dispositivi medici

Credito: Pixabay/CC0 Dominio pubblico

Invece di fare affidamento su approcci tradizionali che possono solo prevedere se il controllo della glicemia dei pazienti passerà dal prediabete al diabete nei prossimi 5-10 anni, un team di ricercatori ha scoperto che la combinazione di dati in tempo reale da monitor indossabili e approcci di apprendimento automatico potrebbe creare previsione accurata ea breve termine del controllo della glicemia con soli sei mesi di dati. La ricerca, guidata dalla Perelman School of Medicine dell’Università della Pennsylvania, apre le porte alla potenziale prevenzione del diabete tra molti in questa popolazione attraverso interventi più immediati. Questi risultati sono stati pubblicati in npj Medicina Digitale.

“Mentre un adulto su tre negli Stati Uniti ha il prediabete, non abbiamo un modo per identificare in tempo reale se un paziente sta progredendo verso o se si allontana dallo sviluppo del diabete”, ha affermato l’autore principale Mitesh Patel, MD, MBA, professore associato of Medicine alla Penn e vicepresidente per la trasformazione clinica presso Ascension. “I sistemi sanitari e gli assicuratori potrebbero essere in grado di utilizzare questo tipo di informazioni per raccomandare meglio cambiamenti nel comportamento o farmaci per prevenire il diabete nello stesso modo in cui i punteggi di previsione del rischio sono già utilizzati per prevenire le malattie cardiache”.

Il prediabete è una condizione in cui la glicemia di un paziente è elevata, ma non ai livelli osservati nel diabete. Questi pazienti corrono il rischio di progredire verso quella malattia, quindi i medici in genere prendono decisioni sulla cura dei pazienti sulla base di modelli sviluppati per prevedere il controllo della glicemia – tecnicamente chiamato controllo “glicemico” – con dati di riferimento point-in-time, come test o informazioni raccolte da un appuntamento. I dati sulla previsione a breve termine rimangono limitati e la maggior parte delle previsioni si concentra sui prossimi 5-10 anni.

Questo lascia molto a desiderare quando si tratta di prevenzione. Così i ricercatori della Penn Medicine hanno cercato di vedere se fosse possibile creare un modello che rendesse le previsioni più immediate, utilizzando combinazioni di dispositivi indossabili e formule di previsione con o senza tecniche di apprendimento automatico applicate.

I partecipanti sono stati reclutati tramite Penn Medicine e assegnati in modo casuale a diversi bracci dello studio. A ogni paziente è stato assegnato un dispositivo che monitorava l’attività fisica, la frequenza cardiaca e l’attività del sonno e gli è stato assegnato un dispositivo indossabile che veniva indossato al polso o in vita. I dispositivi sono stati sincronizzati con Way to Health, una piattaforma di Penn Medicine per il tracciamento dei dati, che estraeva informazioni dai dispositivi ogni giorno. Tutti i pazienti hanno anche ricevuto una bilancia elettronica che si sincronizzava in modo simile. Dopo sei mesi, ogni paziente ha ricevuto test di laboratorio e un peso finale. In totale, 150 partecipanti hanno completato lo studio.

Quando il team di ricerca ha analizzato i propri dati, ha scoperto che, quasi su tutta la linea, le previsioni sul controllo della glicemia erano significativamente migliori tra i pazienti che utilizzavano i dispositivi indossabili da polso. Ciò includeva se i pazienti avevano un controllo della glicemia migliore o in peggioramento. I ricercatori hanno notato che i pazienti con dispositivi da polso hanno una media di 1.000 passi in più rispetto a quelli con dispositivi indossabili in vita.

“Si trattava di uno studio randomizzato, quindi i livelli di attività al basale avrebbero dovuto essere simili, ma poiché abbiamo riscontrato un numero di passi più elevato negli utenti al polso, ciò potrebbe indicare che indossavano i dispositivi per periodi più lunghi della giornata”, ha detto Patel. “Questo potrebbe aver portato alla differenza nella previsione rispetto agli utenti indossabili indossati in vita”.

Confrontando i modelli di previsione dell’apprendimento automatico con i modelli tradizionali utilizzati, i ricercatori hanno scoperto che i modelli di apprendimento automatico avevano un vantaggio coerente. Quando i dati sono stati scomposti in base ai tipi di dispositivi utilizzati, il potere di previsione del machine learning è diventato più forte se abbinato a dispositivi indossati al polso.

Tuttavia, il potere di previsione era al massimo quando i metodi di apprendimento automatico venivano anche combinati con i modelli tradizionali (e abbinati a un dispositivo indossato al polso).

I ricercatori hanno affermato che il prossimo passo è integrare i modelli di previsione utilizzati dallo studio nei normali sistemi di assistenza per raggiungere una popolazione di pazienti più ampia. Potrebbe essere un leggero ostacolo, ma Penn ha già un vantaggio grazie alla piattaforma che ha sviluppato.

“Le organizzazioni hanno bisogno di una piattaforma scalabile per acquisire e sintetizzare questi dati e idealmente per generare risposte automatizzate in modo che il feedback possa essere fornito su larga scala”, ha affermato l’autore senior Kevin Volpp, MD, PhD, direttore del Center for Health Incentives and Behavioral Economics. “Abbiamo sviluppato la piattaforma Way to Health, che Penn ha utilizzato per integrare con successo i dati di monitoraggio remoto dei pazienti nell’assistenza clinica in un’ampia varietà di contesti clinici. Questa piattaforma è utilizzata da numerose organizzazioni negli Stati Uniti e Way to Health o qualcosa di simile potrebbe essere utilizzato per aiutare a implementare questi tipi di approcci in modo più ampio”.


Articolo precedenteSolo il 9% degli adolescenti soddisfa le linee guida sull’attività fisica durante la pandemia, in calo rispetto al 16% pre-pandemia
Articolo successivoI ricercatori prevedono i comportamenti dei ratti dall’attività cerebrale