AIを活用した糖尿病技術への道のりはまだ長い。 両方の下で アメリカ と イギリス 医療機器規制、AI を使用しない市販の自動インスリン投与システムは、最も高いリスク クラスに分類されます。 AI 駆動システムは開発の初期段階にあるため、どのように規制すべきかについての議論はまだ始まったばかりです。
エマーソン氏の実験は完全に仮想で行われた。AI支援による人体へのインスリン投与のテストでは、多くの安全性の懸念が生じた。 インスリン投与のような生死に関わる状況では、機械に制御を与えるのは危険な場合があります。 「学習の性質上、間違った方向に一歩を踏み出す可能性は絶対にあります」と、このプロジェクトには参加していないバージニア大学糖尿病技術センターのマーク・ブレトン教授は言う。 「以前のルールからわずかに逸脱すると、出力に大きな違いが生じる可能性があります。 それが美しさでもありますが、危険でもあります。」
エマソンは、試行錯誤に基づく機械学習手法である強化学習 (RL) に焦点を当てました。 この場合、アルゴリズムは、良い行動（血糖目標の達成）に対して「報酬」を与え、悪い行動（血糖値が高くなりすぎたり低すぎたりすること）に対して「罰」を与えました。 チームは実際の患者でテストすることができなかったため、その場で学習するのではなく、以前に収集したデータを利用するオフライン強化学習を使用しました。
彼らの 30 人の仮想患者 (子供 10 人、青少年 10 人、大人 10 人) は、 UVA/Padova 1 型糖尿病シミュレーター、食品医薬品局が承認した動物の前臨床試験の代替品です。 7 か月に相当するデータに基づいてオフラインでトレーニングした後、RL に仮想患者のインスリン投与を引き継がせました。
実際の間違いにどのように対処するかを確認するために、彼らはデバイスの障害（データの欠落、不正確な測定値）や人的エラー（炭水化物の計算間違い、不規則な食事時間）を模倣するように設計された一連のテストを実施しました。これは、糖尿病を持たないほとんどの研究者が考えもしないようなテストです。走る。 「大部分のシステムは、現在の血糖値、以前に投与されたインスリン、炭水化物という要素のうち 2 つまたは 3 つだけを考慮しています」とエマーソン氏は言います。
オフライン RL は、シミュレータでこれらの困難なエッジ ケースをすべてうまく処理し、現在の最先端のコントローラーを上回るパフォーマンスを発揮しました。 最大の改善は、一部のデータが欠落しているか不正確な状況で現れ、誰かがモニターから離れすぎたり、誤って CGM を押しつぶしたりするような状況をシミュレートしました。
他の RL アルゴリズムと比較してトレーニング時間を 90% 削減したことに加え、このシステムは仮想患者を市販のコントローラーよりも 1 日当たり 1 時間長く目標血糖値の範囲内に維持しました。 次に、エマソンは、以前に収集したデータに対してオフライン RL をテストする予定です。 本物 忍耐。 「糖尿病患者の大部分は、 [in the US and UK] データを継続的に記録してもらいます」と彼は言います。 「私たちはそれを活用する素晴らしい機会を持っています。」
しかし、学術研究を商用デバイスに変換するには、大きな規制や企業の障壁を克服する必要があります。 ブレトン氏は、研究結果は有望であることを示しているが、それらは仮想患者、そしてその比較的少数のグループから得られたものであると述べています。 「あのシミュレーターは、どれほど素晴らしいものであっても、人間の代謝に関する私たちの理解のほんの一部を表しているに過ぎません」と彼は言います。 シミュレーション研究と現実世界の応用との間のギャップは、「埋められないわけではないが、大きく、必要である」とブレトン氏は続けます。
医療機器の開発パイプラインは、特に糖尿病を抱えている人々にとって、ひどく行き詰まっていると感じることがあります。 安全性テストは時間がかかるプロセスであり、新しいデバイスが市場に出た後でも、コードの透明性、データ アクセス、メーカー間の相互運用性が欠如しているため、ユーザーにはあまり柔軟性がありません。 米国市場には互換性のある CGM ポンプのペアが 5 つしかなく、価格が高いため、多くの人にとってアクセスと使いやすさが制限されています。 オープンソースの人工膵臓システム運動の創始者であるダナ・ルイス氏は、「理想的な世界では、システムが大量に存在し、人々が自分に適したポンプ、CGM、アルゴリズムを選択できるようになるでしょう」と語る（OpenAPS）。 「糖尿病についてあまり考えずに人生を送ることができるでしょう。」