Автор: 
В новом исследовании, опубликованном в журнале NPJ Digital Medicine, учёные из Медицинской школы Перельмана при Университете Пенсильвании (Perelman School of Medicine at the University of Pennsylvania) обнаружили, что объединение данных в реальном времени с носимых мониторов и методов машинного обучения может создать точный и краткосрочный прогноз контроля уровня сахара в крови всего за 6 месяцев.
Преддиабет — это состояние, при котором уровень сахара в крови пациента повышен, но не до уровней, наблюдаемых при диабете. Пациенты с преддиабетом подвержены риску прогрессирования диабета, поэтому врачи обычно принимают решения об уходе за пациентами на основе моделей, разработанных для прогнозирования контроля уровня сахара в крови. Данные о краткосрочных прогнозах остаются ограниченными, и большинство прогнозов сосредоточены на следующих 5-10 годах.
Когда дело доходит до профилактики, это оставляет желать лучшего. Поэтому исследователи решили создать модель, используя комбинации носимых устройств и формул прогнозирования с применением методов машинного обучения или без них. Каждому участнику исследования было предоставлено носимое устройство, которое отслеживало физическую активность, частоту сердечных сокращений и активность сна. Устройства были синхронизированы с Way to Health, платформой Penn Medicine для отслеживания данных, которая каждый день извлекала информацию с устройств. Все пациенты также пользовались электронными весами, которые синхронизировались с устройством. Через 6 месяцев каждый пациент прошел лабораторные анализы и окончательное взвешивание. Всего 150 участников завершили исследование.
Учёные обнаружили, что почти во всех случаях прогнозы контроля уровня сахара в крови были значительно лучше среди пациентов, которые использовали носимые устройства на запястье. Исследователи заметили, что пациенты с наручными устройствами в среднем делали на 1000 шагов больше, чем те, у кого были устройства на поясе. Сравнивая модели прогнозирования машинного обучения с используемыми традиционными моделями, исследователи обнаружили, что модели машинного обучения имеют постоянное преимущество. Когда данные были разбиты по типам используемых устройств, предсказательная сила машинного обучения возрастала в сочетании с носимыми на запястье устройствами. Однако мощность прогнозирования была максимальной, когда методы машинного обучения также были объединены с традиционными моделями. Учёные заявили, что следующим шагом будет интеграция моделей прогнозирования, используемых в исследовании, в обычные системы оказания медицинской помощи, чтобы охватить более широкую популяцию пациентов.
