روش یادگیری ماشینی مورد استفاده برای اتومبیل های خودران می تواند زندگی بیماران دیابت نوع 1 را بهبود بخشد

همان نوع روش‌های یادگیری ماشینی که برای هدایت ماشین‌های خودران و شکست دادن شطرنج‌بازان برتر استفاده می‌شود، می‌تواند به مبتلایان به دیابت نوع 1 کمک کند تا سطح گلوکز خون خود را در محدوده ایمن نگه دارند.

دانشمندان دانشگاه بریستول نشان داده‌اند که یادگیری تقویتی، نوعی از یادگیری ماشینی است که در آن یک برنامه کامپیوتری یاد می‌گیرد با انجام اقدامات مختلف تصمیم‌گیری کند، از نظر ایمنی و اثربخشی به طور قابل‌توجهی از کنترل‌کننده‌های گلوکز خون تجاری بهتر عمل می‌کند. با استفاده از یادگیری تقویتی آفلاین، جایی که الگوریتم از سوابق بیمار یاد می‌گیرد، محققان کار قبلی را بهبود می‌بخشند و نشان می‌دهند که کنترل خوب گلوکز خون را می‌توان با یادگیری از تصمیم‌های بیمار به جای آزمون و خطا به دست آورد.

دیابت نوع 1 یکی از شایع ترین بیماری های خود ایمنی در انگلستان است و با کمبود هورمون انسولین که مسئول تنظیم گلوکز خون است مشخص می شود.

عوامل زیادی بر روی گلوکز 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 با الگوریتم‌های ساده تصمیم‌گیری محدود شده‌اند.

با این حال، یک مطالعه جدید منتشر شده در مجله انفورماتیک زیست پزشکی نشان می دهد که یادگیری تقویتی آفلاین می تواند نقطه عطف مهمی در مراقبت برای افرادی باشد که با این بیماری زندگی می کنند. بیشترین پیشرفت در کودکان بود که 1.5 ساعت اضافی در محدوده گلوکز هدف در روز تجربه کردند.

کودکان گروه بسیار مهمی را تشکیل می دهند، زیرا اغلب قادر به مدیریت دیابت خود بدون کمک نیستند و بهبود این اندازه منجر به نتایج قابل توجهی در دراز مدت سلامتی بهتری می شود.

نویسنده اصلی، هری امرسون از دپارتمان ریاضیات مهندسی بریستول، توضیح داد: «تحقیق من بررسی می‌کند که آیا یادگیری تقویتی می‌تواند برای توسعه استراتژی‌های دوز انسولین ایمن‌تر و مؤثرتر مورد استفاده قرار گیرد یا خیر.

این الگوریتم‌های مبتنی بر یادگیری ماشینی عملکرد فوق‌العاده‌ای را در بازی شطرنج و خلبانی ماشین‌های خودران نشان داده‌اند، و بنابراین می‌توانند از داده‌های از پیش جمع‌آوری‌شده گلوکز خون، انجام دوز انسولین بسیار شخصی‌سازی شده را بیاموزند.

“این قطعه خاص از کار به طور خاص بر یادگیری تقویتی آفلاین تمرکز دارد، که در آن الگوریتم یاد می گیرد که با مشاهده 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 کنند. که می تواند یک بیمار واقعی را در معرض دوزهای ناایمن انسولین قرار دهد.”

به دلیل خطر بالای مرتبط با دوز نادرست انسولین، آزمایش‌هایی با استفاده از شبیه‌ساز UVA/Padova مورد تایید FDA انجام شد که مجموعه‌ای از بیماران مجازی را برای آزمایش الگوریتم‌های کنترل دیابت نوع 1 ایجاد می‌کند. 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 در نظر گرفته شد و عملکرد مطابق با دستورالعمل‌های بالینی فعلی ارزیابی شد. شبیه‌ساز همچنین برای در نظر گرفتن چالش‌های پیاده‌سازی واقع‌بینانه، مانند خطاهای اندازه‌گیری، اطلاعات نادرست بیمار و مقادیر محدود داده‌های موجود، گسترش یافت.

این کار مبنایی برای ادامه تحقیقات یادگیری تقویتی در کنترل گلوکز فراهم می کند. نشان دادن پتانسیل رویکرد برای بهبود نتایج سلامت افراد مبتلا به دیابت نوع 1، در حالی که کاستی‌های روش و زمینه‌های توسعه ضروری آینده را برجسته می‌کند.

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.

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 پانکراس مصنوعی بهتر عمل می کند و توانایی استفاده از عادات و عادت های فرد را نشان می دهد. برای واکنش سریعتر به رویدادهای خطرناک برنامه ریزی کنید.”