Bagaimana Kecerdasan Buatan mengubah perawatan diabetes?

Bagaimana Kecerdasan Buatan mengubah perawatan diabetes?

Sejak didirikan sebagai disiplin akademis pada tahun 1956, Artificial Intelligence (AI) telah memungkinkan terobosan signifikan di bidang sains, perawatan kesehatan, dan transportasi. Sementara istilah ‘AI’ dapat memunculkan gambar mobil self-driving atau cyborg hidup, itu juga mengubah perawatan diabetes dan cara kita mengidentifikasi, mengobati, dan memantau penyakit. Di sini, saya memberikan tiga contoh dampak AI pada perawatan diabetes di bidang utama berikut: 1) pemberdayaan dan dukungan pasien, 2) pendekatan berbasis data untuk prediksi penyakit; dan 3) dukungan klinisi.

Pemberdayaan dan dukungan pasien

Yang pertama adalah bidang yang berkembang pesat dari perangkat pemantauan glukosa berkelanjutan yang digerakkan oleh AI. Perangkat ini merevolusi pengelolaan diabetes tipe-1 dengan menyediakan data otomatis dan real-time dari tingkat perubahan dan konsentrasi glukosa darah. Secara khusus, perangkat ini memanfaatkan sejumlah besar data pasien yang tersedia untuk memberikan rekomendasi yang dipersonalisasi untuk pemberian pengobatan, sangat meminimalkan risiko yang terkait dengan pemberian insulin eksogen. Selangkah lebih maju, pada tahun 2021 diumumkan bahwa 1.000 pasien akan berpartisipasi dalam program percontohan ‘pankreas buatan’ yang menerapkan ‘teknologi loop tertutup’ untuk terus memantau glukosa darah dan secara otomatis menyesuaikan jumlah insulin yang diberikan.

Pendekatan berbasis data untuk deteksi penyakit

Melanjutkan tema pemanfaatan data pasien dalam jumlah besar, AI mengubah cara kami menjelajahi basis data elektronik besar untuk memprediksi hasil pasien dan mengidentifikasi mereka yang berisiko tinggi mengalami komplikasi terkait. Misalnya, (1) mendemonstrasikan model pembelajaran mesin yang dilatih menggunakan 700 fitur yang dikumpulkan dari lebih dari satu juta pasien di berbagai sumber data. Model ini mampu memprediksi, dengan akurasi tinggi, risiko tiga tahun komplikasi termasuk kejadian kardiovaskular dan hiper/hipoglikemik pada penderita diabetes. Wawasan tersebut memiliki potensi untuk meningkatkan hasil klinis dengan mempromosikan pengiriman perawatan awal dan pribadi untuk pasien dengan diabetes.

Dukungan klinisi

Terakhir, saya memberikan contoh bagaimana AI mendukung dokter untuk memantau dan mendeteksi salah satu komplikasi diabetes yang paling umum: retinopati diabetik. Dilatih menggunakan data yang diperoleh dari jutaan gambar retina, alat AI seperti EyeArt dan RetinaLyze dapat mendeteksi dan menilai retinopati diabetik dengan akurasi tinggi. Sistem seperti itu berpotensi mengurangi beban kerja dan beban yang dibebankan pada profesional perawatan kesehatan, meningkatkan tingkat deteksi, dan mengurangi waktu untuk rujukan ke layanan mata spesialis. Hasilnya adalah pasien dapat mengakses perawatan kesehatan vital lebih awal, mengurangi kehilangan penglihatan dan menyoroti penyakit yang sangat terkait dengan retinopati diabetik, seperti stroke dan penyakit kardiovaskular.

Dengan percepatan adopsi AI dalam perawatan kesehatan Inggris, seperti peluncuran NHSX yang bertujuan untuk meningkatkan produktivitas NHS dengan teknologi digital, para ahli telah menekankan pentingnya mengatasi masalah yang muncul seperti bias algoritmik dan kurangnya transparansi dalam model yang digerakkan oleh AI. Karena semakin banyak keputusan perawatan kesehatan yang diteruskan dari manusia ke model yang digerakkan oleh AI, sangat penting bagi pemerintah dan badan pengatur untuk memastikan AI yang etis dan adil untuk semua.

Untuk informasi lebih lanjut tentang program percontohan ‘pankreas buatan’, lihat di sini: https://www.england.nhs.uk/2021/06/patients-with-type-1-diabetes-to-get-artificial-pancreas-on -the-nhs/

Referensi

Ravaut, M., Sadeghi, H., Leung, KK, Volkovs, M., Kornas, K., Harish, V., Watson, T., Lewis, GF, Weisman, A., Poutanen, T. dan Rosella, L., 2021. Memprediksi hasil yang merugikan akibat komplikasi diabetes dengan machine learning menggunakan data kesehatan administratif. Kedokteran digital NPJ, 4(1), hlm.1-12.

Author: Ralph Moore