De opmars van kunstmatige intelligentie (artificial intelligence, AI) is ook in het medische domein zeer relevant. De toepassingen van AI in het wetenschappelijk onderzoek naar diabetes en de patiëntenzorg werden besproken in een van de sessies op de recente 2024 ADA-meeting, met als sprekers prof. Boris Kovatchev, dr. Peter Jacobs en dr. Mudassir Rashid.
In de afgelopen paar jaar zien we in de medisch-wetenschappelijke literatuur een exponentiële toename van AI-gerelateerde artikelen. Ook zijn er specifieke tijdschriften bijgekomen zoals Lancet Digital Health, Nature Digital Medicine, en de traditionele New England groep heeft sinds begin 2024 haar eigen NEJM AI. Binnen het diabetesonderzoeksveld besteedt Diabetes Technology & Therapeutics soms aandacht aan AI. Voor wie de achtergrond van AI wil begrijpen: via internet is snel en eenvoudig de benodigde basiskennis te verwerven over “machine learning”, “deep learning” en “neurale netwerken”.
Diabetes mellitus leent zich bij uitstek voor AI-toepassingen, want de glucoseregulatie kan gemodelleerd worden als een regelsysteem. Bovendien maakt de brede toepassing van glucosesensoren bij insulineafhankelijke patiënten dat er regelmatig enorme hoeveelheden data worden verzameld en digitaal opgeslagen, wat de weg opent voor datawetenschap. Ter illustratie: een database met een maand aan glucosesensordata van 100 patiënten bevat al meer dan twee miljoen datapunten voor glucose alleen.
Mogelijke toepassingen voor gebruik van sensordata zijn bijvoorbeeld patroonherkenning, classificatiedoeleinden en glucosepredictie. Zo kan patroonherkenning van ambulante glucoseprofielen verraden welke behandelvorm iemand heeft en is het mogelijk om onderscheid te maken tussen type 1 en type 2 diabetes. Predictiemodellen kunnen zinvol zijn om te anticiperen op hypoglycemie en uiteraard gebruikt worden voor doseringsadviezen. Zulke modellen, gebaseerd op deep-learning technieken, worden ontwikkeld binnen een dataset en vervolgens “getraind” op andere data. Voor toepassing in de praktijk is daarna vanzelfsprekend nog een klinische trial nodig.
In de praktijk maken de hybride closed-loop systemen al gebruik van insulineafgifte die gebaseerd is op voorspellende modellen. Met andere woorden, er is sprake van “data-gedreven closed-loop controle” – wat een grote verandering is ten opzichte van de vooropgezette, theoretische modellen die in het recente verleden werden toegepast. Helaas is het – misschien begrijpelijkerwijs – lastig om details te vinden over de toegepaste modellen.
Momenteel zijn de pompalgoritmes nog volledig gebaseerd op het glucosesignaal. Er zou winst te boeken zijn als andere factoren meegewogen zouden worden. Zo wordt er momenteel onderzoek gedaan naar een algoritme waarin automatische detectie van lichamelijke activiteit is opgenomen. De sprekers behandelden ook eigen onderzoek naar varianten van een artificiële alvleesklier.
Het ligt in de lijn der verwachting dat AI-gebaseerd doseringsadvies ook beschikbaar komt voor de grote groep patiënten die behandeld wordt met pen-therapie. Behalve toepassing in de technologie die de patiënt in het dagelijks leven gebruikt, kan AI ook professionals helpen bij het leveren van patiëntenzorg. Als voorbeelden werden besproken de automatische opslag van tijdens consultvoering uitgewisselde informatie (middels spraakherkenning) en het genereren van geautomatiseerde vervolgstappen in de behandeling. Een onderdeel dat in de sessie niet echt aan bod kwam, is dat AI ook de zorgprofessional kan helpen bij populatiemanagement, zoals dat in Nederland al gebeurt.
Kortom, AI wordt al breed toegepast in de dagelijkse praktijk en in het wetenschappelijk onderzoek. Voor optimale toepassing en om valkuilen te vermijden is het voor iedere zorgprofessional raadzaam om een basaal begrip te hebben van de onderliggende technieken.
Referenties
- Kovatchev B, Lobo B. Clinically Similar Clusters of Daily Continuous Glucose Monitoring Profiles: Tracking the Progression of Glycemic Control Over Time. Diabetes Technol Ther. 2023 Aug;25(8):519-528.
- Reddy R, Resalat N, Wilson LM, Castle JR, El Youssef J, Jacobs Prediction of Hypoglycemia During Aerobic Exercise in Adults With Type 1 Diabetes. J Diabetes Sci Technol 2019 Sep;13(5):919-927.
- Jacobs PG, Resalat N, Hilts W, Young GM, Leitschuh J, Pinsonault J, El Youssef J, Branigan D, Gabo V, Eom J, Ramsey K, Dodier R, Mosquera-Lopez C, Wilson LM, Castle JR. Integrating metabolic expenditure information from wearable fitness sensors into an AI-augmented automated insulin delivery system: a randomised clinical trial. Lancet Digit Health. 2023 Sep;5(9):e607-e617.
- Aanstoot HJ, Last S, Riegman N, Mul D, Hoogendam A, Akkerman M, Veeze H. Populatiemanagement en nieuwe technologie in de moderne diabeteszorg: over het waarom en hoe van CloudCare. Nederlands Tijdschrift voor Diabetologie 2023 (21): 16–23
