El manejo de la diabetes tipo 1 es difícil. ¿Puede la IA ayudar?

La tecnología de diabetes basada en IA todavía tiene un largo camino por recorrer Estados Unidos y Gran Bretaña Las regulaciones de dispositivos médicos, los sistemas automatizados de administración de insulina disponibles comercialmente, sin inteligencia artificial, caen en la clase de riesgo más alto. Los sistemas impulsados ​​​​por IA se encuentran en las primeras etapas de desarrollo, por lo que las conversaciones sobre cómo deberían regularse recién ahora están comenzando.

El experimento de Emerson fue completamente virtual: probar la administración de insulina asistida por IA en humanos plantea numerosos problemas de seguridad. En una situación de vida o muerte, como la administración de insulina, dar el control a una máquina puede ser peligroso. "Por la naturaleza del aprendizaje, absolutamente puedes dar un paso en la dirección equivocada", dice Mark Breton, profesor del Centro de Tecnología de la Diabetes de la Universidad de Virginia que no participó en este proyecto. Esa es la belleza de esto, pero también es peligroso".

Emerson se centró en el aprendizaje por refuerzo, o RL, una técnica de aprendizaje automático de prueba y error. En este caso, el algoritmo fue "recompensado" por su buen comportamiento (lograr el objetivo de azúcar en la sangre) y "castigado" por su mal comportamiento (reducir el nivel de azúcar en la sangre para que sea demasiado alto o demasiado bajo). Debido a que el equipo no pudo realizar pruebas en pacientes reales, utilizaron el aprendizaje de refuerzo fuera de línea, que se basa en datos recopilados previamente en lugar de aprender sobre la marcha.

Sus 30 pacientes virtuales (10 niños, 10 adolescentes y 10 adultos) fueron sintetizados por Simulador de diabetes tipo 1 UVA/Padovaun sustituto aprobado por la FDA para las pruebas preclínicas en animales Después de entrenar fuera de línea con el equivalente a siete meses de datos, dejaron que RL manejara el trabajo de insulina de los pacientes virtuales.

Para ver cómo maneja los errores de la vida real, lo sometieron a una serie de pruebas diseñadas para imitar los errores del dispositivo (datos faltantes, lecturas inexactas) y los errores humanos (errores de cálculo de carbohidratos, comidas irregulares), pruebas que la mayoría de los investigadores sin diabetes no harían piense: "La mayoría de los sistemas solo tienen en cuenta dos o tres de estos factores: su glucosa en sangre actual, la insulina que se dosificó previamente y los carbohidratos", dice Emerson.

Offline RL manejó con éxito todos estos casos extremos desafiantes en el simulador, superando a los controladores de última generación actuales. Las mayores mejoras se produjeron en situaciones en las que faltaban algunos datos o eran inexactos, simulando situaciones como cuando alguien se aleja demasiado de su monitor o aplasta accidentalmente su MCG.

Además de reducir el tiempo de entrenamiento en un 90 % en comparación con otros algoritmos de RL, el sistema mantuvo a los pacientes virtuales en su rango objetivo de glucosa en sangre una hora más por día que los controladores comerciales. real pacientes. “Un gran porcentaje de personas con diabetes [in the US and UK] tener sus datos registrados continuamente”, dice. “Tenemos esta gran oportunidad de aprovecharla”.

Pero traducir la investigación académica en dispositivos comerciales requiere superar importantes barreras regulatorias y corporativas. Breton dice que si bien los resultados del estudio son prometedores, provienen de pacientes virtuales, y de un grupo relativamente pequeño. "Este simulador, por grandioso que sea, representa una pequeña fracción de nuestra comprensión del metabolismo humano”, dice. La brecha entre los estudios de simulación y las aplicaciones del mundo real, continúa Breton, "no es insuperable, pero es grande y necesaria". . "

La tubería de desarrollo de dispositivos médicos puede parecer enloquecedoramente estancada, especialmente para quienes viven con diabetes. Las pruebas de seguridad son un proceso lento, e incluso después de que los nuevos dispositivos llegan al mercado, los usuarios no tienen mucha flexibilidad debido a la falta de transparencia del código, acceso a datos o la interoperabilidad entre fabricantes. Solo hay cinco pares de bombas CGM compatibles en el mercado estadounidense, y pueden ser costosas, lo que limita el acceso y la facilidad de uso para muchas personas. "En un mundo ideal, habría toneladas de sistemas", las personas eligen la bomba, CGM y el algoritmo que funcionan para ellos, dice Dana Lewis, fundadora del movimiento del sistema de páncreas artificial de código abierto (AbrirAPS). "Podrás vivir tu vida sin pensar tanto en la diabetes".