Mesterséges intelligencia segítheti az inzulinadagolást

A Journal of Biomedical Informatics folyóirat júniusi számának hasábjain jelent meg a University of Bristol kutatócsoportjának cikke, amelyben kiváló eredménnyel alkalmaztak mesterséges intelligenciát (AI; artificial intelligence) 1-es típusú cukorbetegek inzulinadagolásának szabályozására. Érdekes módon a vizsgálatban alkalmazott AI algoritmus tanulási módszere azonos az önvezető járműveket irányító, valamint a sakknagymestereket is legyőző módszerrel: ez az úgynevezett megerősítéses tanulás (reinforcement learning). Ez az algoritmus, amelyben a számítógépes program különböző cselekvések kipróbálásával tanul meg döntéseket hozni - biztonság és hatékonyság szempontjából jelentősen felülmúlta a kereskedelmi forgalomban kapható vércukorszint-szabályozókat.

Az 1-es típusú cukorbetegség az egyik legelterjedtebb autoimmun betegség az Egyesült Királyságban, és a vércukorszint szabályozásáért felelős inzulin hormon hiánya vagy elégtelensége jellemzi. Mivel számos tényező befolyásolja az egyén vércukorszintjét, ezért nem egyszerű feladat a megfelelő inzulinadag kiválasztása egy adott tevékenységhez. A jelenlegi mesterséges hasnyálmirigy készülékek automatizált inzulinadagolást biztosítanak, de hatásosságukat erősen korlátozza egyszerűsített döntéshozatali algoritmusuk.

A helytelen inzulinadagolással járó nagy kockázat miatt a kísérleteket szimulációkkal, az FDA által is engedélyezett UVA/Padova szimulátorral végezték, amely egy virtuális betegekből álló populációt hoz létre. A legmodernebb offline megerősítéses tanulási algoritmusokat az egyik legszélesebb körben használt mesterséges hasnyálmirigy-szabályozó algoritmussal szemben értékelték. Ezt az összehasonlítást 30 virtuális beteg (felnőttek, serdülők és gyermekek) esetében végezték el, és 7000 napnyi adatot vettek figyelembe, a teljesítményt pedig a jelenlegi klinikai irányelvek szerint értékelték. A szimulátort kiterjesztették a reális végrehajtási kihívások figyelembevételére is, mint például a mérési hibák, a helytelen beteginformációk és a korlátozott mennyiségben rendelkezésre álló adatok.

Az új tanulmány eredményei azt mutatják, hogy az offline megerősítéses tanulás fontos mérföldkövet jelenthet a betegek ellátásában. A szimulációk során a legnagyobb javulást a gyermekeknél tapasztalták, akiknél napi 1,5 órával sikerül megnövelni a glükózszint célzott tartományban tartásának hosszát. A gyermekek inzulinadagolás szempontjából különösen fontos betegcsoportot képviselnek, mivel gyakran még nem képesek önállóan, segítség nélkül kezelni a cukorbetegséget, és egy ekkora mértékű javulás jelentősen jobb hosszú távú egészségügyi eredményeket eredményezhetne.

A tanulmány vezető szerzője, Harry Emerson kifejtette: "Kutatásom azt vizsgálja, hogy a megerősítéses tanulás felhasználható-e biztonságosabb és hatékonyabb inzulinadagolási stratégiák kidolgozására. Ezek a gépi tanulással vezérelt algoritmusok emberfeletti teljesítményt mutattak sakkozásban és önvezető autók vezetésében, és ezért arra gondoltunk, hogy az előre gyűjtött vércukor-adatokból képesek lehetnek megtanulni az inzulin személyre szabott adagolását. Ez a munka kifejezetten az offline megerősítéses tanulásra összpontosít, amelyben az algoritmus a jó és rossz vércukorszint-szabályozás példáinak megfigyelésével tanul meg cselekedni. A korábbi megerősítéses tanulási módszerek ezen a területen túlnyomórészt a próbálgatás és hibázás (trial and error) algoritmusokat használták a helyes cselekvések azonosítására, ami azonban az inzulinadagolás szempontjából nem biztonságos stratégia."

A kutatók végső célja, hogy a megerősítéses tanulást valódi mesterséges hasnyálmirigy-rendszerekben alkalmazzák. Ezek az eszközök korlátozott betegfelügyelet mellett működnek, ezért a hatósági engedélyezéshez minden bizonnyal igen meggyőző bizonyítékokra lesz szükség, különösen a biztonságosság és a hatékonyság tekintetében.

Írásunk az alábbi közlemények alapján készült:

Machine-learning method used for self-driving cars could improve lives of type-1 diabetes patients

Offline reinforcement learning for safer blood glucose control in people with type 1 diabetes

Irodalmi hivatkozás:

Harry Emerson et al, Offline reinforcement learning for safer blood glucose control in people with type 1 diabetes, Journal of Biomedical Informatics (2023). DOI: 10.1016/j.jbi.2023.104376