 1 را تشکیل می دهند، زیرا اغلب قادر به مدیریت دیابت خود بدون کمک دیگران نیستند و بهبود کنترل قند خون آنها به این میزان بطور قابل توجهی منجر به نتایج سلامتی بهتر در دراز مدت می شود.
نویسنده اصلی این مقاله، دکتر هری امرسون از دپارتمان ریاضیات مهندسی بریستول، توضیح داد: ما در این تحقیق تاثیر یادگیری تقویتی را بر توسعه ی استراتژی‌های تعیین دوز ایمن‌تر و مؤثرتر انسولین مورد بررسی قرار دادیم.این الگوریتم‌های مبتنی بر یادگیری ماشینی عملکرد فوق‌العاده‌ای را در بازی شطرنج و هدایت ماشین‌های خودران نشان داده‌اند، و بنابراین می‌توانند از داده‌های از پیش جمع‌آوری‌شده ی قند خون، تعیین دوز انسولین را به روشی بسیار شخصی‌سازی شده بیاموزند.
او افزود: این قطعه ی خاص از کار به طور خاص بر یادگیری تقویتی آفلاین تمرکز دارد، که در آن الگوریتم یاد می گیرد که با مشاهده ی نمونه هایی از کنترل خوب و بد قند خون عمل کند. روش های یادگیری تقویتی قبلی در این زمینه عمدتاً از فرآیند آزمون و خطا برای شناسایی اقدامات خوب استفاده می کردند، که می تواند یک بیمار واقعی را در معرض دوزهای ناایمن انسولین قرار دهد.
به دلیل خطر بالای مرتبط با دوز نادرست انسولین، آزمایشات با استفاده از شبیه‌ساز UVA/Padova مورد تاییدFDA ، انجام شد که مجموعه‌ای از بیماران مجازی را برای آزمایش الگوریتم‌های کنترل دیابت نوع 1 ایجاد می‌کند.
در این تحقیق، پیشرفته ترین الگوریتم های یادگیری تقویتی آفلاین در برابر یکی از پرکاربردترین الگوریتم های کنترل پانکراس مصنوعی مورد ارزیابی قرار گرفت. این مقایسه بین 30 بیمار مجازی (بزرگسالان، نوجوانان و کودکان) انجام شد و 7000 روز داده، برای آموزش تقویتی در نظر گرفته شد و عملکرد آن مطابق با دستورالعمل‌های بالینی فعلی ارزیابی شد. شبیه‌ساز همچنین طوری توسعه یافت که بتواند چالش‌های پیاده‌سازی واقع‌بینانه، مانند خطاهای اندازه‌گیری، اطلاعات نادرست بیمار و مقادیر محدودی از داده‌های موجود، را در نظر بگیرد.
این کار مبنایی برای ادامه تحقیقات یادگیری تقویتی در کنترل قند خون با نشان دادن پتانسیل این رویکرد برای بهبود نتایج سلامت افراد مبتلا به دیابت نوع 1، فراهم کرد و در عین حال کاستی‌های روش و زمینه‌های توسعه ی ضروری آینده را برجسته نمود.
هدف نهایی محققان، به کارگیری یادگیری تقویتی در سیستم های پانکراس مصنوعی در دنیای واقعی است. این دستگاه‌ها با نظارت محدود بیمار کار می‌کنند و در نتیجه برای دستیابی به تأییدیه نظارتی، به شواهد قابل‌توجهی از ایمنی و اثربخشی نیاز دارند.
دکتر امرسون افزود: این تحقیق پتانسیل یادگیری ماشینی را برای یادگیری استراتژی های موثر دوز انسولین از داده های از پیش جمع آوری شده دیابت نوع 1 نشان می دهد. روش بررسی شده از یکی از پرکاربردترین الگوریتم های تجاری لوزالمعده مصنوعی بهتر عمل می کند و توانایی استفاده از عادات و برنامه های فرد را برای واکنش سریعتر به رویدادهای خطرناک نشان می دهد.
منبع:
https://medicalxpress.com/news/2023-06-machine-learning-method-self-driving-cars-type-.html