Исследователи из Уорикского университета (Великобритания) разработали новую технологию, которая определяет низкий уровень глюкозы с помощью носимого устройства с сенсором ЭКГ. Прибор использует технологию искусственного интеллекта. Информация о разработке и состоявшихся исследованиях появилась в журнале Scientific Reports.
В настоящее время системы непрерывного мониторинга уровня сахара (CGM-системы) измеряют уровень глюкозы в интерстициальной жидкости с помощью инвазивного датчика с маленькой иглой, который посылает сигналы тревоги и данные на устройство отображения. Во многих случаях они требуют калибровки дважды в день с помощью инвазивного теста уровня глюкозы в крови с уколом пальцев.
Университетские ученые смогли доказать, что, используя технологию глубокого обучения, они могут обнаруживать гипогликемические события по «сырым» сигналам ЭКГ, полученным с помощью неинвазивных сенсоров носимого устройства.
Два пилотных исследования со здоровыми добровольцами выявили среднюю чувствительность и специфичность, равную примерно 82%, для обнаружения гипогликемии, что сопоставимо с текущими возможностями CGM-систем.
По словам доктора Леандро Пеккья из Инженерного факультета университета Уорика,
Постоянные проколы кожи — это очень неприятно, особенно детям. Мы разработали метод использования искусственного интеллекта для автоматического определения гипогликемии с помощью показаний ЭКГ-сенсора. Это важно, поскольку ЭКГ может регистрироваться при любых обстоятельствах, в том числе во время сна.
При тестировании системы было доказано, что ЭКГ изменяется у каждого человека во время гипогликемического события. При этом основная проблема заключается в том, что модель искусственного интеллекта должна быть «натренирована» на основе собственных данных каждого испытуемого пациента. Различия между отдельными людьми настолько существенны, что обучение системы с использованием данных группы пользователей не дало бы одинаковых результатов.
Доктор Пеккья объясняет:
Именно поэтому предыдущие исследования с использованием ЭКГ для выявления гипогликемических событий не дали результатов. Работа алгоритмов искусственного интеллекта, подготовленных на основе групповых данных ЭКГ, была бы затруднена из-за этих различий между данными отдельных людей. Наш подход позволяет индивидуально настраивать алгоритмы обнаружения и подчеркивает, как гипогликемические события влияют на ЭКГ у отдельных пациентов. Основываясь на этой информации, врачи могут адаптировать терапию к каждому человеку.
Соответственно, персонализированная терапия, основанная на этой системе, может быть более эффективной, чем нынешние подходы, но реализовать ее с учетом таких проблем пока будет сложно.
